( , (JI

INI 'IW/)( }( '( 'I( N AI, IINAu I DE DATO

I I/I tlll/ll/: un>8t/l 1/ ' 1'11
0
prohibidas, sin la
11111011 ,11 'h /1 (' s<Ti l a d, los tit ulares del
( 'U/II'II}';'I, IlflJo I(/ s s(J n iones e {ablecidas
' /1 /11 ' II 'VI'.I', 111 1'l'l irodll ' 'i 6n tol al o
/111/ !'lo 1 di ' 1',1' /11 ohm Imr ualquier medio
" 11//11'1'11111111'/110, l'Olll pr ' l1didos la reprograf a
l' I'/llrIlr/l I/II ' lIlu il/Jill'l 1/6/i 'O, Y la distribucin
d,' 1'/1'1/1/1/011'\ rll ' ('11(/ I/I '(lian/e alquiler
11/
'
1, \111/1//1,1 ,mMlm,I',
ti 1 111/ l'I'I.I!tll/I / Noclol/al el 1:.'clucaci6n a Distancia
A 1/1111 ItI (J(J(
1.1/1/1"(11 I/Nh'I : . 8mll Murillo, 38 - 28015 Madr id
MI .. ' ( 1 l'JH 75 60 I 7 7
t' 1111111: IlIiI't'IItIC
n1
orlll1./l/p cl. e
) ,1/1/111 (,'t/I/: iWI-7'I:ilIo, Paula Lubin Pigouche, Jos Mara Merino Merino, Miguel Padilla
, 1'(/11'11' 10 I? ' / aboya y Juan Carlos Surez Falcn
/, ' IIN: ()/ti 8/.M2-6042- 7
/), '/11 ,\11(1 11''(d,' M. 6.464-2009
'II/lIt /II ItI/ti! /l .' ,l'1!Jl i ' mbre de 2009
III/I/ I.\'(I 1'11 - Pri l1led in Spain
Nl>l H
1, "
11'.'." .. , ... .... 111 , 11
ClN( ' It,p'I'() nsl os y ORGANI ZACiN DE DATO .............. ........ ..
'i 11 ....... . ................................... ............. .
d aut valuacin ..... .. .............. ........ .
1, '11 'S ........... .. ....... . ........... ......... ........ t t ,
11 " , , " 11 ,'.' 0111' '1
(', ('I'(' lelos l ' :lUl O 'V' dll ll ' 1 11 ............................... .
7

H
(11
ti
!JI
ItI 1111 ,111 11 '
11\""'1'1(1
""""'111"11""'1"1""'""",,
11111 (Id 11 (111
H
\, .
' , "'." 1 ' "1""11 ", 1" , ,1 "11111
M, ti 11, Iv ' U" ti jll 111 1 ........................................... ..
9 1
.. 1. AIIII III1Id l ol '" o 1" \11 ro .......... ......... . .
J. .2. VluhnzJ.Y 1 'svia n
92
93
() ,/'1 - ' nl ' i vari a in
Ami li l Id ' 11 i-in t .. .. .. .. .. .. .. .... .. .. ...... .... .. ..
IlIdl " 1, us im tra d Pearson .. ...... .. ... .. ..... .. ........................... ..
t .
PlltllutI ' Ol tpi a
.. ......... ...... ..... .. ............. ... ......... ......
... .. ..... ... .. .... .... .. ............ ... ...... ... ... ...... ... ... ........
1 \' 11111 ' 11 ........ ... .. .. .... .. .. .... .. ..
l o:, ' /" i ' los d \ aUl valuacin ...... ...... .. .. .. .... .. .. .............. ...... .. ..
olu los jercicios de .. .. .. .... .. ...... ........ ..
I hll" t. ANu sr
1. , . IllI me! ti
ONJUNTO DE DOS VARIABLES
.. .... ...... .................. .
.... .. .. ..... .............. ............
.... ............................
............... ...... ... .......................................................

a los ejercicios de
... ............... ...... .... ...
11 '/1/(/ 5. No IONES BSICAS DE PROBABILIDAD
, 1 1IIII'OUlI in .. ............... ....... .. ..................................... .
( ' ............................................................ ..
() II " pl previos ............................................ ..
1) /'i 1 i n de pr obabilidad ... ......................... ..
................................ .............................
Pml f.'IbiJi dad condicionada
1, \ !' 'glu del producto y el .. ............ .. .. .. .. .... ..
I 'S\11 1 11 ... . ... . ....... . ... . ........ . .. . .
1
hil'!" ' 1 de autoevaluacin
'; ,111 ' ion a los ejercicios de .... .. ...... .. .. .. .. .. ..
........ ... ....................
11' /1/(/ n. I)ISTIUBUCIONES DISCRETAS DE PROBABILIDAD
I I I ......................... .
/1 j ,'0 ti ' i n .. ............................................................. .................... ..
11 ' " 1 "J I a toria: definicin y tipos .... ... ..................................... .
ti Ibl 's 1 a torias discretas
1, \. 1. hIn i n de probabilidad .. .. .. .... .... ........ .. .......... .. .... .... ..
... ...... ... ...... ..... .... ......... ... ... ...... ......
95
101
103
105
107
110
111
113
119
121
122
124
132
139
143
143
147
155
157
158
161
164
166
172
173
176
183
185
186
188
188
I j j()
ti t, H(1I
1
, " ....... 111.11......... 1')1
I
I 1>1 'I'RIIJ'U IONES CONTINUAS DE PROBABILIDAD ... . ..... . ........ ...... ..
l . , ti HlI 'H 1 i 11 ... .............. .. ...... .. .... .. .... ........ ........... ......... ..
1, . I . r t r ticas y propiedades .. ............................ ... ..... ....... .
t ili zacin de las Tablas ... .. ... ... .. ... ....... .. .. .. .... ... .......... ....... .
l li ' lograma y distribucin Normal .. ..... .. ... .. ....... ......... ...... .
Aproximacin de la binomial a la Normal ......... ... ........ .... .
, L 1 1 Islribucin Chi-cuadrado de Pearson .... .. .... .... .. .......... ..... ..
1, \ 1 istribucin t de Student ... ..... ........................ .. .......... ..... .... ..
n ...... ... .... ...... .. .. ... .. ........ ... .. .. ................. .. ...... ....... ......... ...... .
1.1 '1' j ios de autoevaluacin .... ........... ................... ........ .. ...... ...... ..
olu i nes a los ejercicios de autoevaluacin ......... .... ...... .. .. ... .... .
11'///11 H. ESTIMACIN .................................................................... .. . .. . .... ..
l . IIlI r duccin ................................................... .. ........... .. .... ............ .. .
0 11 ptos previos ................................ ............................... .. ... ....... .
H.2. l. Poblacin y muestra .................................................... ........ .
H.2.2. Muestreo .... .................... .... .. .. ... ... .. .. ..... .... ........ .. .. ............ .... .
' , In r rencia estadstica .................................... .. .... ........ ... ... ...... .. ..... ..
E1; macin de la media ........................................ ...... ............ ....... ..
RA.1. Distribucin muestral de la media ... .. .... .. .... ..................... ..
R.4.2. La media como estimador .... .................................. .. .... ..... ..
, , 1;. timacin de la proporcin ..................................................... .... .
8.5.1. Distribucin muestral de la proporcin ... ....... ... ... ............. .
8. 5.2. La proporcin como estimador ............................ ..... .... .... ..
M,l . Intervalos de confianza ........................................................ ....... ... .
8.6.1. Concepto ......................................................................... ..... .
.6.2. Tamao de la muestra ................................................... ..... ..
III I ,
1
1111 " "" " N Al. ANLISIS DE DATOS
H, , . Aplicaciones ........................... .. ............................................. 269
8.6.3.1. Intervalos de confianza para la media .................. 270
8.6.3.2. Intervalos de confianza para la proporcin .......... 274
H, ; , l . ' umen ...... ... .... ........ .. ................... ... ............. .. ............................... 276
H,H, E.l rcicios de auto evaluacin .. ....................................... ...... ........... 277
H,t) , luciones a los ejercicios de autoevaluacin ........ .. .... ................. 279
1'/'11'1" /1 ia bibliogrficas 283
/ JI l/di e: Tablas
285
PRLOGO
I I I ni ra ha sido concebida como un libro de texto dirigido a 1 s 'S11I 4
1\ I rimer curso del Grado en Psicologa de la Universidad Nn ' 10
Jldu ' in a Distancia, y ha sido elaborado por el equipo d
I ' 11 ' \ ' t ' rf 'ticas de los alumnos a los que va dirigido y la melo 10101 ' 11
1I JlI! tI! I NED hacen que el objetivo del texto no sea tratar nu V'\S 1 v
11 ,''C() ' 1' aportaciones originales sino presentar una seri d ' 0 111 '
, , 1(11' ,' ' 1 U ntran ya en muchos otros libros, de manera la!"l y s ' 11
, l ' ' ntido, hemos tratado de presentar los 0 1 ' ' pi o
111111 I t 1 lit 's s 'guidos de ejemplos concretos aplicados - n 1 1 , 1 i ItI ti '
11,1" \ 1\ Psicologa y hemos prescindido de desarron s 11 al ' tll (
1" 1111 ~ ' \ 1 1 'slri lamente necesarios.
la utilizu ' <'In
lI ' nla ' ()II 1111
tos.
, 1, 1I1l0 I los t 'm' ls 0 111 ' 1 za 'on lIn ') intr c.lu i n, d nd S pl" -
111 111 los olj ' ti vos 1\ ' Ipl" ' 11 li z'lj' '1 ' ons guir n ' u ludi, y han s fta-
11 lo ' 1111 'rri V\ IO' l n il s f'unda l11 nla l qu aparec 11 alo largodel t x-
lo aclo d n lro d cuadros las frmulas y definiciones
111 1. 1111 1 OIllll", han r allaclo los j mplos y se ha aadido un resu-
1IIt ' II. 1 01" ("til ,al, final de cada tema, se presenta un gran nmero de ejer-
( l ' n,', on s IS oluciones correspondientes, que permiten la autoevalua-
I 1111 1 ,1 'd In no,
1" 1\ 11 m nL , queremos sealar que este texto es fruto de una amplia
, 1 n ia d I quipo docente. Durante todos esos aos han sido muchos
In, 111111'11105 que nos han ayudado a intentar mejorar nuestros textos. A
lo lo,' ' 1I os nuestro agradecimiento. Los aciertos, si los hay, en este texto se
(1 I ' 11 ' t ,11 ,los errores son slo nuestros.
Los autores,
Madrid, marzo de 2009
1 I
'1" ' 111 \
"H S I /\Si ( S.y )1' " U li za i )1
11111 "dllll j()11
I \ 1II l' I il':Il'ioll l'll psi 'ologa
"lit! pln y 1IIIlciones de la estadstica: ildl'll 111 1 I
M jll i011 .Y escalas de medida
IIlo1hll''': clasificacin y noLacil1
j) ti I!JI Il iOllL'S dI.' frecuencias
I I 1''1 M'111<1ciones grficas
1 7, l. ReprL'sen lacin grfica de una variable
I / RL'prL'Senlacin grMica de dos variables
1'llIpll(bdL's de una distribucin de frecuencias
1 1 IIlllL'l1
1 (1 1- jl'I'l'l'ios de auLoevaluacin
I I 1I111l'ioncs a los ejercicios de autoevaluacin
INTRODUCCIN
El, la actualidad, la estadstica se aplica en casi todas las reas del saber,
(1 ' lila forma muy importante en las ciencias sociales y naturales. Sirva
11m ejemplo su utilizacin en estudios epidemiolgicos (Medicina), en
Illdios toxicolgicos relacionados con la eficacia de los medicamentos
(I 'lIrmacia), en estudios genticos y de impacto ambiental (Biologa), en
IIIU streos en las prospecciones petrolferas o hidrulicas (Geologa), en los
l ' ' n os de poblacin e informacin demogrfica (Sociologa), y en estudios
obre la optimizacin del coste-beneficio (Economa).
Se puede hacer, por tanto, una distincin entre estadstica terica y apli-
cada; la primera se ocupa de los aspectos formales y normativos, y la segun-
ti ' constituye la aplicacin a un campo concreto, como los ejemplos que
n abamos de ver. Esta estadstica aplicada ha recibido distintas denomina-
iones segn su campo de aplicacin, tales como bioestadstica, psicoesta-
Ifstica o socioestadstica. Algunos autores han propuesto para la estadsti-
a aplicada la denominacin de anlisis de datos (Botella, Len y San
Martn, 1993; Merino y otros, 2007; Pardo y San Martn, 1998), trmino
uyo uso se est extendiendo en los nuevos planes de estudio de Psicologa
y que da nombre a este libro.
A pesar de su diversidad de aplicaciones, esta disciplina no es popular
ni entre los estudiantes de ciencias sociales ni entre muchos profesionales
de estas ciencias, debido posiblemente a la imagen de la estadstica como
una rama de las matemticas de difcil comprensin y carcter abstracto.
En contradiccin directa con esta percepcin, est la imagen de la estads-
tica como una especie de instrumento mgico que impregna de carcter
cientfico cualquier investigacin que la utilice.
En este tema explicaremos el papel que juega la estadstica en el anli-
sis de los datos en Psicologa, analizaremos los distintos niveles de medida
/
15
aplul n:
d datos en el plan d '
I ir " ' 1 iar y manejar los conceptos bsicos, la nomenclatura y las
I n 11 in ntrales de la estadstica, a fin de poder aplicarlos en I
'slu li f nnal de la materia.
EIII ' ] lIla importancia de la medicin en el mbito psicolgico, di -
I ir, f U indo entre las distintas escalas de medida (nominal, ordinal, d
illt rv lo y de razn), y conociendo las relaciones que pueden esta-
I I l' r n cada una de ellas.
M'\ 1 j r con soltura las distintas denominaciones y clasificaciones d
Ins v dables.
Snb 1 laborar, a partir de un conjunto de datos, una distribucin d
1'1' 1 n ias, adquiriendo y desarrollando la capacidad para recopila!,
01' 1 [i zar, presentar, e interpretar datos numricos.
al las tcnicas de representacin grfica adecuadas en funcin
datos disponibles (diagrama de barras, diagrama de sectore ,
I j t grama, histograma y polgono de frecuencias).
l . LA INVESTIGACIN EN PSICOLOGA
1\ lo hrgo de la historia, el hombre se ha servido de diversas formas d \
'oll()t'imi nto, tales como la religin, el sentido comn o el folclore popu-
I 1" , ( nll la paricin de la ciencia moderna en el siglo XVII, el mtodo cien-
I Ir ( () I ' IR a er la fuente de conocimiento ms utilizada, aunque no la ni-
( 1. L P 'i loga se sirve del mtodo cientfico para acercarse a su objet
I r\
hlo,',
Iv los l' \ ulLados obtenidos.
(1 11 I
'
li ho resultados y bsqueda de concllsiol1 'S,
un informe de la investigacin.
ocupa de la cuarta fase de una invest iga i ) 11 , 'I 111'
1(1 l ' ,' ull ado obtenidos. En las asignaturas Fundam n/os 114
, f " .Y Diseos de Investigacin se tratarn de man 1"1 I Inll,d
ti 11,' I'a de una investigacin cientfica, as como 1 s pOHlhl
, 111 11 i'.'H' Y 1 anlisis correspondiente a cada uno d Il os.
Hay evidencia en la literatura de la influencia d l
arterial. En particular, se considera que det r
encaminadas a combatir el estrs pueden resultar
controlar la hipertensin arterial. Un investigado
fenmeno en un grupo de 40 pacientes con este
divide su muestra en dos grupos: (1) pacient
estndar para la hipertensin con lllC: Ul\.;i::lJLUc;,,,!,
t\Cllen.tes que, adems del tratamiento estndar, r ecib n
to de situaciones estresantes. Al final del t
_! los datos de la tensin arterial de los pacu;mtO'I'.
una serie de caractersticas sociodemogrficas: sexo,
nivel de estudios, nmero de hijos, altura y peso.
encontr ara la determinacin de un plan de tra-
' Li ga i n. En el ejemplo 1.1 el investigador decide escoger
a 1 40 pacientes que acuden a las consultas externas del
lr baja, asignndolos de manera aleatoria en los grupos (1)
r iban un tratamiento diferente, comparando despus sus
01111 arar los r sultados conlleva el anlisis de los datos obtenidos y la
(1 ' 11 , m di ho resultados (fases 4 y 5). Aqu se analizaran los niveles
dI (%' 11 d ambos grupos para comprobar si realmente el grupo (2) que
1, \ l ' I I I I doble tratamiento psicolgico y farmacolgico obtiene nive-
I 11\ ,' I nJ ' n tensin arterial. Por ltimo, para difundir los resultados de
IIVl .' ti oci n se elabora un informe (fase 6).
HI1 'st libro de texto, se explicarn de manera detallada los anlisis de
1\(0 I si que pueden ser necesarios realizar tanto en la investigacin
p col I '1 omo en el ejercicio profesional. Las tcnicas estadsticas
1111 lit lIy '11 una parte integral no solo de la actividad investigadora, sino
1 1 \ 11 h 11 1 1 anlisis de los datos que se originan en las actividades que
d \1'1' >!l Ul las instituciones y organizaciones. En este sentido, no hay que
1II I \1' q l 1 psiclogo que comprenda los conceptos estadsticos y su
111 lod I ga acar mejor provecho de ellos, ya que estar ms preparado
p 11 ' \ nlu r los resultados de una investigacin y podr leer con mayor
II( do rftico la literatura que, sobre su campo de accin, va da a da
tI' \1 ' li ' 1
I ~
i n d la ladf ti a , pod ' n10S ' 011. d l' 1
1
\
a De criptiva yla E ladl ' li Inl"l"lH' d,
11 I . 1 () I una variable, podemos recurrir a ndi S I ' I ),' Illl
\1 111 \' 11 ti 's ' n los valores ms habituales de esa va tiabl \ ( Il I ' .
I 1,.",lt,,, 'la central), hasta qu punto esos valor n ' imll 11 " 1
II1 \l I11 s 'nlr s (estadsticos de variabilidad) y en qu l'rll do I
.b 1' \ 1 ' Ol se reparten equilibradamente por enci ma y I 0 1' h I 1
111 d I1 I ' n 1 ncia central (estadsticos de asimetra) . E l S ' 011 ' ' 1
l.. \ IJ r ndern de manera intuitiva al final de e t l ' 1 1'1, . I
111 111 ' 1'1\ r rmal en los temas 2 y 3.
I 11 I ' us de dos variables podemos utilizar ndices qu nos 11 I
1" ' 1\ h'l ' la qu punto estn ambas variables relacionadas 'nI \"
( ".k/
7
ntes de correlacin), as como procedimientos qu ' \lO,' I 1
111 I l ' In pr decir el valor de una variable en funcin d oU"l (('CI
" f I ( ' , ~ de regresin). El tema 4 abordar de manera d ' l nll Id
IIl1hm; procedimientos.
I 1111 ' I Estadstica Inferencial se realizan inferencias a ' 1" 1 d
I I H i I basndose en los datos obtenidos a partir de una mu '. 11 ' 1
" y,lIr tas generalizaciones de la muestra a la poblaci61 l ol d \
ti ulo de probabilidades. Los ltimos captulos de est l lo tI ' 1
1I Ilrobabilidad e inferencia estadstica.
Ilili zal n pal a SUL11 al parmetros d 1'\
1': 11 t's l s ' 1 ti I , n nu slro ejemplo s de esperar que el investigad l'
I 11 t '1' su I lud iar i el tratamiento combinando es til para tra-
1 11 ' 1, !t i l ' It ' nsi n d la personas hipertensas en generaL Por tanto su
poli, ' 1)11 bj ' ti v lan las personas que padecen hipertensin. Dad
'111 ' 11 0 's I sibl eder a todas las per sonas hipertensas, escoge una
l' It 1 .. tI', l ' 40 qu on las que realmente participan en la investigacin .
IJ I1 'j 'n pi barto conocido para todos es el de los sondeos electorales.
I1II l' 1 n '1110S, por jemplo, que estamos interesados en predecir el resulta-
do 1
,
tll r r r ndum que se celebrar prximamente en Espaa. La
po/)I , -1 Jl bj lO de estudio seran todos los espaoles mayores de 18 aos
111 ,' \ HI I s que pueden votar; no sera posible preguntar a todos por su
111 ' II c! ( 11 I voto por lo que escogemos una muestra representativa de
,()OO 'Sl '1 1 y les preguntamos por el sentido de su voto en el refern-
IlIll !. l '5 'amos conocer un parmetro: el porcentaje de individuos de la
p() 1 I 1' 1 n u responderan s; eso no es posible, pero s lo es conocer
1, tI, I i ll ltl i n de ese parmetro, el estadstico o porcentaje de la muestra
Itl l' l ' '. ' 1 ond h.
11
Este s ' nc ptos pueden definirse de la siguiente manera:
/'o"'a i6n es el conjunto de todos los elementos que cumplen una
ti -1 ' 1'I 1in da caracterstica objeto de estudio.
Muestra un subconjunto cualquiera de una poblacin.
, fl f II PtrO: es una propiedad descriptiva (una medida) de una pobla-
l' 0 11 ,
, ,', IfIl/(siico: es una propiedad descriptiva (una medida) de una muestra.
hSCALAS DE MEDIDA
1I 0 11 '$ 1 proceso por el cual se asignan nmeros a ob.i , (os ()
t I I (1 ' a segn determinadas reglas.
uenta que llamamos caracterstica a cualquier PI'OI !l'" \
lo () I lonas que deseamos estudiar y modalidad las \
I pI ' 's ntarse esta caracterstica, esta a \1 1
I ,( 11 a una de las modalidades de una caractenstlca, convll 'l t ' 1I II
I la j nes entre modalidades en sus correspondientes r h ' 1011
1I1lrn r os que representan su medida. Por ejemplo, las d
, la variable sexo (hombre y mujer) se les puede aSIgnar 1
I 1I 1111 ,di \ .11\11 111111111111 111'1 11111) 1111
omo ala l
. Un ejemplo de escala de medida '.
1\ '.' (':da . ' ni f Ta la d t mp ratura, que se basa en asignar 0 a la teml '
M
1' \1111 ' \ 1
'
' on ' 1') i 11 del agua y 100 a la de ebullicin.
HII !'un ' i l d las r laciones que puedan verificarse empricamen l 1
11111' lI s n lalidad d las caractersticas, y siguiendo la clasificacin d
' 1 (I II S ( 1 46), pucd n distinguirse cuatro tipos de escala de medida: nomi
11 d, ol'dlll 'll d inl rvalo y de razn.
I ~ I I 1 \ " ala nominal solo distinguiremos la igualdad o desigualda I
1111 '( los 1 dalidades, la escala ordinal aade la posibilidad de establec l'
1111 (11 , 1 ' 11, ' n la escala de intervalo se usa una unidad y tienen sentido las
1 l' ' I'l ll 'hs y, por ltimo, en la escala de razn se pueden comparar d s
111
1
11 Ins n diante un cociente.
) l ' ala nominal
L I 's ' ala d medida nominal consiste en la asignacin, puramente arbi
11 ' 11I 1 1, n ''lmeros o smbolos a cada una de las diferentes modalidades d '
I1 ' \1 '1\ ' l r tica. Por tanto, la nica relacin que se tiene en cuenta es la d '
'IUI/dad (y la desigualdad), que implica la pertenencia o no a una categ -
I 1 \ ' I 'rmi nada.
Usnnd una escala nominal podemos decidir si un sujeto es igualo dif -
l ' ' 11I 1 ti o ll" ,pero no podemos establecer relaciones de orden respecto a e 'l
( 1" Icl 'r sU a, ni de cantidad. Por ejemplo, si ralizamos una distincin
11 poi ' Ii ntre catlicos: (1) practicantes y (2) no practicantes, carec
di ' 1I1I 1 tablecer relaciones entre estos dos nmeros del tipo 1 + 1 = 2,
11 , I l. En el primer caso estaramos diciendo algo as como que dos
1 Ilnll cos PI acticantes es igual a un catlico no practicante, y en I
, ,
1I I ' 1111 1111' 1141
'lsi gnan nm ros a obj lo para indi al ' \11 ' t ' 11
tina caract rstica. S cla in a a h s I " " ()It \ ,
'i in con relacin a cierto atribu lo, I '1'0
11 1,1111 \ 1'1
'
h y ntre las posiciones. Cuando s
1 orden de las posiciones de lo qu
d I 111 "lo p rmite la identificacin y diferenciaci 1
ti 1 rmite establecer relaciones del tipo 111
no se plantea una distancia entre una n
asignacin de nmeros a las distintas cal
nte arbitraria, debe hacerse atendiendo al rel '11 l
ti \s de intervalos son aquellas que ordenan los objetos o
111 1 J' I i lud del atributo que representan y proveen interval s i \ 1 \
1, \l[ idades de medida. Con la escala de intervalo, los 11 ' \111 1'0
,1 objetos, no solo permiten decidir si un objeto es igual 111"
1"
1
'1 I11 IlIlylll 111111'1\111 ' 1 "leI 1\ 1 11 \1111 r 11" di ' 11I ' 1' ,
,dl'llll , 11. 111' ' 1' ' 11 '
tllvl 111 ',
1 sta l t , qu' p rmil a ' i:rn r un nm r 1"111
rd nado. En la cala de jnL '1
fJ ja n ningn mom nto ausencia d ' I ,
1. , i/lleli.p/1 ia.ID dida con un test es un ejemplo de escala de intel"V'l -
1(1, i ' u'llro p r nas, A, B, e y D han obtenido 80, 90, 150 Y 160 punte,
11 1111 1 'st I int lig ncia, podemos decir que la diferencia en inteligen in
1111 " 1\ ' la misma que entre e y D (90 - 80 = 160 - 150), ya qu ,1
I I I I'Op< r i na una unidad de medida estable. Sin embargo, no pod '.
11I(l, d' 1'11 1 qu e ea el doble de inteligente que A aunque tenga el dobl '
lit' I II11ltl ' 1 ' i 11 n 1 test, ya que para realizar una afirmacin de ese tipo
(1 ' , n ' "al io que el cero de la escala fuera absoluto. En este caso s
11 h Indo p lque obtener un cero en un test de inteligencia no refl j ',
111 \ 11 ,o I la caracterstica medida, no significa que no se posea ni un
Ip ' 1, int ligencia.
d) ' scala de razn
EII h s ala de razn los nmeros asignados a los objetos admiten como
d ,-iris las r laciones de igualdad-desigualdad, orden, suma, resta, multi.
I 11 , ' 1 n y divisin.
S t.\ ra teriza porque tiene todas las caractersticas de una medida d .
Illl' I'V' t1 y, adems, se le puede asignar un punto de origen verdadero d
d< l ' ' 1', s decir, el valor cero de esta escala significa ausencia de la mago
11 IlId ~ 1 . 1 stamos midiendo. Dado que el cero ya no es arbitrario, sino un
d, l ' (lb oluto, podemos decir que A tiene dos, tres o cuatro veces la mago
11 IlId 1, la propiedad presente en B. La altura y el peso son dos ejemplo '
I 1) ' ()S 1, cala de razn.
HIl ,1 uadro 1.1 se resumen los tipos de escalas, las caractersticas bsj .
\, (1, ada una de ellas, las relaciones que admiten, as como algunos
1 1'11" los,
l.'. 1111
111 .Iltl,
I I I I ",S: CLASIFICACIN y NOTACIN
111 '111 1,111
1 1 \( In
111 "1 \ S una representacin numrica de una caracter ti '} )11 '
1111 111 \S d una modalidad (valor) de un conjunto determil <.Ido,
t rstica tiene una nica modalidad, se trata de ti na 011
, 11 vi nivel de medicin que les sea aplicado, podemos clasif'i '.11 ' 11
I \'1\ n minales, ordinales, de intervalo y de razn. Para ae.!;" IIp I
,bl ' 'xisten unos procedimientos estadsticos apropiados par'l hu ' ' 1
11 tI. () de la informacin que contienen los valores de las variablv, ,
h Ihltualla distincin en la literatura cientfica de tres grand 's (il ()
hlt's: cualitativa, cuasicuantitativa y cuantitativa, perten' '1\ 1,.
1, '\ I ,h lile 1111 11 d ti 1" 111 I t pI! , 1, e 11 ti 11 d \' ti . \' 1111( 111, . I \ ti
11111 dn , l' \'/,(111 d t j" ' j ' tlPlI ,
1. 1 11 '1 \1,1 '
HII () ' asi n ti ' cat gorizan variables qu podran medirse a un I Iv I
111 'dol'; J slc aso decimos que una variable se ha dicotomizado si ,
It \11 's(nll ' i] dos categoras, y politomizada si se han establecido ms l
IIc. ras. Un jemplo sera la variable peso del roedor de un exp ' 1'1
IIIPlllo: ' IUI qu podramos medir exactamente su peso en gramos, pu' I
I IIllnl' til n una investigacin dicotomizar la variable peso clasificando
I I 1/\ I"ll s n p o alto y bajo, o politomizarla, estableciendo tres o mCl.
II II 's I p
1. 1,' vnriabl cuantitativas se clasifican, adems, en funcin de los va lo,
j " 11l1l1l ri os que pueden asignarse, en continuas y discretas.
Un'l variable continua es aquella para la que los individuos pued 11
en cualquier punto de una escala ininterrumpidamente.
l ' 11', I 'u' una variable continua, dados dos valores, siempre se pu dt'
I Il ' c 11 I 1 J"1 l' un tercer valor que est incluido entre los dos primeros. Un ejen
I lo I variable continua es el peso, ya que entre los valores 79 y 80 kg pod '.
1110. 'on ' id rar uno, dos, tres o todos los decimales que se quiera. Una
lit" I,,/JI discreta es aquella que adopta valores aislados. Por tanto, fijad s
In,' 'OI1 S cutivos, no se puede tomar ningn valor intermedio. Un ejemplo
tll' vnrhbl discreta es el nmero de hijos (huelga decir que se pueden tener
lo. hijo o tres, pero nunca un valor intermedio entre ambos).
1,tI fi gura 1.1 recoge las clasificaciones de las variables comentadas en
1\ lo,
I Nominal _ ___ - I
I
De inlervalos
De razn
1
I
Cualitaliva
Cuasicuantitaliva
Cuanlilativa
f Dicotmico
1 Polilmico
{
Discreta
Continua
" 1\ 11 '" 1.1. Clasificacin de las variables (tomado de Merino y otros, 2007).
X siendo i = 1,2, 3 ... , n
,
1\ 111 \ 1) anteriores ha quedado de que en 'ol( f
c.1I I \l de variables que pueden ser nommales, ordJl d .." (
I I I'IIZ n, con las peculiaridades propias de cada es ah. Jo. , te
I 11 I r v nir de la medicin directa de estas variabl s
II"I/IIJO ?mpleado en realizar una tarea, rendimiento acadrrl/ '0,
11 11 ins que provienen de un proceso de conteo d
"11/1 '/Ir o acadmico, nmero de pacientes en un hospztal PS/(/II
I tlq"i 'r caso, una vez que el investigador ha recabado la, il rOI '11I
I t 111t' 1 procedimiento de recogida de datos correspondl 1 I " I
11"
111
d 11111 Ild .. d ' IIIIII , 11 ' 11 ' 1111111111 plllll vdlll , pll hll 1111
11 Illpl, . 11 . ji ( ', 111 11" 1 , lo, 1111 1110 , ' 1 111' -, 111 ' PIII ' \ 1" (1'11 1 I
1" 11 01111'1\0 '. llId \ lo, .. l o no 's 11 Id I 1',,' ' 11 ' III{', 11 111/(11111111 'ni ' IH\('
I 1IIIn,' , 1
0
1' UIll l o, 0 1' r'llIl z lI ' lo Inforl11a ' j n 111 ' Ii \111 ' UIl H IJ!-Itri! 1I ' j 1\ I
1, ' 11 ' 11 ' liS,
\JII I di sll'n II In I /'r ' ti 'n as" UI a l' pr nLa i n d la r'h ' 1011
1111 1" UIl 'on.JUl1L d m didas xhaus Liva ' y l11utuam nte excluy nt 's .Y 11
1'1'\ ' 11 ' ll ia 1, 'ada una de ellas (Hay , 1988).
1 ganizacin de los datos, la distribucin de fyecu 11<:11
1111'1 1, los run iones fundamentales: ofyecer la informacin nec SI.II '11
ji '" I l' 'nli z'lr 1" 'pi sentaciones grficas y facilitar los clculos para obt 11 ' 1
lo 'Hi n I sU ' l'l1U strales que sern objeto de atencin en los prxinlO
( 1 pililos.
Vl IInosJ basndonos en el ejemplo 1.1. Se presentan los datos d lo
W pi ' j " L n las variables: sexo, edad, estado civil, nivel de estudi() .... ,
l/f/ll/C'ro d? hijo, altura, peso e hipertensin arterial mnima y mxima. Lo,
ti ,lo,' 1, l da estas personas, junto con un nmero de identificacin //J,
1 P lI 'l'C' n n la Tabla 1.1.
lIt '1' 'ra columna de la tabla nos informa sobre el sexo de los parti '1
p IlIt 'S; sin mbargo, la simple inspeccin visual de estos datos no es su/'i
( ' ('lit' p'l1 'a que el investigador se haga una idea precisa de los hombr s
1I111.1l ' I' 's qu hay; es necesario construir una distribucin de frecuencia.
n truir la tabla de distribucin de frecuencias se inspeccionan ' 11
pl'llll '1' lu ar los valores que toma la variable. En este caso se trata de UI1I1
1 1'1 al I 'd carcter cualitativo (nominal) que puede adoptar dos valOr<'.
11 ,' 1 111os, hombre y mujer. En la primera columna especificamos los valo.
1'.. 1
11
\ adopta nuestra variable X. En la segunda columna aparece la fr' .
'lU' l1 la absoluta (n) que es el nmero de observaciones en cada catego
1I \. Hll la iguiente columna aparece la frecuencia relativa o proporcin
d,< 'ada categora (P), que se obtiene dividiendo la frecuencia absoluta, ni,
(\1111 ' I nmero total de observaciones, que se representa por n. La fr '.
(' 11 ' 11 ' In r lativa tambin se expresa en trminos de porcentaje (P) para lo
, ' 11 d hny que multiplicar cada una de las proporciones por cien (cuarto
( 1I It IIl lll a) .
",,111111('
MIIII ' I
MIII" I'
",,1111111'
1111111111 '1
'
II""IIB"
MIII" I'
",,"1111 '
Mlllt "
ni, In
Nlvlllli
11. lIullo"
()
j
11
,,', 1\,
Mlllhllll
7', IH
lil} 1\7
I
H 1
PI'I 11 11\1'111 O
1,7
1, 2
1,6H
1,64
1,
1,62
1, 68
72 H.1
lISO 67 72
ESO 4 ,9 1\ 7
Pdlll l1l'1l1 2 70 MH
2 1,82 H4 H4
----
1 1,76 85 H2
O 1, 59 6 90
2 1,55 62 1) ,1
1,63 68 (
1 1,74 78 SK
O 1,73 83 H()
3 1,77 79 Hj
J 1,59 70
o 1,67 68 KM
FP o 1,79 89 8
1
Primaria 1,71 79 B'
Licenciatura 2 1,82 89 80
ESO 1 1,63 75 84

FP '1,83 89 89

ESO 3 1,58 63 82

2H Primaria 3 1,69 83 7
__ + __ __ -o93
__ + __ __
71 Casado Primaria 1,57 58 81
29 Divorciado FP 2 1,73 69 77
44 Casado Diplomatura 2 1,69 72 79
48 Divorciado Primaria 1,59 78 85
59 Soltero FP O 1,68 72 77
58 Casado Primaria 1,73 80 78
47 Viudo ESO 3 1,63 75 72
49 Soltero Diplomatura 2 1,67 67 74
37 Casado Primaria O 1,79 84 76
57 Casado ESO 3 1,73 86 76
1 \1
1 1',
11 1
1 1
1111
11 M
1'1
I 1)
1,11
11
I HI
1 \

I IH
IH
1 1/
11)
1'11 \ ' 1 i '11, ah ra sf p d 1110S hacelno una idea de la distribu .i 11 I 111
( . o el \ I 'trli ipc: nt , ab mos que hay ms hombres que muj r S ' 11 11
11 .. t 1I 11 ' j 1 (24 v . 16), lo que en porcentaje corresponde al 60% de h 0111
III 't /'1 ' ' li t 'll 4 % d mujeres.
1 v riables ordinales se procede de la misma manera, ' HIII
dal idad s situadas en la tabla de acuerdo a un determil 'Id"
mpl , la variable nivel de estudios presenta los niveles 1 1
Itlll ' 1," P, Diplomatura, Licenciatura y en la distribucin d 1'1 "
' \1 hay q le preservar este orden:
'1' Ihl 1.3. Distribucin de frecuencias de la variable nivel de estudios
ni Pi Pi na Pa P"
1'1 111 \ I '1, 13 0,32 32 13 0,32 32
IV O 11 0,28 28 24 0,6 60
1' 1' 7 0,18 18 31 0,78 78
1 1101 1 mili!' \ 4 0,1 10 35 0,88 88
1. " 1\ ' Inlura 5 0,12 12 40 1 100
40 1 100
1
'
:11 'sta tabla se han aadido tres columnas ms: la frecuencia absolu.
1I1 Ill'umulada (na)' la frecuencia relativa acumulada o proporcin acu
",,,I,,da (P(l) y el porcentaje acumulado (P
a
), para cada una de las catego
() 111 dalidades de respuestas. Para obtener estos valores, simplemenlt'
qll \ ir acumulando (sumando), desde la categora de menor valor de 1,
tll a la de mayor valor, las frecuencias absolutas, proporciones o p l'
\O
s qu s a In tillO I
'U','lIt'" 'la relativa (PJ cocient entr la fr \ ' ll '11 ' 11
,,1 1 dOl ' I la variable (ni) y el nmero total d 0 1 s I V \
, ti" olltia acumulada (na): nmero de veces qu s r ' 1 1111
I di 1111 ti ' lI alquiera de las modalidades inferiores.
" ""lIl11ulada o frecuencia relativa acumulada (P/I) :
IIIII I I 1'1' u ncia absoluta acumulada de cada l y 1
. Formalmente Pa = na/no
tlt'III11Ulado (Pa) : valor de la frecuencia relativa a lit 111111-
"lo 1 01" ien. Formalmente: Pa = Pa X 100.
I 1 ' "dad del ejemplo 1 forma parte de este segundo caso. I I 111 '
11\( ' 11 r edad tiene 26 aos y el mayor 75. Si construy S IIW.
I d ., tribucin de frecuencias como la anterior tendram S III \
I 1, 1, 111 1 11111 1 11 11 ti " d l, 111111111
1. \ \1'1 " 1, u.lCld l I [t val 1'" nLI' 26 y 75 a s mbo in ' Iui lo,' , p 11
111110, pu 1, n i pLal' 50 val 1'" di ' LinL s (75 - 26 + 1 = 50) , En pdn '1' ", 11
11 Iy 111 \ el' ' i lil' qu nI11 r d inLervalos tendl. la distribuci n k, 11 \
, ' \1 ' 1\ " 1.', 'n Ir habr varia po ibilidades pudiendo optar di ' I I
hit l '1' 1111 11(11 '1' muy p qu fio de intervalos muy amplios hasta n ti ' hll
111 ' 1 vnlos 1, 1 LI P qu fia amplitud. A la hora de tomar esta deci in II [
1'1 1 ' 11 ' 1' 1 I"S nl qu al stablecer intervalos siempre se pierde inrol 'ltll
11 11 , yll lll ' 'Ih 1 a la fr cuencia no estar referida a un solo valol' l 1,
11 '1 11 I ',sil a L d s los contenidos en el intervalo, Por tanto, esta d
ti ' P ' 1\ 1 'd I I LraLamiento que el investigador quiera dar a la variabl
111 110, tralan 1 d encontrar el equilibrio entre la precisin que n
I I IlHlI1 'j bUi.dad d los datos.
HII 1 'j mpl que nos ocupa, consideramos que unos intervalos d
'"Ipl/lu I 10 s rn apropiados para la variable edad, El valor ms pe II ' 1)"
, I ( l' J qu el primer intervalo contendr las edades 26, 27, 28, 2 , \(1,
1, 1, ,34 Y 35 Y el ltimo 66, 67, 68, 69, 70, 71, 72, 73, 74 Y 75. La t"ltl ,
I dl. ' ll'Ilu i6n d frecuencias agrupada sera la siguiente:
Tabla 1.4. Distribucin de frecuencias con los datos agrupados
en intervalos de la variable edad del ejemplo 1.1
Itlh , 'V ,los
26 5
) 45
, 55
6 65
( 75
XI ni
10
3
13
7
7
40
Pi
0,25
0,08
0,33
0,17
0,17
1
na PiI
10 0,25
13 0,33
26 0,66
33 0,83
40 1
dol' i 1 r rmado 0,5 x l,
11 ' 11' 1m nto de medida,
ti
J ti mpo que se emplea en ejecutar UI', 1' 1 ' 1'
utiliza un cronmetro con preci i 11 d \ " lit '
1 ularemos el tiempo real de un ti mp Up"I ' ' 11
l' ' Lando 0,005 a este valor, As:
22,37 0,5 x 0,01 ::= 22,37 0,005 ::= 22,365 - 22, 75.
1I' Ihucin de frecuencias con los datos agrupados
.,18105 de la variable edad del ejemplo 1.1
Punto
medio
ni Pi na
I
p"
30,5 10 0,25 10 0, 25
40,5 3 0,08 13 0,
50,5 13 0,33 26 O,
60,5 7 0,17 33 O, 8
70,5 7 0,17 40
40 1
111.'11111111, el d 111 11111 tI
ia nula.
L(),' IltI 'vos on qu han aparecido son:
1,,1, va/o: sinnim d] concepto de modalidad, es cada uno de 1 s 1'11 1
!lO,' ti \ valor 's qu o upan una fila en una distribucin de frecu n '1 \
1, 1/1/1 's aparentes, virtuales o infonnados: son los valores mayo\' \
111 ' 1lOr 1\ 'ada intervalo, teniendo en cuenta el nivel de precisi n tltol
11I ,' tl 'uln 'nt d medida.
l . ",/lNi reales o exactos: son los valores mximo y mnimo qu 1 ' 11
11 1 ' <\ h inl rvalo si el instrumento de medida tuviera una pre islllll
I !'I't ' l '\.
1'11II1t) medio del intervalo: es la semisuma de los lmites exactos o d
In, I mil '1; aparentes.
Amplitud del intervalo: es la diferencia entre el lmite exacto sup I'iol
.Y ,1 I n1 i t exacto inferior.
I 7. I EPRESENTACIONES GRFICAS
IJII el' n o es una forma rpida e intuitiva de visualizar un conjunlo d
I 11o, () tina distribucin de frecuencias.
HII 1 ) h r presentacin grfica se encuentra subyacente la idea d \ 111
11 ' 111 1 1\ oordenadas, consistiendo el ms habitual en dos lnea I ' 1
111 11 I ' lIhr ' . La lnea o eje vertical se llama ordenada o eje de las Y.y I
111111111111111"
X
Y
I I I I
y
6
4
3-1- -1>
2
(2,3)
. AlldlCl
\ I ti /': "1 \lllh"
Primor cuodronlo
+X
+Y
A ~ 4 3 - 2 - 1
- 1
123456 x
, 11"' IIIIIIIIIInlo
X
y
- 2
- 3
- 4
- 5
-6
Cuorto cuodronte
+X
-y
,' 1st ' l11a referencial de Coordenadas Cartesianas.
1 pll ' 1 1 I ~ 1 l 1 variables cualitativas, o en puntuacione pos it 1-
1, III It d jl lal s representar nicamente el primer cuadnlll "
, I I po l' grfico ms apropiado hay que tener en cu nl' \ l' l
1" d ' In v dable. A continuacin se describen las repr s 1 1tI -
111 1, III i !izadas en Psicologa para una y dos variable .
I I , ' i()n grfica de una variable
1 l ' 'presentaciones se suele utilizar para variables nomina-
I cllantitativas discretas. En el eje de abscisas se colocan 101'
II 1 ' el la variable y en el eje de ordenadas las frecuen h s,
, c d 111 ' 1 111 1 ' dt 11 di ' I 1 I 11 1 hl
1 11 1 tt 1 d 1111 ' 1 ti "
I t 11 ' \ 1. L
311
o
lIombro Mujer
x
1
0,9
0,8
0,7
: ~ 0,6
. 0,5
ti: 0,4
0,3
0,2
0,1
O
(1 )
-
-
~
-
-
Hombre
x
Fi r llra l . Diagrama de barras con frecuencias absolutas (a)
y r lativas (b) construido sobre la variable sexo.
o-
'-
I=-
I =-
Mulor
1': 11 vtl ri abl rdinales y cuantitativas discretas, se puede utiliza!' 1 1
11\ 1, \111 Dla/:,rrama de barras acumulativo, que nos permite conoc l' 1111\
I I ni ,' 'I'V'l j ne se sitan por debajo de un valor cualquiera de la v \1 ,\
1111 " Il ny ~ 1 I ' iLuar en el eje de abscisas los valores de la variable y n l' l I
11 1' 1 ' 111 I-ls las fr cuencias acumuladas, ya sean absolutas o relativas, 1I I
'" 1I1 In sol 1" ada valor una perpendicular cuya longitud sea igual a !tI II
,
' \1 ' lI dn H ' lIl11ulada. En la figura 1.4 se muestran un diagrama de barra, ( "
14
I?
10
O
6
4
?
O
(a)
(b)
45
40
-g 35
~ 30
~ 25
. ~ 20
g 15
~ 10
5
ESO FP O P' .
ESO FP Diplomado SuporlOI H' rcmarcos
Estudios
Estudios
I I I ~ 111 ' \ 1.4. Diagrama de barras (a) y diagrama de barras acumulativo (b)
de la variable nivel de estudios.
fr ul 11 la qu s l s' tlivi 1, ' 1\
L1 n ia d la modlllld \ I
nta 1 ntll1 '1'() lol d 1
d hlllOltI
I \1 pi ' ',' ' 1 L mos grficamente la variable sexo, a h tu " .
11111' \ 'olul11na en la distribucin de frecu n ias, ' 0 11 lo
11I '101 tI ada categora o modalidad para su r pI' 's III ,
1111 d \1" 1':\ n ,d sectores.
Mujer
~ m 1'1 Pi Grados
111
O, 60 216
0,4 40 144
I 100 360
i ' lribucin de frecuencias y diagrama de sectore
de la variable sexo del ejemplo 1.1.
1 1111 ' \ ' xpresan con dibujos alusivos al objeto de estudio ItI ,
t 11,' 1 odalidades de la variable. Estos grficos se hacen l ' p I"
t I l' ' nt s escalas un mismo dibujo, de tal manera qu I 1\1' ,
L(),' I 1' 10 1'11Hll ' l S S ' uLilizan ha bilLlalm nl para variables cual/lul I ,
/\ ' olltlllll ' l j 1 1 tI' m S una r pI' nla In, I11 cdianL un I i ' [Op l 1111
1(, I 1 VII I'i t\ I 1 \ S ? O.
25
20
'i ura 1.6. Pictograma de la variable sexo del ejemplo 1.1.
ti) Histograma
El hi sl grama se utiliza para variables cuantitativas continuas t''',
'nlo; agrupados en intervalos. En el eje de abscisas se colocan lo ' I 11II
' \ I S d cada uno de los intervalos en que se han agrupado lo I \ I ( I
(lo los 1 la misma amplitud), o los puntos medios de los interval()
ol)!" ,11) levantan rectngulos cuyas reas sean proporcional ' \ III
11 '1' ' ti '11 ia orrespondiente, absoluta o relativa, segn se quiera repr' , ' 1\
I \1 ' 11111\ ti lra. Tambin se utiliza para la distribucin de frecuencia ti 11
IlIldn los. -I n la figura 1.7 se muestra el histograma Ca) e histograma l.\ ' 11
IlIld lIivo (b) para la variable edad. Al igual que en el diagrama de barl' I
' II ,1 I l'im r caso, cada rectngulo representa nicamente un valor el II
' \1 111\ " mi ntras que en el segundo representa ese valor y los valol
111"1 i< l'
1M
45,5
Edad
55,5 65,5
5
75,5
I 1111 t q) histograma acumulativo (b) de la va ri a bl . edat!.
cuencias
dl s l' tas, el polgono de frecuencias es la fi gul"\ 111 '
I 1" l ' ti ' mos superiores de las que hubieran sido las I 1'1 ' \.
I I 110 un diagrama de barras. Si se trata de una vari a bl ' ' () II
I ti ' ' Ir I mismo pero referido a los puntos medi , ti , "'.
I lit' lo ' rectngulos correspondientes a un hipotti hi sl()
IIldo VOl os mismos datos. En la figura 1.8 Ca) se pre' Ill u ,1
" II1 ' 11 ias de la variable edad del ejemplo 1.1 Es h'lI ilu "
1" logl ama junto con el polgono de frecuencias en In 111 1,
I " 'omo se presenta en la figura 1.8Cb).
continuas tambin se utiliza el polgono de frecu ' 11 " \
111 ,111 'ndo en el eje de ordenadas las frecuencias acumuhd \. I
IlIt lo ' relativas. Para realizarlo, se une, mediante un gnl ' 1\
14
12
10
(1) j :
4
2
O
//
25,S
l'
'\
"
I
"-/
-
35,S 45,S 55,S 65,S 75,S
Edod
Ji' fUI' \ J .8. Polgono de frecuencias Ca) y polgono de frecuencias realiz Id"
sobre la base del histograma (b) de la variable edad.
lo 1" ' Lilf 0 , el vrtice inferior izquierdo del primer rectngulo (el SI(111I
\ In i/'. ui rda de todos) con su vrtice superior derecho; este punt
I'Li ' sup rior derecho del siguiente rectngulo, y as sucesivamen l , I
I \ Ji! fura 1.9(a) se muestra el polgono de frecuencias acumuladas J 11 1 I I
\\'h 1 edad y en la Figura 1.9(b) se puede comprobar cmo se ha
11 ' \1 I a partir del histograma correspondiente.
- - - - - - ~ I - - - - ~ I - - -
45,5 55,5 65, 5 75,5
Edad
If 111111 tl l' 1'1' u ncias acumulado (a) y polgono de rr
11,. tdo obr la base del histograma (b) de la variabJ
m grfica de dos variables
ti ' neio,
dad .
1 '1 H 1/) (tl menos una de las dos variables es cualital IWI ,
' 11 ti I son cualitativas, antes de realizar la repr 's ni 1-
11 ' ' 11 rganizar los datos en una tabla de doble entrad" .
I Ihl I H S sitan los valores de una de las variables en las /'il I
le 'C)1 1 ejemplo 1.1, tenemos en la siguiente tabla (v l '
II 111'0 posibles valores (casado, divorciado, soltero y viu lo)
tlldo ivil en las filas, y los dos posibles valores (hombl'l .
1I " l ' exo en las columnas. Cada celdilla representa ItI fl"
jI (atl" f'l l' ,
II C) mili' MIlJ l '
12 12 2
4 2
4 2 6
- --
4 O 4
- --
24 16 40
11 1 11 ' 1 1 () 11(111 ro d 1 m ntos que rene a la vez los valol 's 1, 11
11 di ',' 1(1' s' Tuzan nada casilla. Como puede observar
dll ., '" ,1 n(ln '1' d p rsonas que renen los requisitos de ' 1" h 0111l11
\. \ 1 () I ' (1 \ 1m '8 I n 111 ro de personas que renen los req u i sil ()
I ICll ld l ' .Y livor 'ld , y as sucesivamente.
H I\ ,1 si fui "L grfico se muestran dos formas de represenL'l l' I di
1111 ' 111 ' h s vUl" iabJ s tado civil y sexo mediante un diagrama de I tlll 1
70
1 ~
10
()
osado Dlvorciodo Soltero Viudo
Estodo Civil
oMujer
o Hombre
70
60
50
'"
~ 4 0
'"
15 30
"'-
20
10
O
r-
t-
t-
r-
11 [""""]
I I I 1
I
Cosodo Divorciodo Soltero
Estodo Civil
1 p lll ' \ 1. 1 . Diagramas de barras conjunto de las variables estado civil y SI'\II
EII IIml S casos se ha situado la variable estado civil en el eje de ah
I I 111 Illztl l I distinto trazo para cada modalidad de la variabl ,\'
( ",\11 1 ) s' r presentan dos variables conjuntamente, hay que te! ' 1
1 ti -111 1 1I1
'
P ra utilizar las frecuencias absolutas es conveniente qlll
1111111 1'0 1, suj tos sea similar en las dos variables, siendo preferible el
1111111' 11 () utilizar las frecuencias relativas o porcentajes.
I IHIIII.,
l. I'fIIllI lJlc ', ('/11111111,,(/




-




. ~ ..





,
1,6 1,65 1,7 1,75
Alturo

n UIl 1 (11110,
las v'l l'i ti 1 I 'S (/ / 1/1
S 11 Tabla 1, 1),
.


1,8 1,85
111 11 m 111 de dispersin de las variables altura y peso.
ti d Ip "H11a de dispersin, podemos observar qu xisl '
I 111,,,1 ' nlr las variables altura y peso, correspondiend , ' 11
I ' 1' , lit a alturas mayores y viceversa. En el tema cuall'O
1IIIHI111 I d de explicar la relacin entre variables con m /l S
h ' DE LA DISTRIBUCIN DE FRECUENCIAS
1 llllllO construir una distribucin de frecuencias y cmo
1 1111 ' nte sus datos; ahora mostraremos, tambin de fOrn,.l
1I '101 r rmas que adoptan las distribuciones de frecuen in
4
1 1\ IIHII' 111 t 11 1111 1I 1'1011
l '
,) T 'l\d l1cia central
1, 1 1 ' 11 1 I ' ia nLrc 1 d una distribucin se refiere al lugar d< 11 1
11 ' 1 11111 Ilsll'ibu in particular en la escala de valores. As, pal'u In 111
{( ' l/ sir 1/ or{ 'rial mxima del Ejemplo l.11a mayora de los suj L S s' ' 11 I
11' 111 ' 11tl" los val r 136 y 150 mientras que, para la tensi11 I/dl/ /11"
I tl CII IItl" ll1 ' J lr 76 y 90 (ver Figuras 1.12 y 1.13).
1 11 . 1 15
l : 1. 125
12 . 1 O
1 11 1 5
U . 140
1 145
( . 150
ni
O
2
5
7
11
8
4
1 !l 6 1 O 1
40








LfI----.-- +--+-+--+-+----jr---+- 1--f!!!!IIIII
110,5 115,5 120,5 125,5 130,5 135,5 140,5 145,5 150,5
F1lura 1.12. Histograma de la variable T.A. Mxima con su distribu ' 1 111
de frecuencias .
85,5 90,5
n su di SLribu ' 1611
I I 1 "( ' 'ti grado de concentracin d la
1111 I 1" lJ 11'\ distribucin de fyecuencia s lU'a
I 1I 1) . 1< s v 101' s de la distribucin e tn '1' ' lIlOS ti
IIc'a (ti n mucha variabilidad) si los val r 's s' 11.
1" (o '1\ promedio.
1 Hit 1111 1< 1.1, si observamos los datos de la varial\ . {( ' /I
I p lll o 1 y para el grupo 2 (ver Figuras 1.14 y 1.1 :; ),
I 11 (-11 rlm ro hay ms variabilidad que en el egundo '11
I ,1, .
"/
111 11
()
16
14
12
10
8
6
4
2
O
151 I 2
11 0, 5 115,5 120,5 125,5 130,5 135,5 140, 5 145,5 1 SO,
I''" I
1 1 r ()
20
1'1/ (11'0 1. 14. 11 i l grama de la variable T.A. Mxima en el grupo 1 (PW
11" 1" 'n n 1 tratamiento estndar), con su distribucin de fr ' lI l, , 1( 1
ni
O
11 1 120 O
16
O 14
O
12
3
10
8
1 4
6
1"<1 145 6 4
1--
1 ' ). 150 5
2
1 1. 15 2
O
-
h // I
11 0,5 115,5 120,5 125,5 130,5 135,5 140,5 145,5 150, 5 "
1 ). 1 O O
20
Ji' 1 111'0 1.1 5, Hist ograma de la variable T.A. Mxi ma en el grupo 2 (pa i " 111
'1" ' "l' 'n n adems una terapia de afrontamiento del estrs) con su dislr illl
de frecuencias,
, 11.1 ' l S n la variable tensin art ' rial 1/ (,, /l1i/
1I1 , '111 di o rado d simetra. Por el conll al'io, Ins 11.
, grupos 1 y 2 por separado p I' " l1 ttll l m.l
livamente, como puede ob 1 'V'H 'S , ' 11 1 \,
, I 1I hs 'iguras 1.16 y 1.17 los pacientes qu si 11 i , ,'Olt
, 111 ji \1 ' \ l hip r tensin obtuvieron con mayor rr LI ' 1\ ' 1 \
I '1 11 11 ,1" mi ntras que los pacientes tratado ad n s ' 01\
1 1111 1 111 0 1 ituaciones estresantes obtuvieron val r 's '11 ,
11 I/r d 1I/ (lI ima, por lo que ste tratamiento par r 'sull W'
I I H I \ l ' n pacientes con hipertensin arterial.
16
14
12
10
8
6
4
2
O
11
70,5 75,5 80,5 85, 5 90,5
ma de la variable T.A. Mnima en el grupo 1 (paci nl s
miento estndar) con su distribucin de frecuencias.
9 ,
4/
11,
20
Ih
14
12
10
4+-------1
2 -1-----,----1

70,5 75,5 80,5 85,5
/11 u I' U /. / 7. Hi tograma de la variable T.A. Mnima en el grupo 2
(/ n ' j ' l1l S qu reciben adems una terapia de afrontamiento del s il '
con su distribucin de frecuencias.
1. . n. ... SlJMEN
1/ \1 ' t , aptulo hemos tratado el papel que juega el Anlisi
I ' 1111 '0 d 1 111 todo general de la ciencia y hemos visto algunos (l ll
1111 )r! nt r elacionados con la Estadstica, adems de tratar el, J'()ltI
It , 1 \ 1 di in y los distintos tipos de escala: nominal, ordinal, d ' 111I /
In n. Posteriormente se ha abordado el concepto de variall ,
111 1I I '1 [ lasificacin de acuerdo a distintos criterios. Tambin s ' 11 , I
I , lo 111 rganizacin y tabulacin de los datos, mediante la conf " 1111
1111 \ Il stribucin de frecuencias. Adems, se han presentado algulI I
111 \.' 1, r pr sentar grficamente una distribucin de frecuencias, 1, 1111
1\ I ' su vi ' in aporte una informacin de carcter general acerca l 11
, (' 0111 rta el fenmeno objeto de estudio. Por ltimo, hemos ad "1 \111
1 III ' m r a intuitiva los aspectos ms relevantes que se deben anall ". 11
lo 1 \ Iistribucin de frecuencias: la tendencia central, la variabili I ,,1
, 1111 tri , que sern objeto de estudio en los prximos temas.
1.1 n. .... ERCICIOS DE AUTOEVALUACIN
1, 1, El nmero de aciertos en un examen es una variable: A) nomill 11 ,
rdinal; C) de razn.
1,2, Para poder concluir que un sujeto posee el doble que otro de la . 11
l rstica evaluada, es necesario disponer de una escala de: A) inl
1 B) orden C) razn.
Itl
IS: A) , I admiten do valor p sil I '.; Ji )
111 11 1110 Imi v I res posibles; C) admiten dos o 111
I 11 '1 ,do s tr te de una variable nominal.
nc Sociolgicas (CIS) realiza d ' 111 ' \1l l ' I
iudadanos espaoles mayor '5 l ' - I \ \,
I plI' lI11l a 1600 ciudadanos sobre el plil il al, 1'0
t 11 ' 1 ualmente en Espaa, encontrand I \
11\ 11 \ ' lados (el 52,5%) opinaron que 1 paro l' l 'lI ,1
111 11\ 1. Cul es la poblacin objeto d ' lu li o? A
\111 1 \t I n spaola; C) La poblacin espa. I 111 ' 1)'(11'
jercicio anterior, 52,5% es el valor d : A) '111
dstico; C) una muestra.
, olll inuacin la distribucin de frecuencias de la v' lda
,II,t! 1 -1 j mplo 1.1
X ni
Soltero
6
Casado
24
Divorciado
6
Viudo
4
40
ti I v riable es? A) Nominal; B) Ordinal; C) De intervalo.
1 , I ()
1. 1 1.
1. 1 .
1. 1 . , ul s on lo lmites exactos del valor 18,56? A) 18,55
1 H, 555 - 18,565; C) 18,565 - 18,565.
1. 1 , En 111 xperimento de atencin visual focalizada s h 1 ,,"1
' 01 variabl dependiente el tiempo de reaccin en n i1i :;t, '1111.1
II n I ,t [minado estmulo visual presentado en la panta] 1,1 ti ' 1111 "
n ''\ 1 r. Los ti mpos de reaccin obtenidos han sido:
520,487,458,399,458,465,502,389,444,478,415,501 ,
43 ,474,458,468,479,511,458,499,487,468,423,41 5,
2 , 409, 450, 410, 439, 490, 480, 417, 432, 491, 451, 3 2, ,
3 0,433,487,429,389,477,466,520.
(. , nivel de medida tiene la variable tiempo de reacci, ?
11 .11 ; B) De intervalo; C) De razn.
1. 15. 1: , di tribucin de frecuencias de la variable tiempo de r (/( '( 1'/1' /
',i ' 1' icio anterior es:
()
Hl l 4
HlI 4
214
1,41 .
00
20
40
60
80 1, 14
iH 1. 50
'l O 152
O
O
ni
6
5
8
8
11
6
6
B)
riores.
X ni
400 o menos 6
401-425 6
426-450 9
451-475 13
476-500 10
ms de 500 6
11 IIIUIIIII I 11 i 111 lit ' 1
I () . EJERCICIOS DE AUTOEVALU\('ION
onsl:lllt o
I " el 1 01 r de una escala de razn, que es la Cm i 'tI 11 I '
di I la relacin de divisin.
11 li I"I:/. n el origen de la escala no es arbitrario, sil () 1" '
1111 OI'ig n real que corresponde a la ausencia (valor <: ' 1'0)
11', r 11 ' que se est midiendo.
I "l ' lida es ordinal, porque los nmeros asignad
l o " 's puesta solo nos permiten diferenciarlas y ord
, !lila scoge la opcin 4, solo podemos afirmar qu' '. ' 1
IIlO, ' 1 con la cuestin planteada que otra persona qu ' 11 \
1\ op In 3, pero no podemos saber cunto ms de a LI , .. do
1, ,11111\ 11 11 H
H 1 II ,1 ti 1111 'd ti I n i ' 1 11 ti " I "1 ' ji I 1 ' 111 () d l' l' ' 11 1I
I ti ,1 .. d o 01 11 lo' I 1'( ro I , y () l' 1 ' II!' d m: ' 1\ 1'1 111 '1 () 1I 1 \ , 1I l' 'v
no I o 1 ' lllOS 1 1" ' 1:-;' 11' ItI lis tt\l1 ' h 'l\ l r' ull niv ' l y otl'(),
1, , Solu i )I: A.
LJIl ' \ vriabl di t6n i a s d ri n
s' nt 'l r los a teg rfa val.or s.
1.7. olll' i n: e
A) os ,1 tamao mue t ral y B) incluye a toda la p bh i )11
' u'wd 11 1 studio solo interesan los mayore d dad.
I ,H. Solu i n: B
Es ' 1 va l r de un estadstico, ya que 52,5 es un porc nLH.l ' 1
sobl' 1 1600 encuestados que forman parte de la rnu
1 ,( . 01 I In: A.
E' n minal, ya que no podemos ms que diferenciar
goda existentes.
1, 10, lu In: A.
PI = n;ln = 24/40 = 0,6
1, 1 l . lucin: C.
N ti ne sentido calcular la frecuencia acumulada, ya qu ' 1 ,
st do civil es nominal.
1. 12. lucin: A.
' 1 diagrama de barras es un grfico apropiado para variabl
lativas, no como el histograma (opcin B) que se utiliza 1 :tI ' I
bl cuantitativas en intervalo y el diagrama de dispersin (111 IIII
q 1 e utiliza en el caso de representar conjuntamente dos v 1I I ,
u ntitativas.
1 l . lucin: B.
Lmites exactos = Valor informado 0,5 x 1 = 18,56 0,5
I ,56 0,005 = 18,555 - 18,565.
1 , 1 , lucin: C.
razn, porque el cero representa la ausencia total de la
ti medida (del tiempo).
1\0
()()
1-
1-
-- 1-
- 1-
11,
6
9
13
10
6
111 ti ,l o lt'l '.1 ' l" ' (1 1. 1 ~ , d 1
n"
-
6
12
21
34
44
50
10 111 , 1 1, l'" p ' ' to 0 1 1111111
-
p"
0, 12
1-
0,24
0,42
0,68
0,88
1
' l'lol' 'y ,1 1 I11 h
P"
I
2
4
8
I
2
4
2
8
8
00
t lI 'tI 450 milisegundos o menos.
11 1 d Id I m di da es la unidad, basta con restar y SUI1UII ' ( ) , ~
"1' 11 ' ' lit 's para obtener los lmites exactos. As, 38 1 ( ) , ~
400,5.
1 \) intervalo es la semisuma de los lmite 'x' ' to,' 11
ntes, (381 + 400)/2 = 390
111 1 l ' ' 1 I senta adecuadamente los valores de esta variol 1 "
\1 111 lit tiva. El diagrama de barras (opcin A) no s 1 ti ' I '
l . lribuciones de frecuencias agrupadas en interva los . ,1
I di spersin (opcin e) se utiliza para repres nlal' eOIl
1, s variables.
1I 111.1
11 t 1"11 Y P n
UII.I IIIl'dida de tenuencia central
iil's
.du.\cirn
I ~ idos de autoevaluacin
I RODUCCIN
( 11111 ) S ha mencionado en el tema anterior, una de las propiedad s m(s
1I11'IIII:tnleS a estudiar de una distribucin de frecuencias es la tenden il " 11
II 11 ti 1 s puntuaciones. Esta caracterstica de la distribucin se puede 1 surnil'
11 1111 valor o puntuacin que refleje esa tendencia central de la distribu i n y
1" I 'presente al conjunto de observaciones. Con el fin de cuantificar esta pro
1I d,d, e han desarrollado una serie de medidas o ndices de tendencia '11 t 1"11
1"1 111 lican sobre qu puntuacin se concentran las observaciones.
En este tema se van a presentar los principales ndices de tenden l " 11
I1 ti : 1 media aritmtica, la mediana y la moda. Adems de exponer 1 pro
I dlmiento de clculo de los ndices, se discuten las principales ventajas '
11 ollvenientes de cada uno de ellos y se ofrecen criterios para su aplica i )11.
I steriormente, se abordan las medidas de posicin, las cuales SOI1 liti
I ra informar sobre la posicin relativa en la que se encuentra un suj '.
111 ' n respecto al conjunto al que pertenece, a partir de su puntuaci 11 ' 1\
1, v riable. Se describen los tres ndices de posicin ms utilizados 11 111
I'I' tica: los percentiles, los cuartiles y los deciles.
Los objetivos de aprendizaje que se persiguen en este tema son los
iguientes:
Conocer las caractersticas de las principales medidas de tendcn ' itl
central (media aritmtica, mediana y moda) y de posicin (per "ni j .
les, cuartiles y deciles).
Saber aplicar los ndices de tendencia central y de posicin.
Seleccionar los ndices de tendencia central y de posicin adecua los
en cada caso.
Interpretar correctamente los valores obtenidos mediante los nd i ' 's
de tendencia central y de posicin.
~ 7
I ,1 111. d 1. 1.
IIIH ' 11 l' '11' 's 'nlar l da la di lribucin de frecuencia 01 lIlI 1111 1 ..
,1 1 '1I1(IS, h ilitan la comparacin de diferentes conjunl s d ' I 1111111 I
I\IHI variall '. P r j mplo, si medimos el nivel de autoeslil17C/ '11 1111 I 11
1, 200 Ilillos (100 nios y 100 nias), adems de estudiar la l 'lid ' 11111
'11 11i! os.y nil a ' de forma conjunta, los ndices de tend neia t' '1111 tll
I 111 1(1 ' 0111 para ' i n de nios y nias en su grado de auto Slill(1. " 1, I
\ '1 i 'w,r si I nivel medio de autoestima es mayor en lo ni! () 1/11
11 1 liS, o vi 'versa. Trabajando directamente con las 200 obs 1'V:ll II11 JI
1 ',, 110 podramos, de forma eficiente, ni describir la tendenci a 'vlIll ti 1
IIi1US, ni mparar las distribuciones de ambos en su grado ti' Itlllt
/\ '01 Linuacin se van a describir las tres medidas de tend ' 111 I
1 ' pi ' 's 'nlaLivas de la distribucin, ms utilizadas en el anlisi s 1
IIINlill aritmtica, la mediana y la moda.
. . l. ].l media aritmtica
L'\ m dia aritmtica, tambin llamada promedio o simpl 1 1 ' 111 ,
's ID m dida de tendencia central ms conocida y usada en la pr: 1
d(), be. si amente, a la sencillez de su clculo y a que es el fundanl ' 11111
'1'(111 Illl111CrO de tcnicas estadsticas.
L-, 11 dia aritmtica indica la tendencia general de una distl'illlh 1
11' ' ' ti '1 ias de una variable y es el valor central alrededor del ' tud I
111 I'yorfa de las observaciones. De hecho, desde una perspectiva r '0111
1:. 111 'dia aritmtica se puede interpretar como el centro de gnl ti
In li sll'ibucin de frecuencias - vase Amn (1999)- . Por otro 1(,,11..
I '11 ' h. d otros ndices de tendencia central, slo puede calcllhl
1 cuantitativas.
H
1 I
11 I d ,1, \, ti 11111 .. 1.1 1'"1 \, "dI'! 111
\lh ' 1 "dll, 1, 1 1 ill ti 1 ' d j d 111
l' pl "S 1 111 \1 1I1 11 l n 1111' 1111 d
, I " I ,\ 11
/1 11
n d ,1 slIj 'lo i,
n 1 que se obLi n ' la 111 ' 11 1 11 1
ariable aptitud espacial en 5 a1\:un:noIa:
e ntro educativo, Calculemo 1
Aptitud espacial (X)
133
120
125
115
122
observaciones es:
+120+125+115+122 = 615 =123
5 5
1'111 111 '111 1 d, I 11111111 111 di' IIh 1 \1 1111\
l . ' 1I1plo , 1, 1'111 ' 111011 o, .. 11 . \1 ti 1II 111 ' pi
" ti I1 IHI l' (111 1, 11" ' 11 '11 ' Irl ." 1 I'\lpU I()s () 110 11 111 ' \
I1 11\ tli:r :Id! "' '' 1 I ' ~ I s' plI 'd 'td ' \dr\l ' :\ I ti 1'1 ir ' 1, hs 1'1'
(11 /) () ti ' IlIs 1'1" ' u '11 ' as r 'laLiv' ls o prol or ' ion 's (p,):
( lulo de la media en tablas de distribucin d 1'.'( 11
con datos agrupados o no en intervalos
Mldln aritmtica a partir de una distribucin d
Ih olufas:
- ~ n . x . ~ nX
X=..c.., 1 1 =..c.., 1 1.
Ln n
IOlld ';
11 'S 1 nmero total de observaciones.
\, 's 1 valor i en la variable Xi o el punto medio del intervulll,
1/ , 's la frecuencia absoluta del valor o intervalo i.
M 'dia aritmtica a partir de una distribucin de frecuencia.
d( nd ;
1' , '5 la frecuencia relativa o proporcin de observaciones d '1
ti ,1 in tervalo i.
mo es de esperar, con una u otra frmula se obtiene el mi. 1111
Indo para la media. Su clculo se ilustra con los siguientes ejempltl
lutas. Si aplicamo
b olutas, obtenemos
45,7+ 36 . 8 + 18 . 9 = 1836 = 6 12
45+36+18 300'
ni Pi = nln
135 135/300 = 0,45
66 66/300 = 0,22
45 45/300 = 0,15
36 36/300 = 0,12
18 18/300 = 0,06
300
0,22 6+0,15 7 +0,12 8+ 0,069 = 6,12
frmulas se obtiene el mismo valor p
n,
P,
1 2 2 0,04
46 5 7 ..
0, 14
79 8 13 0,26
10 12 11 18 0,36
13 15 14 10 0,20
50 1
22 + 7 5+ 13 8+ 18 11 + 10 14 481
2+7+13+18+10 = 50 =9,62
0, 04 2+0,14 5+0,26 8+ 0,36 11 +0,20 14 = 9,62
('111110 potl 'mos observar, la media aritmtica aprovecha toda la informa-
1 11111 "11'11 ollibl en los datos, ya que para su clculo es necesario utilizar todas
11 JlIIIIIIIll 'iones de los sujetos. Como veremos posteriormente, esto no ocu-
II nll olro ' indices. Asimismo, la media aritmtica presenta una serie d'
1" "1) 'e1n I 's matemticas, de las que podemos destacar las siguientes:
1, En una distribucin, la suma de las desviaciones de cada valor con
lo a su media es igual a cero. Matemticamente se expresa como:
n
I,(Xi - X) =O
i=l
l . 111 se puede comprobar con los datos del ejemplo 2.1. La
II JI el " " 1) lI al a X == 123, y el sumatorio de las desviaciones se obtiene de la
'I lft ' lIl ma n ra:
I 's alli 'amos h sigui 'lit' Inlll sl'ollll I
/J \ ( I (f, I l n ' 1 h d , 1 ' n u v ' val r 's Y s 'r/i y h I (/ .
1 IJlplo . 1, si la ' puntua ione d la variabl X = Clptitlld ('s/}((c';fll,
Itlpll "" 101' 2 (b = 2) Y se le suman 10 (a = 10), s obti ' 1 '11 1'1111
el ' t]u' sigue iendo la puntuacin en aptitud spa ill I 'r() '11
11' , "\h:
"1 IIITI no Aptitud espacial (X) Aptitud espacial (Y)
I 133 Y1 = 2 . 133 + 10 = 276
2 120 Y2 = 2 120 + 10 = 250
3 125 Y3 = 2 125 + 10 = 260
4 115 Y4 = 2 . 115 + 10 = 240
5 122 Ys = 2 . 122 + 10 = 254
1111 1 ia de Y calculada a partir de las puntuaciones es:
5
I,Y
y= i = l = 276 +250 + 260 + 240 +254 = 1280 = 256
5 5 5
,pi i 'amos la propiedad de la media, podemos obtener la media ti ' Y
y = bX + a = 2 123 + 10 = 256
11 l'dtimo, a la hora de utilizar la media como medida representaliv:1
klldencia central de la distribucin, conviene tener en cuenta las
111 " limitaciones:
( liando los datos estn agrupados en intervalos, la media no se pu .
l ' calcular si el intervalo mximo no tiene lmite superior y/o t' l
illL rvalo mnimo no lo tiene inferior. Por ejemplo, en la sigu i 'IlI '
(Iistribucin de frecuencias:
20-24
25-29
X ~ 30
12
8
5
22
27
?
'1 inl rval mximo no tiene lmite superior, por lo que no podemos
I ' 1 '1'11 i nar el punto medio de ese intervalo, necesario para el clcu-
lo l ' la m dia aritmtica.
1) 1.t1 In 'dia es sensible a la existencia de unas pocas observaciones con
va lor 's xtremos en la distribucin de frecuencias. Esta circunstancia
s' eh '11 distribuciones marcadamente asimtricas, por lo que no e
ndable la utilizacin de la media en este tipo de distribuciones
a que afecta a su representatividad como valor central de la dis-
1 ri bu in. E tos valores extremos pueden ser: 1) producto de errores en
h l' gida o grabacin de los datos, o 2) valores que aportan informa-
i n relevante de la variable. En el primer caso, se eliminan estas obser-
v iones y la distribucin se vuelve ms simtrica, por lo que podra cal-
' ular e la media aritmtica. En el segundo caso, se recomienda aplicar
o lr S ndices de tendencia central menos sensibles a los valores extre-
III como la mediana, que la abordaremos en el siguiente epgrafe.
. .2. I a mediana
Tol y como hemos mencionado en el apartado anterior, cuando la dis-
tI 1 I u in es asimtrica una buena alternativa a la media aritmtica para
l' 's umir la tendencia central de las puntuaciones es el ndice denominado
I1I ' li ana. A diferencia de la media, la mediana no se ve afectada por los
vn lor s extremos que pueda adoptar la variable debido a que en su clculo
110 in t rvienen todos los valores de la distribucin sino nicamente los que
() ' upan las posiciones centrales. Por tanto, en este caso, la mediana es un
vn l r ms apropiado para representar la tendencia central de la distribu-
' i )1'1. Por otro lado, la mediana se puede obtener en todo tipo de variables,
. " pto en variables cualitativas.
11111\ \11 Ihl .\, I ' PI . 1 lit "1,, pOI !vid, l' ti IHI
I v, dol l h VII 1'1-1 1 1 IlI l' ti i 1, In Il s tl'illl ' 1 )11 1, 11 " ' 11 1\
j llltd 's, ' ()1I1 ' 111 n lo 'ti h lIll'l ,1 50'r,) ti ' I I
I Clllpomos qu h mo obtenido la puntuacin d n suj ,tos ' 1\ 1111 I
I III IlIl r . Para 1 clculo de la mediana con po . 'asos s ' pI ', H 1
1, 1\li ' nt manera:
l ' 11 pl'i m r lugar, se ordenan las n puntuaciones de menor ti III:lYOI
1.1\ s 'gundo lugar se observa si el nmero de ob 1 va ion 's I1
lit nI' o par.
Si n es impar, el valor de la mediana es el de la ob rV'1 'i )ll 111
() upa la posicin central, dentro de ese conjunto de obs 'I'VlIt'i1l1l
' \ ordenadas.
Sin embargo, si el nmero de observaciones n es par, la 111 'd 111 I
, . la media aritmtica de los dos valores centrales d la cJi s tl 11)(1
' in.
(IIllinuacin presentamos un ejemplo de cada caso:
2.4. Clculo de la mediana con n impar.
la mediana en los datos del Ejemplo 2.1. siguiendo lo d
....... u ..... u'--'" las puntuaciones de los alumnos en aptitud espacial
a mayor valor:
115, 120, 122, 125, 133
que n = 5 es un nmero impar, la mediana es el valor o p
que ocupa la posicin central en esa secuencia ord
observaciones, es decir, Md = 122.
11 1
u.f o
1 18
2 16
3 24
4 20
5 28
6 30
!I11mf!!' lugar, ordenamos las puntuaciones de menor a mayor:
16, 18, 20, 24, 28, 30
do lugar, dado que n = 6 es un nmero par, la mediana es la
tmtica de los dos valores centrales de la distribucin:
Md= 20+24 =22
2
(011 ocurra con la media aritmtica, lo normal es que el nmero
dI' 01 scrvaciones no sea tan pequeo, aparezcan valores de observa-
()I' 's repetidos y, por ello, los datos se presenten en tablas de distri-
I lI ' j n: de frecuencias agrupados o no en intervalos. En el caso ms
' VII ' ral, cuando los datos estn agrupados en intervalos, el intervalo en
I 11I ' se encuentra la mediana se denomina intervalo crtico y se
I. III T' ' ponde con aqul en el que la frecuencia absoluta acumulada na
j ual O superior a n/2. La mediana se obtiene con la siguiente fr-
111I1h:
xacto inferior del intervalo crtico.
N 11111 '1" de observaciones.
Ji, ' \ U ncia absoluta acumulada por debajo del in t rval ' d i j 'o,
I 1"1' uencia absoluta del intervalo crtico.
I An plitud del intervalo crtico.
2.6. Calculemos la mediana en el Ejemplo 2.3, en el qu
agrupados en intervalos.
X Xi n i
1-3 2 2
4-6 5 7
7-9 8 13
10-12 11 18
13-15 14 10
L 50
este ejemplo los intervalos se presentan en orden creciente, P
el clculo de la mediana y de cualquier medida de posicin
"'-.... , ...... , ... ble invertir el orden de la tabla:
X Xi n i na
13-15 14 10 50
10-12 11 18 40
7-9 8 13 22
4-6 5 7 9
1-3 2 2 2
L 50
Md
1,(1 r >r1l1111a planteada se basa en el mtodo de interpoln . (111 11
1 11111 1:\ li stribucin homognea de las puntuaciones d 'ntl(l d.
do, V "unos m podemos calcular directamente la IlI d 111'
111 ,toc!o utilizando los datos del ejemplo 2.6. Sabemos ~ I I ' ,1 1111
ohsl'l'va ion s s n = 50 Y que, por lo tanto, la mediana s 1 v dlll I
pOI' I 'b"lj de s a 25 sujetos. Hemos identificado el interv'llo 111,
1 1, 1 nmero de puntuaciones acumuladas hasta el lfmit 111
lit ' lV'll anlerior al crtico [7-9] es de na = 22. Por tanl I I'ult 111
oh 'I'V'l i nes para llegar al 50% en el que se encuentra 1" 1I1 di
1 'III 'a 2. 1).
Si asumimos que las puntuaciones se reparten a lo largo dI'
:do d' r rma homognea, entonces podemos afirmar que 1", I
i()n 's del intervalo crtico se distribuyen homogneamenl' ' 11 1111
111(1 1\ 3 unidades. Por lo tanto, si 18 observaciones se r I 1I1t 11
oIl1lplitud de 3, qu amplitud o unidades dentro del intervalo, 111
pnl':'ln la 3 observaciones que faltan para llegar al 50%? Por 1111 1
11 'S:
18 observaciones ~ 3 Unidades} ~ x = 33 = O 5
3 observaciones ~ x unidades 18'
Estas 0,5 unidades debemos sumarlas al lmite inferior del illt I
t il () obl niendo el mismo resultado que con la frmula:
Md = 9,5 + 0,50 = 10
~
x
:6
~ I ~
1)11
l ~ ~





, 1
t
t
t

+


x{
Med ~ n a = 9 5

3

+x
q
f-
IJ ZZ
7 9
1 3 2 2
20
1111 d '1 l uJo de la Mediana para los dalos
1 ,1 '.i mplo 2.6.
diana en la distribucin de frecuen ia
las frecuencias absolutas acumuladas:
6tJ
00 135J
2 66 ,1 5,727 5,73
LlI ni 'diana, por lo general se puede calcular en cualquier distribuci 11
dl\ 1'1' ' ti 'n ias x eplo cuando los datos estn agrupados en intervalo .
, Isl 'tll inl 'rvalo abierto en el que se encuentra la mediana. Veamos UII
'1 ' Illplo:
/O
2.8.
Tabla 2.1 Tabla 2.2
ni na X ni na
14 X ~ 31 35 -
18 76 121-130 9 25
29 58 111-120 8 16
20 29 100-110 6 8
9 9 90-99 2 2
90
L 60
d tri'b . , d fr . di' . d n 90 1
lS UClOn e ecuenCIaS e a lzquler a, - = - = 45 por o
2 2
1 intervalo crtico es [20-24] con na = 58. En este caso, como el
crtico no es el intervalo abierto, se puede calcular la media-
es igual a:
n
1 tabl 2.2, 2 2
1 int rvalo superior qu st abi
alcular la mediana,
Il ' ' 1' ndice de tendencia central que se puede obtener lanto '11
l' \wlilativas como en cuantitativas es la moda.
mla d una distribucin, que se representa por Mo, se define 0 1 lO
le 11 () ategora de la variable con mayor frecuencia absoluta.
I " ' SO de una distribucin de una variable cualitativa, la moda 's 1"
n la mxima frecuencia.
2.9. En la tabla adjunta se mues-
de frecuencias del idio-
, la categora con mayor
absoluta es Ingls, y esa es, por
moda de esta distribucin.
Idioma elegido
Alemn
Francs
Ingls
Italiano
ni
35
52
90
23
11 \I na distribucin de una variable cuantitativa con los datos no a 1'11
, 'n intervalos, la moda es el valor con la mayor frecuencia absolulIl ,
71
18
300
Flllldllll'llle, si se tra ta de una distribucin de una variable cuantitalivlI
I elll Iwo dolos agrupados en intervalos, se localiza el intervalo modal que l'
I 11111'1 vu lo (;011 la frecuencia mxima y la moda es el punto medio de diclHI
1.
. 11. En la distribucin de fre-
del Ejemplo 2.3, el intervalo
[10, 12], por lo que la moda es
X
1-3
4-6
7-9
10-12
13-15
L
Xi ni
2 2
5 7
8 13
J 1 18
14 10
50
ClIando en una variable existe un nico valor con la frecuencia mxima,
101 ti Is ll"i bllcin presenta una moda y es unimodal. Sin embargo, la distri-
11I1 l'i()1l c.l e una variable no tiene por qu tener una nica moda. De hecho,
,",e 11I dos los valores con la frecuencia ms alta la distribucin es bimodal,
,",e 111 I res los valores sera trimodal, etc. En la figura 2.2, la distribucin de
1" 1/1IIIierda es unimodal y la moda es el valor X3, mientras que la de la dere-
fol l1 l l'S bi modal, siendo las dos modas los valores X2 y X3 Tambin puede
c H 111"1 ir que una distribucin no tenga moda, lo que se denomina distribu-
I lelll :\lllodal. Esto sucede cuando todos los valores tienen la misma fre-
I 11I ' 11l'n absoluta; en este caso no se puede calcular la moda.
16
14
11
10
oi 8
6
4"
2
O
X
XI X4 XI X
X
XI
111 "II 'lbucin de fl-ecuencias unimodal (izquierda) y bimodal (dcr<.'cllu) .
111111110, completando lo dicho hasta aqu, las principales caracWl'ts-
hl 1" IlIoda son las siguientes:
1111 ndice de clculo sencillo y de fcil interpretacin
n., los tres ndices de tendencia central estudiados, la moda es el (111 i-
111 que, adems de aplicarse a variables cuantitativas, se puede cul -
,d,\1' en variables cualitativas .
1!;lIlc.lO los datos estn agrupados en intervalos y existen
,"j erlos, la moda se puede calcular excepto si el intervalo 111 oc.l a I
e ,llI cide con el intervalo abierto. Si nos fijamos en las tablas 2. 1 y 2.
,It-I ejemplo 2.8, la moda se puede calcular en el primer caso y su
\'illn!" es Mo = 22, mientras que no es posible calcularla en el segun-
d" caso debido a que el intervalo modal (el intervalo superior) cst{
,bi erto. .
ta eleccin de una medida de tendencia central
1Ii1lldo se ha medido una variable en una muestra de n sujetos y dc-
'"111'1 seleccionar un valor que resuma adecuadamente la tendencia cen-
I ,k la distribucin de frecuencias, la primera pregunta que nos debernos
IIlt'ur' es: qu medida de tendencia central debemos utilizar? Pues bien,
111 primera opcin se recomienda la media aritmtica porque en ella
11 basadas un gran nmero de estadsticos y tcnicas estadsticas de
11 I Il1portancia y de uso frecuente que se estudiarn posteriormente. n i-
IIt'nle se desaconseja su utilizacin cuando la distribucin es muy asi -
t ri ca con unos pocos valores extremos que pueden distorsionar la rel'l'l' -
73
I 111 ,11 ' d,\ I di 1" 111 di \ 11111111 11 lid 111 I ,
11111 , I1 111 ti 1110 , Illl 'ti '1Iplil ' \1 : 1) \\ IIHIIlI I 11 '11 ti ' 1\1 ' 1I ItI 1, ItI V II
I I , llIlIl\ill l " ti 01 ' 1111 d, y/o 2) '11 lIto, 11" IIp 1 lo, '11 los q l ' , isl ' 11 illl I
"1) "i ' 1Ios ' n los ll' mos 1, h li s ll'it 11 ' 1 )11.
( \1 111 lo In 111 odi a 11 s pu d aplicar, o no es recomendahIe su ulill ,. 1
1 1111 , 111 s il' ui ' nl p i n pued ser la mediana. Como hemos seal 10, 1,
111 d 111:1 's ms J" 'sislcnlc a los valores extremos que generan asimelrfu ' 1\
1, 1, 11 Iu ' i )11 , s ' pu d oblener en variables con nivel de medida ordill "
\, Id ' 111. s, s' lId aleular en distribuciones con datos agrupados ' 1\
,,11 ' 1 dos ' on inl l"Valos abiertos. Sin embargo, en ocasiones no se pu 'ti
111 1 ' 11 ' 1' hl m ' di a na . E lO puede ocurrir por dos motivos: 1) el nivel de m 'ti
d 1 d ' 1" va ri a bl s nominal y/o 2) con datos agrupados en intervalo ' , 11
111 ' 11 11 11 ' 1 S' 'n u nlra en el intervalo abierto. En esa situacin, la nit 1
di 111111 ivtl p s ibl es utilizar la moda. Por otro lado, como ya sabemo , 11
11 lO 1 1 11 0 s' pu de calcular cuando la distribucin sea amodal (no ti 11
1110 1,) () ,1 inlervalo abierto coincide con el intervalo modal.
' 1 da, con el uso de programas informticos para el anlisis eslH
I , 1 leo 1, 1 s dalos, se recomienda, siempre y cuando sea pertinente, el cl
"In 1, 1 lr ndices para el estudio de la tendencia central de la distr
li ando las variables son cualitativas nicamente puede utilizars('
1 1 1110 h omo medida de tendencia central. Sin embargo, en el caso d '
11 1 I I 's on nivel de medida ordinal, se pueden obtener tanto la modo
111110 1" m diana. Por ltimo, si la variable es cuantitativa se pueden cal
,,1 " ' los tI" s ndices de tendencia central, lo que implica que dispondrem :-.
1 111!\ y r informacin para estudiar esta propiedad de las distribuciones,
ante resaltar que cuando la distribucin de una variable cuanti .
imtrica y unimodal, coinciden los valores de la media, mediana
1110 la, omo podemos apreciar en la figura 2.3.
1() --- ~ .. _ - ~
i ~ - ~
70
-
f-
", 1 S
.--- f-
10
r---
-
===
:::::=
O
1 2 3 4 6 7 8 9
l \Ira 2,3. Medidas de tendencia central en una distribucin
de frecuencias simtrica y unimodal.
I I ) DAS DE POSICIN
1 , I ri mera parte de este tema hemos definido medidas que ' pI' '.
111 al conjunto de datos. Interesaba disponer de un indicador ()
11 11 Imrico de la tendencia central de todas las puntuaciones. Pu 's
IIII)l'a la cuestin que nos planteamos va dirigida a un sujeto o da to
,,1.11' y la podramos formular de la siguiente manera: en una di s lri
11 tlt' rrecuencias de una variable, un sujeto s obtiene una puntua j n
1" I osicin ocupa este sujeto en la distribucin con respecto al r 's
IIj 'tos?, qu puntuacin tendra que obtener para superar a UIl
IIlnj determinado de sujetos de la distribucin? Por ejemplo, en UII
1 ' l ' atividad administrado a los 50 nios de una clase podemos pl an.
111 1 s siguientes cuestiones: qu puntuacin debe alcanzar un alu 111
"1 uperar al 50% de sus compaeros?, qu puntuacin debe obl '.
I Ira estar entre el 25% de los ms creativos? Imaginemos que UI1
1110 obtiene una puntuacin de 15, qu posicin le corresponde aX
11 ,1 conjunto de puntuaciones de los alumnos de la clase?, est el1lJ"
III.lS creativos de la clase?, qu porcentaje de sus compaeros e t n
I -bajo de l en creatividad o qu porcentaje le superan en dicha V' )
Il.
7 ~
() Ido (U' s' trata d lo alizar la p si in de un uj lo en una di. 1I 1II
(111, pUI't\ 'ons truir un fndi de posicin, debemos dividir la di ' trilll h
' 11 11111l(1\l1 '1' o parl s o eccioI1 s iguales entre s en cuanto al nIll ' Itl
oh, ' 1 V' I ' ion 's. P r jcmplo, si queremos dividir una distribucin ' 11 dI
P 111 's i '11 ' 11 'S, n ilamos un nico valor para esa particin, que oi ll ti
~ (111 In 111' li 'l na d la distribucin (recuerda que la mediana divid la di
ti I II Ci )11 'n 00 ' partes, cada una con el 50% de los sujetos). En el aso ti
tt" ' l' '1' divi liria en lres partes, cada una con un tercio de los sujetos, 11 '
iI IIIlOS los val res de la variable, y as sucesivamente. Dependienoo ti
l' ll lIllos v'll r s de la variable utilicemos para dividir la distribucin, ( od
III()S 11 '\1 lar el diferentes medidas de posicin.
A 'ontinua in vamos a describir tres medidas de posicin o cuan ti I '
los 1 '1' 'nlile, los cuartiles y los deciles. Estos cuantiles se utilizan
11111 ' In rr uencia en la prctica, especialmente los dos primeros.
. .1. )' n:cntiles
Los fJercentiles, tambin denominados centiles, son los 99 valores d ' 11
II 'iul I ' que dividen en 100 partes iguales la distribucin de frecuencias.
( ~ I percentil k , denotado por P'o es un valor de la variable de inters que
I 'ja p r debajo de s un porceI1taje k de sujetos, donde k = 1,2, ... 99.
III ngamos que en una distribucin de frecuencias de la variable in/e
l i ~ ( ' 1 I 'ia espacial, la puntuacin X = 25 deja por debajo de s al 40% de 1 .
11.1 'los de la distribucin. Entonces, podemos afirmar que el percentil 40
ti ' 'S' l distribucin es X = 25, P40 = 25, Y que los sujetos con X = 25 estn p l'
' 11 ' ima del 40% de los sujetos en inteligencia espacial y son superados pOI'
,1 ()O% de los sujetos. Otra forma de expresarlo sera que un 40% de los suje-
t ti,' 110 ' uperan la puntuacin 25 y un 60% s superan dicha puntuacin.
I JI 11", ti
n. En cambio, en los percentile y de r I'IlUl III1
2
1
, nk E' . 1 11 I
a numero --o ste numero es Igua a - ' lItlll( ()
100 2
k 1
n 50 n
ntil 50. En efecto, = 50 por o que --= -
100 2
111 s' presentan en tablas de distribucin de frecuencias a bso-
I '1 111 (. dos en intervalos. Pues bien, el intervalo en el q u ' s'
1111 il I percentil k se denomina intervalo crtico y se corr SpOI1
11 .Itjll 1 en el que la frecuencia absoluta acumulada na es igual ()
n k El '1 k b . l" f' 1
- -o percentI se o tIene con a sIgUIente ormu a:
100
P =L + W -
nd
.1
[
n.k J
k 1 n
e
1'1" cuencia absoluta acumulada por debajo del intervalo crti o.
'[ ecuencia absoluta del intervalo crtico.
Lmite inferior exacto del intervalo crtico.
Amplitud del intervalo.
cllno ocurra con la mediana, cuando en la distribucin de frecu n-
I S los datos no estn agrupados en intervalos, se aplica la misma r 1'-
111 la pero con amplitud del intervalo igual a uno (I = 1).
77
8 13 22
5 7 9
2 2 2
50
n . k = 5010 = 5 por lo que el intervalo crtico
100 100 '
plicando la frmula:
- n ---2
[
n .IO] [ 50.10]
+ IOOn
e
d .1=3,5+ 1 0 ~ .3=4,7857",,4,79
(nll " III l do descrito podemos calcular el valor de cualquiera de lo.
) P ' 1 " llliI ' S d una distribucin. Sin embargo, puede suceder que ten a
111 1 1111 vu lo)' puntuacin de la variable, Xi' y nos interese saber qu p l'
111 I () ' \11 ' 1 e e valor en la distribucin. Es decir, qu percentille corr s
IIl lld ' 1 h puntuacin del sujeto s, X,? Realmente nos estn pidiendo el
,le 11 ,1 ' " I do el valor de Xi' Para realizar ese clculo debemos despej ar ""
" I \ . ' (1'\ 0j n anterior y obtenemos la siguiente frmula:
( ,ll,.t10 de k para Xi:
r
(p, - L)n 1 k 1 e +n
k = 1 d .
lOO
n
18
8 13 22
5 7 9
2 2 2
50
11 est en el intervalo [10-12] que va a ser, por tan
crtico. Se aplica la frmula y se obtiene lo sigui nt :
100 = 3 100 = 62
) n +n
d
1 [ (11-9,5) . 18+22 ]
n 50
la puntuacin X = 11, le corresponde el percentil 62, P 62 = 11 .
"le) S ' calcula el percentil que corresponde a una puntuacin deL r-
I 111 I \ I ocurrir que obtengamos un valor con decimales. En el'
Ildo que los percentiles son 99 valores enteros, tomamos la canl j -
I 1" ms prxima. Por ejemplo si nos piden el percentil de X = 9 en
11" anterior, el resultado es que P39,67 = 9, con k = 39,67. La cantidad
111 l. ' prxima es 40, por lo que el percentil es 40, P40 = 9.
llar tiles y deciles son dos medidas de posicin en las que las s -
el 1 artes en las que se divide la distribucin de frecuencias SOl
111 nos que en los percentiles.
79
111 "IImlll,' 111111' ,dlll\' d\,I,,1I1 111I1I\lIlIllItII
p.llll' <I'"I:IIII'II'II\'I, ,lndL'lllIlIl 'OIl :
El cuartil, Q2' d ja p r d baj d
pell '11 ' ill1 ' l ' \1 Lr 50%. E qujvalcnt al p r
1.1 111 'li:lIw l' la di lribudn, Q2 = Pso = Md.
I'CII' 1 d limo, ,1 tercer cuartil, Q3' deja por debajo d 's ,,1
111los.Y I nI' n ima al 25% restante. Se correspond' ' 011
1, ti 'la listribu in, Q3 = P7S'
1> ,\ i lo a la quivalenda con los percentiles, para el tl ' \1111 11. I
I 11 11 1 1 's vam a utilizar los mtodos propuestos para los I '11
Illm' \' '10,01 1 calculamos mediante Pzs , Qz con Pso, Y Q3 011 1' ,
p()1' olra parte, los cuartiles se utilizan para construir flldj 1 I
IlItlio l' la variabilidad de una distribucin de frecuencias, r01l11l
1I 1 Ir) i1110 tema.
POI ' (IILimo, los deciles se definen de la siguiente manera:
I,os decUes son nueve valores que dividen en diez partes i )\1 "
II Sll'ibu in. Se representan por Di' donde i = 1,2, ... ,9.
primer decil, D deja por debajo de s al 10% de los sujetos, 11
0%, '1 D3 al 30% y as hasta el D9 que deja por debajo de s al l }()'
los sujetos. De este modo,
D = p O' Dz = Pzo, ... Ds = Pso = Md, ... D9 = P90
P()I' 1 lanto, tambin podemos calcular los deciles a partir ti ' 1"
1I'IIl il's orrespondientes. En la figura 2.4 se representa la qlli II
1111' '1 s diferentes cuantiles estudiados de una distribucin de fr' 11 1
IHI
Qr Po
111 \1 11111 1, In relacin entre medidas de posi In.
pll ('lllnc.!o una de las propiedades o caractcrfsti ' liS
I Illhll ' i n de frecuencias como es el estudi c.! I In
plll1lll ' l i n s. Se han descrito las tres medidas ti I
IlIpll'" las, que son la media aritmtica, la mediana .Y
' 1I ' \n xpuesto sus principales caracterstica, los
'Illaja y limitadones de su aplicacin al anlisis
1 1 p,1I1 ' d 1 tema se ha concluido con la discusin de
P,II" In 'leccin del ndice ms adecuado en cada aso,
1 .. 111 '\bordado las medidas de posicin, con el fin ti '
, 11 1. I11 V'I d los sujetos con respecto al conjunto de pu \1 -
II "lid n. Dependiendo del nmero de partes en las que
11 11111 1, fr cuencias, se pueden definir diferentes cuan-
111 IlIs tI' ndices de posicin ms relevantes (percen ti -
I ) y s ' ha explicado el procedimiento de clculo seg 11
I 1I l. latos y el tipo de cuestin a la que se quiere r s-
I, I IItI nfatizado la equivalencia entre los tres tipos d I
1111,1 V 'Z definidos los percentiles, se pueden obtener los
111\10 asas particulares de los percentiles.
81
H
, 1. 1. 1111 'ti 11 I1 1111 11e. \ IIO . C.
111111 ' \ ; B) 1, li sll'ihll ' lo" 'S Silll Id ' ti;
ti '1 lo,
1: 1 vnlol' ti' un'l val'iabl' qu' s i mi r' livi 1, lo Ii . ll 1111111 I
' \1 ' 11 ' 11 dos p'lrl ' 1 ,1 misn nLI01 'ro d oh. 1 11 1111
111111 s' I 'nomina: A) m odia aritm ti a; B) n '(\i.1I1:I; ( ) 1111111
, " I'III't1 'slu li ar la tendencia c ntral en una variabl' ' \1 tll 1I ,
"': \l1 nsim trfa, el ndice adecuado es: A) la m di'!; Ji) 11 11111 I
11Ic.' dhrl a,
, 1. 10:" Ull:! distribucin de frecuencias de una variabl ' 111 'el 1,
01 ' Ijnal, I ndice que NO se puede aplicar es: A) la n ,11 \, 111 1
) 1:.1 m ,diana.
En II na di tribucin unimodal se obtienen los mi mos tI " l
11 1 i . moda, media y mediana cuando: A) los dato ' si \ 11 1 11
' 11 jnt rvalos; B) la distribucin es simtrica; C) el nIl. ' 111 1
va ' i ne es pequeo.
En un conjunto de observaciones de una variable, la pUlIlIII
's s Iperada por el 75% de los sujetos se corresponde
) D2
, 7. El quinto decil de una distribucin es equivalente al: A) 1 1'1
B) p rcentil 5; C) percentil 50.
,H, El una distribucin de frecuencias, el nmero de suj etos ' 111.
O el mismo que entre: A) DI Y D2 ; B) P2S Y Pso ; C) QI y ( \
.'), L'l variable X toma los siguientes valores: 50, 26, 35, 64, 34, M,
48, 52, 54, 67. La media aritmtica es igual a: A) 48; B) 47; ( 1 I
. 1 (l , El valor de la mediana en los datos del ejercicio 2.9 es: A)
)51.
1 1, I 1 iguiente diagrama de barras se representa la variabk ,\
ro d hijos.
N.i de hijos
I lti.ios 's i ual a: A) 2,32; B) 1; C) 1,48.
" \ 0 : 1111 ' ri 1", cul es la moda?: A) 13; B) 1; ) 2,
1 I i ' 1 , ' i 2.11, el valor de la mediana e ' i l"lIa l :1 :
) (I ,?;,
, In" ,jo 2.11, a la puntuacin X = 2, qu P '1' '1 1 ji
) 1
1
" ; 1 ) P 6S ; C) Pso
11 1 .. d:\los d 1 ejercicio 2.11, el primer cuartil d l a dis-
I fI ,O ; B ) 0,50; C) 0,58.
1111111.1 .' , muestra la variable edad agrupada en inlerva-
) B) 46; C) 50,S.
X ni
66-75 7
56-65 7
46-55 13
36-45 3
26-35 10
1, lOll la tabla del ejercicio anterior, la edad media de los
) 0,5; B) 50 ; C) 52.
,1 .dlll IlIl' Ii \IH) d
1"
()I\ los lutos 1 ,1 'Jl' I' ' 1 ' lo 2. 1 , -II VI" ' 1Itil O 's igual a: A) 70,50; H)
)l ,7'; )65,82.
1) n ' u 'rdo a la di lribucin del ejercicio 2.16, el valor del cuarto
I " 11 's: A) 46,50; B) 47,81; C) 52,11.
( tU IONhS A LOS EJERCICIOS DE AUTOEVALUACIN
' olu ' j )11:
vi Inl ' I'valo mximo no tiene lmite superior, no podemos deter-
Ildll \1 ' ,11 II1l0 medio de ese intervalo, el cual es necesario para el cl-
l 1 do l ' la 111 dia aritmtica (ver apartado 2.2.1).
Solu ' j 1 : B
V liS' la d finicin de mediana en el apartado 2.2.2.
Solu ' i n: B
lWI d
1 1': ti q 1
la variable es cualitativa la nica medida de tendencia cen-
e puede utilizar es la moda (ver apartado 2.2.4).
Solu ' i n: A
\I()I d la variable est medida a nivel ordinal podemos utilizar la
111 0 la y la mediana, pero no la media que requiere que sea de inter-
vnl) de razn (ver apartados 2.2.1 y 2.2.4).
Solu i n: B
'l'nl y omo se seala en el apartado 2.2.4, cuando la distribucin es uni-
Il!Odal y simtrica, los valores de la media, mediana y moda coinciden.
Solu In: A
Ln 1 untuacin que es superada por el 75% de los sujetos es aquella
tU ' sup ra al 25%, por lo que se corresponde con el percentil 25 o el
1 l'il11 r cuartil, Q. (ver apartado 2.3.2)
7, Sol LI In: e
Los 1 iles son nueve valores que dividen en diez partes iguales la distri-
III ' j )11. De este modo el Decil 5, Ds, deja por debajo de s al 50% de las
01 s '\'Va iones, por lo que equivale al percentil50 (ver apartado 2.3.2).
111\ 1111 B
lO 1, s U, ,tos ' 1\11" ( I .Y ,1 ( ,
11111 f) 1 I 2 " I 10%
11111 1 ' ~ y P 5 0 e125%
11111 (JI Q2 s el 50%
':.:.1.- 50+26+35 +64 +34 +28 +73 +45+48+52+54 +67 = 576 4H
12 - 12 12
11111 i n: A
I 11 ': 1 ,1 clculo de la mediana, primero se ordenan los datos d' 111 ' 1101'
, ItI ' l'y r:
(,2 ,34,35,45,48,50,52,54,64,67,73
" \ lo que n = 12 es par, la mediana es la media aritmtica de 1 s los
nlores centrales de la distribucin:
I I Solucin: e
Xi ni
O 9
1-
1 13
2 10
3 6
4 2
40
na
9
22
32
38
40
Md = 48+50 = 49
2
n;Xi
O
13
20
18
8
59
Solucin: B
El valor de Xi con la frecuencia absoluta mayor es Xi = 1, por lo qUl'
Mo = 1.
I \, ,h I 1111 ,
/1 () 20
2 '
pOl ' lo ]lI ' ' 1 inl rvalo rlico es [O,5-1,5J con na = 22. Aplicando la fl'
111111:\:
, 1 I ' olll ' )11: B
l.
1.1 IlIl1lll'l i nX = 2 est en el intervalo unitario [l,5-2,5J
, = 1 .100 = 1 100 = 67 5
r
(Pi< -L) nc + nd l r (2 - 1,5) 10 + 221
n ,
1 01' I tanto, a la puntuacin X = 2, le corresponde el percentil68, P68 = 2.
I . Solu in: e
()
= p n . 25 = 4025 = 10
I 25 ' 100 100 '
1 Ol' I que el intervalo crtico es [O,5-1,5J con na = 22.
It , Solu in: e
HI l 'rcer intervalo es el intervalo modal (ni = 13), Y su punto medio es
iO,5, Por lo tanto, Mo = 50,S.
1111 , 11
"1 11" 1"1
r,rl "O, 5 7 40 4!)j, 5
7 3 42 ,S
- L /I,X, 2000
50, S 26 656,5 =- -
t; o
/1 40
40, S 3 13 121,5
0,5 10 10 305
40 2000
,.111 ,
11: A
11 0 = 20, por lo que el intervalo crtico es [46-55J con na = 2 . Apl l
2
lIldo la frmula:
(
n -n J ( 40 -13J
Md = Li + 2 nc d 1= 45,5 + 2 13 10 = 50,88
ni Icin: B
II!:.. = 4090 = 36 por lo que el intervalo crtico es [66-75J con nll 40.
100 100 '
Aplicando la frmula:
P90
33J 10 = 69,79
olucin: B
nk 4040
D 4 = P40 , 100 = 100 = 16,
por lo que el intervalo crtico es [46-55J con na = 26. Aplicando la r)l'
mula:

J ( 40-40 -13J
P = L + 100 d. 1 = 45 5 + 100 10 = 47,81
40 in' 13
e
H7
'1' 11tH \
'1 ' 11 lrh.
lIlo .1111:11 in
I '11 1\ le lS de auloevaluacin
l . INTRODUCCIN
II:n te tema se van a abordar dos nuevas propiedades de una distribu-
1111 I puntuaciones: la variabilidad o dispersin y la asimetra o sesgo de
1\ d is tribucin.
La egunda propiedad de una distribucin de frecuencias, y de la mis-
11 1 \ 11 1por tancia que la tendencia central estudiada en el tema anterior, es
I , variabilidad o dispersin de los datos. La variabilidad hace referencia al
l ' \ I en que las puntuaciones se asemejan o diferencian entre s, o se apro-
1111 . n o alejan de una medida de tendencia central como la media arimti-
\, han propuesto numerosos ndices para medir la variabilidad de una
I . lribucin. En este tema se describen los ndices de dispersin ms habi-
111 ti en la prctica como son la amplitud total, la varianza y desviacin
I 1 a y la amplitud semi-intercuartil. Adems, se presenta un ndice, el coe-
I d nte de variacin, que resulta til para comparar distintas distribucio-
li tiS de frecuencias en trminos de su variabilidad.
Posteriormente, se estudia un tercer aspecto de la distribucin de fre-
1 11 ncias relacionado con su forma que es la asimetra o sesgo. Como se ha
sto en el primer tema, mediante la representacin grfica se puede analizar
, i una distribucin es ms o menos simtrica o qu tipo de asimetra la carac-
I riza. En este tema se describe el ndice de asimetra de Pearson que ofrece
t m resultado numrico sobre el grado y tipo de asimetra de la distribucin.
Por ltimo, con el fin de poder comparar a los sujetos entre s y en dife-
t' 'ntes variables, se describen dos puntuaciones que se derivan de las pun-
ILaciones directas: las puntuaciones diferenciales y las tpicas. Se presen-
I an sus principales propiedades y la informacin que proporcionan ambos
tipos de puntuaciones.
Los objetivos de aprendizaje que se persiguen en este tema son los
siguientes:
91


111' 1:\
nI' ' is
[y el ndice de Pearson para analizar el grado y
d a lmetna de una distribucin .
. istit guir los distintos tipos de puntuaciones: directas, diferen-
,li s y tpIcas, la informacin que proporcionan y sus propiedades
lu nd mentales.
.. MI ' BlnAS DE VARIABILIDAD
l" 11 1 l ma anterior vimos que uno de los aspectos ms a la
11 0)' l I racterizar una distribucin de frecuencias es la tendencia cen-
(1" \ I 1, l. y se presentaron las tres principales medidas que resu-
111 ' n I Imncamente esta caracterstica. Sin embargo el estudl'O de
II I ' b . ,una
. ' n resultara incompleto sin el anlisis de una segunda propie-
lu I l n Importante como la tendencia central; esto es, la variabilidad de
In,' la to. La variabilidad o dispersin hace referencia al grado de varia-
11 qu hay en un conjunto de puntuaciones. Por ejemplo, en la figura
, ', 1 s la grfica de dos distribuciones que pre-
, 111 n la ml.sma medIa antmetlca pero que difieren en la variabilidad de
,' li S puntuacIOnes.
30
25
20
n,a 15
10
5
O
r--
r-- i--
,-- 1---
2 3 456 7 89
X
30
25
20
n. 15
10
5
O
r-- -
==fi Il==
234 5 6789
X
III! Ira 3.1. Representacin grfica de dos distribuciones; a)menos dispersin.
b) ms dispersin.
(ll\ l fin de cuantificar la dispersin presente en los dat s, s ' I1'Ul I '1' 1I
IIll1n rosas medidas o ndices de variabilidad. Dos tipos de ndi 's s \ I 11 \
11 li slinguir: aquellos que miden el grado en el que las puntua ion's s \ 1 \
I I \ 1 \ diferencian entre s, y aquellos otros en los que la disp r i 1 S 111 d
11 l ' sp cto a alguna medida de tendencia central como la media ari lll1 I \
11 'sl tema se van a estudiar dos ndices del primer tipo: la amplitu I 101 ti
II p Y la amplitud semi-intercuartil. Del segundo tipo, y de gran in I 0 1' ( \11
I l'l1 la estadstica, se van a describir la varianza y la desviacin lfpi HI
T :nto unos como otros son tiles para el estudio de la varie: bi lidll I 11
IlIlI di tr:ibucin de frecuencias, pero resultan poco adecuado lWIl lo
1I Iln de comparar la dispersin de dos o ms distribuciones. Para r \ " ,/, \
III h anlisis, un ndice apropiado y que se presenta en este telTla 's 1 'o
I ' ) te de variacin que se basa en la relacin entre la desviaci 1 I I l ' \
1, n dia de cada distribucin de frecuencias.
. l. Amplitud total o rango
Una primera aproximacin a la dispersin de los datos es el fJ di ' \ ti
Il11plitud total, tambin denominado rango o recorrido, de las obs rva ' O\l
La amplitud total, denotada como A
T
, de un conjunto de punW' jo-
nes es la distancia que hay en la escala numrica entre los valor s 1\1'
representan la puntuacin mxima y la puntuacin mnima. E d' ' 11',
1)
' U' 1I1 lo H, lIlIdll\(), ItI' tI ' ,1> tj:II110, l 011 V \1 ti 1 .. 'wllllIlI 11'1, IH JUIl -
tu in mxjl a " ' 1 1 mil' , , t S 11 ri( \' ti J inL 'rv lo 111 xil11 y h
puntuacin mnima es 1 lmiL xacto inf 1'i I d 1 int r v Jo mnim
(v e el apartado 1.6 del primer tema).
V(\ \111.0S un ejemplo.
3.1. La siguiente distribucin de frecuencias corresponde a
de los alumnos del ejemplo 2.2 del tema anterior.
Nota (Xi) ni
5 135
6 66
7 45
8 36
9 18
L 300
,1lLl';;UJLV;:' la amplitud total o rango de la dist ribucin.
se asume que es continua con amplitud de intervalo igual
. Por 10 tanto, la puntuacin mxima es X
rnx
= 9,5 Y la mnima es
= 4,5. La amplitud total es igual a AT = X
rnx
- X
rnn
= 9,5 - 4,5 = 5.
Como se puede apreciar, este ndice es muy sencillo de calcular y utili
'1. I I uy poca informacin del conjunto de puntuaciones, ya que se trata
t ,I() 1 la diferencia entre el mayor valor (XrnaJ y el menor valor (X
min
) de 1"
' 11 di. Por otro lado, y como consecuencia de lo anterior, su principal
11 tI\lV , .. ti ente es que es sensible nicamente a los valores extremos de la
II 11 IlIl ' i n. De esta manera, este ndice no captura la poca o mucha dis-
I I '111 IU pueda existir entre los restantes valores, que son la gran mayo
I 1" , J untuaciones. An as, en el anlisis de datos se recomienda
I ." , Y d 'sviaci(m ("ka
1, 1, v riabilidad lal11bi n pued basa r '11 1:,\ 11 I 111
1, ' \111' 1 a puntuaciones y un valor entral d
I IIH dio aritmtica. De este modo, una distribu i n
, 111 ' lI a n la que la mayora de las puntuacion ' t 11 1l1l1.Y pi 11
, 1, 111' li , mientras que en una distribucin con I11U h'\ v1\"lIh 1
I'lIl1tu iones estn alejadas o muy alejadas d 1 val r n ' Iio 1, 1
111 I11I 'r ndice que nos podemos plantear de forma lgi a 's ,1 PI '(
1 lIs d sviaciones o diferencias de cada puntuacin con r 'Slwvto
I \,
11,,1 1 ma de este ndice es que, segn vimos en la primera propi (1 I
I I "1 de la media en el tema anterior, el sumatorio del I1UIl1 ' \'II In
, . ' ), iempre es igual a cero, por lo que no sera una buena 111 ' 11 I
I " Iidad.
11 ,1 fin de poder utilizar un ndice con estas desviaciones vit ' IlIde
I I ual a cero, se han propuesto dos soluciones. La primera ollsL 1
I IIl ur el valor absoluto de cada desviacin antes de realizar la SUIII ,
lid un ndice denominado desviacin media cuya expresi
I 'S la siguiente:
n n
I \ vi acin media se emplea muy poco en la actualidad, d
I co manejable matemticamente por el uso del valor abs IlIt o, le
I 11 vado a que apenas existan tcnicas estadsticas basada
' ()II
S I1
I l ar/anza d un onjunto d n puntuaciones en una variable X,
d ' 1101 1. h p t l, define como el promedio de los cuadrados de las
d . vh ' 1 I ' d la puntuaciones con respecto a la media. Matemti-
xpresa como:
2 _ (XI - X)2 + (X
2
- X)2 + ... + (X
n
- X)2 _ L (Xi - x)2
X -
n n
0(1' \ rol'l a alternativa de calcular la varianza que se deriva de la fr-
111111 \ '\ 11 L ri r y que simplifica los clculos es la siguiente:
2 Lx
2
- 2
5 = --' - X
x n
importante darse cuenta de que, para el clculo de la varianza, pri-
levan al cuadrado las diferencias y despus se obtiene el prome-
as desviaciones al cuadrado.
3.2. En la tabla adjunta figuran las puntuaciones de 5 alum-
n la variable aptitud espacial del ejemplo 2.1 del tema anterior. La
Li .. .I&C;;I.U:l que se obtuvo fue de X = 123. Calclese la varianza de las pun-
con las dos frmulas propuestas.
Aptitud espacial (Xi) (Xi - X) (Xi - X)2 x.
2

133 10 100 17689
120 -3 9 14400
125 2 4 15625
115 - 8 64 13225
122 -1 14884
178 75823
__ LX - 1232 __ 75823
5 5 15129 = 15164,5- 15129 = 35,6
I nr tI a parte, cuando los datos se presentan en tablas d di s lrit ti ' 611
11,'r 1 ncias agrupados o sin agrupar en intervalos, la varianz' l ., pu ' I '
I I 1\ ' 1' utilizando las dos expresiones equivalentes siguientes:
lculo de la varianza en tablas de distribucin de frecuenciaH
con datos agrupados o no en intervalos
,danza a partir de una distribucin de frecuencias absoluta
52
'" n.X2 - 2 '" nX
2
- 2
x=L.J, ' - X = L.J, '-X
Ln
i
n
d nde:
/1 es el nmero total de observaciones.
; es el valor i en la variable X el punto medio del intervalo.
11; es la frecuencia absoluta del valor o intervalo i.
IJH
al'l ti '.1. a
11 ti f.' ' ti IU; 1, l ' I allv, :
dll l l( l ':
/ JI ia r la tiva o proporcin de observaciones del valor
d -1 111 l'val i.
Calclese la varianza de la distribucin de frecuencias
1, abiendo que la media aritmtica es igual a 6,12.
PI
(X- X) (X - X)2 n(X- X)2 X
2
. nXl
0,45 -1,12 1,2544 169,344 25 3375
0,22 -0,12 0,0144 0,9504 36 2376
0,15 0,88 0,7744 34,848 49 2205
36 0,12 1,88 3,5344 127,2384 64 2304
18 0,06 2,88 8,2944 149,2992 81 1458
300 1
481,68 11718
la primera frmula:
S2 = Lni(X -6,12)2 481,68
= 1,6056:::: 1,61 =
x 300
300
la segunda frmula:
= 1 -37,4544 = 39,06-37,4544 = 1,6056 '"' 1,61
la tercera frmula:
_x
2
= (0,45 25+0,2236+0,1549+0,12 64+0,06 81)- (6,12i =
- 37,4544= 1,6056 "" 1,61
- 1,62 2,6244 34,1172 64
0,36 1,38 1,9044 34,2792 121 21 78
0,20 4,38 19,1844 191,844 196 1960
1,00 525,78 5153
_(962)2=5153 -925444=103,06-92,5444=10,5156,",10, 52
, 50 '
- X
2
= (0,04 4+0,14 25+ 0,2664+0,36 121 +0,20196)-(9,62)2 =

,06-92,5444 = 10,5156 "" 10,52
. mo se puede observar, la varianza, al basarse en diferencias al cua-
I I ,es un nmero positivo que se expresa en las unidades de la variabl '
I uadrado. Por ejemplo, supongamos que la variable X se mide en metros,
, te caso, las desviaciones de las puntuaciones con respecto a la meclh
I X), tambin vendrn expresadas en metros, mientras que al elevarlas
1 'uadrado, (Xi - X )2, las unidades se elevan al cuadrado. Por lo t anto, la
iJ tpi a.
1 I ' 1 d ti 1 I 'I '() "
1 1'111 I logl',tl' tllll
ti al ni
danza y . '
1, I elc', v/a l'n tpica de un conjunto de n puntuaciones, que se repre-
I lit I I 01' " la raz cuadrada de la varianza y la frmula para cal-
,,1" '1 t 's:
s = J'I(X, -X)'
x n
'1"llIt o h vari anza como la desviacin tpica son ndices de dispersill
IIIII ,Y \It i l 's ' n 1 desarrollo posterior de la estadstica inferencial estando 11
1 I h ,.' ' el \ 1 umerosas tcnicas estadsticas. Por lo general, a la hora de cual
tr I' \1 ' h vari abilidad de los datos, la desviacin tpica se suele utilizar m
I\H' 1 I v' ld nza debido a que se expresa en las mismas unidades de medid \
lit 1\ v d able objeto de estudio. Asimismo, ambos ndices presentan un'!
lOO
I pI' piedades de las que pueden destacarse las siguientes:
1, ni lculo de la varianza y la desviacin tpica, a diferencia de otros
1 di s de dispersin, requieren el uso de todas las puntuaciones
ob r vadas en la distribucin.
La varianza y la desviacin tpica miden la variabilidad de los datos con
r \ p eto a la media aritmtica, por lo que nicamente deben aplicar '
si tamos utilizando la media como medida de tendencia centraL
varianza y la desviacin tpica siempre son no negativas, es decir,
I u d n ser iguales o mayores que cero. Son iguales a cero nica-
n nte si todas las puntuaciones son iguales entre s. En este caso, n
habra variabilidad o dispersin en los datos. En el resto de los casos
la varianza y la desviacin tpica son positivas, siendo sus valore '
mayores a medida que aumenta la variabilidad de las puntuaciones.
i a las puntuaciones de la variable X les aplicamos la siguiente trans-
r r macin lineal: Y; = bX
i
+ a, la varianza de las nuevas puntuaciones y
J stant '.
el variabilidad r la ionado on la varianza y ti '
tadstica s la cuasivarianza que s d fil1 0 111 0 :
2 (Xi _X)2
S = --=-'---..:._-"--
'1- 1 n-1
d 11 , P r n - 1, en lugar de n como en la varianza. De forma al1(l -
11 t, I viacin tpica se define como la raz cuadrada de la LI 'l si .
I dente de variacin
' U nte que uno de los objetivos del anlisis descriptivo d 1< s
1'1 comparacin del grado de variabilidad o dispersin entre d s
IlItll I puntuaciones en una misma o distintas variables. Debido a
I 1" lo general, las variables objeto de estudio se miden en unidad s
1, n tiene sentido compararlas en base a los valores de sus varian-
,11 .' vi ciones tpicas. Para paliar este inconveniente es necesario d [ i -
I! flldlce de variabilidad relativa que no dependa de las unidades d
. 11. Un coeficiente que cumple con estos requisitos es el coeficiente d
1111 , que se expresa en porcentajes y se define como:
cv = S ~ .100
X
10 1
I " dll pi" 1 111 Ihll ' elll O .Y
I 'Hvi ' - n Lpi-
E.' Iml rt' 1 l 1" altar qu uand omp ram d conjuntos de pun-
1" 1 -O" 'H bl 1 id d la misma variable, tambin es necesario el coefi -
, ' 111 I 1, vari in para comparar la dispersin de ambas distribuciones,
IJIII ' 1IIll ' l1l po ible utilizar la desviacin tpica cuando la media d'
IlId OH 1'1I1 s es la misma, y, en ese caso, llegaramos a las mismas con-
\ lit ion 's ' n ambos ndices.
lO
V 'ti lOS un ejemplo:
.S. Se desea saber si la distribucin de frecuencias de las
alumnos del ejemplo 3.1 presenta un mayor o menor gra-
en comparacin con las puntuaciones de una segun-
de alumnos en un test de inteligencia general en el que han
una media de 102 y una varianza de 17,3.
de los alumnos del ejemplo 3.1 presentan una media de
varianza de 1,61. Por tanto, la desviacin tpica es
y el coeficiente de variacin es igual a:
CV:::: . 100= 1,27 .100=2075
1 X 612 ' ,
de la segunda clase, con una media de 102 y una desvia-
.-""'"'-'\...<1 de Sx = .J16 = 4 obtienen un coeficiente de variacin igual a:
S 4
CV
2
= 100=- 100 = 3,92
X 102
de variacin de la primera clase en las notas es del
mientras que el de la segunda clase en inteligencia general es
Por lo tanto, dado que el coeficiente es mayor en el primer
podemos concluir que el grado de dispersin de los datos es
en el primer grupo, siendo el segundo grupo ms homogneo
It Jllil ud semi-intercuartil
Il'Inl za y la desviacin tpica, junto con la media aritmtica, son lo.
I ' OS r comendados para estudiar la variabilidad y la ten den i;, . ' 11
,""\ distribucin de frecuencias. Sin embargo, como se ha n '11 ' lo
I 1 ," viamente, en ocasiones, y debido a la asimetra de la distr ibu ' 1011 ,
I ' OJ) ' jable el uso de estos ndices y debemos buscar una ah rn' \llv \,
1 l . ir unstancias, un ndice resistente de dispersin adecuado,
11 ' l junto con la mediana como medida de tendencia central,
I IlId mi-intercuartil.
1" amplitud semi-intercuartil, Q, o rango semi-intercuartil e ' h
1 111 ia media entre el tercer y el primer cuartil. Es decir,
Q = Q3 - Q1 = P7S - P2S
2 2
CIl o se puede observar, este ndice no informa de la variabilidad d ,1
IlInto de puntuaciones, sino del 50% de las mismas comprendidas 'ni,"
l' ' - ntil 25 y el 75 de la distribucin.
I () I
l' 111111 1111 ' ' 1IIplll:
x XI ni na
13-15 14 10 50
10-12 11 18 40
7-9 8 13 22
4-6 5 7 9
1-3 2 2 2
L 50
= 37,5, por lo que el intervalo crtico es [10,12] con na = 40.
la frmula:
[
n.75 J [ 50 75 J
P. =L.+ ToO-nd .1 = 95+ 100-
22
3=1208
75 1 n ' 18 '
e
5025 = 12,5, por lo que el intervalo crtico es [7,9] con na = 22.
100
_ :nao la frmula:
L. + ToO- nd 1 = 65+ 100-
9
3=730769===731
[
n . 25 J [ 50 25 J
1 nc ' 13 ' ,
'ologa, n concreto, en la construccin de escalas de acliLud s, 111
1II 'r uartil (P7S-P2S ), se ha utilizado profusamente en aqu ' 11 ,
1 lid ' lIl de seleccin de tem s en los que se tiene en cuenta la v'llo
11 dI' JII' S o expertos en la materia.
E DE ASIMETRA DE PEARSON
1I Y , 1110 se ha sealado en el primer tema, otra propiedad de una lis
1 1111 d [Tecuencias relacionada con su forma es la asimetra s ':'Ip'Il .
Iw'tr{a de una distribucin nos indica el grado en el que las p 111111 \
ti I s sujetos se reparten por debajo y por encima de la medid'l I
_r1ll. ... ,.ll iH ntral. Asimismo, en ese tema vimos cmo, mediante la r I r ' -
1011 grfica de la distribucin, podemos realizar un primer anlis i:
l1 rado de asimetra y observar si sta es positiva o negativa. En sI '
1 limo a proponer un ndice numrico que cuantifique esta propi \
I J> . ntre los numerosos indicadores, hemos seleccionado el ndic d \
de Pearson que se basa en la relacin entre la media y la moda y
I 111. licamente se expresa de la siguiente manera:
mil 'e de asimetra de Pearson
X - Mo
A = ---
s S
x
, trata de un ndice adimensional (no tiene unidades de medida) qu '
"Ika a distribuciones unimodales. Cuando la distribucin es simtri ' 1,
1 dia y la moda coinciden, por lo que el numerador se anula y el valol'
" = O. En distribuciones con asimetra positiva, la media es mayor qll '
105
\ 1111 HII , p n l lo qll l '
\ 1l ll' II' ' l \ IH' l 11 "
O. En lo I'i l 'lIl'H .2 . '
1 \ lu (sil ' l rf d L1 11 \
I . Mo
30
s
2
1 __ -1 n.' 1
o -...-
5
o
5
o
1
-
3
h r 1r-
4 5 6 7 8 9 X
30
25
20
n' 15
1 o
5
H
o
1 2
1-
-
l rt1
3 4 5 6 7 9X
X=6,64 Mo =8
JI 1I hll ' 1 )n sil11 lI-ica:
Mo=H =3,36
Asimetra positiva: Asimetra negativa:
\ As =0 X> Mo:::::>As >0
t ll lll ' 1 t 2. 1 ' la ' i n entre la asimetra de una distribucin y el ndice de PearSOil ,
V IIlI OH UIl .i mplo:
IOt1
los datos del ejemplo 3.4, calclese el ndice de asime-
.. la media es 9,62 y la varianza es igual a 10,52.
X Xi ni
1-3 2 2
4-6 5 7
7-9 8 13
10-12 11 18
13-15 14 10
L
50
IIIV la'-'JLV.u tpica es Sx = JSf = JlO,52 = 3,24, Y la moda es el
del intervalo modal [10-12] que es 11. Por lo tanto,
= X -Mo = 9,62-11 = - 1, 38 =-0, 4259 ",,-0,43
As Sx 3, 24 3,24
2 5 6 11 14
l' 111' 3.3. Representacin grfica de la distribucin de frecuencias
del Ejemplo 3.7.
I lJNTUACIONES TPICAS
I I In ahora hemos tratado fundamentalmente con puntuacion 'H
I l . (puntuaciones de un sujeto en un test, etc.). Son los prim r s
1, los que habitualmente disponemos pero la comparacin de las
II ' i nes directas de un mismo sujeto en dos variables distintas pu ,_
u-nos a confusin, ya que las puntuaciones directas nos or n
10 informacin. De hecho, conocida una puntuacin directa I
1110 ' i se trata de un valor alto o bajo porque esto depende del p i 0 -
o I 1 grupo.
I una puntuacin directa Xi le restamos la media de su grupo obl ' _
I ' una puntuacin diferencial o de diferencia, que representamos pOI'
cula) y que, por tanto, viene definida as:
x. =x - x
1 1
lO?
L, 111111111 II 111 11 ' ti I l ' ll ll di Ipl llllll 111 ' IlI CII lll llloll : 11 0 . IId l 11' .
1, 1'"11111 Il' 111 ' 01 1' Id , ' (j I! 1I 111 1 1 I . ti '1l lpO, ,' 111 1 -!'1m () 's SUI ' dOl
, t ll \. luntuu i<>n 's 1 r H ' Il l \11 I'\H si tli 'l1l 's I 1'()1 i \ lu I ..
"'::=L= L(Xi-X)=LXi - i x =LXi _
nX
=X-X=O
n n n n n
I La vari anza de las puntuaciones diferenciales es igual a la
( 11 1,. I l a iones directas:
POI' l' \n L ,al restar a las puntuaciones directas su media hemos obteni-
do !l il a 1 Ll va escala con media O y con idntica varianza a las puntuacio-
11 '.' Ii 1" L . Sin embargo, dos puntuaciones diferenciales idnt icas pueden
II II ' 1' In ignifi cado muy diferente en funcin de la media y de la varianza
(11' IlI s I i lribuciones de las que proceden. Para eliminar este inconveniente
IIt ili zan las puntuaciones tpicas. Las puntuaciones tpicas van ms all
II OS p rmiten no slo comparar las puntuaciones de un sujeto en dos
' I,'hbl distintas sino tambin comparar dos sujetos distintos en dos prue-
I Il ' () variables distintas.
U n p untuacin tpica viene definida por:
x x - x
z =-=--
x S S
x x
Al proceso de obtener puntuaciones tpicas se llama tipificacin, por
otivo estas puntuaciones se denominan tambin tipificadas.
l i n realidad una puntuacin tpica indica el nmero de desviaciones
li le que se aparta de la media una determinada puntuacin.
IOH
1111 1111 H' (I \l ' II p I 1 11 ' 111 1
11 111 pi " 11 1'" "It ..
11 II Itd I 1 '. 'l' ro
z = LZ
x
=
.\' n
1) 11 v ll'anza es igual a 1
n n n n
, IHlIlluaciones tpicas reflejan las relaciones entre las punlua iOIl '.'
1111 1 " ndencia de la unidad de medida. Por este motivo permi t n 11 <1 ' ' 1'
11' 11 ' \ 'i nes entre distintos grupos e incluso entre distintas vari a ll 's.
3.8. Demostrar para las siguientes puntuaciones de 5 ni
IISllgnlatllra x: 6, 8, 7, 10 Y 4 las propiedades de las puntuad n
y tpicas sealadas anteriormente.
x x (x - i)2
(zx - zx)2
6 -1 1 -0,5 0,25
8 1 1 0,5 0,25
7
10 3 9 1,5 2,25
4 - 3 9 -1,5 2,25
L

20

5
unlluaClOIles Directas:
IO(
n
S2 = I {X-X)2 = 20 =4=Sx2
x n 5
mmt:ualc!ones Tpicas:
z = LZx =.2.=0
x n 5
S2 = L (zx - ZJ2 = ~ = 1
Zx n 5
b SL' t ma se ha centrado en un aspecto fundamental en la caracteriza
' 011 I una distribucin de frecuencias: la variabilidad o dispersin de los
d " )10;. han descrito las medidas de variabilidad que se emplean habi .
Ilmlm nt , haciendo hincapi en las dos ms relevantes en el campo de la
" In 1 s U a: la varianza y la desviacin tpica. Asimismo, se ha presentad<
IIIl no j ,el coeficiente de variacin, que resulta til para el estudio com-
"mlv de la variabilidad en diferentes conjuntos de puntuaciones.
A ntinuacin se ha analizado otra propiedad importante de una di -
1I 1I II i n relacionada con su forma como es la asimetra o sesgo. Con el fin
ti ' U' H Lificar el grado asimetra de una distribucin y detectar el tipo d'
l . In 'tra, se ha presentado el ndice de asimetra de Pearson, basado en la
I I le n ntre la media y la moda del conjunto de las puntuaciones.
1 r ltimo, se han definido las puntuaciones diferenciales y las tpicas
1I1 s \ d rivan, a travs de una transformacin, de las puntuaciones direc-
1 1 o' 1 s sujetos. Se han estudiado las propiedades de cada tipo de pun-
111 I( n as como la informacin que podemos obtener a partir de ellas
p II 'H 1 d r comparar entre s a los sujetos, o al mismo sujeto en diferen-
1 . v. riables.
I I ()
in tpica de una distribucin de frecuencias: A) \ 1 l'
1 1' 11 h mismas unidades de medida que las puntuaciolle ; I ) , '
pl "'S'1 n las mismas unidades pero elevadas al cuadrado; C) no 11
" t III i lades de medida.
" ,11 1111 distribucin marcadamente asimtrica, se recomienda n '11 1'
II !llsl rsin de los datos con: A) la amplitud semi-intercuartil; 1 ) 1I
, 1I1 "'Iza; C) el coeficiente de variacin.
I
'
II 1 tudio de la asimetra de una distribucin de frecuencia s \ 1, I
111 .' l-vado unAs = 0,80. La media de las puntuaciones es: A) igu' ll IIl'
1, 111 da; B) menor que la moda; C) mayor que la moda.
1. 1 variable X toma los siguientes valores: 50, 26, 35, 64, 34, 28, 73, 45,
IH, 52, 54, 67. Sabiendo que la media es 48, la varianza es igual a: A) 15'
11) 213; C) 115. '
El valor del rango en los datos del ejercicio anterior es: A) 73' B) 2
( ) 48. '
1, I iguiente grfica se corresponde con las notas en lengua d 80
111 os de una clase de Primaria. Se sabe que la media es 4,63.
111
!
~ !
,
6
5
4
3
2
1
O
----
1-
1-
1-
-
,....--
- - ~ ~
. ~
I ~
10
La d viacin tpica es igual a: A) 1,97; B) 2,53; C) 3,88.
\,'J, 1':11 los datos del ejercicio anterior, cul es el valor de la amplitu 1
loVII?: A) 8; B) 20; C)10.
1 linuando con el ejercicio 3.8, el valor del ndice de asimetra d \
, J on es: A)-0,09; B)- 0,19; C)-0,18.
n los datos del ejercicio 3.8, a un sujeto con una puntuacin de X = 7,
qu puntuacin tpica le corresponde?: A) 0,61; B) 1,20; C) 2,37.
Cul es el coeficiente de variacin de la distribucin de frecuencias
I 1 ejercicio 3.8?: A) 83,80; B ) 46,32; C) 42,55.
, f) acuerdo con los datos del ejercicio 3.8, la amplitud semi-inter-
. lartil es igual a: A) 3,56; B) 1,35; C) 2,69.
L I n la tabla adjunta se muestra la variable edad agrupada en inter-
valo cuya media es 50.
X ni
66-75 7
56-65 7
46-55 13
36-45 3
26-35 10
a desviacin tpica es: A) 13,96; B) 194,75; C) 6,50.
1 I ;
ti ' (UIIl ' 111 'sl lll 11 ' l' , 1 ,
1 ' \1 ' 1'c.1 a la di tribucin del ejercicio 3.14, un uj l
I h JI 1I1l'l P II1tuacin diferencial de: A) - 5; B) 5; C) O.
I 55 '\ lO,',
t )n para la variabilidad de las distribuciones de fr cu '1 ias 1,
1, I t, l' , io 3.8 y 3.14, se concluye que la dispersin: A) s mayor ' 11
1 .. I H Inl 1I cin en lengua; B) es mayor en la variable edad; C) e la mis-
11\ \ l l' ambas variables.
IlI l al
de asimetra de Pearson NO se puede calcular cuand : A) h
es continua; B) la distribucin es bimodal; C) la amplHud
superior a diez.
l ' 'alizamos la siguiente transformacin lineal con las puntuacion 's
t I , V = 14 + 4z , la varianza de la variable V ser: A) 14; B) 4; C) 1 .
OLUCIONES A LOS EJERCICIOS DE AUTOEVALUACIN
I olucin: C
I in varianza mide la dispersin de los datos con respecto a la medi a,
I d y como se puede apreciar en su frmula (ver apartado 3.2.2).
I Solucin: B
) ~ = 3X
i
gn la cuarta propiedad de la varianza y la desviacin tpica (ver apa 1'-
lado 3.2.2) la desviacin tpica de las nuevas puntuaciones es S y = IblS
x

i n este caso, Sy = 3S
x
, es decir, es igual a la desviacin tpica original
multiplicada por tres.
I \, olucin: A
La desviacin tpica, a diferencia de la varianza, se expresa en las mi s-
mas unidades que la variable medida (ver apartado 3.2.2).
Solucin: A
En una distribucin asimtrica no es recomendable utilizar la med ia
como medida de tendencia central. Como consecuencia, la varianza,
11
'111 ' , , " 1 \ ,'1 1 1 ,
1'1 (lItH' 1I Id 1" 1)1111 di ' \11 1I
1 ' di. I ' 1', 1(1\1
L', ()1t1 '1 )11 :
p , I p \ 1 \ 1111 ' " 1, I 11"1 H) ' ()
IIlIplllll I I ' 111 . 111t ' \' ' unt'til , 1111
Il'lu lo ,2, ),
' J' tI .Y ' ()\l)O S in Ii a n I ap rl .d 3.3, uand 1 ndi de asimetrfll
I l' I 11 'so 11 's J ' jtiv (A" = 0,80), la m di a mayor que la moda.
0 1 ' () Iu , )n:
X R
Xi (Xi - X) (Xi - X)2 X
2
.
50 2 4 2500
26 - 22 484 676
35 -13 169 1225
64 16 256 4096
34 -14 196 1156
28 -20 400 784
73 25 625 5329
45 -3 9 2025
48 O O 2.304
52 4 16 2704
54 6 36 2916
67 19 361 4761

O 2.556 30204
S2 = I.X
i
2
- 48
2
= 30204 - 2304=2517 - 2304=213
x 12 . 12
.l. 80lu in: C
X
l11 x
= 73,5 Y X
mn
= 25,5. Ar = X
mx
- X
mn
= 73,5-25,5 = 48
.H. Solu in: A
.
1
"1
11
11 I 1,, \,
lO 1 HO I ( tO
lOO
ti ).
7') H I I 12
H 4 77
25
7 5 7
245
12 8
4 2
5 20 56
500
12--
-
-
4 36 16 192
3 11 24 9 99
2 9 13 4 36
1 4 4
4

80
2026
X= 4,63
S2 = I. n
i
X
i
2
_ (4 63)2 = 2026 - 21 4369 = 3 8881
x 80 ' 80' ,
Sx = ~ 3 , 8 8 8 1 = 1,9718;0:: 1,97
n:C
olu in: B
=4,63 Mo =5 A = X -Mo = 4,63 - 5 = - 0,37 =-018781 ;0::-01
s Sx 1,97 1,97' ,
\ lucin: B
x-x 7-4,63
X = 4,63 Sx = 1, 97 Zx = - S- = 1 97 = 1,2030 ;0:: 1,20
x '
lucin: C
X =4,63 Sx = 1,97 CV = S ~ . 100= 1,97.
100
=42,54859 ;0:: 42, 55
X 4,63
JI
\ , 1 \ 11111 (111 ' "
\,1 ,
I 111
( I
/ ) 11 , 25
, 100
,5 1 '0111/ (/ = 24.
HO ,2
100
20, 101' lo ItI 1 inl Iv ll o ' 1' li
, .
- - n ---13
[
n . le J [ 8025 J
P2s =L+ 100
nc
el 1=2,5+ 1=3,136""3,14
n75 8075
(\ 100 = 100 = 60, por lo que el intervalo crtico es [5, 5-
1,5 1 ' 11 n" = 68.
[
n . k J [ 80 . 7
5
J
- - n - - -56
p. = L. + 100 el. / = 5 5 + 100 1 = 5 833:::: 5 83
75 In' 12 "
e
Q
= P75-P25 = 5,83-3,14 = 1345",,135
2 2 ' ,
lucin: A
X Xi ni na
X,2
1 ni X/
66-75 70,5 7 40 4970,25 34791,75
56-65 60,5 7 33 3660,25 25621,75
46-55 50,5 13 26 2550,25 33153,25
36-45 40,5 3 13 1640,25 4920,75
26-35 30,5 10 10 930,25 9302,50
2: - 40 107790
11111 -i n: B
1'1 I - ' nLil 25:
S
l
. ,
II I
X
/ (50)
40
= 0 = 194 7S
40 '
Sx= J194,75 =1 ,9552 ",, 13,6
/1 ' t = 40 25 = lO, por lo que el intervalo crtico e [26-35] n 11/1 10,
lOO 100
1)1 - ndo la frmula:
P =L.+ lo-
nel
/ = 255+ 100 -O .10 = 355
[
n.k J (40 25 J
25 1 n ' 10 '
e
l' l ' entil 75:
/I :.!5:.. = 4075 = 30, por lo que el intervalo crtico es [56-65] on /11/ n,
100 100
Al licando la frmula:
p = L. +(f06-- n
d
J. / = 55 5+(_40"-'10"-'" = 61,21
75 1 n ' 7
e
Q= P75 -P25 =61,21-35,5=12,855::::12,86
2 2
I h, olucin: e
= X -Mo = 50-50,S =-003581
As S 13 96 '
x '

1,
50 "/ =
- 55 - 50 =5
3.18. Solucin: A
Coeficiente de variacin de lengua: CV
L
== 42,55.
Coeficiente de variacin de edad:
X=50 Sx =13,96 CV = S.! .100= 13,96.
100
=2792
E X 50 '
Dado que CVL > CVE, existe mayor dispersin en la distribucin de las
puntuaciones en lengua.
3.19. Solucin: B
El ndice de asimetra de Pearson se puede calcular en variables con-
tinuas y con cualquier valor en su amplitud total. En cambio, no s
puede calcular cuando la distribucin es bimodal (ver Apartado 3.3).
3.20. Solucin: C
118
Anli
njunlo d dos variables
4.1. Introduccin
4.2. Conceptos previos
4.3. Asociacin entre dos variables cualitativas
4.4. Correlacin entre dos variables cuantitativas
4.5. Regresin lineal
4.6. Resumen
4.7. Ejercicios de autoevaluacin
4.8. Soluciones a los ejercicios de autoevaluacin
IN I IU)J)UCCIN
I 11 los l mas estudiados hasta ahora, nos hemos limitado al anlisis y
I l!l I H de una variable. En Psicologa, y en cualquier otra disciplina de
It 1101 inadas Ciencias de la Salud, es frecuente trabajar con varias
I I . I bteniendo en ello ms informacin. En este tema nos limitare-
" I'Slldio conjunto de dos variables. En primer lugar consideraremos
, C I l dos variables cualitativas (clasificadoras o categricas y medidas
\ idn I ominal) y, posteriormente, analizaremos el caso de dos variables
111 (divas (medidas en una escala de intervalo o de razn).
Nc, , nsideraremos, separadamente, las variables cuasi-cuantitativas,
I ,lis n una escala ordinal. Estas se pueden elaborar con las mismas
IS, que indicamos para las variables cualitativas. Trabajando as no
I 11 ' n cuenta la informacin que aporta el hecho de que sus valores
11 ClI ' ] nados. Por supuesto, existen mtodos de anlisis apropiados, que
11 ' n cuenta la informacin de orden de estas variables, pero no vamos
pll ' lrlOS aqu.
I 1I , [ caso de dos variables cualitativas utilizaremos la tabla de datos,
I CII '(II'" mos la tabla de contingencia, el diagrama de barras, y la tabla de
1\ JI ias entre frecuencias empricas y tericas, para su representacin
I In, Aprenderemos a calcular el coeficiente Xl, y el coeficiente de con-
1I i ,para el estudio de su grado de asociacin. Veremos las propieda-
111 Jldamentales de estas elaboraciones, su clculo, su aplicacin a casos
, l ' t y su interpretacin.
"'" "caso de dos variables cuantitativas, X e Y, utilizaremos la tabla de
, njuntos. Elaboraremos el diagrama de dispersin como represen-
I grfica; aprenderemos a calcular la covarianza y el coeficiente de
la in de Pearson como los dos ndices fundamentales para el anlisis
1, l' ' lacin lineal entre ellas. Veremos las propiedades fundamentales de
121
Lo, olj ' 1 iv qu pretendemos son los siguientes:
nlre variables cualitativas y cuantitativas, y saber
qu hay que utilizar en cada caso.
0 11 0 " 1' m l dos grficos y cuantitativos para analizar la reja ' 11111
, Isl ' nl ' 'nlr dos variables.
A 1 IlIlrir la apacidad para saber si dos variables estn ms o m
I 't " \ 1011'1 I ' n tre s, la forma de esa relacin, y el significado d
los vari ' lbl estn relacionadas.
EII " . d dos variables cuantitativas, entre las que hay rela i 111
III "11, pr nderemos a hacer predicciones de los valores de la varl 1
hl ' Y, rrespondientes a cada valor de la variable X, mediante la r \(
I 1 el \ r gresin .
('ONCEPTOS PREVIOS
V:U1 a iniciar el estudio conjunto de dos variables observando 100
11I los. Un mismo sujeto tendr dos medidas, una por cada una dej a,
11 ' ti I cogidas. Una de las variables es la variable X, Gnero, y se an
I I 1' 11 ' ada caso si es Varn o Mujer. A cada sujeto le administraremos 1II\
I - I I lra medir el estrs, si padece estrs (S) o no (No), yanotaremos I
I - 1I1 t do. Nos resulta una lista en la que en cada fila est la informacin el '
IIII suj to y tenemos cuatro columnas. La primera columna aparece con 1
1I ( II1l 'r del caso, o su identificador. En la segunda aparece el Nombre y
Ap -Ilido del sujeto, en la tercera Varn o Mujer, segn proceda, y en la
1 11 lita aparece estrs o no estrs (S o No, respectivamente), segn el
l' .' tlllado del test. Al final de este trabajo, tendremos una lista de cuatr
I 2
lo dato d ta mu tr d 100
I P nta 1 gnero o s xo e Y 1 gr
( padece estrs o No padece estr ).
1 principio y el fin de est a lista de dato (un
ordenadamente la informacin, pu d t
valan ms variables sobr e cada sujeto):
Tabla 4.1. Tabla de datos
Gnero (X) Estr s (Y)
Prez Garca Varn S
Mujer No
Muj er S
Ruiprez Rodrguez Varn S
1 III C, definir el concepto de Asociacin y/o Relacin entre dos
I Ihl ' . Dos variables estn relacionadas entre s, cuando ci - rtos
le 11 ' 1'1 , de una de las variables, se asocian con ciertos valores d It l
l' ' \riable. Por ejemplo, si tenemos en cuenta las variables Giro
tI' y .. . si sucede que cuando se tiene el valor Varn en la val+l -
I (, nero, hay una incidencia mayor del valor S en la variat 1 -
tll'S, y adems, cuando se tiene el valor Mujer en la variable G n _
hay una incidencia mayor del valor No en la variable Eslr 's,
' In s que las variables Gnero y Estrs estn relacionadas.
I I
11 ' ,hit " ' 11 ' I'() ,
, 11 1111 ' I 11 1 ' JI \ 1\0 I ' 11 ' 1'
1111 .. 1101 1 ' otru 01 i 11 P sibl ' qu pu' I en ta situa i o: I 1II
101,), V lI 'on 'S ' 0 11 muj r pu d n star equiparados en I s lll
o 110 (' ,' 11 ' s, As , n i tiria asociacin y/o relacin entre las var'l1 1
( (JII , Id I'U h s,
. A 'O 'II\('IN ENTRE DOS VARIABLES CUALITATIVAS
11 ' 111t) ti ' l'ini 1 una variable como cualitativa cuando est medid 1 1
11111 l ' (' Jln nominol, de clasificacin (tema 1). Estas variables pueden s ' 1
11 ("1, Ii ' <'J I 1111 "15, uando slo presentan dos categoras, o politll111 1
11 IIldo 1 l' 's ' nt tlll un mayor nmero. Tambin consideraremos como 1111
I 111 ' 1 1'111 11 IS v' ldables que, en un principio, presentan un mayor niv ,1 ti
111 " " d 1 Inl !'vnlc s razn) pero, a posteriori, han sido categorizadas. CUIII
1" , ti , pon ' 1, I ' datos de dos variables cualitativas para todos los suj '11'
d, 11111 11111 S11"1 s puede elaborar la denominada Tabla de Contingencia,
el ejemplo 4.1, al que ya nos hemos referido, de 100 SIJ.l'
lel , ' 11 ' [\ h un de los cuales se han recogido el valor de la variable g ' 11 '
1 (1 , 's il' 's, A partir de la tabla con la informacin de toda la muestra dl'l
HI 1111 lo 4. 1, ontabilizamos los cuatro casos posibles (Varn, S), (Val' )JI ,
No), (Muj '1', SO, (Mujer, No) y elaboramos la Tabla de Contingencia d ,1
HI ' I"plo 4,2,
4.2. Hemos recogido los datos de esta muestra de 1 00 suje-
variables: X, representa el gnero o sexo e Y el grado de estr
(S padece estrs o No padece estrs). Estos datos,
las cuatro combinaciones posibles, aparecen en la
tabla de contingencia:
()
35 60
55 45 100
1111 11 l Contingencia podemos representarla grficamente 111 dinllll'
11 I ngrama de barras:
. - - ~ - - - - - -- - - - - - - - - - - -- - - - - - - - - - - - -- - - - - - - - - -r-- ----,
" " , ~ , - - ~ - - - , - -- - -- -- - -- - - - - - - - - - - - -- - - - - -- - - -
.. ~ ' "
- - - - - - - - - - - - - - - - - - - - - -r-----j
.. ~
V-Si V-No M-Si M- No
X-y
O Si
O No
1' 1 ura 4.1. Diagrama de barras correspondiente al ejemplo 4.2.
I1 , 'rvamos detenidamente la tabla 4.2 y la figura 4.1, podremos v r III ':
JlI rupo de varones tiene una incidencia mayor de padece !:) lr s,
111' 1 grupo de mujeres.
10'1 Yrupo de varones tiene una incidencia menor de no pad 'st!' s
111 \ 1 grupo de mujeres.
l' 1
. " Total fila x Total columna
r cuenCla teonca = nI =
n
/\ .. (, I ul'a la Tabla de Contingencia del ejemplo 4.2, tendl' 111111
l' II ' lit 's 1'1" ' LI ncias tericas:
()I un ' 1 l , la suma de todas las frecuencias tericas mar rl ll ti
1' 11 d \ 1\ Slll11a de todas las frecuencias empricas marginales, . 1' "
j (lj ti 1, t )da las observaciones, n.
,d ' lIl da las frecuencias tericas, a continuacin se puede ' ltll
'1'111 h 4.4 d diferencias entre frecuencias empricas menos frecu ' I\( ' 1
1'1 11'\,
Tabla 4.3. Frecuencias tericas (n
t
) correspondientes a la tabhl 4
y
S No
V
40 x 55=22 40x45=18
40
100 100
X
M
60 x 55 =33 60x45=27
60
100 100
55 45 100
12
N)
- 8
IOlld .:
v VIU' )1) ), M C<lIHI,I '1', ,
ce ud " sl l' . 'y
No
1111
II
n a la relacin entr la variabl s, '1'\ 11 . .. \
valore positivos de la dif r n ia ' ( ' 18), 11 0
1 S-V (s padecer estrs y er varn) y ' nll" ,1
,d" ,', (' ,"" /Y: S Y er mujer). Los valores negativos d' lo,' 1 l'
, 1111 11 1 i an una relacin negativa entre el No-V (ser I (/1 ( 11
,,,,, 11/1 J al ? er estrs) y entre el S-M (ser mujer y /o I/ ('I:(/I'/tl ll
'" I ). lJ ni' ndo estos resultados se ve la forma d 1 tl l' ,1 \!' (111
hl, .. I..n nuestro ejemplo, los varones ti en n UII ' \ 1\1 \ 111
I 11\ I si r s y las mujeres tienen menos tend n ia I I '1\ 1
I , 1\ r rma de la relacin entre las dos variables, al ' tll :lIl1n.
( uadrado) cuya expresin es:
ia emprica (o tambin llamada frecuencia I .i unl ti
ia terica (o tambin llamada frecuencia c njullllI
I ~
1, I ,11\ , L ~ , ,nll 11, 1'1 '\ '
1IIIpll l' ,,1 , 111 Itll"\<I o - \ o ,,(I'III :
l
0-22) . (10-18)2, (25 ) . ( 5-222...] =291 356 194 2 I
22 1- 18 1- 3 I 27 ' + , +, 1- "
l!110 li s in nv nientes del estadstico X
2
es su difciliJ l ' 1'1 1 ' II'
pll 'o l o ti \ 1\$ onoc mos su lmite superior. Slo sabemo qu ti ' 1'
, . ' 1'0 , ' Uf\! d n hay r lacin entre las dos variables, es de ir , ' ti 111 111
1'1 ' ' ti ' 11 ' h s mpricas y tericas son iguales en todos los casos. POI' -1111
\ 1'1 11 I s s n ind pendientes.
I ' I " l r \ $ Iv r 1 problema que conlleva la interpretacin de la ",1,
' 11[1 ' - \ ) $ varia bl es, de acuerdo al valor obtenido de X2 (X cuadra lo),
ti -nnj \0 \1 ndice o Coeficiente de Contingencia, C. Este ndic
dol' 's O S < 1. Su frmula es la siguiente:
Coeficiente de Contingencia = C = fT
f ~
mplo anterior:
c - rxz - 10, 78 = ~ O 097 = 0312
- ~ ~ - 10,78 + 100 ' ,
PI valor de C obtenido se puede comparar, dado que la Tabla d \
Iln ' n ia tiene igual nmero de filas que de columnas (k), con un
IlIO I nnido como:
n nuestro caso, para k = 2,
R
- 1 .JO:s
C . = - = O 5 = O 707
max 2 ' ,
128
I I I 4, , Tabla de frecuencias empricas, ne> en X e Y
y = Nmero de aciertos en la identffl Id 11
de olores
O 1 2 3 4 5
rupo Control 18 42 54 I 2 1211
Deterioro
ognitivo Leve
6 54 30 30 120
Pacientes de
72
Alzheimer
43 17 12
78 97 65 84 54 12 W()
I 1)
)'
Ntllll IlIt l " rlo n In Id nun 'u "
de olores
, ~ ,=
O 1 2 3 4 5
!"upo Control 25,20 31,34 21,00 27,14 17,45 3,88
D terioro
24,00 29,85 20,00 25,85 16,62 3,69
gn ilivo Leve
Paci nles de
28,80 35,82 24,00 31,02 19,94 4,43
Al zh imer
78 97 65 84 54 12
Tabla 4.7, Tabla de diferencias entre ne y nt
y = Nmero de aciertos en la identificacin
de olores
O 1 2 3 4 5
Grupo Control -25,20 -31,34 -3,00 14,86 36,55 8, 1
IIP() d Deterioro
-18,00 24,15 10,00 4,15 -16,62 -3,
uro Cognitivo Leve
Ivo (GDC)
Pacientes de
Alzheimer
43,20 7,18 -7,00 -19,02 - 19,94 -4, '
El valor de X2 = 322,05 Y el del Coeficiente de Contingencia, e = 0,67 ~
11 11 os tadsticos indican que existe una relacin significativa entre lo
(,I' UpOS de Deterioro Cognitivo y el Nmero de Aciertos en la Identifl
l ' ' In de Olores. El grupo control tiene el mayor nmero de aciertos y 1\( 1
1 l' ll ningn sujeto con menos de 2 aciertos. Los grupos con deterioro 11(1
1I ' 11 'n ningn sujeto con ms de tres aciertos.
Vi ' to el ejemplo del coeficiente e utilizando tablas de contingencia l
1II lS d dos filas y dos columnas, pasamos a mencionar las Caracterstictl
dl'l oeficiente C. stas son:
I ~ ( )
1I\lIIn ll1ay r s el valor d e, mayor
11 I hlL,s, y al r vs, cuanto n1enor es , l1'l ' nol' '. ' In
111 111 ntr las dos variables. Si queremo utiljzar I va lol' 1 \ '
Oll1p rar la relacin entre las mismas d varj abl 'S, lI 'yo,
limos en dos tablas de contingencia difer nt y ' n l' 'SI d
1\ dos investigaciones distintas, tenemos que vigil r 111'"
IIII! IH l bIas de contingencia tengan el mismo nmero d nhs y
I 1 olumnas y aproximadamente el mismo nmero de datos. 11 0
I 1\l'1I 1 mismo nmero de filas, de columnas, y aproximadtllll ' 11
I 1 n lsmo nmero de datos, los valores de e no permil ' 11 1111 \
01111 aracin vlida de la relacin de las variables en amb'ls I1I
I
In a pecto ms complejo es fundamentar la causalidad ' 11 lIll
.,l'I' Lente de contingencia. Cuando existe un valor el va 1) ' 11
1111 'stro coeficiente de contingencia, no se puede afirmar qu ' UII I
Il 1, variables es causa de la otra. Hay cantidad de variabl . qu \
l ' l' lacionan entre s, porque existe otra variable ajena qu ti ' 1
\llI tl relacin clara con ambas. Un ejemplo de esto es la inrlu 1 ' itl
111 aparece en muchos casos entre zona geogrfica y la corr , 11
111 la forma de hablar. Esto no implica que la correccin n If.'I fol'-
111 de hablar sea causada por la geografa, sino, tal vez, 1 01' h
IIfluencia de diferentes procesos educativos.
S ' puede estimar, en casos en que la tabla de contingen i a I n 11
I rual nmero de filas que de columnas, un valor mximo q 1 \ JIu '.
I alcanzar C.
1\ 1
ti 1I1 lo 1 '11 'IIIOS I)S yul'iohl " (,' 111111 I Uly 1.' 11 1'i1l1 ' 1' I ' ISO ti I\ ' d 1 11
lI 11 ' 1\ '1' tllnl 11i1l s In g rm 1" J 1() h c.l ,1 "j 11 1 4.1 (n = 100) , 11.11 I
'1' ' 11111 utili za r ' IHOS, n fin did ti ,un j 111 pI l'nuy' '11 II 0.Y ' 0111
IH 111 ' 1 () n(II,\1 ' 1 d b rvacione. Indicaremo ,a conLinua i 1'1, ' >I\I(j 1
I '/, 11 ' d tllulfruma de dispersin, calcular la covarianza y calcular 1 t '
{,,..,,, ' ti J 'orrelacin de Pearson. Terminaremos indicando CI 10
1 l 'pl 11 ' los 1'" d Lados.
I I ri 1 ' l ' lugar presentamos la Tabla de Datos del ejemplo, sobr
j " d '/. 11 ' IllOS l das las elaboraciones de este apartado, y del apartado
.,1111 I 1 1" ' t ' l d r gresin.
...... la variable X la puntuacin obtenida en un te
umrico y sea la variable Y la calificacin OIJ'teJIlI
de matemticas. Para un grupo de 5 nios
recogidos en esta Tabla.
Nio X Y
1 4 6
2 8 4
3 10 7
4 12 8
5 16 10
I n r rimer lugar, vamos a considerar la representacin grfica d ' dt
111 ' 1'11 1 s uantitativas. Se trata del diagrama de dispersin, o nul '
I Ullt )5, que es la representacin grfica ms utilizada, y ms habitua 1, I't
I I in r I"l11acin que facilita.
Ltl 1" presentacin grfica de la tabla del ejemplo 4.3 aparece en la l' ,
l ' \ .2. En ella puede apreciarse que existe una cierta relacin lineal ' 11
Irla 1 X e Y. En general, a medida que aumentan las puntuacione ' 11
tl'.' t (variable X) aumentan tambin las calificaciones en mate m 1\
(vtll'h,bl Y) .
I \ 2

+
+
I
I
'r
I
.1
1
. ............. ..1 ...
I
! 1
!
O I I
()
2 4 6 8
1 --
10 12 14 16 18
X (test)
iagrama de dispersin correspondiente al ej mpl 4 ..
1 ndices, relacionados entre s, qu I ' 1'111111 ' 11
11 I la In lmeal que pueda haber entre dos variabl 'H ' 111111
un que nos permitir estudiar '1'1 1 po
n (11 11 X e Y. El termmo covarianza hace referencia a h y 11 ' 1
1111 , .1 dos y tanto por su definicin como p r' su ' ti
111 111 11 que cuantlfica la variabilidad conjunta de dos va r'l I 1 '
I1 1)( l' Cov (X, Y), o por Sxy. Se define as: ' I
n
. I,xiY
Covananza = Sxy = i=1 - X Y
n
" r de la variable X en el caso i .
" r de la variable Yen el caso i.
111 dia de la variable X.
11 1 dia de la variable Y.
nLlmero de casos de la muestra.
In
Apl ' 11110 Illollllld 1
I 1 1'\ 1 ' ni I 1111 pll J' I 1

Nlo
1-
I
1-
2
-
3
4
5
= ;=1
y
-
n
-
,1 ' 1lIpl o , \, I IhOl 11111
Y XY
- - - - -
4 6 24
8 4 32
10 7 70
12 8 96
16 10 160
50 35 382
- - 382
X Y =--(1O7) = 76 4-70 = 64
5 "
1,: 1 slgn ,po itivo o negativo, de la covarianza nos indica si la r
I 1 \ ' \ I nlr ambas variables es directa o inversa, respectivamente.
P d mos definir que la relacin lineal directa es la que asu 11 H'
ItI valores mayores en una de las variables, corresponden tambi 11
VII lor s mayores en la otra variable y los valores menores en una val'i I
bl s rresponden con los valores menores en la otra variable.
Igualmente, definimos que la relacin lineal inversa es la que aSII
n que a valores mayores en una de las variables, corresponden -va lo
l' 's 1 nores en la otra variable y viceversa.
En nu stro caso existe, como habamos pronosticado a partir d I 1I
I )' In a d dispersin, una relacin directa entre la puntuacin en el I '
v \1 ' 1 bl X, y la calificacin en matemticas, variable Y.
in mbargo, la covarianza presenta un grave problema, al igual I
11'\\ famo visto para el coeficiente)(2 (con variables cualitativas), des (lJI
s 1 rango de la covarianza. En este caso son los valores mxim(,
d, I e 111'/
tl l'SO)) nll 'l' dos vul'llhlt . X ' )', (JII '
l In si tul ' 11! ' 111 111 \1'11 :
'o 'fj i d
nte Corr laci n d P ar 01 = r ' y =...::.A.
Correlacin de Pearson = (frmul a 4.6)
,1, . vi in tpica de la variable X.
, h , vla in tpica de la variable y.
, IIV Irianza entre X e y.
de correlacin de Pearson es el coci nl' ' 111 1' 1,
I Y X e Y y de la desviacin tpica de X y h ,
. Las deSViaCIOnes tpicas de X e Y son, respectivam n l " 4'y I
"lo ' 11 los mismos datos de la tabla d 1 .
Ion 's tpicas de las . bl X e ejemplo 4.3, y calcu la lus II
vana es e Y, como ya sabemos:
_ Sxy 6,4 6,4
rxy ---=--=-=08
SXSy 4x2 8 '
1)( /'i iente de correlacin de Pearson
I
" lit S . d d ' r
xy
, presenta -entr lJ'tlS
prople a es.
I 1. Es decir, slo toma valores comprendidos entre - 1
" <.Ir O cuando no exista relacin lineal entre X y Y "
e .
l,si una variable es una transformacin lineal de la otra.
I
_ nI, (XY) - I,XI,Y
r
XY
- -(I,xt -(I, yt
V ' 1111 S u aplicacin a partir de los datos de la tabla del ejemplo
t llhol'tl nd la iguiente Tabla y efectuando los clculos oportunos:
NI ()
-

,=
--= 1-
=
- -
X Y XY Xl
4 6 24 16
8 4 32 64
10 7 70 100
12 8 96 144
16 10 160 256
50 35 382 580
r = nI, (XY)-I,xI,y -
XY -(I,xt -(I,yt -
5 x 382 - 50 x 35
x 580- (50)2 x 265- (35)2
= 1910-1750 = 160 =0 8
-1400-1100 200 '
1
4
6
10
26
4
()
5
I lt' nt rpretar los resultados que se obtienen con el coeficien l '
COIT ' la ' i n de Pearson hay que tener en cuenta, en primer lugar, el v dlll
t1 .' OIIlLO. Llanto mayor es el valor absoluto el coeficiente nos est indi ' 111
1(1 ]lI ' la l' lacin lineal entre las dos variables es ms fuerte. En segllllllt
" W 11' , I Y qu tener en cuenta el signo del coeficiente de correlaci 11 d
l' Il'son. lando el signo es positivo, indica que a valores mayores 1, I
Id d " X li nd n a corresponder, en media, valores mayores de la va l
hit Y, 1 Ve I r menores de la variable X tienden a correspond r,
dol' 's 111 1 res de la variable Y. Esta es una relacin directa. el! 11\
'llivo, indica que a valores mayores de la variable X LI ' 1\
1\1



, .
, ..
X
Caso A


' ...




'. .



X
CasoC

y
y







. '.


X
CasoB














X
CasoD
" f- Ilra 4.3. Cuatro nubes de puntos, para comentar sus coefici ni 'H
de correlacin de Pearson.
.'
1\ lI S cuatro nubes de puntos, que vemos en la figura 4.3, 1 OS '11 ' Olt
s ituaciones tpicamente diferentes. El caso que est arril ti , II
o la (Caso A), responde a un coeficiente de correlacin po il ivo, 111 I
1 1\ na relacin lineal directa bastante clara. A valores may r 's 1, I ,
lit, X, corresponden valores mayores de la variable Y. El cas qu \ I
n la derecha (Caso B), responde a un coeficiente de corr 1 ' i 11 11
I I
111110, UI1 O fi ient decorrelacinlinealcercanoacero, indica qu 11 11
I ' l ' -, \ ' 1 n Ii! al ntre las variables, pero no excluye la posibilida 1 I
1\ V \1'1 \1>1 'S l ngan otras relaciones entre s de carcter no lineal.
l ' 11 ' \ \ll ' tli z r 1 valores de los coeficientes de correlacin de I
, lara la situacin, cuando nos encontramos con un
ualquiera, por ejemplo, 0,55. No se puede afirmar qu -
correlacin alta, o baja. Depende del tipo de datos qu - I
ItI )S Hll'l lizando. Ser baja, si se trata de dos test similares, que esl 11111
" li tll el a los mismos sujetos, o si tenemos pocos sujetos. Podrfu
IIIII ,Y \It a, si se trata de tests bastante diferenciados entre s, o si ten ' 11111
IIllI ' h ~ ' Lljetos. Un nmero grande de sujetos en la muestra pueden I 11
<1( 11' l I 'ljar el valor de los coeficientes de correlacin que se obtienen, 1 11
l' ,' lIlL el de otros investigadores, con variables similares y mu sIl 1
\llv I nt ,son los que nos sirven de comparacin para evalual' 1"
1'" ul v el que obtengamos con nuestros datos. El coeficiente de COTi ' -1 I
, ) 1\ 'v luado por nosotros ser bajo, si los coeficientes de correlacil 111
ni ti 1 'o otros investigadores en circunstancias similares, son mucho 1\1 \
di os, Y lo mismo se puede afirmar en la direccin contraria. Si nos 11 "
ni I 'n 1110S unos coeficientes de correlacin mucho mayores qu 1 I
' 11 ' ontr dos por otros investigadores en circunstancias similares, l .
11IH'st r sern muy elevados.
tr aspecto ms complejo es fundamentar la causalidad en un c
nl d correlacin. Cuando existe un coeficiente de correlacin elev'\dll
' 11 I I dos variables, no se puede afirmar que una de las variables es call I
" di -
I l. I t i 1st una relacin lineal podemos utilizar la den 1 inll I \ ,,'.
'" Mn para efectuar pronsticos de los valores de una v' ld ti 1, \
1 , ni I'a variable. La ecuacin general de una recta es el la f(lI'I lI \: )
I dllll I b es la pendiente y a es la ordenada en l ri g ' 11 .
11 Id I de regresin lineal de Y sobre X, es decir, la qu
11 ' h s puntuaciones en Ya partir de las puntuacion
Y'= a +bX
i
b= n.L:(XY)- .L: X.L:Y
n.L:
X2
-(.L:
x
t
a=Y -bX
\1 ' \
, \ ' 1 \
pi i 1111111 111 \111111111,
IlIel ' 1 ',l' llIpl() ,\, 11(1 1
1 lO
NI ()
2
4
:;
2:
=
-
1-
- -
-
-
-
1-
4
1-
8
10
12
16
50
--
)
=
-
1-
-
24 16
- -
4 32 64
7 70 100
8 96 144
10 160 256
35 382 580
1/ ( Y) - LXLY = 5x382-50x35 = 1910-1750 = 160 =04
/1 2_ (L X)2 5x580-(50)2 2900 - 2500 400 '
a = y -bX = 7-0,4x10 = 3
1(11' 1 1111 0 h 1" la d regresin es: Y' = 3 + 0,4x.
1'11 1 ' \1 lOS 01 s ' rvar la representacin de esta recta de regresin sobr \ ,1
l ' Ii ' P 1- in en la figura 4.2.

10
8
6
4
2
o
O 2 4 6 8 10 12 14 16 18
X (test)
l' I "i 'n 4.4. La recta de regresin de Y sobre X, con los datos de la Tabla
del ejemplo 4.3.
I 11\ pi, 1 pOI 1 ptlllln (\ , )), t 11, I 1111 1 ,ti ' 11 Id I 1111 (IO,f). A 1I
111111 , )'/,01 It,"ld 1, Il\l,d 01 111 ' 1 I l' 'vl 1 ti ' 1'('/ 1'(' , 011 11, dl'!IOIII 11 I
IJronm;1/ 'lI da,', A l I 111"1 ' 11 ' In ' lItl " l t 11111111 \ ' 11 111' d
1 1 1, )1/, Y HU I I'on )sl i ' ), /, la lI n lll ' \l11OS ' 1' 1'01' lo l ' ' \ l' .' 111 lI 't'
,'=
=-

=

, (" d 'lll ar I ' puntua ion pron ' ti adas y I s ' 1'1' ) 1' 's 11 1111
X
4
8
10
12
16
50
su ' 111 di Y us varjanza, lab rand h l ' tI ItI , 1
Tabla para el clculo de las estimaciones, Y' error' , U,
varianzas de los mismos, y x
Y P Y' = 3 + 0,4X
6 36 4,6
4 16 6,2
7 49 7,0
8 64 7,8
10 100 9,4
35 265 35
E = (Y - Y') (Y')2
1,4 21, 16
-2,2 38,44
0,0 49,00
0,2 60,84
0,6 8 , 6
0,0 257,8
,-

1
<'
H4
)0
) I
4,
() ,(
() ,(
O, \
7, ()
i ne resear las siguientes propiedades ejemplificadas 011 lo
d . la tabla 4.12:
1.11 media de los errores es O. E = I, Ei = I, (Y - Y') .Q = O
n n n
I,a media de las puntuaciones pronosticadas coincide con la m I i ' \
1\ las verdaderas puntuaciones en Y:
a varianza de las puntuaciones en Y,
I I
t "" 1 11 . tllltl d 11 111111 :1, I ti 111 Plllll!) li ' s,
,
, =
rror , que representaremo PO]
= 4 = 5;'. +5;'.x = 2,56+ 1,44
POI' olro h I e puede comprobar que:
2
l i
S'. \
1. 1. I I ' 11 11 ' nL ' de la recta de regresin es: b = r
xy
5
y
El signo 1 ,1
5
x
11 '
'o ,n I 'n L de correlacin de Pearson nos dice si la relacin lin ' d
' 1Itl' 1 I variables es directa, o inversa, pues el signo del coefici '111
1, 'n la frmula de regresin es el mismo del coeficiente de COI'I"
n d Pearson. Las desviaciones tpicas siempre son positivas,
2
, = -f- , nos explica que podemos tomar el cuadrado del co ft
y
' 1 ' nL d correlacin de Pearson como el tanto por uno de varian
:1:\ 'xpli cada (o proporcin de varianza explicada).
52
= y.x, nos explica que podemos tomar el resto a uno d ,1
5;'
' ulldl'ado del coeficiente de correlacin de Pearson como el tanLo
I 0 1' LIno, o proporcin, de la varianza no explicada en la regresin
1111 'al.
1l' Ill tl s' 11 '\n 1 ,nnl lo lo: r( l ' ll1UH, o Ill "l< 1 ),' , I ' 1ludl :l. " ' 1 \ 1 1\
I()s val'iabl 's.
pr parad para 'lI1 'llizar 1 \ J' 'h ' j Il 1111 " 1"
1 IInliL Uvas. Como ualqui r variabl ' uant iLativa s' j'lU ' I ' tI' \11
11 I1I a variable cualitativa, clasifi and u ' va l r 's ' 1) los () 111
h val res consecutivos, este mtodo irvc para anali z'u' la l' ' I:I V 11\
I dqui r par de variables. Para ello hemo xpli ado h s tlll 11. d '
' 11 1'1, las tablas de diferencias entre la h-ecuenci n prri .Y 1\.
I Y ] oeficiente de contingencia, C.
\ undo mtodo, se ha definido una forma de analizar la l' la ' 1 )11
lo vnriables cuantitativas. En esta parte, se han explicado la nul \ 1\
I ' ficiente de correlacin de Pearson, la recta de regr i n, 'y 11
tl' lILr el coeficiente de correlacin de Pearson y la recta de r 11' 'si )11 .
'1 I CIClOS DE AUTO EVALUACIN
lI'n una muestra de 100 personas hemos obtenido la sigui n L ' tn 1 1 \:
y
A B
X 12 38
>50 4 46
JlII na se recogen los datos de la variable X: Edad, (que se ha di ' oto
Illizado en iguales o menores de 50 aos y mayores de 50), Y: sil' S
((" toma los valores A: no tener estrs, y B: si tener estr), i 1 's'
IIn s conocer si existe relacin entre X e Y debemos utilizar: 1\.) 1\
ovarianza; B) XZ; C) r xy.
Para los datos del ejercicio anterior, el valor de XZ est compl' nd i lo
litre: A) O y 10; B) 10 y 20; C) 20 y 30.
Para los datos del ejercicio 4.1, el coeficiente de contingen ia,
'omprendido entre: A) O y 0,3; B) 0,4 Y 0,7; C) 0,8 y 1.
1I \
IH
90
80
70
60
~ 50
~ 40
" 30
20
10
o
!-
'c--
1--
1--
-
-
~
Si
1
-1
No
X
\t I \\11 1I "!l0 I
\ 11 1II ' uIl l'IlI O I (1m
I '.l a I l ' I'l.Imal', No
,--
1--
1--
-
-
1--
0 11 'st datos, el coeficiente de contingencia entre las dos val' d,1
L' ol1 si I ' rada st comprendido entre: A) Y 0,3; B) 0,4 Y 0,7; e) O,H \ I
y el resultado del ejercicio anterior, podemos con d
fumador, no merece la pena someterse al trataml ' 111
tiene casi la misma relacin con el resultado d ,j \1
1\ 1111 11' U 1 tratamiento; C) existe una relacin media-alta l' II Il
lit Il zar 1 tratamiento y dejar de fumar.
' Oll 1 s iguientes diagramas de dispersin,
y

....
...


x
. ~
."1
......

Grfica 1

y




*

. .. .. ..
X
Grfica 2

rr pondientes a dos variables cuantitativas, X e Y, en qu
I ra utilizarse el coeficiente de correlacin de Pearson para .. l'
li ar la relacin entre X e Y?: A) En la Grfica 1 porque la rela ' t
II II V 10 111" dt' ; B) HIII, 1' 1 ti l" IIllIqll , 1, I I H I,II ( 11
) EIl lI i ll lll HI l ' las los,
Nios X Y
-
Amaya 92,50 100,50
-
Carlos 77,50 103,50
Luca 100,00 105,00
Ins 107,50 106, 50
David 122,50 109,50
( ( n los datos del ejemplo anterior (4,7), la correlacin de P ' :')I'SOIl
' tllre X e Y toma el valor: A) 0,6; B) 0,8; C) 0,4.
( n los datos del ejercicio 4.7, la pendiente de la ecuacin d' 1\ l ' ' \ '
I' t de regresin que permite pronosticar las puntuacion 11)", ) '"
I artir de las puntuaciones en X vale: A) 2; B) 0,50; C) 0,16,
1, ordenada en el origen de la ecuacin de la recta de regresi 1 I )
s bre X para los datos del ejercicio 4.7 vale: A) 20; B) 60; e) 89,
, L proporcin de la varianza de Y explicada por la varianza d X r>t ll '(I
I datos del ejercicio 4.7 vale: A) 0,36; B) 0,64; C) 0,80,
, Los datos de la siguiente tabla,
X Y XY
I.X = 50000 I. y = 3500
I. XY = 368000
I.XZ = 5112500 I. J12 = 290000
orresponden a las puntuaciones de 500 nios en un test d ra:t,OIlU-
miento numrico (X) y en la asignatura de matemticas (Y), El v'l lol '
de la covarianza entre X e Yes: A) 25; B) 36; C) 40.
Con los datos del ejercicio anterior, el coeficiente de correla in l '
Pearson entre X e Yes: A) 0,8; B) 0,6; C) 0,9.
11.
, 1 , Oll Inl' 1'11 S d 1 jercicio 4.12, la ecuacin de la recta d r' ' 1' l.
111 nos 1 ''I"I1 lL pronosticar las puntuaciones en matemti as I l' ,
I " 1\ las I untuaciones en el test de razonamiento numric )
0, 2 - 10; B) Y' = 0,16 X - 9; C) Y' = -0,16 X + 20.
1 , A I di} ' ir>i d curso, hemos pasado el test de razonamiento nU11l
'o ,.1 dmilo y ha obtenido una puntuacin de 90. Si este ni( l' 1111
1, ' \1 ' \ ' 1 \rf ,ti as del grupo utilizado en el ejercicio 4.12, qu plll
111 I ' 1011 It. I r nosticaremos en la asignatura de matemtica ti I "
I ' III 'I' ()(: A) ,O; B) 5,4; C) 5,6.
, 11, Jl. 1I I , , I"lti 'nt grfica:
11
10
9
8
7
Y 6
5 .....---
4
3
2
1
O
--
V
1 Y' - 0,2X + 3 1
- V
....--
-
V
t..-
f-
O 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34
X
n las puntuaciones obtenidas por 5 nios en dos VG1I ' ,
Y, Y se presenta tambin la ecuacin de regresin 1
, ( 1 r \ . Cunto vale la pendiente de la recta de regresin?: A
O) 0, 2; C) 3,2.
1. 1 R, '1' \111 ndo en cuenta la grfica del ejercicio anterior (4.17), qu p llll
111' i n pronosticamos en Y a un nio que ha tenido en X una pllll
IlIn ' i n de 20?: A) 10; B) 4; C) 7.
1\ ,,1, PII ' II"
I ' 0 1' 1' \ , \ ' 1)11 1, I II 'SOI} 1 11 ' , 'n. Ido
l ,' 'j '1' , ' j( 4.17(: A) O, ; I ) O,H; ' ) 0,1,
Il iONES DE LOS EJERCICIOS DE \UTOEV\LU\('ION
11: B
Y variables cualitativas se aplica X2.
n:A
y
A B
~ 5 0 12 38 50
X
>50 4 46 50
16 84 100
I I ti ncias tericas:
y
A B
~ 5 0
1650 = 8 8450 =42
50
100 100
X
>50
1650 =8 8450 =42
50
100 100
16 84 100
I Irl 147
50
>50 - 4
o
IJ
- 4
4
o
o
O
O
2 16 16 16 16
X =-+- + - +-=2+0,38+2+0,38=4,76
8 42 8 42
Solll -i )J : A
c = 4,76 = = 0,213
4,76+100
0111 ' ; n: B
S No
Tratamiento 80 20 100
No tratamiento 30 70 100
110 90 200
JI" Ll ncias tericas:
S No
Tratamiento 55 45 100
No tratamiento 55 45 100
110 90 200
ir r ncias:
S No
Tratamiento 25 -25 O
No tratamiento -25 25 O
O O O
I K
lIi
,5
- 11 ,. 6 II ,HH 111,j) I ,HH( SO,SO
J
50, 50- = '0201 = O 45
250,506 "l/U, L. ' ,
oltll; n: e
1111.: ,' 1 que C=0,45 y C = fi = 1O,5 = 0,7l.
max "l/u,:)
ohl in: e
NII I be utilizarse en ninguno de los dos casos porque n 'isl \ 1'(1 ,
I e 1II lineaL
IIlu in: A
Nios
Amaya
Carlos
Luca
Ins
David
I
x= 500 =100
5
Y = 525 = 105
5
X Y
92,50 100,50
77,50 103,50
100,00 105,00
107,50 106,50
122,50 109,50
500,00 525,00
XY
9296, 25
8021 ,25
10500,00
11448,75
13413,75
52680,00
s = 52680 (100-105)=10536-10500=36
XY 5
II
1-
~ I ~
- 1-
1
N (1
,
1- 1-
,25 8556,25
2,50
100,50 2
" llI \,Y \
77,50
103, 50
8.021,25
6006,25
100,00
105,00
10500,00
10000,00
'107,50 106,50
11448,75
11556,25
\) Ivld
122,50
109,50
13413,75
15006,25
500,00
525,00
52680,00
51125,00
2 = 51125 - 100
2
=225
X 5
2 _ 55170 -105
2
=9
y - 5
_ Sxy = ~ = 36 = 0,8
r
xy
- S S 153 45
x y
L() , olu i n: e
---yA
10 1 ()( 1,
2, 107 1
1102. ,00
11 4
1199
5517
2,
0,
0,011
nLexy) - LXLY _ 552680 - 500525 = 900 = 0,16
b = nLX2- (L
x
t - 5.51125 - 500
2
5625
'1' IIl1bl 11 :
S 3
b - r J.. = O 8-=0,16
- xy S ' 15
x
I 11
, I ) /)
0111 ' 1 )11 : I
2
-r..:. = 1' 2 = o 8 = O, 4
2 xy ,
y
.,llId n: B
\\
XY - (XY)= 368000 (50000.3500) =736 _ (100.7) =7 6- 700 (1
n 500 500 500 .
ni" ' i n: A
o/ in: B
S2 = 5112500 - 100
2
= 225
x 500
S2 = 29000 _ 72 = 9
y 500
r = Sxy = 36 = 36 = O 8
xy SS 153 45 '
x y
In IU r
xy
= 0,8, puntuaciones altas en X se corresponden con pLlnlllo-
" 1 s en Y y puntuaciones bajas en X se corresponden con pUl tlln
haja en y.
. ni lcin: B
)" =bX +a
h = nI. (XY) - L XL Y = 500368000 - 500003500 =
nLX
2
_(:X)2 500.5112500-50000
2
= 184000000 - 175000000 = 9000000 = O 16
2556250000 - 2500000000 56250000 '
1 ~ I
I ()I' ttl nt e :

O,S' i S = ,
I
a = Y - bX = 7 - (0,16100) = 7 - 16 =-9
Y'=0,16X-9
1,. l . nlll ' 1 )n: B
I 1/.
I,. I H.
Y' =0,16X- 9 => Y ' =0,16.90 - 9 =14,4-9=5,4
que multiplica a X en la ecuacin que aparece en la g l r I
I 11 , 1 0 \ s 'r'varse directamente en la grfica que para X == 20 el I 11'
11 )sll 'O, ILilizando la recta de regresin, es 7. Tambin puede 'l l ' \I
I \I 'S ' 's:
Y'= 0,2X+3 => Y' =0,2.20 +3=4+3=7
. I . Solu n: A
Sujeto
X
Y
Y' = 0,2X + 3
(Y')2
1
2
3
4
5
L
8
6
4,6
21,16
16
4
6,2
38,44
20
7
7,0
49,00
24 8
7,8
60,84
32
10
9,4
88,36
100
35
35
257,8
Y' = I,Y' = 35 = 7 (Obsrvese que Y' = y)
n 5
Sy2, = 257,8 _ 7
2
= 51 56 - 49 = 2 56
5 ' '
()II : 1\
lo
2
20
4 24
5 32
L 100
x= 100 =20
5
Y= 35 = 7
5
S
b=0,2=rxy ,
S
Y
=>
x
1
4 25
7 400 4'
8 57 6
10 1.024 l OO
35 2,320 26
/2320 2
Sx = = .J64 = 8
Sy = _7
2
= 14 - 2
5 -
r = 0,2Sx = 0,28 o
xy S 2 - ,o
y 2
I \
'1' ' 111 , ,i
N s l S i ' lS
1I11 md lIccin
I ('()IIl'l'ptos previos
J)l'l'illicin de probabilidad
1. Pl'obabilidad condicionada
l." I'egla del produclo y el teorema de Bayes
(l, Rt'SlIl1lcn
7. 1:.iL'rcicios de auloevaluacin
H. Soluciones a los ejercicios de auloevaluacin
I 11 II IS l mas estudiados hasta ahora, el anlisis estadstico se ha limitado
d, \ rip in de un conjunto pequeo de datos denominado muestra. Sin
11 ' 10, n cualquier investigacin es importante poder generalizar o inferir
1 11.' r ultados a un colectivo mucho ms amplio, al que hemos denomi-
111 poi lacin, y al que no podemos acceder por diferentes motivos (tiempo,
1111111 a ... ). En este caso, la extensin de nuestras conclusiones requiere lle-
, l ' ti una inferencia que siempre ser probabilstica o formular una hip-
11II aceptaremos o rechazaremos con una determinada probabilidad. Por
l ' IZ n es necesario abordar el estudio de la probabilidad.
J' 11 mos una idea aproximada de lo que significa probabilidad en nues-
h. cotidiana. As, todos sabemos que es muy poco probable que nos
'1 ' un premio de la lotera, que es muy probable que suspendamos una
11 ,Iura si hemos dedicado poco tiempo a estudiarla o que, en el naci-
111 de nuestro primer retoo es casi tan probable que sea nio como
En ste tema, y guiados a travs de ejemplos concretos, vamos a intro-
I 1' 1 os de una forma ms rigurosa en el estudio de la probabilidad. Para
111, primero introduciremos unos conceptos fundamentales (experimento
,loro, suceso ... ), posteriormente, trataremos de definir el concepto de
,habilidad, y finalmente consideraremos el estudio de las probabilidades
mli ionadas.
1, objetivos que pretendemos son los siguientes:
Conocer los conceptos de experimento aleatorio y espacio muestra!.
Distinguir los distintos tipos de sucesos que forman parte del espacio
muestral y las operaciones fundamentales que con ellos pueden realizarse.
Adquirir un concepto de probabilidad ms preciso.
157
I'l lIhl 111 I 11 qlll ' \1 0 pI '
..
UN ' ..... TOS IREVIOS
V 11110 ,' ' } ni ia r 1 tudio de la pr obabilidad recor dando alguno, \ 1111
,,' pi e),' 1, Hi ' )S, n ces arios para definir el concepto de probabilidlll' ,
1111 0 ,IHI " r! n un ejemplo.
111 mplo . 1. Imaginemos que lanzamos al aire, una vez, un eh \"
, ' II V I ' I\'tI S 'sln numeradas dell al 6.
JI I IH ' l lO, ' 1 la nzamiento de un dado, constituye un experimenlo d
l i t 1 C)) p OI' 1\ 1 l', r senta un proceso mediante el cual podemos obten ' 1' \111
11 11 11 I lo " ' 1'1 1ento) y es aleatorio porque interviene el azar. Todo' \1
111 ' 1\ t ( ni ti Lori presenta tres caractersticas:
resultados posibles son conocidos con anterioridad ti
No H' pu de pr edecir con certeza el resultado que vamos a obt n ',
1 U ' xp rimento puede repetirse, todas las veces que se desee, en id ' t i
ti ' 18 ondiciones
Por VII l ,
U n experimento aleatorio es un proceso, que se puede repel'
nte en las mismas condiciones, cuyo resultado no se pu .
on certeza.
HI 'OIlJlI nL d todos los resultados posibles de un experimento alea lll
1 () , I ' nomi na espacio muestral y se representa, habitualmente, por 1,
1, 11 ' I 111 l'yI'IS ' Ida . A , el espacio muestral para el lanzamiento del dado '
E = {I.ll:l r."l DO fTIl}
u , u, -1li.!J
A = {O}
B = {[TI, O, [TI]}
e = {[S] , [IT]}
SOS } 01 1 ' " ' 1' 111\
, S 0 11, lL v Io :
IlIdo 1 espacio muestral de un experimento se le denomina la l I i ' 11
11 ' ('guro siempre ocurre. Al suceso que no puede ocurrir 11111 1
1 1\ nomma Suceso Imposible ' . y se representa por (jJ o conJun lo vnr n,
""( , a ahora algunas operaciones con sucesos, ba ' I las ' 1\ I I
)()lldencIa con la teora de conjuntos, que nos resultarn til
111 1' : ' 111'
11111 remos unin de dos sucesos A y B, Y lo representaremos por J\ u IJ
d i onjunto de E formado por los sucesos elementales que perten ' n '1
11 () ambos a la vez:
11 ,1 ejemplo: A uB = {Q], O, [TI]}
Iln aremos de dos sucesos A y B, Y lo representarem S p OI'
I , al subconjunto de E formado solamente por los sucesos elem I VI I s
I ' I'tenecen a A ya B.
AnB {O}
\I,ando la de dos sucesos no contiene ningn el m nto
I que son mcompatibles o excluyentes y, por tanto, no pu d Il
IIIItlt 111 1' "" ' 111 I \\ I 11111 plll dI 11 \llldll dI , l' dI '
'C 1M PI,EMENTARIO:
1.I1111 11' ' 1
I dI 'o I 1.1 I 111 t
111plementario de un suceso A, y lo representaremo pOI' I d
[ rmado por los sucesos elementales que no perten c I \ , \
1"11 ' I Sil l' \pr ntacin podemos utilizar los diagramas de V, '111/
11111 1 \11\ ' 111 \ ulilizados en la Teora de Conjuntos. En la figura 5.1 s l ' ' 111 1
1\1 \11 I \' r ' \ n ' 1 t los sucesos anteriores.
E
B
D
[S]

. .
E
A B
[TI
D
[TI]
[S]
..
..
. .
E
A
[TI D
D
[S] ..
[TI]
..
..

. .
Figura 5.1. Representacin grfica de la unin. interseccin
y complementario de sucesos.
d ,
I IoINI IN DE
11 111 '01'1 pl S pr vi alado nl Ji J"111 1 l ,vam " ) ni ' j ' \I ' ,1 1110 I
1" IIml ' bilidad. Expondremos b- S d finicion dir r nt d I ' 0 11 ' '1 lo 1,
111 d \ I (la d finicin clsica, la stad tica y la axiom ti a) n " llllill \ I l. 1
It 111 I'In: alcular b posibilidad de ocurrencia de un su s. V \1' '1l10S 111 '
IIlIlqll ' 1' de estas tres definiciones, la probabilidad s uanti/'i <l ' (l ll 1111
C I 'on pI" ndido entre cero y uno: cero para el suceso imposibl y I P ltll _1
I ' 'llr. Cualquier otro suceso tendr asignado un nmero nlr O I ' 11
CIII d ' la cuanta de su probabilidad de ocurrencia.
, tlt{lnicin clsica, formulada por Laplace, indica que: La probabilid(/d
/11 //('('so es igual al cociente entre el nmero de casos favorables de q/l ' 01 '1/1/1/
IIII'W el nmero de casos posibles en el supuesto de que todos los 'OSOS /I ' /I
/tI I/llsma oportunidad de ocurrir (es decir, sean igualmente probabh) ),
ti \ ir:
Probabilidad de un suceso = Nmero de casos favorables
Nmero de casos posibles
I ti os un ejemplo:
5.2. Retomando el ejemplo 5.1, lanzamos un dado impar i
vez. Cul es la probabilidad de obtener un 2? Cul es la p
de obtener un nmero par?
que calcular la probabilidad de obtener el suceso A = {[I]],
muestra!, conjunto de todos los resultados posibles, es:
E = {D [TI [S] D r::; fITl}
, , , , u ,B
Id
6'
obt n r un num ro par, La probabilid
3 1
P(B) =-=-=O,5
6 2
tellernos, en este caso, tres resultados favorables sob
'bl s,
J, 1 \ ti r 111 ' 1)[ d probabilidad, y su aplicacin, requiere que los su ' \ l'
, 1\ q \ll, t'o I 1 I s ( osa que no siempre ocurre) y, en muchos casos, 1 \ 1 ti
11' 1111 ti ' I n ' ! la I ificacin de los sucesos como favorables y posibl s,
I I " P 'Un) s un experimento aleatorio (por ejemplo lanzar un da 1(1 ,1
\ 1" ) 11111 ' h ' l S V s, y anotamos las frecuencias relativas de un su ' \ 11
pl/II IIIOS 01 s 'rvar que tienden a estabilizarse en un valor comprel d 1,
I \111 ' () Y l. L valor se denomina probabilidad del suceso. Por L'wlll
po I ' 1lI OS I ' rinir la probabilidad de un suceso A como:
4 I I 1II11 ' ., I qu tiende la frecuencia relativa de aparicin de un suc SI I
' \1 III lo ,1 I '1m ro de ensayos, n, tiende a infinito:
. n

n
":. t' \ I fi ni i.6n de probabilidad, denominada estadstica, aunqut'
'111 1' ' In , r S nta un grave problema: muchas veces no es posible repetl' lIlI
111'1' i1\ ' Ilto al atorio un gran nmero de veces y, si lo es, no es prcti ' (1
1,0. p l' lV 'S I f' )bl mas con las definiciones de probabilidad presenta 1\
(, 1, I , Y .. 1\ 1 sti a) ll evaron a los matemticos a establecer una ni "
011 , ti ' 1)()lll in da axiomtica:
1), lo lItl '. '1 "lo IllIl .. 11 ' d H, 11 I/I/(/I/ws IJlul (/IJ//lt/(/(I di ' 1/11 "1/(" 11
dl'/II/ido ' 1/ ,1 'sJoc/( l/1111's/ m I Il' IU ' (/eSllJ, 1I0llWS IJOI I ( ) , (1 "111
11111/1 ' 1') que C/sif.il/ II/IOS o/ Sil "SO A, / / qlle' (, II/I/pl J /0 ....' SIJ.!, I/It ' IIII ',\
//1 tll i('dad 's:
$; P CA) $; 1
P CE) = 1
peA) = 1 - CA)
L 1,' d primeras propiedades indican que la probabilidad ::; ' W.\111 in
1I ' un nmero comprendido entre c r y un . OIlIO
I n n la mtroducclOn de este tema, asignamos un cero a un u so 111 '
1" 'cJ nunca y un uno al suceso que se produce con s ud Ind,
t ' 1'(' ra, mdIca que la probabilidad de un suceso A puede obt n 'rs ' U\ 111
1I I ,'s,tando de la probabilidad de su complementario, A, pu 'slo 1"
I eJ, son exhaustIvoS y mutuamente excluyentes (si no ocurr !\ 11 'v \ 1
1I\' lIt lo har su complementario).
'stas propiedades, podemos aadir el denominado Teorema ti" /"
I " I ' teorema establece que la probabilidad de que ocurra el su so A I
IH'(" B es igual a la probabilidad de que ocurra A ms la probabili lud
11" curra B menos la probabilidad de que ocurran ambos, A, y , Es
peA u B) = peA) + P(B) - peA n B)
II:H do los sucesos A y B son incompatibles, es decir, no pueden lIlTi l '
IIltaneamente o la ocurrencia de uno implica la no ocurrencia d 1 )tI 'O,
.1:\ de la suma se simplifica a:
peA u B) = peA) + P(B)
I () que su interseccin es vaca: (A I B) = cp.
III"IOS a comprobar que estas propiedades se mantienen utiliza I cJo 1
Ipl del lanzamiento de un dado que presentamos anteriormenL :
111
I , ClI 'd"IIIO, 111 ' \ ' 1\ '1 1 CI I {[ 1, 1 ' 1.11, 1 1, 1 1, l. 11
It d I 1111 el I \ n 11 j I () In,' ,' ti () : \, ( , h 11 1\ l' t 11 t , l () t l ' n \ l' 11 n 1\ t IIIt
1 1 P 11 ',) Y >ll ' 11 ' 1' un I1lltltlplo I h,
11. 1 tI ' 'so ;\ - {D I:l [S] [TI]}
, ,
1'\1\" \)1 ' n, ILiliJ(; ando la definicin de probabilidad como el () ' ' 111
1111' ' \ 'o, I'lV r bl s y casos posibles, tenemos:
I 3 3 1 - 5
/'(;\) = - , P(B) = - , P(AuB) = - , P(AnB)= -6' peA) = -6
666
1.11 jI do ' los ' lS tenemos valores comprendidos entre O y 1 y, '1"1
I IIldll I \ pi opl ' lad d 1 complementario:
131 3
P(AuB) = - + - --=-
6 6 6 6
Al I ' \11 lo ,1 T r ema de la Suma tenemos:
131 3
P(AuB) = - + ---=-
6 6 6 6
J I OHABILIDAD CONDICIONADA
iones, muy frecuentes en la vida cotidiana, donde la apari j I11
A depende de la aparicin de otro suceso B. Diremos en esltl
ucesos A y B son dependientes porque la probabilidad Q \
l condicionada, al suceso B.
1. \ I I'Obabilidad de A condicionado a B, o dependiente de la apari i 111
11 , s s ribe P(A/B) donde B es la condicin requerida . .
,oll si 1 r mos el ejemplo siguiente:
atonamente uno de ellos,
la probabilidad de que sea varn?
la probabilidad de que estudie psicologa?
la probabilidad de que estudie psicologa y sea var ?
la tabla, y considerando la probabilidad como el co
favorables y casos posibles, tenemos:
= 2500 =05
5000 '
rlV)= 1200 = 024
5000 '
lio.. ahora que hemos elegido al azar un alumno y ha r ul
cul es la probabilidad de que estudie psicologa?
preguntando por la probabilidad P (PsIV), es decir: su
(V) cul es la probabilidad de que estudie psicologa (P )?
de la tabla, y considerando nuevamente el cocient
y casos posibles tenemos, tenemos que:
P(Ps/V) = 1200 = O 6
2000 '
de los resultados anteriores, podemos comprobar que:
P(Ps /V) = P(Ps n V) = 0,24 = O 6
P(V) 0,4 '
Ih l' 1\ 1"1111 \, 1"'11111 l' plI lo 1 1111
1, '111 ' 1\ I ' 1\ ' j,,,I, ' OIIICI
1'(AIU)'y " 1
l' \1 ' \ dmi su ual qui ra A y B, la probabilidad de A ('olltl
mulo ti B - de A upuesto B- es igual a la probabilidad d ' /1/ //1' /
'I'('f'i 11 dividido por la probabilidad de la condicin B. E el' il':
peA lB) = peA n B) siempre que P(B) 7: O
P(B)
D(I 1 I n isma forma:
P(B lA) = P(B n A) siempre que peA) 7: O
, peA)
Noll . l' qtl - s i los sucesos A y B son independientes:
peA lB) = peA) Y P(B lA) = P(B)
1,/\ REGLA DEL PRODUCTO Y EL TEOREMA DE BAYES
IJll sl ahora, hemos considerado la realizacin de un nico experil1l ' 111
d -Ilodo h mos considerado una sola extraccin, o ensayo, en un pl'(1(
l' -1 lll ' interviene el azar (lanzar un dado al aire una sola vez, exll' \ ' 1
(,1 ' n r una persona dentro de un grupo ... ). Podemos extender lo I ~ I
hl , Itl ah ra al caso en que realizamos varios experimentos simultnealtl ' 111
(pllI ' -j 1 pIo, lanzar un dado y una moneda al aire), repetimos un p ' 1
III! 111 ) v'lria veces (por ejemplo, lanzar una moneda al aire en varias tll
1M
nsayos) o, en general, al caso en que realizamos un proceso VHII
r jemplo, extraer de una en una varias bolas de una urna).
11 111 visto, en el epgrafe anterior sobre la probabilidad condicionada,
p(BIA) = peA n B)
peA)
/1 r IJ) I'{ ).II( 1m
' ()J1( ,- ' (111) regla o 'feo". '1IU1 tlt' /', Odllt"lI ,
urr n ia de A y B e igual a la pI' babili h 1 ti .
1 I !\ P r la probabilidad de ocurr ncia de B, dad ~ 1 \ !\ hu
111 pl'i.'viam nte. Es decir:
peA n B) = P(A)P(B lA)
e lee como la probabilidad de que ocurra B dad qu'
111 ' loA.
ucesos A Y B son independientes:
peA n B) = P(A).P(B)
Supongamos una urna con cinco bolas de las cual
y dos son rojas. Introducimos la mano en la urn
'Una bola (primera extraccin). Sin devolver la bola q
a la urna, volvemos a introducir la mano y extra
\."''''.F> ............. extraccin); o sea la extraccin es sin rep
la probabilidad de que las dos bolas extradas sean verd ?
Va bola verde. La probabilidad pedida ser igual a 1
,",UJlU.UU. de que en la primera extraccin la bola sea verd p
" v."<n' ....... ' ...... de que en la segunda extraccin la bola sea v d
que en la primera tambin lo ha sido.
I 7
I "
1 Y 2 hacen referencia a la extraccin
tes'oec1:ivalnen.te) .
de que las dos bolas extradas sean
bola roja, y por un razonamiento anlogo al
2 1 2
20 =0,1
de que las bolas sean de distinto color?
de que las bolas sean de distinto color es la
que una sea verde y la otra roja (VyR) pero esto
dos maneras: que la primera sea verde y la
la primera sea roja y la segunda verde (R1 V2)
(lV
2
) = [P(V).P(Rz Iv) ]+[ P(R).p(V
2
1R)] =
4 ;0 + ;0 = =0,6
suma de las tres probabilidades anteriormente
, (111 ti II lI'pl.I dt I PI Cldtll lo, I IlIlIe ' VI " ' 11111 ' 1 d "ICI ,
P(A n B) = P(A) .P(l )
.Y /1 011 11 I ' 1II' 1Idl 111
11 '1 ' 1611 () 110 1,' nll 'o), II
C a salir cara, la probabilidad d
P(C (1 C) = P(C)P(C) = 0,50,5 = 0,25
la probabilidad de obtener cara en el segundo lanzami
del resultado obtenido en el primer lanzamiento (son
' .h''''JL.l ...... V.ln'_.,) .
5.6. En una planta psiquitrica hay 5 pacientes de los cu
psicosis, 2 neurosis y 2 esquizofrenia. Se sabe adems qu
'.l.l.L,,'''' .... de que un paciente responda favorablemente al tr t
es 0,6 si padece psicosis, 0,9 si padece neurosis y 0,8 si pad
aleatoriamente un paciente, hemos observado que ha resp
blemente al tratamiento cul es la probabilidad de qu
Llamemos P a ser psictico, N a ser neurtico y E a ser esquiz f'r '"i ,
Llamemos tambin F a responder favorablemente al tratamien Lo y ,,'
10 responder favorablemente Los datos de los que disponem s, ()
mos calcular a partir de la informacin que se nos ofrece, n los
1'(11 )
ti , I
I
5
2
P(E ) =-= 0,4
5
l ' "' 1/ 1) O,
I (FI N) = 0,
P(F E) = 0,8
" b r" e cunto vale la probabilidad P(NI F)
, 1" (\ 11 ' '1 \1 ' l ' 1 os
V, III \( )": I nI' I d fi nicin de probabilidad condicionada:
, d 111 11 111
P(NnF)
P(NF) = P(F)
P(F) = P(PnF)+P(N nF)+P(E nF)
I I I () 1\ I r l mas puede representarse grficamente medianl ' 1111
" I I l l mo el de la figura 5.2. donde los nmeros corres! (l it
I ti ''''''1(1 (l! r'Jo . edi 1\ ,
1" 11 1 h . I rol l ildades condicionadas al suceso que aparece mm
11 11\ (' lI\ l 's ('\ 1 izquierda en el rbol).
p
N
0,8 F

F
F 111 '(\ 5.2. Representacin grfica de las probabilidades condicionadas.
l/O
I ni' t nto:
I P(N nF) P(N).P(FIN)
P(N F) = P(F) = P(F)
. denomina frmula o Teorema de Bayes.Y, puesto que:
s:
P(F) = P(PnF)+P(N nF)+P(E nF) =
= P(p).p(Flp)+ P(N).P(FIN)+ P(E).P(FIE ) =
= 0,20,6+0,40,9 +0,40,8 = 0,8
p(NIF)= P(NnF) = P(N).P(FIN) = 0,40,9 = 0,36 =045
P(F) P(F) 0,8 0,8 '
1, 1'111
II p ll
ni . rvese que inicialmente P (N) = 0,4 y que cuando hemos aadid LI Jl \
\ informacin (ha respondido favorablemente al tratamiento) la ! m_
Il lad ha subido a 0,45.
l . I importancia de esta regla no est en su formulacin, puesto qu I s I
1\ obtener a partir de las probabilidades condicionadas de A sobr ' I Y
I s bre A para dos sucesos cualesquiera A y B.
I ' pejando P (A nB) a partir de las frmulas de probabilidad c I di ' lo_
11 1
l
'
111)
1'( i',I//)
1'( 1
l'( I r 1/) I'(H).P
1 (EnJ\) = P(A).P(BIA)
1,, " 10 nl 's ': 1' 1
011 1, :
P(B).P(AIB) = P(A).P(BIA)
l nelTIOs:
I
P(A).P(BIA)
peA B)= P(B)
1"1' I ,,11 0, ,1 Teorema de Bayes podemos expresarlo de la sigull' l\h
111 IIH' I ' , :
I
- P(A).P(BIA)
peA B) - P(B)
Sil 11111 rtancia radica en los trabajos que ha generado y en la COl I'i ' 11
I l )) 1' 11 01"1 inada bayesiana, que tiene amplias aplicaciones y cuyo eSlud 11
01 I'l', oS'\ I objetivos de este texto .
. I FSLJMEN
s l ' t ma se han definido los conceptos bsicos de experimento al
Ilodo, S I ' S Y algunas operaciones con sucesos (unin, intersecin", )
nl e han dado algunas definiciones de probabilidad (cl il' 1,
Y axiomtica) . En cualquier caso, estas definiciones no se ex -111
' 1\ " l ' h ho, el cociente entre los casos favorables y los posibles no t
111 , 111' llna [1 cuencia relativa de aparicin de un suceso que se va apl'(1
111 11\ lo " un val r constante a medida que el nmero de ensayos aum 11
I 1 (el -1' 111 1 >1) ':-i lad tica). Por otra parte, la probabilidad de un suc su,
Ilbl 11 1111 Pl)t ' ' 111\1 'ra de estos dos procedimientos tiene que cumplir lo
1/
,1 T' r '''"1'' c.I l a LIma y, 1 osl ',I( 1'111 ni " h ' lit O. 111.
ncli i nada: p(AIB) = P(J\ n B) ol1 si 1 ' I'ulldo ,1 " (l
P(B) .
h n,' I.,d p ndi nte h 1110 vi to qu la L y c.l 1 Produ lo 1'1' 'st 1\1 \ 11
, l' /1 nB) = P(A)P(B) Y hemo finalizado, pI' s nlad ,\ I '01' 111' I
aso concreto.
JI '.RCICIOS DE AUTOEVALUACIN
1111 un experimento aleatorio: A) no conocemos su espaci mu '. ' 11 ' ti :
Ji n interviene el azar; C) no podemos predecir con cert za ,1 1'( ' \11
t I 1 que se va a producir
HII la siguiente figura, donde A y B representan dos su ' 'so,' y 1
1
I
l ,' p cio muestral, '
E
A B
I zona coloreada representa: A) la unin de A y B; B) el compl '11} ' 11
I rio de la intersecin de A y B; C) el complementario de B.
n la definicin clsica, la probabilidad de un suceso es: A) I () ' I ' 1\
t entre casos favorables y casos posibles; B) la suma entre ca s rovo
rabIes y casos posibles: C) la resta entre casos favorables y ca os I (),'
bIes.
la frase En una serie larga de tiradas (o realizaciones de un 1'1
mento), la frecuencia relativa observada de un suceso se ap1" in \ ,

1 (A) =0,40,qu'P(B) =O,30yqu
: A) 0,55; B) 0,85; C) 0,70.
I un pa i mue tral E hay dos sucesos A y B tales qu P (A "
J (13) = 1/2; P (A (l B) = 1/5, cul es la probabilidad d (A U /l),'
1 /30; B) 17/30; C) 19/30.
1\ s ucesos AyBsonindependientes:A)P(AnB) =P(A) 1/'(11
B) P (A (lB) = P (A) - P (B); C) P (A nB) = P (A) . P (B) .
1'1, 1. IIl Znl11 imultneamente un dado y una moneda cul s il 1"'1
h d 1I hcl d obtener un nmero par en el dado y una can (' " \
111011 "'?: A) 0,5; B) 0,25; C) 0,75.
, " , 1. 11 \ \ Inl la e recoge la composicin de un colectivo pr-.?fesi 1111 I
, 1 ,
174
\ , 'str 's.
V
M
] exo (varn y mujer) y de si padece (S) o no (S) algll I 1'"
s S
10 30 40
Donde: V = varn, M = mujer,
20 40 60
S = estrs y S = no estrs.
30 70 100
a probabilidad de que escogida una persona al azar padezca ' sil
va l : A) 0,70; B) 0,30; C) 0,10.
n los datos de la tabla del ejercicio anterior, elegida una pers n 1 ti
'z r, cul es la probabilidad de que sea varn?: A) 0,10; B) 0, 111
) 0,20.
nlinuando con los datos de la tabla del ejercicio 5,9, elegida lIll l
1 'rs na al azar cul es la probabilidad de que padezca estrs y , . 1
vn !' 11 ?: A) 0,40; B) 0,70; C) 0,10.
( n los datos de la tabla del ejercicio 5.9, elegida una persona al al'. 11
h 1 ultado ser varn. La probabilidad de que padezca estrs val : Al
0,2 ; B) 0,67; C) 0,25.
11 \0 1110. 1I 11 1 d l \1 ti -\ I', II ' \' 1I I , '), ' 11111 d I 1 1111 \11
P (' ," ,,' 11' , )) .Y , '1' 1 1'(lI 1 , (111 11 1 ' 1 'lit! ' 111 - ': 1\) No: Il
1, ( No ,' l ' ptI \ \ , 1 '1 ' \ ' 1111 11 u' ' 011 lo,' 1110101 \ , I \ 1 ti 11.
1I 11!ln ando con el ejercicio anterior, cul es la probabilida \ <.1 ' 111 '
l' ult'z a la enfermedad B dado que ha sido positivo el anli s is?: A)
0,077; B) 0,247; C) 0,532.
1, 11 un experimento de deteccin de estmulos, presentamos In 111 f 111
\ . v \ s el estmulo A y la otra mitad el estmulo B. El A 's el -1 1 1
ItI 1 80% de las veces y el B el 70 %. En un ensayo determ i 11 ti lo ti
1110 ' que se ha presentado el estmulo A. Cul es la probal II 11 1 d
'1 11 ' J o sea detectado?: A) 0,80; B) 0,53; C) 0,20.
011 los datos del ejercicio anterior, cuando un estmulo no s 1'1 '('
I 1 1 cul es la probabilidad de que sea el estmulo B?: A) O, O; 13)
0,3 ; C) 0,25.
('onlos datos del ejercicio 5.16, cul es la probabilidad d qu ' 1111
\\ ' Ifmulo sea detectado o sea el estmulo B?: A) 0,90; B) 0,35; ) 0,70,
f re 500 alumnos, 100 pertenecen al Plan Antiguo y el re t ' 1 Phlll
N l vo. Del Plan Nuevo aprueban 240 y del Plan Antiguo apru t ' 111 0,
El gido un alumno al azar, la probabilidad de que haya apr b'l 1<
A) 0,1; B) 0,6; C) 0,4.
n los datos del ejercicio 5.19, son independientes los su ' '. (1,
aprobar y pertenecer al Plan Antiguo?: A) si; B) no; e) n po I -.
11 os saberlo.
17
ION
, 1, olu ' 1 11 :
IJ ll ' 1 I'I1\ 'filo ,:\ 1 ,' tlol'i(
' vl 'l ''/, 1 ,1 r 'sld L d
,' ol u ' 1 )11 :
1II 'sl qu AIlB s:
E
A B
I ' Ollll 1'111 ntario es:
E
B
0 11 i n: A
Hn la d [inicin clsica, la probabilidad de un suceso es el coci -;\ 11
a o favor ables y casos posibles.
En h d finicin estadstica, la probabilidad de un suceso A se con '
p Oli 1\ on la frecuencia relativa observada cuando el experiment \.
I ' ~ ' , li z:1 n un gran nmero de ocasiones.
oh, ' 1 n:A
/1 u B) = P(A) + P(B) - peA nB) = 0,40 + 0,30 - 0,15 = 0,55
l' u n) 1)(/1) 1/'(1 P( ( / ) 1 1 1)( ) 1 1 I'(ln /'( 1/)
(
1_ 2) + 1_ 1_ 1 1 1 101 15
2 S 1
2
-
5
= O O
,, 111 ,1 n: e
1'111 ' ,1 t r ma d 1 producto, si dos suc os '[ i nc.l' , 'n 1I '111 .. 1,
pi 111 'lbi lidad de u inter eccin es igual al produ l d ~ sus I1ml JI 1I
Illd 's.
, 1,1u i n: B
\ P = nmero par y C = salir cara
lucin: B
olucin: B
I l . Solucin: e
, 12. Solucin: e
3 1
P(P) = (; = 0,5 P(C) = 2 =,05
P(Pn C) = P(P).P(C) = 0,50,5 = 0,25
(Son independientes
P(S)= 30 = 030
100 '
P(V) = 40 = O 40
100 '
10
P(SnV) =-=O,lO
100
p(Slv) = P(SnV) = 0,1 =0 25
P(V) 0,4 '
171
, 1 \, 11111 ClII : 1\
, I I
I 11 ' t 111 1' lo. , 11 ' . 11, 11 11 11 1I t 11 t 11 1 ' ) , 11 . '1 ' VllI ' )11 (V) 1'11 ' 1' 111 III
11 ' 11 1I ' lIt 's 1 ' 11dl ' 11 111 ' ' \lllIpl 1'. 1 111 ' 1/ (8 n V) s ' ti i ' lI t" " l l' (. ' ) 1/'
ti 1I110S:
1'(Sn V) = O,IO
1'(8),>(V) = 0,30,4 = 0.12
1111 slo ~ l ' 0,10::f:. 0,12 no podemos decir que sean ind p ndl 1111
' J' 1 mi i n:
Si S .Y V fueran independientes tendra que ocurrir: P (SIV) I'!
( ' 01110 J olmo comprobar: 0,25 ::f:. 0,30.
0111 '1 )11 :
J. lit I l ' 's 'nla in grfica de los datos de los que disponem
A
0,4
0,6
B
S ' , ..
P(AnP) P(A)p(p IA) P(A)p(p IA)
1 (/\ Ip) = P(P) = P(AnP) + P(BnP) =- P(-A-).-p-(p ..... IA- ) -+P- (-'-- B-).-P(-p..- IB)
= 0,40,9 = 0,36 = 0,36 = 0,923
(0,40,9)+(0,60,05) 0,36 +0,03 0,39
. 1 , Solll ' j I : A
p(Blp)= P(BnP) = 0,03 =0 077
P(P) 0,39 '
1/
'" IIlIhl 11 :
olll ci 1:
olu in: A
l' Ul/
'
) I 1
'
111) I () , l O,O!7
1 (A) = O,5 j (DI/\) = O,80
P(B) = 0,5 p(DIB) = 0,70
p(.i5IA) = 1- p(DIA) = 1- 0,80 = 0,20
1
'
/\) = 0,5 p(DIA) = 0,8=> p(.i5IA) = 0,2
l' 8)=0,5 p(DIB)=O,7=>P(.i5IB)=O,3
_ P(B n i5) P(B).p( i5IB) P(B).P(i5 lB)
II( BID)= P(D) = P(AnD) + P(BnD) = P(A).PCDIA)+P(B).P(I 1m
0,50, 3 = 0,15 = 0,15 = 60
0,50,2+0,50,3 0,10 +0,15 0,25 '
lucin: A
1'(DuB) = P(D)+P(B)-P(D nB) = [P(DnA)+P(DnB) J+ P(B) - P(D n 1 )
= P(DnA) + P(B) = P(A).PCDIA) + P(B) = 0,50,8+0,5 = 0,40+0, 5 = O, O
\ lucin: B
PA = Plan Antiguo
PN = Plan Nuevo
pePA) = 100/500 = 0,2
P(PN) = 400/500 = 0,8
Tambin:
p(AlpA) = 60 =0,6
100
p(AlpN) = 240 = 6
400 '
os datos que tenemos son:
17
1
NI
I 11111": l ' 1' 1 \ II \ 111 11 \ l O
l '
(1) . ~ ( ) IIIU
fIN 1'1 \1\ IItI vo
IIN 240 I () 00
A 1\1 I'o l tll'
O 200 00
NA . No tl l I'obol'
Notu: ' 11 lu Tabla a.pare en en negrita los datos que n s tan en ,1 ', '1' ' 11'10 ,Y 11
11111 l o ~ qu ' han compl etado.
A parlir de la tabla, tenemos:
P(A) = 300 = 6
500 '
I (l . olu ' i n: A
I 1;\ = 0,2
I HO
I ( 1/>;\) = 0,6
1
1
( ;\) 0,6 (ver ejercicio anterior)
P(AnPA) = P(PA)P(A IPA) = 0,20,6 = 0,12
P(PA) ,P(A) = 0,20,6 = 0,12
Si son independientes
T'1111 bin:
datos que tenemos son:
A
PA 60
PN 240
300
NA
40
160
200
100
400
500
Donde: PA = Plan antiguo
PN = Plan nuevo
A= Aprobar
NA = No aprobar
N La.: en la tabla aparecen en negrita los datos del enunciado.
A partir de la tabla, tenemos:
P(A) = 300 = 6
500 '
P(PA) = 100 =02
500 '
l' l ' )
() , I
I Itl ,' l() q I ':
1 ( liPA) = P(A) P(PII) = 0, 0,2 = 0, \ 2, I . I s su 'li OS son 111 l '
1"' 1) li nt .
I i! 1
'1 'tllll , (,
11 S
Illdllll i()11
1I Ihle :tlv<llol'ia: dcl'inicin y tipos
II Illle" "kalorias discretas
I'lIl1t: i6n de probabilidad
. FlIllcin de distribucin
1. Media'y varianza de una variable aleatoria
I 1 1I I hllciones discretas de probabilidad
liLa distribucin binomial
I J. Otras distribuciones
.\ 111 H':O
Il'I' 'idos de autoevaluacin
oh Iciones a los ejercicios de autoevaluacin
iJ i I
('IN
lo, n 1 tema anterior, que un experimento cuyo resultado no
1"1 I ' ir con certeza se denomina aleatorio. Si el experimento ale-
11 di z una sola vez se obtendr un nico resultado del espacio
1. 1'1' 1 a medida que aumenta el nmero de ensayos irn apare-
I Ic 1, I resultados posibles, cada uno de ellos con su correspon-
,uh d ilidad.
Ilc I ' n este tema que, para cada experimento, podemos definir una
1 I'i bIes que pueden ser de naturaleza discreta o continua (de
1 los mismos conceptos vistos en el tema 1, referidos a las varia-
I , ti as) y que denominamos variable, o variables, aleatorias. En
1 !lO limitaremos a una variable aleatoria discreta, dejando para el
11 1'1 L el caso de las variables continuas.
11 ' 11 ' 'mos tambin como, para una variable aleatoria discreta, pode-
11 t I'uir su funcin de probabilidad y de distribucin.
11 I 'nte paso ser describir su funcin de probabilidad mediante la
11 11 le unos valores numricos que representen su tendencia central
1ll'1' in o variabilidad. Estos conceptos son similares a los ya vistos
I rin eros temas cuando se estudiaban variables estadsticas.
ti m nte, dedicaremos especial atencin a la distribucin binomial
() el caso en que una variable aleatoria presenta solamente dos
I Iv s. Analizaremos sus caractersticas fundamentales y veremos
II aplicacin a la prctica es muy sencilla utilizando las tablas del
bjetivos a conseguir con el estudio de este tema son los siguientes:
'r capaz de definir correctamente una o ms variables aleatorias
obre los resultados de un experimento aleatorio y determinar los
185
I dlll\ qtll 111111 \ 1111 I d ' 1" 1111 11 ,,1, \1 ' I,hl dI 11111
d '1' 11 ti \,
( ni ' ulnl' ' int rpr lar la m dia y la varianza de una ti 11 ,
I " l' ' tao
OliO ' 1' I ondiciones de aplicacin de la distribucin bi !l O"1
111 I h .Y s 1 varianza.
M \11 '.in l' n oltura las tablas de la distribucin binomi al
oltl ' 1 )J1 d problemas concretos.
I ALEATORIA: DEFINICIN
' 011 ' "t ya conocidos de espacio muestral y probabi}j dtl I
' 11 -1 l ' ma anterior, vamos a aadir el de variable al '11 101 1
( ' (1 111 ' 11 ', ' 11' ' 11 ' definiendo qu es una variable aleatoria y, a contil 1I11
I p Oli 11' ' 1 )S Igunos ejemplos.
I J 1I \ variable aleatoria es una funcin que asigna un nmero r " 1 1,
010 lIIlO, a cada uno de los resultados de un experimento aleatorio,
N )[ 's' qu sobre un experimento aleatorio, podemos definir una 11
111 1, In 1 anera que consideremos oportuna. As, por ejemplo, sohl
, p l'im nto de danzar una moneda al aire en tres ocasiones p ti ' 11 11
ti n 11 l ' U variable aleatoria como nmero de caras obtenidas, ' tllI
' 1111111 'I'( d cruces obtenidas, o tambin como una variable que t 111 1
tlOI ' 1 ' li a ndo el nmero de caras obtenido es mayor que el nmero d' 1
Y loma 1 valor O en otro caso. Pues bien, definida la variable y un \
"bl 111 lo m resultado en el experimento aleatorio, la funcin asigl 1 11
dlll ' IIUI rico inequvoco a ese resultado. Lo que es aleatorio, en 'lo 111
111 ' 1 vi ' 11 ' 1 azar, es el resultado que obtenemos al realizar el experim ' 111
II! Ilodo y no la variable o funcin.
111 11 pll1 11' 11' 111 ' VII' 111 I
1 I '
11 \ I 's [ a l da I d (jnid
'ollllnuas. Cuando la variabl al at ri
l '
I
1 I IIl'Init y numerable de valor (por j l11pl , nJl11 lo d
11 ltur 1 ) o finito de valores (por ejemplo, la variabl
1 . 1I(1l r de caras obtenidas al lanzar una mon da impar h l ' 11
011 \ ' lo puede tomar los valores O, 1, 2 Y 3) decim S qu \ '"
A lo ' valores concretos que puede tomar una variable al at !'ia
111' mos por Xl' X
b
""X
n
y, en general, por Xi' Si una variabl pu '.
I infinitos valores (o un conjunto de valores no num l'all ')
continua.
11' t ma nos limitaremos exclusivamente al caso discret 'y d ',11
I ,'.'ludio de las variables continuas para el tema siguient '.
Definimos la variable aleatoria X como el nUlm1c:n;J '1Ii
al lanzar al aire una moneda imparcial en tre
caso la variable X puede tomar los valores O, 1, 2 Y 3.
O si no sale ninguna cara
X =
1 si sale una cara
2 si salen dos caras
3 si salen las tres caras
=O X =1'x =2yx =3
'2 '3 4'
IH,
HII ,1 ' sllllio l ' hsvarhbl's' lI 'llor'lS Ji ' r 'laS,vam s pr'sl r '. " I
l ' " 11 l u [un i.r d pr babilidad y d di lri bu ' IIJII ,
11 111( ' Ii \ Y Sil varial z.a. A lo largo de todo el t ma vamo a d arroll al ' 1111
l. \) Illll y S ' 1 ill , I pi ntado en el Ejemplo 6.1, para facilitar 1 cl '1111.
1, I1 1 \ l' n !'ij ar I n ptos fundamentales.
, , l. Fu ndn de probabilidad
LId ' S ' l'ip i n del comportamiento matemtico de una variable al <1 11'
1 ,d ( ' 1' ' 1' \ lo I aremos de forma similar a como se hizo, en los temas i ll l
I ti eI 1 1 1 ), n las variables estadsticas. En ese caso su distribu ' 1111
l ' 111 1 1, I I 1 () r 1 valores que tomaba la variable y su correspondient 1'1
1 11 111 ' 1 l' 1 \1 iv:.l proporcin. En el caso de una variable aleatoria dis l' ' 11
\ , Illd l' ti \ Il P r los valores que puede tomar la variable (que denom 1 11 1
1 ( 1\111. h ti Itualn nte por Xl' Xz, ... , X'" una vez ordenados) y su corre 1 \111
11 ' 111 ' I mi bjlidad. Siempre que sea posible, y de aqu en adelante, p I"
I 111 Ii l' ' 11 os d los subndices para una mayor claridad.
IHH
, 11 ma funcin de probabilidad de una variable aleatoria di s
' 1' ta, ,y e representa por f(x), a aquella funcin que asocia a caclll
rdo!' d la variable la probabilidad de que sta adopte ese valor . .l.
1, ' ir:
f(x) = P (X =x)
V ' [.1 m algn ejemplo:
6.2. Consideremos un experimento aleatorio consistente
una moneda al aire en tres ocasiones. Si definimos una
X como nmero de caras obtenidas obtenemos la " ~ i " . ' . u ....,u
3/8 =0,375
1/8 = 0,125
columna recoge el espacio muestral del experim nt
valores que puede tomar la variable X anteriorm nt
~ . ~ " " .... ,. sus correspondientes probabilidades.
funcin de probabilidad de X es:
x

1 2 3
{(x) 0,125 0,375 0,375 0,125
x {(x)

0,125
1 0,375
2 0,375
3 0,125
l'un in de probabilidad de una variable aleatoria discreta pu ' 1 1
IIl arse mediante un diagrama de barras donde se recogen] S vnlo
loma la variable en el eje de abscisas y, en el eje de ordena h s, 111.
0,5
0,375
:E 0,25
-
0,125
O
2 3
O
x
l' ~ I I I 1/) , 1. R '1 l ' '8 ntacin grfica de la funcin de probabilidad del ejeml lo tI
1. 1,' los I r pi dades fundamentales que debe cumplir la funcin d \ 1
1111
, d, II h 1 SOl :
P'll" l ualquier valor de x, siempre toma valores positivos o nulo .
I ' i 1':
VXEX f(x)"20
La suma de todas las probabilidades correspondientes a cada valol d
, \s igual a uno:
l.. f(x) = f(x
l
) + f(x
2
) + ... + f(x
n
) = 1
( I s 'rvar, tambin, que estas propiedades no son ms que una a<.lt\ 1' 1
' Oll 1\ I d finicin axiomtica de la probabilidad al caso de variabl 's d
\ lol'ias.
. . . FUNCIN DE DISTRIBUCIN
I,u !'UI in de distribucin, o funcin de distribucin de probabilida I
1111 ' \ vnri bl aleatoria X, se representa con la misma letra que su funci )11
I mi n ~ ilid d, pero en mayscula: F(x) , y nos indica cul es la probabil ld
I lO
d" ll clIll 111 11 11 1111 dCI! 11 11' 1111 1 11 pll d qt h' 1111 V dCII I CIII
Olt " li \ , IplI 1' 111 :
F (x ) = P (X '.5, x)
IIn 1 otra manera: si ordenamos de menor a mayor 1 v'll )1' s ' 1,
ti 1, al atoria discreta, la funcin de distribucin e obli 1 ' ' \ ' lI ll ltl
(o sumando) los valores de la funcin de probabilidad, d r rl1l L\ q" '
1 ' 111 0 la siguiente expresin:
F(x) = P(X ~ x) = f(x
1
) + f(x
2
)+ .... + f( x )
Con los mismos datos del ejemplo 6.1, dond
. consista en lanzar una moneda al aire en tr
definido la variable X como nmero de caras
funcin de distribucin .
F(O), F(1), F(2) Y F(3). Comenzamos por F(O) qu
de que la variable aleatoria X: nmero de caras tom
o igual a cero, esto es:
F(O) = P(X ~ O) = P(X = O) = 0,125
similar, F(1) es la probabilidad de que el nmero d
o igual al, esto es que sea cero y uno:
~ 1) = P(X = 0)+ P(X = 1) = f(O) + f(1)= 0,125+0, 375 = 0, 5
la probabilidad de que el nmero de caras sea m
111
3) = P(X = O)+P(X = 1)+P(X = 2)+P(X = 3)
+ f(1)+ f(2)+ [(3) = 0,125+0,375+0,375+0,125
se suelen presentar resumidos en un
o 1 2 3
0,125 0,500 0,875 1
a las variables estadsticas:
x F(x)
3 1
2 0,875
1 0,500
O 0,125
1: \ r pr sentacin grfica de la funcin de distribucin anterior '\l 11
' t' " , gida en la figura 6,2.
que F(x) va dando saltos precisamente en los valores l
Id III (O, 1,2 Y 3) Y el crculo blanco, de la grfica, no incluye eso ' V ti c
" '. As1, por ejemplo F(2) = 0,875 pero F(1,9999 ... ) = F(1) = 0,5.
01 s rvando la grfica de la figura 6.2 se deducen, sin necesidad
"\' ' \1 I'l'i r a demostraciones matemticas, las propiedades fundam ; 1\1
1 1 I d. be cumplir la funcin de distribucin de probabilidad. I I
1111 :
Pll
/(x)
I
0,87
0,7
0,625
0,5
0,375
0,25
----0
0,125 __ ---()
o 2 3 x
R 'presentacin grfica de la Funcin de Distribucin d 1 ej I11pl o 6, "
l'clllo!oi lo valores que toma la funcin de distribucin de pl 'ol ll l I ti ,,1
11\ I itivos o nulos, es decir:
Vx F(x)20
nula, vale 0, para todo valor inferior al menor valor d 1'\ V 11 ,
toria, Xl :
F(x) = si x < x
i"( \) igual a uno para todo valor igualo superior al mayor valol' I \
1\ Ilriable aleatoria, Si llamamos xe al mayor valor de la varhl I ':
F(x) = 1 si x 2 Xk
1 fLlncin F(x) es no decreciente ya que es una acumulaci r SlIllll
I I r babilidades que son siempre positivas o nulas,
. 1 I robabilidad, P, de que la variable aleatoria X tome val 1 S '() /I1
Im' /ldidos entre x, y x
2
(Xl S X S x
2
) es la diferencia entre lo valol' '. ti '
1, funcin de distribucin correspondientes a su valor superiol' 111 ' 11 0 .
11 V lor inferior. Es decir:
P(x, S x S x
2
)= F(x
2
) - F(x,)
I I tor qu para una variable discreta X podamos cal ul"
11 1\1(\ IIn H ' n illam nte obteniendo el sumatorio del producto de cada lIllIl
I I ) ' v'd l' ' 5 d la variable por su frecuencia relativa o proporcin. PI!
" ' 11 , I 11" \ 'al ular la media, que designaremos por la letra griega !L, 1,
1 111 1 V \ I'i di , '11 a tora discreta X calcularemos el sumatorio de cada uno 11
111 dOI ' " I l ' l ma la variable por su correspondiente funcin de pr ol \
" 1 el Id. H' l ' ir:
I \ I 4 ti la, P, d una variable aleatoria discreta X viene definida por \' \
1' 111 Ill ' pi ' in:
!L = Lxf(x)
1,11 I d ia de una variable X, tambin se denomina esperanza mal '
", Il'a, o valor esperado de X y se representa por E(X). Este trmino I
1I ,' li S 1"lf en los juegos de azar y fue introducido con el fin de po I I
( . tllll'\I ' la ganancias esperadas, si se repitiese el juego un elevado nll 11 \
1'( ' I \ V s. Referido a una variable aleatoria representa el promedie- I '"
I 'o lll ' l mara la variable aleatoria si se repitiese el experimento al ' \
I ClI ' () 11 fj I ila veces.
JI.
- - .
, . ( ~ ..... ,(,...'
JII .. t JI, l J ~ ' C.
f( ) If( )

0,1 25
1 0,375 0,375
2 0,375 0,750
3 0, 125 0,375
1,5
J.l = E(X) = Lx{(x) = X/(X)+x
2
f(x
2
) + x/(x
3
)+xl(x
4
) =
= O -0,125+ 1-0,375 + 20,375+ 30,125 = 1,5
\1' I btener la varianza de una variable aleatoria X, que d si ]1 ' 11' (' 111 4 I
, I lra griega sigma elevada al cuadrado) V(X), deb n os ' ti ' 11111
IIllIt rio del producto de cada uno de los valores que toma lu v \1 d,l
, su media elevados al cuadrado por su correspondienl vu lol I 1\
"11 d probabilidad. Es decir:
L I varianza u
2
, de una variable aleatoria discreta X viene d n n i 1 \
11 I t iguiente expresin:
,11 : Una frmula alternativa, que puede resultar muy til en div nns
, nes, para calcular la varianza es:
(J2 = E(X
2
) -[ E(X) J
E(X
2
) = L x
2
f (x) Y [ E(X) J es la media de la variable el vad' \
\ludrado. Por tanto, la varianza puede definirse tambin como ItI
I"mza de los cuadrados de X, E (XZ), menos el cuadrado de la SI '.
' 1',11 de X, [E(X)2.
1"
( _.,)a. f( )
2,25 0,28125

- 0,5 0,25 0,09375 1
0,5 0,25 0,09375 4
1,5 2,25 0,28125 9
0,75
(J2 = I,(x- J1i . ((x) = 0, 75
0'2 = E(X
2
) -[ E(X)r = 3 - (1,5)2 = 3-2,25 = 0,75
.4. DISTRIBUCI ONES DISCRETAS DE PROBABILIDAD
n i 't n algunas distribuciones discretas que, por utilizarse fr ' (' 111
111l' l1t \ omo modelo o por su inters como instrumento estadsti ' O,
\ , \ \ ' jaJI11 nte importantes. De muchas de ellas se han elaborado 1..1l'l1l
I ' 111 I que facilitan su aplicacin a problemas concretos.
En Ciencias Sociales y de la Salud se trabaja, en muchas ocasion '. , II
V \t'i abl aleatorias discretas que slo pueden tomar dos valores (dicollll
' I S y que habitualmente representaremos por 1 y O. En estos caso , l '
I t 11 Iy til la utilizacin de la distribucin binomial que analizamos
,' I,' ui nte epgrafe.
11)6
Illl le' ll to binomial consiste en repetir n veces, y de for ma in I ' P ' 11
11, I,Y Bernouilli. Una variable aleatoria X sigue una di sLril1l IOJl
Cl JI ,nrmetros n y p ) si expresa el nmero de xitos en /1 IV " '/, I
pl lldi ntes de un experimento con probabilidad p d obl l' 1I ' 1' (
11111 0 , ( l - p ) de obtener fracaso. Esta distribucin sueJ \ n.' pl ,(" (' 11111
11\ / 1 B(n, p) donde B indica binomial, n (nmero d ' ' 11 IVII II
1'1' , il un experimento Bemouilli) y p (probabilidad d ' 1111 )
Si lanzamos una moneda imparcial al aire en tres o
la variable aleatoria X como nmero de caras obt
seguir el modelo de distribucin binomial con p
y p = 0,5. Diremos que X sigue un modelo B(3; 0, 5). E t
cada lanzamiento slo son posibles dos resultados:
y fracaso (salir cruz); los ensayos son independi nt
tado en un ensayo no depende de lo que haya salid
' ' ' ' ' ' , . ' ' ' r r ~ " anteriores) y la probabilidad de xito (en est
) se mantiene constante a lo largo de los ensayos ( n
ti 'n, una variable X que sigue un modelo de distribucin binolll/IL
III tros n y p, y que simbolizamos por X - B(n , p), PI S " 1 \ 111 ,
t kas fundamentales recogidas en el siguiente recuadro:
( ' /1 (/( '11' / (", I t'tI , /111 11 /11 1111'/1 1(111'. /" 1/1/ (/ " ", II IIJI! ' h " 11 (/111')
1"1111 ' )11 \ I ro\ \ \ tl i 1 \ 1:
j"( ) = P( = ) = ( : ) p q'
11' \\11 -I)n 1 \ di tribu in:
M 1 \: 1' np
= npq
le 11111 : ( ,1' " ' 14 \ nmero de aciertos, n es el nmero de ensayn I
l \ \ 1 rol ubilidad de xito en cada uno de los ensayos, q es I ,
\ d fracaso (1-p) y el nmero combinatorio ( : ). qu '
I 1/ bl" x es igual a n!
x ! (n - x ) !
AUIl lLl relativamente fcil deducir las caractersticas anteriore n 1I
1I1l 0 S a h cer aqu formalmente, sino que recurriremos a su aplicaci 11 I
I (' IIIJ los ncretos.
[!:' 'lll1lml;Jl0 6.8. Siguiendo con el experimento aleatorio de lanzar
n tres ocasiones, presentado en el ejemplo 6.1, y definida X
d caras se pregunta: A) cul es la probabilidad de o
2 caras?; B) cul es la probabilidad de obtener dos caras
y C) cul es la probabilidad de obtener ms de dos caras?
ha indicado en el Tema 5, podemos responder a estas
d sarrollando el espacio muestral y aplicando, en cada caso,
2) (2 JO,s2 0,5' 2 -m
0
,s2 0,5 - ,5
5= 3.0, 250,5 = 0, 375
S 2) = f(O)+ f(1)+ f(2) = 0,125+0,375 + 0, 375 = 0,875
P(X= 0)=(3).O,5
0
.0,5
3
-
O
=(3),1,0,5
3
53 =
O O 0!3! '
,125 = 0,125
= 1)= (3).0,5
1
.05
3
-
1
= (3).05.05
2
= 50 5
1 ' 1" 1! 2! ' ,
50,25 = 0,375
P (X = 2) = 0,375 (Vase el apartado A).
P(X > 2) = 1- P(X 2) = 1- F(2) = 1-0,875 = 0,125
que ya lo hemos calculado en el apartado B)
tambin que la media y la varianza coinciden
en los Ejemplos 6.4 y 6.5, respectivamente:
J1 = np = 30,5 = 1,5
2
O' = npq = 30,50,5 = 0,75
11)1)
" 11
1.11 In 'rubia J, p ra la funcin de probabilidad binomial, la I l ' III1 1
011111111 1 ' n 'lb zada con la letra n se refiere al nmero d
III'III ,Y los S d de 1 hasta 20. La segunda columna recog I 11\1111
le I I lO' ( r ) q 1 speramos obtener para ese nmero de ensayos, 1111
" 11\ 111 l l ' O I 'ls la ese nmero de ensayos. La primera fila d 1.1 I del
111 CI " PililO,' vn l r de la probabilidad de xito (<<p) que van l d
11 ,111 ,O, 1111 I In 1 Ti r de la tabla se encuentran las probabilidade ' 0 111
pi 111111 1111 L' I PI'O bilidad buscada, para unos valores concretos d ' (( 11
" ' 11 ' 11 ' 1111"\ '11 la interseccin de su fila con la correspondiente oh 1111 ,
1\ \ (h p ll, As , I (r j mplo, la probabilidad de obtener dos xitos en I1 1
11. babilidad de xito de 0,3 se encuentra en la tabl a 111 ,
ge en la figura 6.3 y vale 0,1890 . .
Probabilidad de xito ''p''
001 o,os 0,10 0,30 0,45 o so

0,3341 0,3750
l ' I 111 ' I ,3, Oblencin de las probabilidades a partir de la tabla de la funci n
de probabilidad binomial.
1. \ 111 Ii Z'l i n de la tabla n, funcin de distribucin binomial, es idn I
, , I1 11111 ri r. Unicamente resaltar que las probabilidades que apare ' 11
\1 I I 111 (. ri r d la tabla son acumuladas. Veamos un ejemplo de la utili z 1
1111 l 'st ' dos tablas.
' 00
- p (X :5; 2) = 0,875 Utilizando la tabla 11 y recogi ndo 1 v
en la interseccin de la fila n = 3 x = 2 con la column p
> 2) = 1- P (X:5; 2) = 1 - F (2) = 1 - 0,875 = 0,125
que F (2) ya lo hemos obtenido en el apartado anterior utili
la tabla n.
\1 mbargo las tablas 1 y n slo contienen valores de p d ' d \ 0, 1 11 \
ntonces qu hacer cuando tengamos unap > 0,5? En " I SO, ( ' CIIIIII
, lo que haremos ser intercambiar las condiciones de xi[O))'y 1I 1
In, Vemoslo con un ejemplo.
6.10. Sabemos, por la experiencia de aos anteriores n I
de Psiquiatria y Psicologa Clnica, que un 60% de los paci n
tratados con Tcnicas de Modificacin de Conducta. Si un det
da acuden 5 personas a consulta Cul es la probabilidad d
sean tratadas con Tcnicas de Modificacin de Conducta?
caso, si la probabilidad de ser tratado con Tcnicas de Modifl
de Conducta es p = 0.6, la probabilidad de no ser tratado n
tcnicas es q = 1 - p = 0,4. Por otro lado, que tres personas, d u
de cinco, sean tratados con Tcnicas de Modificacin d o
es lo mismo que dos personas, de las cinco, no sean trat d
tales tcnicas. Por tanto, el valor correspondiente, en la tabla 1,
de la fila n = 5 y x = 2 con la columna p = 0,4 nos d
a la pregunta planteada. El resultado es 0,3456.
'01
1
1
11 tlllI ' IIII' pllll\ 1\111 111 \' 1 1I '1" , 11 11 Ilhll 1 11 , ,1 1111111 111
I 11 I \1 (1), . 010 11 I t h t. I 1 O, H 11' It Ito 11 ) I 1\111 ' 1 11111 1('11\ I 101.1
111 111" 1 \l ' t V dol' . ,' UI dOl',' ' \ \" 10 1 ' 1\10, ha ' \1' un' \ . 1" Ill ll Il' 11 11
1, B II()\II ti 11" li slt"illl ' i n Normal , . 1T1() V ' 1' ' ITI S ' 11 1 J r 11110 I 111
. Oh, di la huciones discretas
I l' UMI .... N
l ma hemos introducido el concepto de variable alea((II
1 '\I(). li sUn uido entre variables aleatorias discretas y continuas y h '11
I 11,1 , ' 1 lo 1 paralelismo entre la funcin de probabilidad de una val'! ti
d, Ilol'in li r la y la distribucin de proporciones (o frecuencias relal
1 1111 \ v' tri bl stadstica. El mismo paralelismo se produce entre la ( d
1 I 1'1111 i 11 d distribucin y la tabla de proporciones acumuladas.
1I ' rnos ludiado la funcin de probabilidad de una variable al 111
1 I l' ,t y ] hemos descrito haciendo uso de su media y su vartl1
I 11 tllIl \ 1\1 " h mos comprobado la sencillez de manejo de las tabhl
1 ,1 1" 1 11 i n binomial y la utilidad para resolver los problemas I
' (1
ti 'ti d las sigui ntes afirmacion s es una propi dad b ' i tl l ' tod \
11111 '1 >n l probabilidad de una variable aleatoria X di r la?: A) I nI' \
11111 lui r valor de la variable aleatoria, su [uncin d pr I I Ji In 1
I \1( d l mar valores negativos; B) la funcin de probabilidad s, s i ' m-
I 1 \ , n decreciente; C) para cualquier valor de la variable al alori a
I t r\ln in de probabilidad siempre toma valores positivos o nul s '
1' 11 I iguiente tabla:
2 3 4 5
{(x )

10/60 24/60 20/60 4/60
, muestra la funcin asignada a una variable aleatoria dj s ' ," ' 111 " 1"
11111 ' in: A) es una funcin de probabilidad porque f(x) 2: O; B) no " 1111 1
IlIn In de probabilidad porque f(1) es nula; C) no es una fundI l ' ,,1'0
1 "ilidad porque no cumple alguna de las propiedades fundam nlal 'H.
I l\ r el diseo de un experimento de discriminacin dispone m s d .
11' ' 5 cuadros grises y dos azules. Seleccionamos de forma suc siva y
in reposicin dos de estos cinco estmulos y definimos la variabl"
d toria X: nmero de estmulos grises seleccionados. La f m i6.
ti probabilidad de esta variable aleatoria es:
A) B) C)
x 1 2 x

1 2 3 x 01 2
f(x) 1/3 1/3 1/3 ((x) 0,2 0,3 0,3 0,2 {(x) 0,1 0,6 0,
En un experimento aleatorio cualquiera para denotar la expre i n h
I robabilidad de que una variable aleatoria, X, tome valores 111 TI r 's
O iguales que 4 utilizamos: A) f(4); B) F (4); P (4).
11 \
e ,n, I 11, 11111
U A I l\ 1'1 i l' I la tabla, con la ["uncin de probabilidad d
0 , 0 , 1\ ~
l lll \
d 'nlori'l X di reta, la media es:
11)
)
x
-1
2
4
((x)
0,2
0,4
0,4
, ( , ljlm vUI' i'lbl aleatoria discreta X toma los valores 0;.1 Y 2, 1.' 011 l'
1 ' I Ii lad ' 0,7; 0,2; 0,1, respectivamente. La medIa o ' ~ p ' 1,111
Ill ' lt 'm li a de X vale: A) 0,2; B) 0,24; C) 0,4.
( , I () ,
, 12,
'O I
VI Y una variable aleatoria discreta con valores 0, 1, 2, 3 Y 4, 1I
' in ' valores de Y son equiprobables, su media es: A) 1,2; ) ,11
1,5.
Lu va riable aleatoria X toma dos valores (cero y uno). Sabi ' 11 1" ti
P( ) = 0,2 Cunto vale la probabilidad de que X tome el val or It
A) 0, ; B) 0,2; C) 0,5.
T 1 indo en cuenta los datos de la tabla, la media de la vari ahl
nI ri aXvale:
A) 2,7
I ) 7
2,4
x
1
2
3
4
F ex)
0,2
0,5
0,9
1
111 dllll d , lIllhll1 ' ,1 , '" (I"H, II 1I I III ZIt! 11 11 d,ll
) \, : IJ) . , ~ ; () 1, 1 "
d 'qu un 10% de la poblacin espaola padec alg n 11 J () 1,
11 , 1 1 gimos aleatoriamente una muestra de 8 per onas, h I 1'0
h 11 hd de que slo una de ellas padezca estrs vale: A) 0, 2 38; B)
,00 1; ) 0,3826.
out J uando con los datos del problema anterior, la prot a l IlId Id
I 1\1' ms de una de ellas padezca estrs vale: A) 0,1869; B) O, \H 1:
) O, 05.
11', 1m n de PIR (Psiclogo Interno Residente) consta d , ' 11111 ti
1
I
' ~ tlnlas tipo test con 5 alternativas cada una de la qu unl 'ni I
1111" tao Si un aspirante a la admisin en el PIR contesta 1 ' \ :1, 11 ' ()
1 ' 1'!1 , la probabilidad de que acierte ms de 5 vale: A) 0, 2( ; B)
1, 1\ 58; C) 0,9133.
IIlltinuando con el ejercicio anterior (6.18) Cul sera el nn ' l'O 1,
, ' !L'rlos ms probable, en esas 20 preguntas?: A) 5; B) 4; C) 2.
linIos mismos datos del Ejercicio 6.18 Cul sera la pr b bili In 1
1, {le falle 13 o ms preguntas?: A) 0,9679; B) 0,8265; C) 0,41 14.
) _UCIN A LOS EJERCICIOS DE AUTOEVALUACIN
1. \ . xpresin {(x) se utiliza para representar la probabilidad 1, lIll \
ariable aleatoria X tome un valor concreto que representam s I 0 1' \',
', ' decir: ((x) = P(X = x).
,o
,
, ,
) .. , 1
, 1, oh, " 1\ :
( , 1. olu ' !)!:
1 qu f() = 1, q 1 S lIl1l\ I 11
d la [un i n d pr babilidad. En ' 1'( \ lit
10 24 20 4 58
L',{(x) = 0+ - + - +- +- = - :;: 1
60 60 60 60 60
lO 110 l' ' OIT ta porque X no puede tomar el valor 3.
1'1 1 I Hilo, p r exclusin, la respuesta correcta es C. (Pued ' 1111
plI,l \1 ' 1 1 ' l r que efectivamente esta es la solucin correcta ."
1I11I1d( lo.' 'Cd ulos oportunos).
(' , , Holu ' 1 )11:
1. I I l ' b b.ilidad de que una variable aleatoria, X, tome valol1
111 ' 11 01' S iguales que 4 o, lo que es lo mismo, P(X::; 4) se repr s ' 1\1 11
1 0 1' Ji (4).
Solu i n: A
I ( = 4) = F(4) - F(3) = P(X::; 4) - P(X::; 3) = 0,974-0,963 = 0,01'1
( .7, S >lu in: A
Por lanto:
224
f(O)=P(X = 0) = - .- = - = 0,25
4 4 16
f(1) = P(X = 1) = = 2'(--) = = 0,5
4 4 16 16
2 2 4
f(2) = P(X =2) =-- =- =0,25
4 4 16
F(O) = feO) = 0,25
F(1) = f(O) + f(1) = 0,25 +0,5 = 0,75
F(2) = feO) + f(1)+ f(2) = 0,25 + 0,5 + 0,25 = 1
Cllw 111 : B
1
1 1),0, I ,() , I ,(J ,
O, I O,H I 1,
11 111 j 11 :
1/ = I.::() = -re ) = 0,0,7 + 1, 2 2 ,1= 0 . ,2+ 0, 2 O,
olll i n: B
l. , ru 1 i n d probabilidad
x

1 2 3 4
f'(x) 0,2 0,2 0,2 0,2 0,2
Por lanto,
l/v = Lyf(y) = 00,2+ 10,2 + 20,2 + 3-0,2+ 40,2 = O +0,2+ 0,4 +0,6+0,8 = 2, 0
olucin: A
;' (X) = 0,2 es la Esperanza o Media de la variable X (tambi '11 " l ' pi \
.' nta por J.1). Su frmula es:
E(X) = L x.[(x)
1 \ funcin de probabilidad de la variable X es la siguiente:
x

1
fCx) fCO) f(1)
) uesto que los valores que toma la variable X son O y 1 y, d ni " /t \'
r presenta las probabilidades asociadas a esos valores. Por la nlo, / O
la probabilidad de que X tome el valor O y f(1) es la probal ili In I
de que X tome el valor 1.

E(X) = LX.[(X) = 0.[(0)+ 1.[(1) = O + f(l) = f(l) = 0,2
Al tratarse de una funcin de probabilidad:
L',f(x) = 1
20!
( , 12,
V, Ie' , t \I!l II, 1(0) I I 1)
1. I pl'O! ti il i l Id 1, 111
I (()) I (j, I ()
IOIl H I v dlll' () O,H,
bili dad s q \l ' 1\ 11 "\' 11 11 I
x
F(x )
f(x)
1 0,2
f(1 ) = F(l) - 0,2
=
2
0,5
f(2) = F(2) - F(1) - 0,5 - 0,2 .. O,
, 0,9
f(3) = F(3) - F(2) - 0,9 - 0,5 - 0,4
-
1
. f(4 ) = F(4) - F(3) = 1 - 0, 9 - 0, 1
E(X) = I,xf(x) = 2,4
, 1 , 1 U i6n: B
11 ay do frmulas equivalentes para calcular la varianza
bl al atoria X:
a
2
= V(X) = I, (x - ,u)2 -{(x )
a
2
= V( X ) = E(X
2
) - [ E(X) J
Vamos a utilizar las dos en la siguiente tabla:
x f(x ) x . f(x) (x - JL) (x - JL) 2 (x - JL}2 f(x)
- 1 0,2 - 0,2 - 3,2 10,24 2,048
2 0,4 0,8 - 0,2 0,04 0,016
4 0,4 1,6 1,8 3,24 1,296
2,2
3,36
POI' l'1I lo:
X2
1
4
1
a
2
= V(X) = I,(x - ,urf(x) = 2,048+ 0,016 + 1,296 = 3,36
ti
ti
11
a
2
= V(X) = E(X
2
) -[E(X) J = 8,2 - (2,2)2 = 8,2 - 4,84 = ,\,
l O!!
uLi lizal" la bin I11jal :
/'(2) = P(X = 2) = U }0,6
2
.0,4
0
= O, 361 = 0,
111 111 0 I uItado lo podemos obtener mirando 1 v' l l ol' 1, 1,
1 (>ll '11 r 2 cuadros grises conp = 0,6 es lo mism qu ' )11 ('IIt ' I'
I \1 h nI' azul con p = 0,4. Mirando la tabla para n = 2, = O .Y l'
" hl 11 0, 36.
1" este ejercicio podemos aplicar la frmula 1, 111 1'11111' 1111
1
,
,, 11 d i1idad de la binomial. Lo ms prctico, sin cml tll 'I"(), t 11I
I I \ Tabla r.
" Inl 0,3826 que se encuentra en la interseccin de la fih 1/ H
1 1111 h olumnap = 0,1 es la soluccin correcta.
1111 pi d P(X > 1) y sabemos que P(X > 1) = 1 - P(X $, 1).
11111 ' ) lado: P(X$, 1) = P (X = O) + P(X = 1).
I IIldn la Tabla I, comprobamos que P(X = O) = 0,4305 Y qu ' 1)(
() , 26. Por tanto:
P(X> 1) = 1 - (0,4305 + 0,3826) = 1 - 0,813 1 = 0,18
t ' ue P (X $, 1) podemos obtenerlo directamente a part l' l 1 \
1I \ 11 (fila n = 8, x = 1 Y columnap = 0,1) haciendo ms n 0 1\ 11
,111 ' i n del ejercicio.
P (X > 1) = 1 - P (X $, 5)
2(
1
)
IJI 1/, IIldn I \ I ,11 , 11 IlI lIpl ll ll 1111 11 pll ' I /I () ,I IJ (),
P ( ' 5) O,HO , 10 1' I 11 1(0, l' 5) O,HO 2 0, I ( 5H.
6.19. Solu i n:
El nmero de r spue ta ac r tadas m pr bab] . '1" ltl 11 1 1 01
esperanza matemtica de la variable para n = 20 Y P = 0,2. 10 1' I 111
J1 = np = 20 . 0,2 = 4.
(Nota: Obsrvese que en la tabla 1, para n = 20 Y P = 0,2, '1 111\
valor de la probabilidad corresponde, efectivamente, a x = 4 ,
6.20. Solucin: A
210
La probabilidad de fallar 13 o ms preguntas es la misma 111
1
1\
acertar 7 preguntas menos. Por tanto, se trata de obten l ' 11 .1
p (X ~ 7) para n = 20 Y P = 0,2. Utilizando la tabla II obt
resultado 0,9679.
T 1111 7
011 ti n l 'l S cl PI b bilidad
7.1. Introduccin
7.2. La dislribucin normal
7.2.1. Caractersticas y propiedades
7.2.2. Utilizacin de las Tablas
7.2.3. Histograma y distribucin Normal
7.2.4. Aproximacin de la binomial a la Normal
7.3. La Dislribucin "Chi-cuadrado de Pearson
7.4. La Distribucin "t de Student
7.5. La Distribucin "F de Snedecor
7.6. Resumen
7.7. Ejercicios de auloevaluacin
7.8. Soluciones a los ejercicios de autoevaluacin
I \ I ' Ina vamos a estudiar los modelos de distribucin de una varia-
le 11 " , [ tinua ms ampliamente utilizados en el rea de las ciencias
d h. alud. Conviene distinguir entre aquellos modelos a los que
" \ 111 nL se ajustan las variables con las que trabajamos y, aquellos
I 1/11 ' Lienen una gran aplicacin como instrumentos estadsticos.
le I I rim ros, se encuentra el modelo normal y, entre los segundos,
I , 11 ' I 1 de Pearson, t de Sudent y F de Snedecor.
In I ) ' los modelos seguiremos, aproximadamente, el mismo esque-
I 1\ te. r veremos su definicin, posteriormente su media y su varianza
11Ilt'llt - , veremos la forma prctica de trabajar con ellos utilizando las
I andarizadas existentes que incluimos en el Apndice.
I mr mos especial atencin a la distribucin normal porque, adems
I I 1 'vancia como instrumento estadstico, responde al tipo de distribu-
11' ' sigue la mayora de variables fsicas y psicolgicas (la estatura, el
1, traversin, el CI -Cociente Intelectual-... son algunas de ellas).
, . , omo sealbamos al final del tema anterior, las tablas I y 11 del
I 11 ) nos permiten resolver un problema binomial con ms de 20 ensa-
1'(' ' urririamos a la aproximacin de la binomial a la normal.
II objetivos que se pretender alcanzar son los siguientes:
<mocer las caractersticas de la distribucin normal como distribu-
l'i n de probabilidad de una variable y la aproximacin de la binomial
\ dicha distribucin.
U tilizar las tablas de la distribucin normal para obtener probabili-
dades.
onocer las caractersticas de las distribuciones t, chi-cuadrado y F:
su media y varianza.
213
1, cid ' 11 Idl ' Hin , /1', ji \1 IIIItI
11I l' p,'ol d Id I I ,' ll. () ' ' ldll H , 11110, d t .'I ' lnillll<.!O, ' vulol'(\ 1, \, 11 I1
1I1
'
l1t , ohl ' 11 ' 1' los valol' 's 1, 'sl'tS v'u' i' t11 's ' tSO ' hdos ' 1 IllItl. 11'1 1
ItI JI I 11. ' I I'oly,bili h 1 s.
7. . ,,1\ UISTIU BUCI()N NORMAL
HIl ,1 t 'n a ant rior hemos tratado las variables aleatorias di s ' 1' 11
ti IlIdo tilla valiabJ aleatoria puede tomar infinitos valores direm s (11 '
11 ' ,t, 1 \ 11 11'\ v'ariable aleatoria continua. En este caso no tiene s ' 111 dlt
11 d 11 11 ' l In ( !'Ob bilidad de que la variable tome un valor concreto ("111
Il n 111 1 1I -ha variable se encuentre en un determinado interva lo,
I I 1/, 111/1/ ' /1 normal, campana de Gauss o, sencillamente, curV'l 11111
111 " 11111111 111111 In ' conoce a esta distribucin fue definida por D MIli
' 11 I 11 1111 1111 11 t o ncontrar las probabilidades acumulas en una di. t 1I
\t" 1111 h 1I(llll h l li ando n (el nmero de ensayos) es grande. Nosol!'!.
11110 ' t s ' \1 l' s u caractersticas fundamentales, la utilizacin d 1,
I ,hll. I I () ' l 'ri nnent e veremos una aproximacin intuitiva desde J h
Inl '1 "un has la la cur va normal.
7. .1. Cal".,dcristicas y propiedades
(, , sig ti nt frmula recoge la funcin, que para variables continua:-:
ti ' 1Iomina i densidad de probabilidad, para una variable X que tiene lI il l
ti 11'11 II i 11 normal:
1(X-IlJ2
f( )
__ 1_ - 2:
x - r:::- e
(J,,2n _
para - 00 < x < 00
d,," 1, J y. (J, media y desviacin tpica, son sus parmetros, n = 3,1416 Y
/7 18 Y (base de los logaritmos neperianos).
111 a variable X tiene una distribucin que se ajusta a la frmula anl
I e 11'/ I i l' 1110 que se distribuye lo expresaremos por: X -7 N
(/', ), lndi ando que tiene una distribucin (N) con parmetros J II
y 1 ( 1,
' 11,
(JI
111 112
I 111 , , 7. 1. Curva normal o campana de Gauss en funcin de sus parm ' I'O"
11 fi gura nos indica que la puntuacin de la mayoria de lo ' in 1I Idl! I I
111111 variable que sigue esta distribucin, se encuentra entol"l 0 ' 11 I 111 I ,
111 'dida que nos alejamos de esa puntuacin, por su lado iZql1 ,,111
'ch ,va disminuyendo la frecuencia.
I I.'gn una de sus propiedades fundamentales, si a una variabl \ <III
11'1 uye normalmente, con media Ji y varianza d, le aplicamos u mIli' \ I t
IlIln in lineal de la forma Y = bX +a la nueva variable Y tambi 1 s I d
IlIlr normalmente pero con media bJix + a y desviacin tpica IhIO'" \
lamos la media y dividimos por la desviacin tpica obtenemo una IHl t -
v triable que designamos por Z. Esta nueva variable Z se distribull' ,
z -N (O,l)
y su funcin de probabilidad vendr dada por:
2
1
f(z)=--e 2 para -oo <z<oo
0'&
2\
11111'11
o, O
0,4
0,40
0,35
((z) 0,30
0,25 -
0,20
0,15
0,10
0,05
0,00
- 4,00 -3,00 -2,00 -1,00 0,00 1,00 2,00 3,00 4,00
z
11 1 t ' \ 72 DJ' tribucin normaltpificada o estndar, N(O,l) .
r 11 ,. .
11. t I li .' ll'lb 1 i n se denomina normal tipificada o normal os lrllll
1 ,(/( In , N)s tr . n vamos a trabajar directamente con su fun ' 1 11 I
I 11 , i 1\ I 1 pr babilidad. Para la aplicacin a problemas COI ' " 111
ta distribucin, recurriremos a las tablas III y I ti I
, ,1 S "V 1110S la figura 7.2, entre las propiedades fundamentale d ' 1111
di,' I L1 ' n TI rmal podemos destacar las siguientes:
Hs sim trica en torno a su media, f.l, que coincide con su median'\
, ti m l.
1, I Irva normal tiene dos puntos de inflexin, es decir, dos punto
Ion 1 la curva pasa de ser cncava a convexa. Estos puntos
I It lI ' l 1 a una distancia de una desviacin tpica de la media.
11. ,' (/ sinttica en el eje de abscisas, se extiende desde -00 hasta +00 sill
11 ' 01' nunca a tocar el eje.
1111 d I 11 11111 1111 111 111 ( 1I (CI Id, 11 1, Ip ll ' 111\ 1/' 11" 1,
1,0
0,9
0,8
0,7
0,6
r () 0,5
0,4
./
/
7

/
/
/
0,3
0,2
0,1
0,0
- 3,5 - 3,0 -2,5 -2,0-1,55 -1,0 -0,5 -0,0 -0,5 1,0 1,5 2,0 2,5 3,0 3,5
Figura 7.3. Funcin de distribucin.
lllllizacin de las tablas
" I tS tablas III y IV se recoge la funcin de distribucin d la ti 11 1111
lIol 'mal estndar. En ellas se presentan todas las puntua in ' t 111 1
hasta +3,59 con intervalos de 0,01. La primera col m1l\1I ' 111 ,
, . nla letra z consta de un nmero con un decimal qu , '1' " pOli
I , I LLntuacin tpica y la primera fila (a la derecha de la letr z) o, ','
ni egundo decimal de la puntuacin Z. Todos los valore inl 'do\'
l'lHan probabilidades y llevan, obviamente, un cero delant 1, 1\
\. La tabla III corresponde a las puntuaciones tpicas negativa ' (pOI'
lo l la media) y la tabla IV a las positivas (por encima de la m Ih ,
Tabla III del Apndice
11
1, pOI '1 IlIplll 1, 1'1111111 H 1111 IIp o, (I"bl, 111) ti l' 1111
1" 1I 1111 \ IImh \1>11 d HI ti (l , Io(lI t
, am
"!lO 011' till OS as s ncr to :
I C'alto",o de la probabilidad para valores menores o .
1" I 1IIU1 dt'Iamhzada puntuacin tpica
I I1 ' 1,' 0 S' bu ca directamente en la tabla.
variable se distribuye normalmente,
valores menores o iguales que z = - 0,25
egativo se encuentra a la izquierda de la ....... ...
!ll!11I_"-'_ . grfica). En la tabla lII, buscamos en la primera
0,2 y en la primera fila el valor 0,05.
1!Jm.aaa que deja por debajo de s esa puntuacin es
or que se encuentra en la interseccin de esa fila
rt este caso 0,4013.
0,4013
- 0,250
1/11 I
11 1 \ I ,bl , I \ Pl 'oh d lId, I )11 ' '0 ' 1\ I 1111111 I ' 011 el '1 ,
1.
i una variable se di tribuye nOrmaJllnerlte,
de obtener valores mayores que z = O,50?
n la t abla IV, la puntuacin tpica 0,50 deja po
de 0,6915.
1-0,6915-
0,3085
o 0,5
nos interesa la probabilidad que queda por encim
restaremos de 1 (probabilidad total incluida en la u"ou.'" "
1 - 0,6915 = 0,3085 .
'lculo de la probabilidad entre dos puntuaciones
te caso se restan las probabilidades que dejan por debajo d s h. '
I 111 tuaciones tpicas.
7.4. Si una variable se distribuye normalmente, cul es la p
de obtener valores comprendidos entre z = - 0,25 y z = 0,50?
determinarlo a partir de las puntuaciones tpicas y la
ya obtenidas: bastar con restar a 0,6915 (probabilidad
-0,25 0,50
111 rO(.RAMA y DISTRIBUCIN NORMAL
1111 ' /' 11 ' 111 s q 1 disponemos de los datos de una muestra en lIll \ l '
li t, X l'I P; lIl " \ 7.4.A) . Si hacemos los intervalos ms pequeos (H 'lII ' \ '/ I
y 1 1 UJ' 1I1 l< S I p ligono de frecuencias (figura 7.4.C) llegamos a un 1 di
hlJ(' 111 simil ar a la normal.
A rh.
A B
F lIl'a 7.4, Representacin grfica desde el histograma a la curva n
ti f'i gura nos indica tambin que la puntuacin de la mayor itl d,
, .' ( s, J una variable que sigue esta distribucin, se encuentra en!OIII
1, 111 ' li tl y, a medida que nos alejamos de la media, por su lado izqu! ' Id
It' I" 'h , va disminuyendo la frecuencia de casos.
Es! h cho nos va a permitir aplicar las propiedades de la curva 11<1111
datos y utilizar las tablas de la misma forma que hemo.
1111 ' d 1'n1 nte.
1 IlI d ll ,, 1 1 'j I! Ihlt \ , tI!
111 " p .\ l ' li t ' 01 , ' 1' d 1, 1
,-x
Zi =---!... / --
Sx
ar las tablas de la curva nor mal a caso concr l s qu ' siPII ' 11
in normal vamos a considerar tres ejemplo pr li ' s:
7.5. Imaginemos que las puntuaciones en una det rmi
X, de un grupo de 500 nios se distribuyen normalm
6 y desviacin tpica 2, cuntos nios no han aleanz 1
5?
UU"UJLV.:l la puntuacin directa 5 en puntuacin tpi '
5- 6 - 1
-=-=-05
2 2 '
en la tabla 111, que esta puntuacin deja por debaj
,.. ... n .. ' ~ l de 0,3085.
0,3085 . 500 = 154,25 == 154 nios
0,3085
-0,5 O
I I
o 0,67
en el interior de la tabla la ......... '..,....... r\ ... ...
s prxima (en este caso 0,7486), y ver
0,67 (lgicamente se trata de
porque el percentil 75 deja por debajo d
a la media).
sta puntuacin tpica calculamos el P
75
de la
p. -x P - 6
z;= 75
S
=>0,67= 75
2
=>P7s = (0,672)+6=7,34
x
7.7. El peso de un grupo de 1.000 nios se distri
con un Coeficiente de variacin de 10 (CVx = 10)
ellos no supera los 33 kg. Cunto vale la media y la
de la distribucin?
CV.= 10
0,8413
o 33
IMACIN DE LA BINOMIAL A LA NORMAL
I '/, 11 ' 1 tema anterior nos habiamos preguntado qu hacer tI ' l!!
I II slribucin binomial, tenemos un n superior a 20 (las l ,bln.
IlIlId no recogen valores superiores a ste). La opcin, para v'\lo-
ti n, es aproximar la distribucin binomial a la nonTI 1. 1.11
111 de la binomial a la normal mejora a medida que p (1 a pro-
l xito) se aproxima a 0,5 y n (nmero de ensayos) es' gran 1',
observar en la figura 7.5:
liS que para una variable, X, que sigue una distribucin bin I h l
s = np y su desviacin tpica es (J = Por tanto, pod n os
1 \1' U funcin de probabilidad, que es discreta, a la normal d \t I
P(X =X) =p [ (X-O,5) - .u::; x-.u::; (x +o,S)-.u ]
(J (J (J
22
11.11 ,
11,111
11,11 \
0,1111 o 1 1
l'
p- 0,1
n- lO
1 3 4 5
l' 0,1
n 20
X
1') l'
( \ 0 ,1:\ )
]," (/
8 9 10
IL. . . .._ e - e - e-e--_e_. e-
1 S 6 7 8 9 10 11 12 13 14 15 16 17 1819 20
X
0,50
0,45
0,10
0,35
0,30
0,25
0,20
0,1 s
0,10
0,05
0,00
0,50
0,45
0,40
0,35
. 0,30
0,25
0,20
0,15
0,10
( \' I () , )
JIII)(I
....... .
6 7 o
X
1
1 11
11 111
I
n,',
n ?Il
1
/
.
0,05
000 - e
, 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 11 11 ,.
X
istribucin binomial para distintos valores de p (0,1 Y 0,5) Y n (1 ()
A1i.lIlpILU 7.8. Supongamos que lanzamos una moneda al aire
cul es la probabilidad de obtener 12 caras?
t tar a esta pregunta tenemos ql:le recurrir a la
y buscar la probabilidad de que la variable aleatori ,
'cn,lln'ler'o d caras tome el valor 12 (x = 12) con n = 20 Y P = 0,5. M
t bla 1 obtenemos el valor 0,1201
sponder a la pregunta haciendo una aproximacin
la normal.
la desviacin tpica de esta distribucin binomial son:
,5 = 10 Y (j = = = .Js = 2,24.
P [(12 - 0,5) S x S (12+0,5)
transformamos las puntuaciones en tpica :
p[ (12 - 0, 5)- ,u 5: x- ,u 5: (12 +0,5)-,u ]
(j (j (j
[
(12-0,5) - 10 5: 5: (12 +0,S) - 1O] = p(0 675: <112)
2,24 z 2, 24 ' z- ,
las tablas de la distribucin Normal:
P(0,67 5: z 5: 1,12) = 0,8686 - 0,7486 = 0,1 2
observarse en este caso, la aproximacin es muy bu n
diferencia de solo una diezmilsima) para n = 20. A m did
aumenta mejora la aproximacin.
111 ar y restar, en el caso anterior, el valor 0,5 se llama correcci /1 fl O,.
/I/Lidad y nos va a permitir utilizar las puntuaciones discretas,
si fuesen continuas. Para ello, interpretamos cada puntuaci 11,
) si fuesen los puntos medios de sus intervalos. Con este proc dil ' 11
lumos de asegurar que el intervalo incluya los valores discr t s il,
111 ial.
( ; 1' d \1111 111 ':
0,20
0,18
0,16
0,14
0,12
O,10
0,00
0,06
0,04
0,02 -
0,00 0---- 1 .......
11 ,512,5
x
111 11) ni l'O 'j mplo:
7.9. De todas las preguntas del examen para el PIR
n ta de cinco alternativas de la que slo una es
t desconoce completamente 40 de ellas y las .... ", III
la probabilidad de que acierte entre 1 O Y 12 de esas
s la probabilidad de que acierte ms de 1 O?
distribucin binomial:
y
(J' = = 0,200,SO = 2,
[ (
9 S- S) ( 12,5- 8)]
;,53 sz s 2,53 =
= P(0,59 z s 1,78) = 0,9625 - 0,7224 = 0,2401
0,1611
I ISTRIBUCIN CHI CUADRADO DE PEARSON
111 0 . 'lnaJi zado, en las pginas anterior es, la distribuci I 11 0l'l tl ti .
IIdn ' n las distribuciones continuas, en este epgraf ollsid ,,' 11'
1\ di Iribucin chi-cuadrado (X
2
) de Pearson ntimament l' ,lo ' ()IIII I ,
11,
1I .\1/ X
2
, , X
n
, un conjunto de n variables aleatorias ind I II 1 ' 11
t 111 una distribucin N(O,1), entonces una nueva variable ,, 1 Hllol \
\ I 1- 1 + .. . sigue una distribucin (chi-cuadrado I 1/ p'l' I
11 ' li b rtad) y se representa as: X . Su media y u vaJ''l Il l',1I
II1 111 = n y d- = 2n, respectivamente.
I pl"ldos de libertad (n) indican que cada una de las n variabl 's ni ' ,
111 de tomar cualquier valor, de sus posibles valores, sean ' 1I I d '
111, v lores tomados por las n - 1 restantes. Su anlisis m d ' 1 ' dl n In
,1 objetivos de este texto.
t , di tribucin se usa fundamentalmente en pruebas de bon In I
(pma contrastar si la distribucin de una variable se ajusta a 1I 11 n ti 1.
01\ determinada, por ejemplo la normal). En realidad, al igutl l tll '
II slribuciones, es una familia de curvas, en funcin de los grados d '
, omo las presentadas en la siguiente figura 7.6:
221
0,1
/ "1' 17 .. R pI" entacin grfica de la distribucin Chi - u' \ 11' Idl'
' 11 I'un in de sus grados de libertad (5 y 15).
1.1\11\ I1 I mi i' lad s, ver figura 7.6, podemos sealar las s igll ' 1111
N 111\ \ t\ 101 l a valores menores de O.
H. lI sll\) lri p itiva pero a medida que aumentan sus gl' \dl '
111 ' rla 1 s va aproximando a la distribucin normal.
1'1I1't\ /1 > la podemos aproximar a una distribucin N(n, 2/1) ,
L \ Id h V no permite obtener las probabilidades asociadas a 1 '1 111
dOI 's 1 l da la familia de distribuciones X
2
, entre los que se en
1) 111 " lI S'l 1 habitualmente.
L, I I' in 1 a fila recoge las probabilidades o proporciones y la p l'illl I
, (11111)1) , lo ' grados de libertad correspondientes. En el interior de la I d,1
' 1\ ' 11 ' nlran los valores de la variable. AS, por ejemplo, para una va l'! d,1
'11
1
1 111 11 a distribucin chi-cuadrado con 5 grados de libertad, X -7 X' I I
ti )1 ' 11,07 1. ja por debajo de s una proporcin de 0,95. Es decir, 1 (\
11 /( 7) O, 5. Esta puntuacin se corresponde, por tanto, con el per ' 11111
1) . \1 ,1 ' I r entarse de la siguiente manera: = 11,07. En la sigui ' 111
I 1 1 r . \ I ti ' d observarse su situacin en la tabla:
'1 ,hl. .1 I l' 11,1
11111 \ 1 j ' n, i interesara hallar P (X > 11,07) haramo ]
P(X > 11,07) = 1-P(X<;;; 11,07) = 1 - 0,95 = 0,05
DJSTRIBUCIN t DE STUDENT
1\ h ra de este tipo de distribucin de probabiJid', 1,:11 I 11 ti
h l'im s antenormente con chi-cuadrado, lo haremos en fllll ' 101\ d
di stribuciones ya conocidas.
11\ e.:- dos variables aleatorias independientes, donde X sigu ' tlll ,
Il'ibuclOnN(O, 1) e Y una Entonces, la variabl ' '\1 , \
I in T = k sigue una distribucin t con n grados de lib rl'H.1 y
l \ presa por: T - t"
11 media siempre vale (J.! = O) Y su varianza a2 = _n_
n - 2
I odemos definir una distribucin t como el cociente entre una v' \l' h
N (0,1) y la raz cuadrada de una variable dividida por sus grad s i ,
d. Su se. debe a su descubridor, el matemtico Gos l/ }II '
I sus trabajOS baJO el seudonimo de Student.
[In la figura 7.7 se representa la distribucin t, con dos grados 1\
I'tad, junto a la distribucin normal estndar.
1I1
0,4
0,3
0,2
0,1
-2
o
1' "11 I 1, ' 11' 's ' n Lacin grfica de la distribucin t con 2 grados d i 11 11 11
111
p" ,d 101 l' ualquier valor entre - 00 y + oo.
1\ ll1 'c.1 i d qu aumentan los grados de libertad, la distribu ' 111\
1\ re xi n a ms y ms a una distribucin normal.
asinttica al eje de abscisas.
S' IIlili:!:l., fundamentalmente, en estadstica inferencial en las J 1'11 'h
1 I COllll "lS1 ' . En la tabla VI se presentan los valores positivos para esl 1 1I
1\ hu , )n. , n la primera columna se presentan los grados de libertad V
1 ,pdlll ra fil a las distintas probabilidades o proporciones de valore 111 ' 111
1' .. () i 1I I que un valor positivo dado. Como se trata de una distriblll 1,
11I [ 11'i 'u p demos hallar las probabilidades asociadas a valores negHI ,
, P \ 1'1 ir d 1 valores positivos de la tabla VI. Vemoslo con un ej en l tI
Sea X una variable que se distribuye segn t con 5
probabilidad de obtener valores menores o ... ...,
$ 2,015).
(X> 0,9195).
$ - 2,571).
2.015
0,9195) = 0,80
P(X> 0,9195) = 1 - 0,80 = 0,20
0, 20
0,9195
2 I
2,571) P( > 2,571) Y P( > 2,571)
= 1- 0,975 = 0,025
2,571) = 0,025
0,025 0,025
- 2,571 2,571
7. . LA DISTRIBUCIN F DE SNEDECOR
;\1 Ig lal que con las distribuciones anteriores, nos limitaremos a pr '1-1 ' 11 1
11 I ' \'in i in, algunas de sus propiedades y la utilizacin de las tablas.
' /'jI icin:
Si I Y X
2
son variables aleatorias independientes, con distribu 1011
lhl . ladrado con ni Y n
2
grados de libertad respectivamente, enton '
1111 ' 1 I U va variable F definida por F = X l / n
1
sigue una distribu j 111
X
2
/ n
2
l i . 11 n i y n
2
grados de libertad (F nj, nJ
2
11
2" "1 I " - 2)
"1 (11
2
- 4)( 11
2
_ 2)2
(')' 11" 1 1/ > 4
noce habitualmente como F de Fisher o de Sn d r, s' ' Illpl ' 1
111 ' n talmente en el contraste de hiptesis (Anlisis de Varial Z' l. .. ), . ' 11
tll 'a 7.8 aparece su representacin segn distintos grado d lil 'I'( \ 1.
0,95
1,910
F120,120
0,95
1,352
Fig. 7.8. Distribuciones F con distintos grados de libertad.
1I caractersticas ms importantes son:
asimtrica positiva por lo que nunca toma valores menor S qu ' O.
Una importante propiedad de esta distribucin es la llamada prOI I
dad recproca y dice que si X es una variable con dist ribucin FOIl 1/,
.Y n
2
grados de libertad, entonces la variable Y = l/X es tambj n 1111 \
d I lh ' tI,,\, E 1\ pH11 l d 1111 \ 1
' 111 rOl'llI \ !
I
F =---
1 I /1, , 1/
2
F
J 1/
2
, 1/,
dO\l I I 'S I pr babilidad a ociada al valor d la val i bl '. E I \ pI
P tI In I ' d norme importancia para obtener algunos 1 '1' ' ( 111 1
!l ml 'd ili dad que no aparecen en la tabla, t al y com
-' llIl los po teriores.
ge solamente la probabilidad de que X s a 11 1 ' 111 ti
50; 0,975 Y 0,990 que son los valores utiliza I1II
pr nder el manejo de esta tabla, vamos a consl I ' 1 11
0,95
una variable que se distribuye segn
y B) Determinar el valor del percentil 5
3,33
8,00
tabla VII vemos que: O.9SFIO.S es igual a 4,74.
1 1
0,osFs.10 = F. = 4 74 = 0,211
0.95 10.5 '
grficamente en la siguiente figura:
I
474 = 0,211
, 0,50
0,25
0,95
......
8,00 0,00 4,74
I ESUMEN
Il l' mos visto, en este tema, algunas de las distribuciones conlinu'\s 1-
Ibilidad: la distribucin normal, la distribucin chi-cuadrado, la di H
Id n t de Student y la distribucin F de Snedecor.
han definido cada una de estas distribuciones. La distribucin hi- ' lI O
() e define en funcin de otras con distribucin normal. La dis lr ibu ' i H\
ha definido en funcin de otras dos: una normal y otra chi-cuadn.\uo y,
l'dtimo, la distribucin F se ha definido en funcin de dos chi- uudmdo,
\ u vez se definen en funcin de la normal. Por tanto, no d b SOI'JW' II
III todas ellas convergan, en algn momento, en la distribu iI \1 ( H' III 1I
n qu
xi ma in 'l la L1 I mal, 11
7. ), JI,'I{CICIOS DE AUTOEVALUACIN
/ 1.
I ,
'/ .1.
f . ~ .
7.5.
l . .
, \/1
I tl l (11 11\ li lribucin normal: A) la media es mayor que la 111 ' 1111111
1, 11\ \ 11 0 . menor que la mediana; C) media y mediana Oi ll ' 1, 11
I 11 "": \ li stribucin normal entre qu puntuaciones 1(1 1 1
1 11 (' 11 ' 11( 1"1 160 % de los casos centrales de la distribucin?: !\}
.Y () ,H; ) - 1,96 y 1,96; C) -1,64 y 1,64.
Las punluaciones de 1.000 nios en un test de inteligencia, I
(ri 1 uy n normalmente con media 100 y desviacin tpica I ~ I
vs ) probabilidad de obtener puntuaciones menores o igu d
RS? : A) 0,8413; B) 0,1587; C) 0,6826.
0 1 lo datos del ejercicio anterior (7.3.) Cuntos nios 01 I 111
I 1I luaciones superiores a 115?: A) 115; B) 200; C) 159.
nlinuando con los datos del ejercicio 7.3 Cunto vale
III 75 de la distribucin?: A) 110,05; B) 75,00; C) 89,95.
L . califi caciones obtenidas en
I xamen en una asignatura
( , de un grupo de 500 alum-
1 , se distribuyen normalmen-
( '. Como se muestra en la figu-
1" \ d ellos 125 no alcanzan la ,
I lI! luacin 4,32 y otros 125
.' UI ran la puntuacin 9,68.
u nto vale la media de X?:
1\) 7,00; B) 5,00; C) 6,00.
125 250
I 1" 1 , , I 11 111 ti v" lid, Il 011 I JI
' 1111 . ' 1' 1 ,1 P ' I 'C \111 11 r: 1\) , 1:
Ip'lli >1 do n i ' dal j ' 1" j j 7.6 y n ' i 1 '1"0 11 lo Sil ,' , 'li d
,\( m ' qu 110 alumno qu no alcanzan la punlua i n 5. 11 "ln
dumn s han suspendido?: A) 250; B) 200; C) 154,
\l i ndo que X se distr ibuye normalmente, que X = 60 Y qu . In 1 11 11
lil a i n directa 40,8 es superada por el 89,97 % d la dislribu ' 1 )11, I \
ti sviacin tpica vale: A) 15; B) 1,28; C) 17,87.
1) n variable X se distribuye normalmente, con desviacin l pi '" 5,
. nbi ndo que la puntuacin 45 deja por encima de s el 84, 1 fr, l .
IOH asos, su media valdr: A) 40; B) 50; C) 60.
L l puntuaciones de 10.000 nios espaoles en una pru I ni , 1111
II ncia (X) se distribuyen normalmente con media 100. S d H' lll ll
11I 668 nios no alcanzan la puntuacin 85 y otros 66 111 (l , !lhl
11 1 puntuaciones superiores a 115. Su varianza vale: A) ' O; Il) (111 ,
() 100. "
I ~ l 20% de los nios en edad escolar presenta problema
1 n al Colegio. Si en un determinado centro hay 225 ni os, . ' \1 ,1
l'S la probabilidad de que 30 o menos presenten algn p[ bl II \[\ ti '
\ laptacin?: A) 0,0080; B) 0,3026; C) 0,0263.
11 los datos del ejercicio anterior, cul es la probabilidad 1, ql lt'
m de 55 presenten algn problema de adaptacin?: A) 0,1040; B)
0,0401; C) 0,4010.
11 los mismos datos del ejercicio 7.13, Cul es la probabi lida I dt.
lU entre 40 y 50 nios presenten problemas de adapta in?: 1\)
0,4642; B) 0,2446; C) 0,6424.
En una distribucin chi-cuadrado con 28 grados de libertad, 1 vu lOl'
1,34 es: A) el percentil 5; B) el percentil 90; C) el percentil 95.
I ~ n una distribucin F con lOgrados de libertad en el num r ' l Icl!' y
O grados de libertad en el denominador , cul es el valor d ' 1 P ' 1"
ntil 90?: A) 2,20; B) 2,35; C) 1,94.
1, 1 K,
1, I .
7. O. El val r 0,86 Ir spond con: A) 1 per nlil 80 1, unn I 1111.
lud nl con 20 grado d lib rtad; B) 1 p r nI iI "
2 8
li Slribu in chi-cuadrado con 19 grados de libertad;
20 cl . ma distribucin t de Student con 20 grados d
OI.l J('I()NES A LOS EJERCICIOS DE AUTOEVALU\(;1()N
l . l . ni I ' jn: C
v ' 1' 111 'litado 7.2.1).
7.2. olucin: A 20%
60%
(v r Tabla de la Curva Normal). -0,84 0,84
7. . Solucin: B
x -x 85 - 100
z
--- - --1
. - S - 15 -
x
Tabla IU: 0,1587.
7.4. Solucin: C
Tubla IV: 0,8413
I - 0,8413 = 0,1587
0,1587 x 1000 = 158,7,= 159
1111 : 1\
, .
, , 0,, 7 '1'11 II1
11,11/
I J / ~ 100
O, 7, 15
-
" i ~
lOO
15
}
, I I ~ (0,7.1 5)+100 = 110, 5
11 111 ' 1 1 : A
x= 4,32+9,68 = 14 = 7
2 2
" In in: C
- 0,67= 4,32-X
Sx - O, 67S
x
=4,32-X} _
- => - => X=7 S
067- 9,68-X O,67S
x
=9,68-X \
, - Sx
nlu in: A
n!lcin: C
olucin: A
P - 7
- 0,44 = 33 => P = 7 - 1 76 - 5 24
4 33 ' - ,
5- 7
-4- = - 0,5 =>(Tablas) 0,3085
0,3085500 = 154,25 =154
1- 0,8997 = 0,1003 => z = -1,28
- 1,28 = 40,8 - 60 =>S = 40,8-60 _
Sx x - 1,28 - 15
l . !11tH 1011 : 11
I O,tHI
5-
- 1=
5
O,!. >z
= 5-1 4S = 50
7. 1 . Solu 11:
I II 'sl o qu la puntuacione son simtricas, su 111 dj" vII I .:
11 1 svi in tpica:
x= 85+115 =100
2
-1,5= 85-100 = - 15 =10
S x - 15
x '
I (lI' l'trlt , Ll varianza es 10
2
= 100.
7. 1 . olu i 11: A
n = 225 p = 0,2 q = 1 - P = 0,8
P(X:S; 30) = p(z:s; 30,5-n
p
J = p(z:s; 30,S - (225,0,2))

(
305- 45)
=P z:S; '6 =P(z:S; - 2,41) = 0,0080
(Utilizando la tabla III de la curva normal).
7. l . lu in: B
>5S)= P(Z> 55,5-n
pq
J =p(z> 55,5 - (225,0,2))=

(
55,5 - 45)
=P z> 6 =P(z>l,75) =1- P(:S;l,75)=1-0,9599 =O,OI
( titizando la tabla IV de la curva normal).
I lO
,,1 \1 ( 111 :
I '{ O
50) II( 11/ / 11111/]
JI/IN/ JIII ) I
= p( 3 ,5- (2250, 2) S z S 50, 5- (225.0, 2 ]
2250,20,8 --:rus.0/ 2.0,8
=p(39,5
6
-45 :S; z:S; 50,5
6
- 45) =
= P(-O,92:S; z:S; 0,92) = 0,8212 - 0,1788 = O, 424
(IJlilizando las tablas III y IV de la curva normal).
nlu in: e
(V r tabla V)
olucin: e
(V r tabla VII)
)lucin: e
1 1
o 10F0 20 = = --== 0,455
. . o 90 F20 10 2,20
lucin: B
Las distribuciones N(5,2) y t
lO
son simtricas
olucin: A
(Ver tablas correspondientes)
24 1
/1' 111 I H
IIIII ( )tI 1 I eL' i ( 11
( tllll'l' P( OS previos
. ) . 1. Poblacin y muestra
H.".2. Muestreo
1111'l' J' cll cia estadslica
I ~ s ( i Il lacin de la media
HA.I. Distribucin muestral de la media
HA. 2. La media como estimador
Esti macin de la proporcin
H.5.1. Distribucin muestral de la proporcin
8.5.2. La proporcin como estimador
6. Intervalos de confianza
8. 6.1. Concepto
8. 6.2. Tamao de la muestra
8.6.3. Aplicaciones
8.6.3.1. Intervalo de confianza para la media
8.6.3.2. Intervalo de confianza para la proporcin
H 7. Resumen
H.8. Ejercicios de autoevaluacin
H.9. Soluciones a los ejercicios de autoevaluacin
INTRODUCCIN
te tema, iniciamos el estudio de la parte del anlisis de datos deno-
I 11 I h inferencia estadstica que bsicamente consiste en estimar, con cier-
I IlI'obabilidad, un parmetro desconocido a partir de una muestra aleatoria
11 ' I I de una poblacin. As, a partir de las caractersticas (media, propor-
Cl II , .. ) de una muestra inferiremos esas mismas caractersticas a la pobla-
1 proceso a seguir, en cinco fases, aparece recogido en la figura 8.1.
Especificacin de la poblacin
Jj.
Obtencin de la muestra
Medicin de la variable
Anlisis descriptivo y verificacin de los datos
Jj.
Inferencia estadstica sobre un parmetro
Proceso estadstico para inferir un parmetro a partir de una muestra.
Consiste en una especificacin clara de la poblacin de inters,
dado que el procedimiento permite realizar inferencias nicamen-
te a la poblacin de la que procede la muestra. La poblacin que se
utilice depender de los objetivos de la investigacin.
La muestra es el conjunto de elementos en el que se realizar la
investigacin. Se obtiene mediante un mtodo de seleccin y el
245
11,1111' \/ (mi
1.11 01 ,1 '11 vos 111 e pretenden en este tema son:
, Ih ' 1' l ' In ' ion r los conceptos de poblacin, 111 , SII 'II, 111111
11. ti ' o I 's I'ipLivo y anlisis estadstico inferencial.
I , 1111 ti j r los ' l1ceptos de muestra aleatoria y mu 'sil ' \ I 1"
' 01 I caractersticas fundamentales d -11 1' 111111 I
11I1I 'sil' 'o.
0110 ' ' 1' lo' a pectos bsicos de la inferencia estadsli ' 1\ (11
II\U
I ,{ti i z' 1" Ir r ncias con intervalos de confianza para r '1' PI IIld 1
II ' 111 ' d investigacin. Dos aspectos fundamentalc 1" 1I 1'1
I1I 1 I s 11 el error de estimacin y el tamao de la mil' , I1 I
EI1 'si ' apartado pretendemos estudiar, en primer lugal', lo,
poi la - j n y muestra y su relacin con el anlisis estads Li ' o
1 td' ," ' 11 ' jal, yen segundo lugar, el de muestreo.
l . .'ohlacin y muestra
Hit ,1 llLexto estadstico, el trmino poblacin se refi
Inl" l ' '1 m ntos en el que se quiere estudiar una o ms l ' \ \11
1> I \ slar laramente definida (por ejemplo, los pacientes d \111 I
I In
1, 11111 tll'l ' 111111 I1 I 1111111
i " 1, l a pobla i)11 'si . r01' 11t I
111 \ , di spone de un censo de la poblacin, es decir, de un li sl u lo
In I !TI ntos de la poblacin, se puede estudiar a todo Il os, HII
111 I nI' \ ional es comn trabajar con la poblacin entera: 11 m/' '
I Inl r sado en conocer la opinin de sus alumno , I I sic >11l/1I
1 , lidiar la evolucin de sus pacientes, el directivo d 1I1H1 \' 11 11'1
' 1' \ tudiar la satisfaccin laboral de sus emplead s, ,\ '( 11 1 l .
I 11 l , no siempre es factible estudiar a la poblacil ' 11 , 11 1(11 d
I I rque la poblacin a estudiar es muy grande, por mollvo 1111
I I 01' 1 riesgo que implica (por ejemplo, aplicar un nu ' vo 11 ' \ 1 I
,llId los enfermos de una determinada enfermedad para 'HIlI I 11 '
ti dra tener consecuencias muy graves si el tratamienl l' sllIl \
1:1,) para una mayor rapidez en la recogida de los datos. 1
, ludia slo un subconjunto del total de los elementos, s d' 11 ',
ra de la poblacin. Llamaremos n al nmero de los elemcl Los 1,
Il'n, As, si la muestra est formada por 50 elementos, n = 50,
I 111\ ,nos encontramos con dos contextos diferentes:
,'. ' Iigar la poblacin entera.
'sligar una muestra extrada de la poblacin y luego inf rir ' \ 1\
I In in.
la diferencia entre ambas estrategias de investigacin y u j ' ,h
nlisis estadstico descriptivo e inferencial.
'iclogo desea conocer la efectividad de una terapia qu 'si \
ndo a los pacientes depresivos de su consulta, por lo qu ', 11
247
1 \ d , 1 I JlII'1 IIH 1111 dI 1 H
n sitnl'
Jl II l ' 1 ' n'l n tu di aremos la segunda estrategia d' ill v'
1 ' ( 11'/ IPI ' ' 11 1 '1" '111 a inferir un parmetro de una pobl<.l ' j )11
1111 I IlItI sira '11, L fia extrada de la poblacin,
Mucstrco
P 11 '1\ ti ' las inferencias de la muestra a la poblacin teng' ul ' 1\11
" , ' tI ' lI Jui 1 muestra. El muestreo es el proceso mediante ,/ 111 \
() II \ tll a muestra de una poblacin con el fin de obtener un' l IlIlh I
11\ 1, S '11 jant posible a la poblacin y as obtener estimaciolH . 1'1
Il ny lI t n r en cuenta que una muestra debe ser lo su fi ' 1( ' 111 11
IIlIplh pal a representar adecuadamente las propiedades de la poltl "
lo ,' ul'i i nl mente reducida para que pueda ser examinada en 1\ 1"
PI l' lo tanto, el tamao es una caracterstica esencial de una 111 11 ' 1I 1
II ' I,Y d tipos de muestreo: el probabilstico y el no probabUl, I ,
,1 1 rol abilstico se conoce, o puede calcularse, la probabilidad 11 . 111 1I
1111 I I l rminada muestra y cada elemento de la poblacin ti n' 111111
1 " 11 lad conocida, o calculable, de pertenecer a la muestra. En I 11
11 ' () 1\ -probabilstico se desconoce, o no se tiene en cuenta, la prol 1"11
1, () 'hda a cada una de las muestras posibles y se selecciona la mu ' 1I
111 IS r presentativa le parece al investigador o aquella que puede 0\ 1 ,
xtrado una muestra aleatoria il11pl ' 1It11l lo:
IlIl ' h' llI ' nl de la poblacin tiene la misma probabilidad el 's ' 1' ,1 'pi do
1 ' 111 1 l e seleccionan de uno en uno, y con repo i i 11 , 10 1' lI
1\ 1 ( Il acin permanece idntica en todas las extra ' iot) vs , No
I t 1111', uando el tamao de la poblacin (N) es grand' 's 111 I /,
IIIt 1" ' I muestreo sea con o sin reposicin.
1\1 ' Iimi nto suele ser el siguiente: primero se asigna lIl l 11 \111\ 111 I
I IlIl' lIt de la poblacin y despus mediante algn 111 ' l/ o 111 ' I11 1 ti
I I ' 11 un cajn, bolas en una bolsa, tablas de nm TOS 11 , 11111 el,
I "'nt rios generados en un ordenador. .. ) se elijen l' lnlo,' ' 11 1111'11
111 , " \ n ces ario para completar el tamao de la mue ta\.
IIdo l s elementos de la poblacin estn ordenados o pu 'd ' 11 ()t ' 1,
1
111
' .i mplo, los alumnos de un determinado centro) pod 11 os 111111
IIIIi',t;treo sistemtico en lugar del muestreo aleatorio simpl " S UPOIl
, P 11 ' simplificar, que la poblacin tiene un tamao N = 100'y I
11 t ' 11 I una muestra de n = 5 entonces el muestreo se reali z'lrfu d 11
11 r
1, ionamos al azar un elemento entre el primero y I q l l ~ ' o ' lIp I
I lugar N = 100 = 20. Imaginemos que obtenemos el nlU1 'l'O 15,
n 5
ol 1pletamos la lista sumando de 20 en 20, al valor obl nido 11111 '
Ilormente (15) hasta completar la muestra. As, el rest d' los ,1,
111 'ntos de la muestra seran: 35, 55, 75, 95.
I 1.' go de este tipo de muestreo est en aquellos casos
' idades en la poblacin ya que, al elegir con una peri
111
L( I 111 'Iouos nteriores requieren disponer de un listad
tI' ti 1, pobln ' in o poder elaborarlo fcilmente. Cuando sto 111'.
1,1, , !,lIt! ' 1110H ulilizar el muestreo por conglomerados. Si qui sl "1' 111111
11I1'1u, ' 1m ' 1' lOa muestra de los universitarios espaoles po \ ' 11111 I
d, l' ti ' 1, si 'ui l. l manera: seleccionaramos al azar pril ' )'0 d 1
l' 'Id I 1 's, lu ' g algunas facultades dentro de cada univ I'sld ,,1
1'11 dl"lIll ) ' ' 11" y, finalmente, todos los alumnos de los lIl '. lI
(111 Idos, 1 r . amos conglomerados a estas unidades en qu s' (' 1 I 11
lo ,1 ' 111 ' lll s d la poblacin. Si los conglomerados son hetero r '1111" ,
111 lo lo 1 II ' d Jl varnos a muestras poco representativas puesto qu IIIt
II1 di :t,1I1l 'll gl.lnos de ellos.
Ilny 11"0 tipo de muestreo, denominado polietpico, que es uno
11 I ' 1)11 1\ 1 dos anteriores (estratificado y por conglomerados).
En () a ' iones, el muestreo probabilstico resulta demasiado 0 . 1(1 I
\ ' 11 1 a mtodos no probabilsticos. Entre ellos se encuenll ' I I I I
O
El I11LL streo por cuotas (o accidental): se basa en un buen ' UIIII
mj ' nto de los estratos o individuos ms representativos o a l , 11
los para los fines de la investigacin a realizar. Es por tanto, . ' 111
.lo nl al muestreo estratificado pero carece del carcter aleal l ' 1I ti
l ,' l .
El 11111 streo opintico (o intencional): se caracteriza por el inL l' \ I
1!1 luir en la muestra a grupos supuestamente tpicos. Su uso . 1I
' u nte, por ejemplo, en sondeos preelectorales de zonas que en \ 11 1
I' r ocasiones han marcado la tendencia de voto.
, 111111
, ' VI \
It 1110, h 'mos d s fialar qu la nodon d muestra
"w ... l ra aleatoria se refieren a asp cto di tint aUl q I 11 \ ()
I ti un muestra. Una muestra es representativa i cxhib iut ' 1'11 \
I IllI s l grado de diversidad que la poblacin y una 111U sLra ' S II It
In.' ' J mentos han sido extrados al azar de la poblacin.
IIIOS btenido una muestra aleatoria de una poblacin. Ahol ' \ 1, 11 ,
II a in interesa estudiar ciertas caractersticas de los 1 ' 11 H \111 (1 .11
lId n, como puede ser la inteligencia emocional, la a. T)' 'si ti ,,1 , 1
1, reaccin a un estmulo, el nivel de colesterol, 1 niv ' l 1, 1,\
l 1 sistema inmunolgico, la opinin (s/no) sobr Ig(1I1 t ' 111 \ ,
didas de estas caractersticas obtenidas en una muesLr 1 u \ I 11
lIlil's mediante estadsticos como la media (por ejemplo, el ti 1 1 o 1,
I medio), la proporcin (por ejemplo, la proporcin de r spu 'sI l-
1\ ' llivas), etc.
una muestra es slo un subconjunto de la poblacin pOl 1 <.1\1 I ,1
1 estadstico obtenido en la muestra (como la media) no s r i fll l\ l,
neral, al valor del parmetro de la poblacin. Para inferir un p \1 '
partir de un estadstico hay que aplicar herramientas eSlad fs l i ' l
III inferencial como la estimacin por interoalo (intervalo ' I
'
' 011
1":1) o el contraste de hiptesis.

( W ' I' ' JllOS S' alal qu la distribucin muestral de un 'stad , (
I C 111 I lo . ' Illral d la infer ncia e lad lica, lanl I
111\ ' 1 do '01 o d I onlra le de hiptesis.
1.lhllci6n mucstral de la media
1111 11 ' 1I ' IIIOS on un ejemplo sencillo, de carcter exclusiva m ' 111 ' elld
I CJl IICI 011 ' 11 '1' 1: 1 di sll ibucin muestral de la media y las principal .. 11 1
1 ( I dI' eli hl1 distribucin: su media, varianza (y desviacin tpj ' u) .v 1I 1111
a una poblacin formada por 5 sujetos (N = 5)
n las siguientes puntuaciones: 1, 2,3,4 y 5. L
la tabla de frecuencias, la representacin grfic
a variable en la poblacin, su media (Jl) y su
ni f(X)
0,25
0,2
0,2
1 0,2
f (X)
1 0,2
1 0,2
0,05
2 3 4
X
l' 1111"l 8.2. Tabla de frecuencias y distribucin de la variable X en la pobhll 1111
I ( 111 111 1 hablemos de media en este tema, nos r eferiremos siempre a la media arilm 11\'11
2,3 3,3 4,3 5,3
2,4 3,4 4,4 5,4
2,5 3,5 4,5 5,5
de estas muestras podemos calcular su media. E t
distintas muestras, como puede observarse en la
se recoge tambin la probab!lidad de cada una d
Valores deX
X
en la muest ra
1,1 1 1/25
2 1,2 1,5 1/25
3 1,3 2 1/25
4 1,4 2,5 1/25
5 1,5 3 1/25
6 2,1 1,5 1/25
7 2,2 2 1/25
8 2,3 2,5 1/25
9 2,4 3 1/25
10 2,5 3,5 1/25
11 3,1 2 1/25
12 3,2 2,5 1/25
13 3,3 3 1/25
14 3,4 3,5 1/25
15 3,5 4 1/25
16 4,1 2,5 1/25
(Conlln .. 1)
( '. I h 1111 l. 11)
, ,1,
3
4
s
4
3
2
1
4,5 4,5
5,1 3
5,2 3,5 1/25
5,3 4 1/25
5,4 4,5 1/25
5,5 5 1/25
pClae:mc)s considerar el estadstico media como una
una serie de valores, cada uno de ello
obabilidad. Pues bien, la distribucin
orrespondiente funcin de probabilidad (Figur
f(X)
0,04
0,08
0,12
0,16
0,2
0,16
0,12
0,08
0,04
f1x =3
(ji =1
0,25
0,2
f (X) 0,15
0,1
0,05
1,5 2 2,5 3 3,5 4 4,5
X
1' 1 8.3. Tabla de frecuencias y distribucin muestral de la media (X)
para n = 2.
I '111 li a d la di ' lribu j I I l ' tral l ' I , m li (Px) 'H Il'lIld \ 1\
1" dio d la poblacin (p}
1. I VlIl' nza de la distribucin muestral de la media
I "
, ' i n tpica de la distribucin muestral de la media, d
I mr tpico de la nredia, es " x J;. .
1" r rma de la distribucin muestral de la media (figura 8,. ) , '
f P 11" ce a una distribucin normal (estudiada en el tema ')111 ' 1'1(11')
\llnque la distribucin original de la variable en la pobla ' i )JI 1\0 I
normal (figura 8.2).
11\) jercicio, comprueben a partir de las tablas de frecu ' 1 ' itl , I 1,
lit, y de laX que:
I .' t media, la varianza y la desviacin tpica de la poblacin SOIl l'
I tivamente: f1 = 3, (j2 = 2 Y (j = 1,41.
1.:1 media, la varianza y la desviacin tpica de la distribucin 11l1l ' H
11' 1 de la media son respectivamente: f1x = 3, (j 1 = y (j x = 1.
tanto, hemos verificado las dos primeras propiedades:
f1x = f1 = 3
"i=:
'I'a ilustrar mejor la tercera propiedad, supongamos que tenemos u I ti
IIein grande cuya distribucin no es normal y extraemos mu hUH
Iras al azar de tamao n = 30. Observen en la figura 8.4, que aunqu \
Iribucin de la variable X en la poblacin no es normal (es unif01 n ' ),
t ribucin muestral de la media (X ), para n = 30, es muy prxima a ItI
1[\ l.

111111111111111111111111111111
l ' '111 ' \ 8.4. I)islribll ' in el la variable X y liSlribu i [ITILI lral el ' la 111 Id I (
para mu tras de tarnafio 11. = 30.
Vnlvi ' n I al ejemplo 8.1, hemos obtenido empricamente la di 1\
, 1111 11'" 's i mI d la media para una poblacin N = 5 siendo n = 2. r 'l l I
I ,el 1\ I 01 '" i ne son mucho ms grandes y las muestras lam\1 ' 11 1I
111 I 1 \11 I 'S, I r lo que en la prctica no es posible (ni es necesario 1111\
111 ' 1 1\ 1 1!'I1t! j n muestral como en el ejemplo expuest0
2
De he hOJ p 111
11111 'CI liO ' ' l' hs aractersticas de la distribucin muestral de la 111 ti I
1) \, I " 1, I 'rl s t oremas que resumimos a continuacin.
1 :\ lo ,\ n Ll treo aleatorio simple:
j I di lribucin de X en la poblacin es normal con media p y
via i 11 tpica (j, entonces la distribucin muestral de la X e IHU '"
i la distribucin de X en la poblacin no es normal con medl \ l'
\ "vi acin tpica (j, entonces la distribucin muestral de la X ti ' 1111
la normal (1, ) a medida que n crece (Teorema Central del 1, "
te), siendo la aproximacin buena para n :2: 30.
11 estudiado la distribucin del estadstico media. Su cono i 1I \
In I ' 1'1 itir realizar inferencias sobre la media poblacional, con cierl'\ t"
I d Illdad, a partir de la media muestral. Veremos ms adelante c
"l' dl z'ln las inferencias mediante intervalos de confianza.
ni propsito del ejemplo es que el estudiante comprenda qu es y cmo se origina la di '11'111111
11111 ' Inl de un estadstico, en este caso, la media.
Poblacin
11
J.L =LX
N
11:1.1
2 LCX - Ji. )2
O' =
N
"'In tpica
Ji. )2
'1 ,n Ilpl 'O d la vurtabl ' U 1111 I ,11 , .
la dfstl'Jbuci6n muestral d Iu III .111 (. ).
-
Muestra
- LX
x=-
n
S2 =LCX-x)2
17-1
n-l
Cuasivarianza
3
S =JLCX _X)2
n-l n-l
Cuasi desviacin
tpica
Distribucin 111
de ItI In ti
I-i x =
2 0' 2
O' =-
X
1/
lit h, .1
l.
O'x=f?
1/
0'
Error lfpi ' 0 ti ' I \
)11 ... rven la diferencia entre desviacin tpica de la pobla i)l1, 1, ,
, t I I .a de la muestra tpica) y desviacin lfpi ' \ dl' 1,
I hll 1n muestral de la medIa (error tpico de la media).
1.' , 1 viacin tpica de la poblacin es una medida de la var iabilidud 1,
IIldble X en la poblacin.
11 " 1,1 tpica de la muestra (cuasidesviacin tpica) e una 111 -d
a de la variable X en la muestra. Como verem s '1' 11,
In s pagmas, cuando desconozcamos (jutilizaremos S,,_I'
I ,d tpica de la distribucin muestral de la media ( I'rOl ' I I
I 1 medIa) representa el grado de variabilidad entre los val r 's l I I
1 IS muestrales Cuanto mayor es 1 ,. di' . ,
1
. .. e errortIpIco e amedla m1s 11l1)I '\
l''''; a estImaCIn. '
' \ utiliza S;H en lugar de la varianza (S2) por u S2 ,. . .
I I 1 (
-") . q e ,,- 1 es un estimador Ins sgndo d . 1I vlllltlll/ll
1)1 n u- mIentras que S2 no lo es.
I '/
' \1 Illdo "lIll ", \ 1\1
', , 111 mIo 1', HI!
1I11 I 1I1 ti
VIIlIO,' 11 ,1 apar tado ant r ior qu la m da d la di lrn LI ' ," 111 11
1, 1\ 111 Il n" igual a la media poblacional (J.1x = J.1). E la ir unHI \ 111 1 11 I
I \ 111 ' I l 111 di muestral X es un estimador insesgado d 1" nI -d I 1'1111
\ ' (111 ti 11 .
1. I I Hv h i n tpica de la distribucin muestral de la m dia, " I '11
'11 fiI I ,,/too d la media es un indicador de la precisin de la 'S( lit"
,1, lit 111;(/1(1: ' LI nto menor es el error tpico mayor es la pre i i 11 , P 1111
tlltH !I 'lO d , \t )ri imple,esiguala:
POI' I l' 1 t ,el error tpico de la media depende de la desvia
I I n ti i n (J y del tamao de la muestra n. Observen:


ti ' 11'\ l menor es la desviacin tpica de la poblacin, men l'
' 1'1' r tpico de la media.
W11 t mayor es n, menor ser el error tpico de la media.
H .. ':STJMACIN DE LA PROPORCIN
Lo pI' porcin muestral es una variable aleatoria que toma un v 11 111
1(1' ) S gln la muestra concreta que se obtenga. Por ello, podramos l! ' 11
11 nte la distribucin muestral de la proporcin de una 1'111 111
IIdlnl' la que hicimos para la media, pero lo omitimos porque no DI 1111
11 \ I I IlU vo en cuanto al procedimiento. Presentaremos, en el si :r u ' 111
\1 tI ' l ni, nicamente las principales caractersticas de dicha distribu '
" tll IcJJ ,varianza (y desviacin tpica) y forma.
(111 n l o!nlll I () I , I I I l ' 1)(' ) 1\ I I I 11111
' )1110:
} =
I lo 1 muestreo aleatorio simple (por lo que re p rman
, t r ccin), el estadstico proporcin (P) se distribuy
2 re(1 - re)
J.1
p
=reya
p
= .
n
C)I n P es la media de los valores de X en la muestra (d
101 'H O Y 1), entonces segn el Teorema Central del Lmite, a m
o de la muestra crece, la distribucin muestral de la pr I )1' ' Iol!
1 1 d
. re(1- re)
a norma con me la re y varIanza .
. n
nto ms alejado est re de 0,5, ms elementos debe l
alizar la aproximacin a la normal (figura 8.5) .
n=5
I1
n =10
0,60
0,55
0,50
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
'1 ' l ' 111 111 11 11 1
11 O
0,00 o 0,2
0,4 0,6 0,8
l
,
0,00 o
0,00 0 0,01 0.1 1,1\0,'0,11 ""11 , , ,,1\1\11 U\1111 11111111111111
1111. I
0,00 o 0,2 0,4 0,6 0,1
0,'''
0,55
0,50
Il. 111 .
0,00 o
0,1 0,2 0,3 0,5 0,6 0.1 0,8 0,9 I
, 1114 1,
, 0,00
o 0,2 0,4 0,6 0,8 1 o 0,1 0,70,30,40,50,60,70,80,9 1
P
Figura 8.5. Distribucin muestral de la proporcin en funcin d n y IC,
f 1
(C tIl IlI Plucl " ll lIl t 1' 1 ' 11 , 1111'1 1111111 11 11 111111 1111111 ,
/1 (J , HII 11 1" HI , 1, 1111 Ipll ' 11 1 ' 11 ' 11" t i ' ttl
111 ' , 111111110 11111 (\ 11 ' " 111 II h ll l) l' ' 1" ' 1' do, 0\) 1 1' 1\ '
/l () ,. ,
:;
/1 - (0, 50)(0, 50)
20
' 0 1111 1'11 ,1 ' 1\ ltl \ S ' g ( 111 -1 v ' l lo l' d - n, \1 1' \l1H1
1 \1 1 1'(' !I l zol' ItI 'I!,>roxi ma i n la n I' mal 'sttl l 'L
11
'1' Iltll 8,2. Relacin entre n y 1t para la apro 1m ",1011
() , I ()
1
0,20

0,30
24
0,40
21
0,50
20
0,60
21
1, La In 'd ia d la dist ribucin muestral de la pl'OpOl" 1111 (/' ,
h 1 I'Op r in de la poblacin (n).
, L'I v'lrianza de la distribucin muestra! de la pr
3, Ln I ' sviacin tpica de la distribucin mueslt al l I I 111111"11
Ill '\da error tpico de la proporcin, es () = [;( I 11)
p 11
' 1.,111. ' 1 n Mil", h' .
re p =
1/," 1/ N /?
Ion I ' X: 0, 1 dond ' X: 0, 1
1t' ( ' - 1t') 2 = P( ' _ P)
2
re( ,
l e)
(j"
11
a" = {lC('oll' )

/1
Error' tfpl (' o
d la pro, 01'1'1 011
I :1 p a rlado anterior que la media de la distribu ' j )1 I 111 11 I1 ti
. igual a la proporcin poblacional (PI' = n), pOI' lo IIl t ' I ,
s U' al (P) es un estimador insesgado de la 1 l 'OpOI C 11 1
() n tpica de la distribucin muestral de la pl' pOI"1 )1\,
, " Upico de la proporcin, es un indicador de la preci.<'/ll d,'
f "tI la proporcin: cuanto menor es el error tpi 1I111y Ol"
I Da 1 el muestreo aleatorio simple, es igual a:
() n)
P n
I 1 1 o de la proporcin depende de la desviacin tpi a <.1 ' I I
J r( 1 - n) Y el tamao de la muestra n. Observen:
1 lo IJ nor es la desviacin tpica de la poblacin, menor s ' 1' I -1
1(1 i o de la proporcin.
110 11 ayor es n, menor ser el error tpico de la propor i n,
plo
1 '" I ' 1\1 ' 1) " 1' -, ne pto d intervalo de con/1,ItI"fI, 1"
Ipl ' 1 In 1 1\ 1 'dia, dado lo igui nt up 1 'slo,: 111111 11 11
1I1J11 I 11 '1(\ 11 - ' 1 ntitativa, distribucin d I v'\d 11,1, 11 I
11111111 d, ' Oli O ' ith.
1. \ 1'11\(111 In 1 1, un intervalo de confianza tilll 11 ' 1111 l' 1I
0110 ' lo 1, UIl ' ] P blacin a partir de una muestr')o
Al 'si 1 111 al' h 1 dia d la poblacin a partir de una n II .. ,( l' 1./ 1"
111
I
11' 1' III1 ('rror de estimacin que se define como I.X - .u
l
.
ti ,,1., 1" ' 110 n mos .u, que es lo que precisam nL qu '1 ' ' 11111
t. 1 'slin C.'I i n por intervalo consiste en acotar 1 ' lI 'nl d
( '111111 \ nlVI pi babilidad 1- ex (llamada nivel de conficlII't,(I) 1
ti II I pila superior a un error de estimacin ni . 11111 (/
pOI ' " illv sLi gador: IX -.ul ::; Emx'
11,\ 'rror de estimacin mximo (E
mx
) es funcin d In v \1 ,bllll
[1 ' Ibl '11 la poblacin, del nivel de confianza (n.c.) y deltam I (l d, I
(5
Emx = z _a/2 .;
1 () Il 1 :
Z I (1/2 f mcin del n.c. = 1 - ex y se obtiene en la tallu 1 I
I I ' i 11 normal tipificada (tabla IV). Los valores ms ' (1111111
11. ' . on: 0,95, 0,99 y 0,999.
la desviacin tpica de la distribucin muestra I
. decir, el error tpico de la media: (5x
11 (111 II P (' 1 ti (' I 1 pu/l 11 11 11 If 11 I (111 II( ti"
1111111111" '111111 \ 11 ' 1.
tI" .
11111\,111', ':1 -'tamao d la mu stra, may r r la pI' ' 1.IlI1 I
11111 ' ' , 1 parmetros. No obstante, hay raz n 's ' OIlH) I I
I ,1 " Il't d 8.2.1, que imponen lmites al tamaf d \ In 11\11
I IIIt l' 'S't ab r cul debe ser el tamao de la mu stra P'U' 1 1111
Ilm,,"Po de la muestra se obtiene despejando n d la . ' 11 H' 111 :
(5 Z2 (52
E - Z -'>. l - a/2
mx - l -a/2 I --, n = 2
"\In Emx
pIo:
investigador quiere conocer el tiempo d
u .u . (en la que hay que elegir entr
en nios de 12 aos. La variable tiempo
discriminacin se distribuye normal m nt
3. Decide realizar una estimacin por int
(el tiempo de reaccin medio en la t
la poblacin) y fija un error de estimacin
un n,c. = 0,95. Cul debe ser el tamao d 1
media?:
= Z -0,0512 = ZO,975 = 1,96 (Tabla IV)
('1 11 ' ' 11 '111 '11 11111111 111111 1 11 ti 111111111111 JI 11 11111
'j' 1, 1111 1111 11 O,I' I,
1111
Lo /111 (/', 111/4" 01 (/,,) . ",",)4" m (1, ) ti,' 1,,1,', ",tlo
"hl I 11 ' 11 \ P 11111' Ipl ' '' '"1 ,:
(d
I 1 l'Il',
1" h'II'
" 1 I ' i,," X
I..lu.u.a.uu.v con e] ejemplo ant
al atorla simple de n = 35 i
ccin medio en la tarea de
"JlWlalt:>S, ul es el intervalo de confianz
la siguiente informacin de 1
IIritiaclci6,n medio de su muestra) y quier
.a:lreacci.n medio si se aplicara la tarea d
I ... ,... U .. 'Q de 12 aos.
el error de estimacin mximo
G 3
Emx = zl-a/2 ; = 1,96 Fs = 0,99 "" 1
del intervalo de confianza son:
- G
Ls = X + zl -a/2 ; = 4 + 1 = 5
CllIl'hllZ, probabilidad 1 - a asociado al jnt 1'V' l lo 1, ' (lit
\ I
II
si xtrajsemos todas las muestra p ibles 1, 1111 1
d 1111 ' I11Ll streo aleatorio simple, calculsem s la lIll'di I ' 11
111. (1" u rde la distribucin muestral de la 111 ' lin) . ji 11 1
dI 1 ti II"H110S el intervalo de confianza, una propol' , )11 1 p' d
1 dos I confianza contendr la media pobla iomd'y lit 1 I JlI t I
11 1., ' OI ndr.
H ( . Di tribucin muestral de la media y dos posibles inl 'I'vtdo/ol
I dl,l 5%, uno que contiene el parmetro Ji y otro que no lo ' 01111 ' 11 "
11 In figura 8.6. que el intervalo de confianza asociado 'l ,,'O"
111 '1 ro J1 y el intervalo de confianza asociado a.K
E
no lo () 1111 ' 1 H
111 ' t' presentramos en la figura todos los posibles int rVLl los el
111 's bien, 1 - a = 0,95 significa que el 95% de los int I'vnlo, 1
Ollt 'ndr el parmetro J1 y el 5% no lo contendr.
l o
IV' '1'\ la figura 8.6. que la amplitud del in'", v"l"
1 1'111 el ' .. I 111 i n mximo (2E
mx
) y es constan l . Es 1
IlIpi ' 1 \ mi sm independientemente del int rva l
ohl ' '' 1' \, Lo I V ra es el valor de la media y es lo u
II 1
,
1 nl ' 1 vid confianza pero no su amplitud.
la precisin de la estimacin, es f il illl 1/' 1111
Ro " III ll anto menor es el error de estimacin mxiJ 0 , 1111 11111
lud el I inL rvalo y ms precisa es la estimacin, dad qll '
g el intervalo es ms estrecho.
visto el concepto de intervalo de confianza l ' , \
' Ol"l plo puede generalizarse a otros parmetros.
H. .2. Tamao de la muestra
m vimos en el apartado anterior, el tamao d 1\ 1111 H ,
in por intervalo de la media dada una variabl '
III ' dl 'nt con (}conocida, se obtiene despejando n d la ' 11\ "
,( j macin mximo de la media:
Z2 (}2
E
- () l -a/2
mx - Zl-a/2 I n = 2
\jn Emx
V '1110S que n depende de tres factores:
La desviacin tpica de la poblacin.
El nivel de confianza.
El error de estimacin mximo.
111(1 1\ 11,,11111 '
al atorlo imple, varlabl u
la poblacin normal, (J conocid .
ZO
o
97S = 1,96 (tabla IV)
1,96
2
.4
2
n = = 9 10
2,5
2
'
1
111
III de confianza sea lo ms estr ho 1 ( \ 111 11"
I 1,,1 I l. mtervalo sea la ms alta posible. Lam nl 'lbl 11\ ' 1\1 I
I1 1' )1 0, 1 0 1 In'lll
l' \ Imtervalo y menos precisa ser la estima j n, tl, 10 1111
I 1111 ' ... or de estimacin mximo dado (por eJ' mpl 1/
1
I "In l\
11 , ' " es aumentando n.
t-''"'UI''. .'"H.IV''' que en el ejemplo 8.4. el nivel d
= 0,99 ZI-al2 = ZO,995 = 2,58 (Tabla IV)
2 58
2
.4
2
n = ' =17
2,5
2
para un mismo E
mx
= 2,5, es necesario un
si el nivel de confianza es 0,99 que si es 0, 95,
I 11 111 ti
ZO,975
1,96 (
2 42
_ 1,96 = 39,33 ~ 40
n- (2,5/ 2)2
ducir E
mx
, el tamafio
.... _ ~ ..... do en el ejemplo 8.4.
m interactan el tamao mue l I " ~ I , ,1 11
limacin mximo. Otro factor qu 1111 ' 1 11 I
a in es la variabilidad de la variabl , ' 11 H 11 (l 111 ,
a d la poblacin mayor debe ser n pam ni 111; 11
Supongamos que en el ejemplo 8.4, (J h
95
----" Z = Z 975 = 1,96 (Tabla IV)
, --, 1- 0/2 o,
n=1,96
2
,5
2
=15,37---716
2,5
2
D1lill;;15 que el tamao muestral requerido es
~ mplo 8.4. donde a vala 4.
It' )jI 1 pi ' o
ion
como ta u otra m
I H 111:-; lnleriores hemos visto el concepto de i11lcl'vlI l() II II11
1/11/1101 I obtener el tamao de la muestra y sus l ' 1" . (111 1111/
1I 1. I n iv 1 de confianza y el error de estimacin 1111 t 11111 I 1111
" 1 11 la aplicaciones del intervalo de confianz'\.
I I 11 ' I plicar un intervalo de confianza son los igl.l i ' 111 v. :
11 1"" 1111 error de estimacin mximo para un niv I 1, ' ()II
1 (X.
I \- 1 lamao de la muestra n para el error de lil1l , t - 111
ificado.
I 1III ' t muestra aleatoria de tamao n y medir la vari'lbl '.
1111 / t' l stadstico (el estimador del parmetro) con hH fl1
1I 111 la .
1" los lmites del intervalo de confianza.
1 1 11 In ()cuacin, n (lo que queremos calcular) aparece en t,,_I. I_OI2' Es el ' ' 11', PII I' 1 1II I 1I
1, " 11 esitamos conocer n , que es precisamente 10 que queremos al ' Id lll ', UIII 11111
" 1" 11' ti proximaciones sucesivas.
111 :1. \ P 11 ' \ I 1 11I( \d
' 1II O ' dl.
o aleatorio simple, variabl cu
1 bl normal en la poblacin, O' con
- = 1,96 (Tabla IV)
, 5 -+ ZI aJ2 = Z I- O,05/2 - ZO,975
Z2 0' 2 1 96
2
3
2
l -a/2 =' . = 34,57 35
n = 2 f
Emx
tigador extrae una muestra aleatoria simpl d
1 s mide el tiempo de reaccin en la tarea d .
' - 4 dos 'Cul es el intervalo de confl
= segun . <.
t' gador tiene la siguiente informacin la
b:m'Clo d reaccin medio de su y qUIere
'I'.1ImtlO d reaccin medio si se aplicara la tarea d
1 nifios de 12 aos.
sabamos, el error de estimacin mximo
-
Errn - Zl-al 2 ;; J3s
'lO
. ' '''",''JL1CU1.c.Cl. d 1 95%, s tim qu
todo los nifios de 12 afios,
3 y 5 segundos.
n no fuera normal (pero con n 30) con (j J () ' 1 11, 1"
ItI IV .. I de confianza se obtendran de la misma 111 ' 1/1 ' 1' 1 lI
tl
ti 1I nmos de exponer.
II\()S ahora el intervalo de confianza para la m di u, I
I \111 ' distribuida normalmente y O' desconocid .
Un investigador quiere conocer el nivel de d e
de los varones espaoles sometidos a
la variable nivel de defensas se distribuye norm
tanto la media como la desviacin tpica d la
el intervalo de confianza para el nivel m
un error de estimacin mximo de S uni
de confianza del 99%. Calcula el tamao de la mu
.. aleatorio simple, variable cuantitativa, di t
normal en la poblacin, O' desconocida.
, I
mdJt
I ' ..Jn \jl J
t m nt 5 por 1 r dond
lo d onfianza son:
L = X - t I2; 0.99S1n = 25 - 5 - 20
L - X + t I2; O.99S1n = 25 + 5 = 30
confianza del 99%, si t odos los var
IOlmelti' dos a risoterapia, se estima que el niv 1
t ma inmunolgico estara entre 20 y 30
l' \I ' H lalqui r distribucin (normal o no normal) , ' 011 di
, d VHl0)10 ida, podemos calcular el intervalo de conn",, :t. , l' 11
PIII' " 1'() l a in de la distribucin t de Student a la nOI 11' ti
11 1'11 pmnd (n 30).
_ tlO 8. 10. Un investigador quiere estimar el ti
primero de Psicologa de la UNED dedi
sconoce la forma, la desviacin tpica y 1
d la variable tiempo diario de estudio en 1
al atorio simple, variable cuantitativ , di t
n la poblacin desconocida, (j desconocid ,
- ZI-o.0l/2 = ZO.995 = 2,58 (Tabla IV) Aproxima
..., .... ' ... t de Student.
tnt1onnad. in de la muestra, X = 7 Y Sn_1 = 2,2,
el tIempo medio diario de estudio de tod
de Psicologa de la UNED.
, el error de estimacin mximo es 1:
E - Sn_l 2 58 2,2
mx - 20,995 Fn = , .J3O = 1
intervalo de confianza son:
- S
L =X - ZI-a/2ln =7-1=6
- S
L =X +z ----2:cl - 71 8
s l-a/2 Fn - + =
''''''',UH.IUa,U de 0,99, se estima que el tiempo medio di i
los estudiantes de primero de Psicologa est nt
1111 \1 e 111 , "PI 11 111 11II1
11111 111 IIjlll(
'1' Ihl K .. .. tlllt ,It, lo
11,,- ,11 llllll
lo
11 1 11 l l) i\ OI'I1I l\ l 11 11 nu 1 n 11 30
( 11" 11 , 1 11 1I Il I'm ' I I ) ,
MIli 11 '11 d ' I(ol ' o si" pi
lid !l 111il 11 ,
1I 1 1111111 '
0\
11 d ' OllO 1 11.
1I 1 1 dhu '1 11 11 rmaJ no norma) con n ;::: 30
(I pl 'O , \ lo n rmaJ) .
l. h11 1 1 ti
1JI
- 'I nl
"

(1'
L = X - '" 1; 1 11 12
8
,
' " 1; 1 /t I

L = X -
ZI- 1l 12

, 1 \ ' U Iskl 'svia in tpica calculada en la muestra,
H ... '"It'Yvalo de confianza para la proporcin
'1' dll ll l
.;;
1,
'1' IIdll
,
'J, 1
11
'I' lhlll
,
' 11
JII
\ 1) 1 mu streo aleatorio simple, una variable di (l )1' t
'1. ,d t, I ' 1 r r de estimacin mximo de la proporcin 's:
n)
Emx = z l-al2 n
\ ( ' tl IIlO [\ porllr de n = 30 podemos realizarla aproximacin de la di stribll l' lt 11 / d.
111 d, 1 ,, 11 p I' ti c , 610 utilizaremos la distribucin t de Student para 11 \1)
/1
111111 1111 ti 1 1\ t" l 1, ' (lId' III Z \ 1 fX '1' d 1 \ I ) ,
1 I 11 '( l ' I I 1 'o l In 1 1'01 01 ' , ) 11 : 0'",
'S '0]10 ' 1 ItI,
'1' \ 1,
11 r 'ri r y uperior del intervalo de confianz '01 1I 1 \ ' 1\ 1
ti 'stimacin mximo, Como desconocemo n, qu' 's lo '11
1

1/11 ' 1' ' m estimar, operamos con la proporci n 1'l111 ' ,' 11 ' " l'
'111'1 tl sli luimos n por la proporcin muestral P, Jo Hmil 's I ld'I'1 (1 1
It I IlI t ' !'valo de confianza son:

L.=P - Z
1
/2 =P - E
! -a n mx

L =P +Z
1
/2 =P +E
s -a n mx
lohnl i1idad de obtener un intervalo de confianza qu '0111 1I t "
t
(
, t (1-P)
I - z l - a/2 n n P + zl-a/2 n = 1- ex
Se ha propuesto un tratamiento para curar una d t
Y la comunidad cientfica quiere estimar la prop,nr,,,,,,,1"I
que se curaran si se aplicara el tratamiento a t d
!CC:Luen aplicar un intervalo de confianza para la pr p'(Jror' ,ron
, y fijan un error de estimacin mximo d 0,20
. Empiezan por calcular el tamao de la muestra P
:uU' ..... U ' H mximo y obtienen n = 24. A continuacin, eXlrra8ft
, I
pI I ndi in par 1
24 (0,54) (0,46) = 5,96.
llame, , ...... n por P en la ecuacin nn (
M .. ms:acin de la muestra, P = 0, 54, 1
ul sera la proporcin de pac::teIUI.
I tratamiento a la poblacin nt
sal:)1amc)s, 1 error de estimacin mxim
(0,54)(0,46) =0,20
Emx = 1,96 24
d 1 intervalo de confianza son:
L = 0,54 - 0,20 = 0,34 ,
Ls = 0,54 + 0,20 = 0,74
iv 1 de confianza del 95%, la d
uraran con el tratamiento propuesto SI s
d pacientes est entre 0,34 y 0,74.
I .' 'UMEN
11, 11 li l ' L ma, hemos empezado tratando el d . I 1 I :.: I
I 1 Y 1, la estadstica inferencial en relaclOn co Il I I I I I
I I JI .' / hemos estudiado diverso 111(' 1111 ti
11 Il"lS A contlnuaClOn, I I I
111 ''' ' . d ' d los conceptos de muestra a 1 1'1
l' I 11 h '1 lntro UCI o
I I I
10 HE AUTOEVALUACr()N
los ntes tipos de muestreo NO es probabilfsLi 'o?: 1\) ,1
I 11 'n sls t 'l11tico; B) el muestreo casual o incid n lal; ) el 11111 ('.
I 111' 'oll gl 111 rados
I 11
11
ti 'S ' nocemos el nmero de ancianos de las r si 1{'1Iv! 1 pi
1, I 'po la, deseamos realizar un estudio sobr h [1 1 '111' 1111 11
1
I II Ii ' h ancianos. Cul de los siguientes lipos dl' 1111 11
hl,,"oS ulilizar?: A) muestreo aleatorio simple; B) 11111 ', ' 11 '(' (1
) I11U streo por conglomerados
I l'olog mide una variable cuantitativa al conjll l lo 101 d 11
1111 IlII. 1 psiclogo: A) puede conocer el valor del ' 11 '" 1
1
1,
.bl I ' 1 n in recurrir a tcnicas inferenciales; B) slo pu 'd ' ('11 110
1'" I 'sLlmacin del parmetro J1 de la poblacin; C) 1' 1) 11 ' 1 1'1( '
111 " (' 1 parmetro J1 con tcnicas inferenciales.
, 1, nfirmacin correcta: A) una muestra aleatoria s SlVI11PI "
, ' IIl tHiva de la poblacin; B) un parmetro de una p bh ' 1)11 '
I Il'inble aleatoria; C) una muestra aleatoria simple garanLiZII (1111 '
los lementos de la poblacin tienen la misma pr babi li Ind I
I dd
1/ m dor: A) es un estadstico; B) es un parmetro; C) N 's III1 1
Ihll
'
leatoria.
1, afirmacin correcta: A) una estimacin es igual al P'II 'L I1H' II'O;
, II nte el anlisis descriptivo de una muestra pod m s inl' '1'11 ' I
I In in; C) la estimacin por intervalo es un proc di 111 i ' 11 I o /111 ' ,
d,
"
H, / , II IIbl
11"1111' 11 ' 1 , 111 1: 1\ )/.y , 1\) )/ ,'y r : (') . '" l'
Vl/
K.H. 111 " " 1' IIII (). I1lHl 1 (J I I \ . )11 p'l'tl ll 1 ' () II
l. , '1' ' Ih nlU 'str J,
(l 1l d (/1 P( I'q , : A)
/-1,\'
M. I (l .
s til calcula l un j l 'I'vn l(l ti
1 1.
H. I ,. H I1 tllI 'l 1 II tra, hemos obtenido los lmites 3,5 y , ti ' 1111 I
ti ' ' )1 n nz para la media. La amplitud del inl ' I'vllln 11
1\ 's 2 1116x ; B) NO es 3; C) es 3 2 = 6.
H. I \. EII ,1 'j r jeio anterior, cunto vale el error mximo ti
1\ ) 3/2 = ] ,S. B) 3; C) 32 = 6.
H. I '. SUI n amos que en una investigacin, la variabl . l ' ti
III ' tln nt en la poblacin con (j = 4 Y quer - I os 11
1
I1wy r qu 2 con un nivel de confianza de 0,99 \1 1 1111
t ' 1) r 1 muestra para estimar la media? A) 15; B) 20; ( ) I
K. I ,. tigador quiere inferir la auto estima In' li \ 1
iarios. En este estudio, (j = S, n.c. = 0,95, 1/
ti l ' on los lmites del intervalo de confianza ' j 111
':1'1 1 '1' , t la autoestima media de todos los recluso, \1 ' 1111
1\) 8,5 Y 10; B) 8,5 Y 11,5; C) 10 y 11,5.
H. I l . Lo ' 1 1 it del intervalo de confianza para la m diu 11 I 1
11' 1 1I ' i n normal y varianza conocida son 5,85 y 10, 1 , ,
. \1 IIH vale la media de la muestra? A) 4; B) 5; ) H.
111.
di 1 11 ' ( 1 d, '(II d 111 1', '
1)1
",. ,i 8.18., los lmites del intervalo de confianza pOlI" 1 h 1 I'()
1111 d (110 on: A) 0,15 Y 0,85; B) 0,20 Y 0,60; C) 0,4 y 0:7 .
IONES A LOS EJERCICIOS DE AUTOEVAUJI\CH N
hl\ 011:
I 1111 t S 11' casual porque se seleccionan los elemen los
, It s que se tiene fcil acceso.
1111 I( 11 C
1111111 utilizar el muestreo por conglomerado da 1
/1I1t -I" un listado de los elementos de la poblacin ba t' 'll1 I 1,111
1 1 ' G a UI1 , "
I 01 g omerados. El muestreo aleatorio simple y el In 1 sI r ' O
11 I ' C) f lo requieren. .
hl,l( : A
l. I ll-l el psiclogo trabaja con toda la poblacin no d b ." I
1 r . 1 B ' lI S" 1 '.
1 r:nCla es. asta calcular la media con todos lo d los l.. I
I 1 rametro J1. y ,
hlll 1: C
Inda ' las muestras aleatorias son representativas d la pol h -/ 111
1 \l ' metro tiene un nico valor, no es una variable al atad:" .
11 ' n: A
I es un estadstico, no es un parmetro y
I()I'! .
UIl'I vId Ibl

son l' 111 li a y 1, d svi a
Illlt w lml I h 111 dia,
H.H ' n llt ' 1 )11 :
l . Ipl 'O Imac.l an nt normal (ver Teorema Ccnl n" d ,1
1) III \ 1< HA, !.)
K.' . ' ,llId In: B
H. 10.
1.\ 111 Ih Illll 'stral, X, es un estimador insesgado d ' 1\ 11 11
' 1011 " (J.l) p rqu J-l == J-l , X no es igual a J-l ni a J-l '
1 parmetro, no hay nada que inr ril ' 1 " 1 1 .. I
11 " 's iVl n o calcular ningn intervalo de con Cian:t,tI . I JII 1111
1, ( I1n nza es til cuando se quiere estimar un p '" 1111 11
' Oli O ic.l , Cuando se estudia a toda la poblacin no "1 l '
l'il ' n' c.l a , e calcula el parmetro sin recurrir a L 'l' " I I
-inl 's,
H, 1 \ . So III i 11: B
E, =35 - 30 =5
max
E , = 40 - 35 = 5
max
H. \ , Solu i n: A
l .tI H n I li tud del intervalo de confianza es dos vec S
IIH\ ' j n mximo: 6,5-3,5 == 3,
H. \ l . Solll -i )11: A
h ' 11 ,
JI. 1 ' 1' 1' r d estimacin mximo es la mitad de la ami I I 11 ti
,do l ' nfianza: 3/2 == 1,5,
. 1 1'" '11.
1
'1'1
Iltll 011 : B
, H ('1' \ 111 \ I
, 5H I , I
2
7
ti 1 ' 0110 ' , l a r 1'111 41 1, la li stribu ' i I 1, h a ulo '1'i lill ltl ' 11 I 1 I)()hl I
1I I 1\ l' c!US01'i P ' 1' - 43 ' I
I
n - , p 1 qu ' p el ' l OS hu Upl 'O I II1 \
\ \ !lOI'l 1<1 1.
11 , O,, S Z , fJ.I 2 == ZO.975 == 1, 96 (Tabla IV)
1,"
1,
5
." (x/2
a
X = 1, 96 J.:: "" 1,5
,,43
10. 1,50 == 8,50 Ls == 10 + 1,50 == 11,50
I -
- mx X = L + E ,
max
X=5,85+2,15 =8
" ' 11 ,
I +E x - E
l11c: S mx X =lO,15-2,15 =8
11", x = zl _a/2
s
X a
x
= 51136 = 0,833 2 15 = z 0833
, J-al2 '
= 2,58 n_c, = 0,99 (Tabla IV)
j n:A
0,95 ZI-fJ.I2 == ZO,975 == 1,96 (Tabla IV)
I IIbnbilidad de aciertos: Paciertos == 20/50 == 0,40
E 0,40(1- 0,40)
mx = 1,96 = 0,14
50
,1\1 in: C
,40 - 0,14 == 0,26 Ls == 0,40 + 0,14 == 0,54
'M I
H, () 1, 1111 1' 11 (
(
1
I
I I I 1 I 1111 ' () I
I JIII 1, 11".' 111 \ ,
1 - 0,5 1, 1
O, , () 1, ' 1111 ' () , .Y
lH2
(IIJIJI)) : Il'sltlc!fslica para psi Logos. 1:;sl adfsli '(1 el '8 'riplivo . Vol. 1, M Idll
111 111 d \ 1:; ," 'd j j i ).
1, !.\lON, . y AN MARTfN, R. (1993): Anlisi d , Oc/ l os (' /1 / ).\' /('(//111' 111
I'd II,d 10Ij. 1 Pirmide.
1I 111 (1 , A. ; A UILERA-GENICIO, F. (2005): Olfactory S n iti vity m '(INIII " (' 1
I I flllI!llv impairment: A parametric and non-para m tri HI I "OIll'lI , 1
IINAl IAN, . M. SHEFFERT & J . T. TOWNSEND (eds .) Fechn 'r 1 oy 2 ()(). (p
1(11) 'l'I'IV rs City, MI: Central Michigan University Prin linr S ' 1 (' ," I
11111,0, A.; ACUILERA-GENICIO, F. (2007): Predicting cogni llv' IlI ' jI 1111111
1111 / \I ' (o\'ys nsitivitymeasures: Acontinuous anddisc I1linll<HI . II'PII'I 1
1 I Hlni\-TRILLO (Ed.) Converging research on predictors oj' c: ()gll llll'/' 11/11
1
11/
I/l/tll/l'urodegenerative diseases (pp. 15-28). Sevilla : Publi cliNtl.
tatistics (4th ed.) New York: Holt Rinehart & WinSl011.
tras (2007): Anlisis de datos en Psicologa l. Macl rid: UNII""
i\N MARTN, R. (1998) : Anlisis de datos en Psicologa 11. 1: I ,d
I 1'It, n ideo
, . (1946): On the theory of scales of measurement. Science, 10 , 77 (1
( 1 \)< 4): El problema del mtodo cientfico en Psicologa. An/l ario (// ' ".'
/1/, . 0,3-12.
H
1II ' IId
T'" h
I l . 1'1I11t'iOIl lit' proh'lbilid"l<.I (TAIJLA 1)
I , Fllllt iOIl dc d isl ri buci6n (TA 13 LA 11)
IRIIIl JCION NORMAL TIPIFICADA
, l . I'lllllllacioncs tpicas negativas (TABLA 111)
.. Pllntuaciones tpicas positivas (TABLA IV)
1>1 IRIBUCIN CHI-CUADRADO de Pearson (TABLA V)
I JI I RIIHJCIN l de Sudent (TABLA vI)
!JI 'TRIIHJCrN F de Snedecor (TABLA vII)
II ,IJ II () ,B IOO 0, 7225 0,6400 0, 5625 0,4900 0,4225 0,3600 0,3025 0,2500
0, 1800 0, 2550 0, 3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000
11 ,1111 11 0,0 100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500
lI ,ti'l'l 0,7290 0,6141 0,5 120 0,4219 0,3430 0,2746 0,2160 0, 1664 0,1250
0, 1 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750
0,()()7 1 ,0270 0,0574 0,0960 0,1406 0, 1890 0,2389 0,2880 0,3341 0,3750
0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250
0,ti 145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
0, 17 15 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500
0,01 35 0, 0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750
0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500
O,()()OO 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625
(1 ,77 8 0,5905 0,4437 0,3277 0,2373 0, 1681 0,1160 0,0778 0,0503 0,0313
0,2036 0,3281 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1563
0,02 14 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125
0,00 11 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125
0,0000 0,0005 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1563
n,Oooo 0,0000 0,0001 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0313
0, 735 1 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2437 0,1866 0,1359 0,0938
0/0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3280 0,3110 0,2780 0,2344
0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2355 0,2765 0,3032 0,3125
0,0001 0,0012 0,0055 0,0154 0,0330 0,0595 0,0951 0,1382 0,1861 0,2344
0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,205 0,0369 0,0609 0,0938
0, 0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0018 0,0041 0,0083 0,0156
0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
0,2573 0,3720 0,3960 0,3670 0,3115 0,2471 0,1848 0,1306 0,0872 0,0547
0, 0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,2985 0,2613 0,2140 0, 1641
0, 0036 0,0230 0,0617 0, 1147 0,1730 0,2269 0,2679 0,2903 0,2918 0,2734
0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1442 0,1935 0,2388 0,2734
0, 0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0466 0,0774 0,1172 0,1641
0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0084 0,0172 0,0320 0,0547
0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0016 0,0037 0,0078
1111 'riores de la tabla indican la probabilidad de obtener x xitos en n ensayos
Ihn nto binomial, donde P es la probabilidad de xito en un ensayo.
0,0 117 O,OI IH 0,110 , /
0,1) 1/ O,M I I 0, 100 1 0,01 1
1
1
0, 1 (1 1 0,0 71 O,OI M
O,O! 1>11 0, 7
1
1 O. IH (1 n, 1 0, 70 0, 1 1/ 1
O, { 1 0, 1 7H O, IOHH
0,00 (1 0,0 111 O, 1 O, \ 7h O, ()\11 0, \ 11 e; 0, 1)(1 0, IIH7
O, 1 0, \)7 O, 11
0,000 1 0,00 11 \ 1 O,OH 3( O, II\,6H O, 07tl 0, 254 1 0, 7H(1
0, 1 1) 0,2,1 11 O, M7
O, IO.U n, 1. H!'i 0,20.1
1
O,
I1
0,0000 0,0004 0,004 1 O,O IH!'i O,045() O,OH6,'i O, U l O, IH7
0,040 1 0,0792 (J , 12HI 0, 1 11
0,0000 O,()OOO O,(lOO4 0,0026 0,009 0,02 1 0,0467 O,OHOH
0,0 11 5 0,02' 1 1 O, I,I,H')
O,()OOO 0,0000 0,0000 0,0002 0,00 11 0,0038 0,0 100 O,(l2 17 0,0024 0,0078 0,0 1 9 0,07 )
0,0000 0,0000 0,0000 0,0000 0,000 1 0,0004 0,00 12 0,00 \ \ 0,(0 71) 0,111 I1 1 0,0004 0,00 15 0,0048 0,0 71
O,()OO() 0,0000 0,0000 0,0000 0,0000 0,0000 0,000 1 O,(lOO O,0()O7 0,11111 /
0,0000 0, 0002 0,0008 O,OO6i'!
0,111 O,. 02 0, 3874 0,23 16 0, 1342 0,075 1 0,0404 0,0207 0,010 1 0,001 ,
0,0000 0,0000 0,000 1 O,O() IO
0,0000 0,0000 0,0000 0,000 1
O,OH lO O, 85 0, 3874 0, 3679 0, 3020 0, 2253 0, 1556 0, 1004 0,0 1111
0,00 \' \ O,()2' 0, 1722 0,2597 0,3020 0,3003 0,2668 0,2 162 O, I1 11 1
O, 1 0,2542 0, 1209 0,0550 0,0238 0,0097 0,0037 0,00 1 0,0004
0, 1. 12 0, 672 0, 2774 0,1787 0,1029 0,0540 0,0259 0,0 11 3 O,OOiJ'I
0,0001 0,0077 0,0446 0, 1069 0, 1762 0,2336 0,2668 0,27 16 O, I 1 PI
0, 1 lO 0,2448 0,2937 0, 2680 0,2059 0, 1388 0,0836 0,045 0,0 O
0,0000 0,000(1 0,0074 0,0283 0, 0661 0, 1 J68 0,1715 0,2 194
0,0 14 0, 0997 0, 1900 0,2457 0,25 17 0,2181 0,1 65 1 0, 11 07 O,06(JO
0,0000 O,O()OO 0,0008 0, 0050 O,OJ 65 0,0389 0,0735 0, 11 8 1 1),1 1 '11
0,0028 0,0277 0,0838 0,1535 0,2097 0,2337 0,2222 0, 1845 O, 1
O,()OOO 0,0000 0,000 1 0,0006 0,0028 0,0087 0,02 10 0,0424 0, 11 111 O,O()03 0,0055 0,0266 0,0691 0,1258 0,1803 0,2154 0,22 14 O, III MI )
0,0000 0.0000 0,0000 0,0000 0,0003 0, 0012 0, 0039 0,00' 8 0,0111 1 0,0000 0,0008 0,0063 0,0230 0,0559 0,1 030 0,1 546 0, 1 '6H O, 1r,1)
0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,00 13 O,IIIII 1
0,0000 0,0001 0,0011 0,0058 0,0186 0,0442 0,0833 0, 1 12 0, 17
0,0000 0,0000 0.0000 0, 0000 0,0000 0,0000 0,0000 0,000 1 0,111111"
0,0000 0,0000 0,0001 0,0011 0,0047 0,0142 0,0336 0,0656 O, IOH')
0,0000 0,0000 0,0000 0,0001 0,0009 0,0034 0,0101 0,0243 O,OIj.l I'l
0,9044 0, 5987 0,3487 0,1 969 0,1074 0,0563 0,0282 0,01 35 O,OllO 0,110 I
0.0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0022 0,00 5 O,OI Ci
0,(1) 14 O, 15 1 0,3874 0,3474 0,2684 0,1877 0,1211 0,0725 0,040,1 0,11 ' 11 : 0.0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,00 12 O,OO I()
0,0042 0,0746 O, l 937 0,2759 0,3020 0,2816 0,2335 0, 1757 O, I20IJ O,II /!,1 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,000 1 0,000
0,000 1 0,0 105 0, 0574 0,1 298 0,2013 0,2503 0,2668 0,2522 O,2 1:i O 0, 1 "
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 O,()OOO
0,0000 0,0010 0,0112 0,0401 0,0881 0,1460 0,2001 0, 2377 0,250M 0, 1M 1
0,""'1 I 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,000
0,0000 0,0001 0,0015 0,0085 0,0264 0,0584 0,1029 0,1 536 0,2007 O, 1I1 1 O, 1 I 11) O, 593 0,3559 0,2539 0, 1539 0,0832 0,0407 0,0181 0,0073 0,0027
0,0000 0,0000 0,0001 0,0012 0,0055 0,0162 0,0368 0,0689 0, 111 , 0, 1 IJ,
O,III1 H 1 0, 1229 0,2570 0,2912 0,2501 0,1802 0, 1134 0,0634 0,0317 0,0 14 1
0,0000 0,0000 0,0000 0,0001 0,0008 0,0031 0,0090 O,02J 2 0,0 / 1
0,11110 \ 0,0259 0,1142 0,2056 0,2501 0,2402 0,1943 0,1366 0,0845 O, 041
0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0043 0,0 106 0,11 '111
O,IHIOO 0,0037 0,0349 0,0998 0,1720 0,2202 0,2290 0,2022 0,1549 0, 1040
O,()OOO 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,00 16 11 ,11111 ' f
0,11000 0, 0004 0,0078 0,0352 0,0860 0,1468 0,1963 0,2178 0, 2066 0, 170 1
0,11000 0,0000 0,0013 0,0093 0,0322 0,0734 0,1262 0,1759 0, 2066 0, 2088
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,000 1 11 ,111111 1 11
0,0000 0,0000 0,0002 0,0019 0,0092 0,0280 0,0618 0,1082 0,1 574 0, 1952
0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,003
0,11000 0,0000 0,0000 0,0003 0,0020 0,0082 0,0232 0,0510 0,0918 0, 13 !!
0,0 '5 0,3293 0, 3835 0,3248 0,2362 0,1549 0,0932 0,0518 0,02M 0,01 ' .
11 ,0000 0,0000 0,0000 0,0000 0,0003 0,0018 0,0066 0,0183 0,0408 O,0712
0,0050 0,0867 0,2131 0,2866 0,2953 0,2581 0,1998 0, 1395 O,08!!7 O,II , I !
11 ,11000 0,0000 0,0000 0,0000 0,0000 0,0003 0,0014 0,0049 0,0136 0,0 12
0,0002 0, 01 37 0,0710 0, 1517 0,2215 0,2581 0,2568 0,2254 0, 1774
11 ,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0010 0,0033 0,009
0,0000 0,0014 0,0158 0,0536 0,1107 0, 1721 0,2201 0,2428 0, 2365
1I,lIl1no 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,00 19
11 ,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
0,0000 0,0001 0,0025 0,0132 0,0388 0,0803 0,1321 0, 1830 0,2207
11 ,01100 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
0,0000 0, 0000 0,0003 0,0023 0,0097 0,0268 0,0566 0,0985 0, 147 1
O,()OOO 0,0000 0,0000 0,0003 0,0017 0,0064 0,0173 0,0379 0,Q70 1
0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,000 1
O,O()OO 0,0000 0,0000 0,0000 0,0002 0,0011 0,0037 0,0102 0,0234
0,3658 0,3432 0,2312 0,1319 0,0668 0,305 0,0126 0,0047 0,001 6
0,1348 0,2669 0,2856 0,2309 0,1559 0,0916 0,0476 0,021 9 0,0090
0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018 0,0052
0,0307 0,1285 0,2184 0,2501 0,2252 0, 1700 0,1110 0,0634 0,03 18
0,0000 0, 0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0007
0,0049 0,0428 0,1156 0,1876 0,2252 0,2186 0,1792 0,1268 0,0780
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,111111
0,0006 0,Q105 0,0449 0, 1032 0,1651 0,2061 0,2123 0,1859 0, 1404
O,llIIOU U,Ollllll 0,001
1
1 0,01 \ 0,0110 0,0
1
11 7 0, 1' 11
1
O, (lfln O, jlJI 1 1111111111 11 ,01100 0,00 10 0,0091 0,0350 0,0820 0,1376 0,1792 0,1892 0,1657 0, 12/11
0,1111110 11 ,110110 O,OOO! 11 ,00 \0 0,01 O,O!II.! O,OH 11 o, lm O, '111 \ 11111111 II ,OOO() 0,0002 0,0022 0,0120 0,0376 0,0811 0,1327 0,1734 0,1864 0, 11\(\1)
11,1111110 0,0111111 11 ,11000 11,110 0,01 \ 1 O,OIIH II , II H 1 11, 1 d i 11111111 II,OIlO() 0,0000 0,0004 0,0033 0,0139 0,0386 0,0794 0,1284 0,1694 0, 1 H
11 ,110110 1I ,1I0()0 O,OO()O 0,0001 0,0()07 0,011 M O,Ollh II ,Otl l 0, 1111 0111111 O,1I0()() 0,0000 0,0001 0,0008 0,0042 0,0149 0,0385 0,0771 0,1248 0,1/111
1
)
0,00110 11,0000 0,0000 O,()O()O () ,()OOI O,()()()7 O,()(),HI
(),O ,1 0,0 1 0111111 O,()OOO 0,0000 0,0000 0,0001 0,0010 0,0046 0,0151 0,0374 0,0742 0, 1 11
11,11111111 0,0000 0,0000 O,OOO() O,()()()() O,()O() 1 O,()()O() 0,00/ 1 0,111' 1
0111111 0,0000 0.0000 0,0000 0,0000 0,0002 0,0012 0,0047 0,0145 0,0354 O,O/OH
0,00110 11 ,011011 O,OO()() O,OO()() O,OO()O O,()()O() () ,OOOI O,OOlfl 11 ,011 '
11111111 () ,()OOO 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0045 0,0134 0,0 I
0,0000 (l ,O()O() O,OO()O O,(JOOO O,OO()O 0,0000 0,0000 0,000 \ 0,1111111
011111 1 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011 0,0039 0,011 '/
O,(lO()() O,()O()O () ,OOOO 0,0000 0,0000 0,0000 0,0000 0,0000 0,1111111
1111111) O,O()OO 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0009 0,00. I
0,0000 O,OOO() 0,0000 0,0000 0, 000 0,0000 0,0000 0,0000 0,11111111
I 0111111 (l ,OOOO 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006
O,H 1 0, 01 0, 185 0,074 0,0281 0,0100 0,003 0,00 10 0,000,\ 0,011111
1111111111 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,000 1
0, 1 \7() 0,,\706 O, 294 0, 2097 0,11 26 0,0535 0,0228 0,OOS7 11,001111
11,110110 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 O,OODO
0, 146 0,2745 0, 2775 0,2 111 0,1 36 0,0732 0,035 0,01 11,011 1
11,11 '(1 O, 774 0,1351 0,0456 0,0144 0,0042 0,0011 0,0003 0,0001 0,0000 0,0000
0,000 O,O\ 'i 9 0, 1423 0, 2285 0,2463 0,2079 0, 1465 0,0888 O,046H 0,0 1
11 1 H(I O, 774 0,2852 0,1529 0,0685 0,0268 0,0093 0,0029 0,0008 0,0002 0,0000
0,0000 O,OO( 1 0,0514 0, 1311 0,2001 0,2252 0,2040 0, 155 O, IOI!\ 0,0 l'
11111 1I 0,1787 0,2852 0,2428 0,1540 0,0803 0,0358 0,0138 0,0046 0,0013
0,111100 0,0001'1 0,01 7 0,0555 0, 1201 0,J802 0,2099 0,2008 0, 11 ' \
II,IIIIIIH 0,0533 0,1796 0,2428 0,2182 0,1517. 0,0869 0,0422 0,0175 0,0062 0,00 11'1
II ,O()()O O,O!)OI 0,0028 0,0180 0,0550 0,1101 0,1649 0, 1982 0,1 t SJ 0, 1 ,M 1
11,1111110 0,011 2 0,0798 0,1714 0,2182 0,2023 0,1491 0,0909 0,0467 0,0203 0,0074
0,11000 O,()OOO 0,0004 0,0045 0,0197 0,0524 0,1010 0,1 524 0, 1 HHt 0, 11),,1)
11,111 11111 0,00 18 0,0266 0,0907 0,1636 0,2023 0,1916 0,1468 0,0933 0,0497 0,0222
0,0000 0,0000 0,00 1 0,0009 0,0055 0,0197 0,0487 0,092 0, 1417 0, 1 H 1 '
11,1111110 0,0002 0,0069 0,0374 0,0955 0,1574 0,1916 0,1844 0,1451 0,0949 0,051H
0,0000 O,OO()O 0,0000 0,0001 0,0012 0,0058 0,0185 0,0442 0,OS40 0, 1 \1
11,111100 0,0000 0,0014 0,0122 0,0443 0,0974 0,1525 0,1844 0,1797 0,1443 0,0961
0,0000 o,oono 0,0000 0,0000 0,0002 0,0014 0,0056 0,0167 0,0392 0,11 1
lI,flIIOO 0,0000 0,0002 0,0032 0,0166 0,0487 0,0981 0,1489 0,1797 0,177] 0, 1442
O,(lOOO n,()OOO 0,0000 0,0000 0,0000 0,0002 0,0013 0,0049 0,0 142 0,0 \ \ I
0,111100 0,0000 0,0000 0,0007 0,0051 0,0198 0,0514 0,0980 0,1464 0,177] 0,1 76
(),OOOO O,()()OO 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011 0,0040 0,011
O,flOO!) 0,0000 0,0000 0,0001 0,0013 0,0066 0,0220 0,0528 0,0976 0,1449 0, 176
O,OOO() 0,0000 0,0 00 0,0000 0,0000 0,0000 0,0000 0,0002 0,0001'1 0,00 "1
11,110011 0,0000 0,0000 0,0000 0,0003 0,0018 0,0077 0,0233 0,0532 0,0970 0,144
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,000 1 0,(11)(1
11,111100 0,0000 0,0000 0,0000 0,0000 0,0004 0,0022 0,0083 0,0237 0,0529 0,0961
o,O(lOO o,nooo 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,01101
11,111100 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0024 0,0085 0,0233 0,051 H
11 ,0(100 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 (1,1)(11111
0,111100 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0082 0,02
11,111100 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0022 0,007' 1
O,H
1)
0,4 181 0, 1668 0,0631 0,0225 0,0075 0,0023 0,0007 0,0002 0,1)(11111 11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 O,OOIH
(1, 1447 O, 74 1 0,3150 0,1893 0,0957 0,0426 0,0169 0,0060 0,001 0,11011 0,11000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,000\
0,011 7 0, 1575 0,2800 0,2673 0,1914 0,1136 0,0581 0,0260 0,0102 (1 ,001 0,11000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
O,OOO() 0,04 15 0,1556 0,2359 0,2393 0,1893 0,1245 0,0701 0,034 1 0,0111 fI ,O(lOO 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 O,OOO!)
O,O()O() 0,0076 0,0605 0,1457 0,2093 0,2209 0,1868 0,1320 0,07 6 0,0111
0,0000 O,OOJO 0,0175 0,0668 0,1361 0,1914 0,2081 0,1849 0,1 79 O,IIHI
II,H I 7 0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 0,0000 0,0000 0,0000
0,0000 O,OOOl 0,0039 0,0236 0,0680 0,1276 0,1784 0,1991 0, 1839 0, 11 \'
11, 1 0,3774 0,2702 0,1368 0,0576 0,0211 0,0068 0,0020 0,0005 0,0001 0,00011
O,()O(lO 0,0000 0,0007 0,0065 0,0267 0,0668 0,1201 0,1685 0,1927 0, 11\ 11
0,111 1) 9 0,1887 0,2852 0,2293 0,1369 0,0669 0,0278 0,0100 0,0031 0,0008 O,OO()
0,0000 0,0000 0,0001 0,0014 0,0084 0,0279 0,0644 0,1134 0,1606 0, 1 Hit \
11,0010 0,0596 0,1901 0,2428 0,2054 0,1339 0,0716 0,0323 0,0123 0,0040 O,O() 1 1
0,0000 ,0000 0,0000 0,0003 0,0021 0,0093 0,0276 0,0611 0, 1070 0, 1 lO
11,111100 0,0133 0,0898 0,1821 0,2182 0,1897 0,1304 0,0738 0,0350 0,0139 O,OOil/l
0,0000 0,0000 0,0000 0,0000 0,0004 0,0025 0,0095 0,0263 0,057 1 O, ((IIIH
(1,0000 0,0022 0,0319 0,1028 0,1746 0,2023 0,1789 0,1272 0,0746 0,0365 O,OlilH
0,(1000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0026 0,0090 0,0242 0,0 ;
11,0000 0,0003 0,0089 0,0454 0,1091 0,1686 0,1916 0,1712 0,1244 0,0746 0,0. 70
0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0081 () ,O'I
(1,0000 0,0000 0,0020 0,0160 0,0545 0,1124 0,1643 0,1844 0,1659 0,1 22 1 O,(l7 W
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0021 0,011,
fI ,OOOO 0,0000 0,0004 0,0046 0,0222 0,0609 0,1144 0,1614 0,1797 0,1623 0,1 01
O,()OOO 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 O,Olllr,
fI,OOOO 0,0000 0,0001 0,0011 0,0074 0,0271 0,0654 0,1158 0,1597 0,1771 0, 1/,0
o,nooo 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0011\
11,(1000 0,0000 0,0000 0,0002 0,0020 0,0099 0,308 0,0686 0,1171 0,1 593 O, 17C1
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,11111111
lI ,flOOO 0,0000 0,0000 0,0000 0,0005 0,0030 0,0120 0,0336 0,0710 0,1185 O, IIlO
(l ,OO
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0111111
II,!)OOO 0,0000 0,0000 0,0000 0,0001 0,0008 0,0039 0,0136 0,0355 0,0727 0, 1 01
0,3972 0,1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001
O,!)OOO 0,0000 0,0000 0,0000 0,0000 0,0002 0,0010 0,0045 0,0146 0,0 66 O,()7 \11
0,3763 0,3002 0,1704 0,0811 0,0338 0,0126 0,0042 0,001 2
0,(1000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0049 0,01 50 o,lm!)
0,1683 0,2835 0,2556 0,1723 0,0958 0,0458 0,0190 0,006'
11,11000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0003 0,0013 0,0049 O,OI IM
O,!)OOO 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0003 0,001 3 0,00 (1
0,0473 0,1680 0,2406 0,2297 0,1704 0,1046 0,0547 0,0246
0,11000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002
0,0093 0,0700 0,1592 0,2153 0,2130 0,1681 0,1104 0,061 4
0,0011
0,0014 0,0218 0,0787 0,1507 0,1988 0,2017 0,1664 0,1146
0,11000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 O,O!)O
0,0002 0,0052 0,0301 0,0816 0,1436 0,1873 0,1941 0,1655
0,11000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 O,Ollfl!)
0,11000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,011011
0,1)0 S O,H 1 00 0,1225 0,6400
O,<J
1
7; O,e 900 0,'775 0,9600
1,0000 1,0000 1,0000 1,0000
O,36()O O,' 1111
0,8400 0,7
1
17 U,I ,1111
I,OO()O I,OUOO 1,11111 111
O,Hlj7 O,n
e
0,6 141 0, 5 120 0,42 19 0,3430 0,2746 0, 2 160 0, 111(\
O,I) \)2H 0, 9120 0,9393 0, 8960 0,8438 0,7840 0,7 183 0,6480 O,.'i7IH
O,I)e)91 O,, 0, 966 0,9920 0,9844 0,9730 0,957 1 0, 9360 D,' OH')
I,OOO() 1,0000 1,0000 1,0000 .1,0000 1,0000 1,0000 1,0000 1,0000
O,H I "i 0,656 1 0,5220 0,4096 0,3164 0,2401 0,J785 0, 1296 O,()() 1
O,I)H60 0,9477 0,8905 0,8192 0,7383 0,6517 0,5630 0,4752 0,, 1) 10
O,1)90S O, 6 0,9880 0,9728 0,9492 0,9163 0,8735 0, 8208 O,7SH
1,0000 O, "9 0,9995 0,9984 0,9961 0,9919 0,9850 0,9744 O,9S' )O
1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
0,77 8 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 O,O.'i O \
O, 774 0, 9 185 0,8352 0,7373 0,6328 0,5282 0,4284 0,3370 0, 56
988 0,99 J 4 0,9734 0,9421 0,8965 0,8369 0,7648 0,6826 0,,)1).1 1
1,0000 0,9 95 0,9978 0,9933 0,9844 0,9692 0,9460 0,91 30 0,H6HH
1,0000 0,9999 0,9997 0,9990 0,9976 0,9947 0,9898 O,IJH 1
1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 I,()()OO
0,7 5 1 0,5314 0,377 1 0,2621 0,1780 0,1176 0,0754 0,0467 0,0271
,9672 0,8857 0,7765 0,6554 0,5339 0,4202 0,3191 0,2333 0,16\0
0, 78 0,9842 0,9527 0,9011 0,8306 0,7443 0,6471 0,5443 0,44 1
0,9999 0,9987 0,9941 0,9830 0,9624 0,9295 0,8826 0,8208 0,7441
1,0000 0,9999 0,9996 0,9984 0,9954 0,9891 0,9777 0,9590 O,, , OH
1,0000 1,0000 0,9999 0,9998 0,9993 0,9982 0,9959 O,\N 11
1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0 1
0, 556 0,8503 0,7166 0,5767 0,4449 0,3294 0,2338 0,1586 0, 10 ,1
0,99620,97430,92620,85200,75640,64710,5323 0,4199
0,9998 0,9973 0,9879 0,9667 0,9294 0,8740 0,8002 0,7102 O,OH \
1,0000 0,9998 0,9988 0,9953 0,9871 0,9712 0,9444 0,9037 0,H47 1
1,0000 0,9999 0,9996 0,9987 0,9962 0,9910 0,981 2 O,c (vi \
1,0000 1,0000 0,9999 0,9998 0,9994 0,9984 0,9% \
1,0000 1,0000 1,0000 1,0000 1,0000
II 111 111 1' ', ' 111 1 riores de la tabla indican las probabilidadades acumuladas el ohl ' 11 1 , 1
I l o ' 11 /1 ensayos ele un experimento binomial. donde P es la probabilld Id ti
O,O/JI'
0,')1) 0,96 1IJ O,7e 1) 0( 7H 0 55 1u
,1 , " . " 0,.11 iI O, 01
O,\J ')' 6 O,u SO 0,9786 0,9437 O,H8 12 0,80S'
0, S941 O,117m
I,OO()O 0, 6 O, 71 O, 896 0, 727 0, 420 0, 8 0,7 \ ell,
1,0000 0,9998 0, 988 0, 9958 0, 9887 0, 747 0,150 O,e) 11 "i
1 ,0000 0, 9999 0,9996 0,9987 0, 964 O, , 9 15 O,I)H 1 ')
1,0000 1,0000 0,9999 0, 9 98 0,99' 3 O,IJI)H.l O,Ie) , 1
l ,OOOO 1,0000 1,0000 1,0000 1,00110
0,6 02 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,010 1 0,()0411 O,()() JO
0,9288 0,7748 0,5995 0,4362 0,3003 0,1960 12J 1 0,0705
, . . . 0,(1 1)
0, 9 16 0,9470 0,8591 0,7382 0,6007 0,4628 0, 3373
0, 23 1 H O, IJ') O,OMIJH
1,0000 D,9994 0,9917 0,9661 0,9144 0,8343 0,7297 0,6089 0,40 (,
o , 0, \1, 1/1 O,' ['1
1,0000 0,9991 0,9944 0,9804 0,9511 0,9012 0,8283
0,7,':\, I O,!I 11 1 O, 1111111
0,9999 0,9994 . 0,9969 0,9900 0,9747 0,9464
,900(1 O,M \ l ' 11, 1I1
t ,OOOO 1,0000 0,9997 0,9987 0,9957 0, 9888 O,U 10 ' 0,'/ 111
1,0000 0,9999 0,9996 0,9986 D, 0,1111( 1) 11 1/111
1,0000 1,0000 0,9999 0,9997 O,, 1)1) I II ,'MHI I
] ,0000 I,nooo 1,0000 1,0111111
0, 5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,00 0,00 'O
0,9139 0,7361 0,5443 0, 3758 0,2440 0,1493 0,0860 0046
, 4 0,023.1 0,010 1
0,9885 0,9298 0,8202 0,6778 0,5256 03828
, 0,2616 0, 1673 O,O(()1'1 0,0 11
0,9990 0,9872 0,9500 0,879] 0,7759 06496
, 0, 5138 0,382 O, 6(i O 0, 1711)
0,9999 0,9984 0,9901 0,9672 09219 08497
, , ,7515 0,633 1 0,'; 044 O, mo
1,0000 0,9999 0,9986 0,9936 0,9803 0,9527
0,9051 0,8338 O,7JH4 O,!, I!I
1,0000 0,9999 0,9991 0,9965 09894 0 9740
, , ,94';2 O,HI HO O,M 'M I
1,0000 0,9999 0,9996 0,9984 0, 9952 0, 877 0,1)7 Il 0,1) 1, \
1,0000 1,0000 0,9999 0, 9995 0, 983
1,0000 1,0000 0,9 e IJ O,e)C)l)7
1,0000 1,0000
0, 5688 0,3138 0,1673 0,0859 0,0422 0,01 98 0,0088
0,00,'16 0,001 4
0,8981 0,6974 0,4922 0,3221 0,1971 0, 1130 0,0606 0,0302 0,0 1.1')
0, 2HH 0,0\ 1O O,Ol 7H O,OO(lH O,OO' I O,()()O!l O,OOt)
O,!lM4(1 O, I W/! 0, 10 10 0,0 1' " 0,0 O O,UOM 1 0,00 1)
O,\jI)H I omo
0,114 16 0, 1 MI 0, Mil 0, 160M O,OM. l) 0,01 YO
O,!)!)I)!) O,III? O,! M 1
O,l)/I()() O,MM 1I
0,( 1M o, lIm 0,955(
0, " 82 0,5 13 0, 3552 0,2205 0, 124 0,0(\ \
1,0000
O,l)1)1 7 0,(( 7 0,1 57
O,I\! 11 0, e 08 0,8702 0,74 15 0,5842 0,4227 0, 2793 0, 1117
O,, \) 7 O,, 80 0,'(24 0, ( 7H4
0,( 0,( 00(1 O,M ( I
O, 985 0,956 1 0,888 0,7805 O, 405 O,4M, l) '7.1
1,0000
0,9998 0,9884 0,96 17 0,9067 0,8 164 0,6925 0, 541, 1
1,0000
O,, 8 0, 88
0,( 57 O,, 878 n,1707
0,1)\1)0
1,0000 0,9976 0, 9897 0, 9685 0,9247 0,84 t 0,74 14
1,0000 0,9 99 0,9' 4 0, '80
0, 1 O,IIM
0,9996 0,9978 0,9917 0,9757 0,94 17 O,BHI I
1,0000 1,0000 O, 98 n, 9 3
O,I)IJlM
1. 0000 0,9997 0,9983 0,9940 0,9825 0, 574
1,0000 1,0000
O,')(lqH 1,0000 0,9998 0,9989 0,996 1 O,9HH6
1,0000
1.0000 0,9999 0,9994 0, 97M
1,0000 0,9999
O,, ('7
0,'1 04 O, H24 0, 1422 0,0687 0,03 17 O,OJ 38 0,0057 0,0022 O,OOOH
J,OOOO 1,0000
O,HH 1, 0,6590 0,4435 0,2749 0, 1584 0,0850 0,0424 0,0 196 O,OOM!
O,!IHO O,H8 1 0,7358 0,5583 0,3907 0,2528 0,1513 0,0834 0,0 I 1
0,6488 0,4925 0,3467 0,2253 0,1
0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005
O,I)()?8 O,, 744 0,9078 0,7946
0, 8290 0,5490 0,3186 0,1671 0,0802 0,0353 0,0142 0,0052
0,11 IK 0,< 957 0,9761 0,9274 0,8424 0,7237 0,5833 0,4382 0, , 0411
0,9638 0,81 59 0,6042 0,3980 0,2361 0, 1268 0,0617 0,027 1
I,ooon
0,< ( S 0,9954 0, 9806 0,9456 0,8822 0,7873 0,6652
n, !I (11)
0,9945 0,9444 0,8227 0,6482 0,4613 0,2969 0.1 727 0,0905
O, 0, 993 0,9961 0,9857 0,9614 0,9154 0,8418
0, 7 1)\
0,9994 0,9873 0,9383 0,8358 0,6865 0,5155 0,3519 0,2 173
1,0000 0,9999 0,9994 0,9972 0,9905 0,9745 0,9427 O,HHH \ 0,9999 0,9978 0,9832 0,9389 0,8516 0,7216 0,5643 0,40 2
0, 9999 0,9996 0,9983 0,9944 0,9847 0,1 (, '1
1,0000 0,9997 0,9964 0,9819 0,9434 0,8689 0,7548 0,60 8 O, \lllr,
1,0000
1,0000 0,9994 0,9958 0,9827 0,9500 0, 8868 0,7869 tI , 1II111
1,0000 1,0000 0, 9998 0, 9992 0,9972
0,\)1) 1
0,9999 0,9992 0,9958 0,9848 0,9578 0,9050 tI,tI')nl
1,0000 0,9999 0,9997
O,l)I)HI)
1,0000 0,9999 0,9992 0,9963 0,9876 0,9662 O,Il )lJI
1,0000 1,0000
n,(1)1)1)
1,0000 0,9999 0,9993 0,9972 0,9907 D,I) IIIH
1,0000 1,0000 0,9999 0,9995 0,998 1 O,IIM I
1,0000 0,9999 0,9997 0,1)11(1 \
0, 5 1 3 0,2542 0.1 209 0,0550 0,0238 0,0097 0,0037 0, 00 13
1,0000 1,0000 0,9 C( 0,1)1)1
0,8646 0,62 13 0,3983 0,2336 0,1267 0,0637 0,0296 0,0126 0,004
1
) 1,0000 1,0000 1,()(lOO
O, 755 0,8661 0,6920 0,5017 0,3326 0,2025 0,1132 0,0579
0,0 (I)
0,9969 0,9658 0,8820 0,7473 0,5843 0,4206 0,2783 0, 1686
O,O( ()
0,4401 0,1853 0,0743 0,0281 0,0100 0,0033 0,0010 0,0003
O, 997 0,9935 0, 9658 0,9009 0,7940 0,6543 0,5005 0,3530 0,2 7
1
)
0,8108 0,5147 0,2839 0.1407 0,0635 0,0261 0,0098 0,0033
1,0000 0,9991 0,9925 0,9700 0,9198 0,8346 0,7159 0,5744 0,4 (1M
0,9571 0,7892 0,5614 0,3518 0,1971 0,0994 0,0451 0,01 83
0, 9999 0,9987 0,9930 0,9757 0,9376 0,8705 0,77 12 0,64\ 7
0,9930 0,9316 0,7899 0,5981 0,4050 0,2459 0,1339 0,0651
1,0000 0,9998 0,9988 0,9944 0,9818 0,9538 0,9023 0,821 0,9991 0,9830 0,9209 0,7982 0,6302 0,4499 0,2892 0,1666
0,9998 0,9990 0,9960 0,9874 0,9679 on O
0,9999 0,9967 0,9765 0,9183 0, 8103 0,6598 0,4900 0,3288
1,0000
1,0000 0,9995 0,9944 0, 9733 0,9204 0,8247 0,6881 0,5272
1,0000 0,9999 0,9993 0,9975 0, 9922 0,t7117
0,9999 0,9989 0,9930 0,9729 0,9256 0,8406 0,7161
1,0000 0,9999 0,9997 0, 9987
O,
1,0000 0,9998 0,9985 0,9925 0,9743 0,9329 0,8577 0,744 1
1,0000 1,0000 0,9999
O,'
1,0000 0,9998 0,9984 0,9929 0,9771 0,941 7 0,8759
1,0000 I,OOO() 1,0000 0,9997 0,9984 0,9938 0, 9809 0,95 14
1,0000 0,9997 0,9987 0,9951 0,985 1
O, I I
0,000" 0,000 1 0,0000
0,120" 0,0 10 , 0,00, I O,OOOX 0,000
0,93. !i O,70S4
0,0 162 0,0 170 O,OO!') !') O,OOI '!
0,( 8 8 0,8850
0, 1 2 0,059 1 0,0077
O,u80 0, 48 0,67 0,2822 0, 1500 0,06' 6 0,0 xo
0,4 1 X 1 0,06 1 0,0225 0,0075 0,002 0,0007 O,()()() 0,0000
0,9998 0, 9 14 0,9463 0,8 6 0,47 9 0,2968 0, 162( 0,0777
0,7
1
) 2 0,2525 0, 1182 0,050 1 0,0 19 0,0 67 0,00 I O,OOOr
1,0000 0,9983 0,9837 0,9324 0,6655 0,48 12 0, 30BI 0, 1727
O,( 4t7 0,5 198 0, 096 0, 16 7 0,0774 0,0 27 0,0011 0,9997 0,9959 0,9767 0,9225 0,8 180 0,6656 0,4878 0, . 1 (jI)
O,()') 1 0,7556 0,5489 0, 3530 0,20 19 0, 1028 0,0464 O,OI H 1 1,0000 0,9992 0, 9933 0, 9713 0,9161 0,8145 0,6675 0,11!J40
O,I IJHH 0,901 3 0,7582 0,5739 0,3887 0, 2348 0, 1260 0,0 lin 0,9999 0,9984 0,9911 0,9674 0,9125 0,8 1 9 0,671 0
O,I)I)!)I
0,968 1 0,8943 0,7653 0, 5968 0,4 197 0,26 O 0, 1111 1 1,0000 0, 9997 0,9977 0, 9895 0, 9653 0,9 11 5 O,H I!'i !
1,0000 0,99 17 0, 9623 0,8929 0,7752 0,6 188 0,447H O, IJO J
1,0000 0, 9995 0,9972 0,9886 0, 9648 0,9 1 !J
0,9983 0,989J 0,9598 0,8954 0, 7872 0, 6405 OA7 1 \
0,9999 0, 9994 0, 9969 0, 9884 O,%SH
0,9997 0, 9974 0, 9876 0, 9597 0,9006 0, 80 11 O,M 1I
1,0000 0, 9999 0,9993 0,9969 0,1 H'I I
1,0000 0,9995 0, 9969 0,9873 0,9617 0,908 1 O,H IMI
1,0000 0,9999 0, 99 4 n,!)117
0,9999 0,9994 0, 9968 0,9880 0, 9652 0,11 1/1
1,0000 0,9 9' 0,(11)11
O,llII 1M
J,OOOO 0,9999 0,9993 0,9970 0,9894 O,I)(II)(
1,0000 0,1)1)1)1) O,II)IJr,
1,0000 0,9999 0, 9994 0, 9975 0,1)1) 1' 1
1,0000 1,11111111
1,0000 0,9999 0, 9995 O,')I)H 1
1,0000 0, 9999 O,()I)II/
1,0000 1,0000
0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 O,OO()O 0,0000 0,11111111
0,7358 0,3917 0,1756 0,0692 0,0243 0,0076 0,0021 0,0005 0,0001 0,0111111
0,9245 0,6769 0,4049 0,2061 0,0913 0,0355 0,01 2J 0,0036 0,000
1
0,111111 '
0, 972 0, 1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001 0,0000
0,9841 0,8670 0,6477 0,4114 0,2252 0, 1071 0,0444 0,0 160 O,O()4I) 0,0111 \
0,7735 0,4503 0,2241 0,0991 0,0395 0,0142 0,0046 0,0013 O,O()O \
0,9974 0,9568 0,8298 0,6296 0,4148 0,2375 0, 1182 0,0510 O,OI HI
0,94 19 0,7338 0,4797 0,2713 0,1353 0,0600 0,0236 0,0082 0,00
0,9997 0,9887 0,9327 0,8042 0,6172 0,4164 0,2454 0, 1256 O,O!'i ,i .3
O,989 L 0, 9018 0,7202 0,5010 0,3057 0,1646 0,0783 0,0328 0,01 11
1,0000 0,9976 0,9781 0,9133 0,7858 0,6080 0,4166 0,2500 0, 120
1
0,9985 0,9718 0,8794 0,7164 0,5187 0,3327 0, 1886 0,0942 0,04 1 I 0,9996 0,9941 0,9679 0,8982 0,7723 0,6010 0,4159 0,2520
0, 9 98 0, 9936 0, 9581 0,8671 0,7175 0,5344 0,3550 0, 2088 0, 107/ 0,9999 0,9987 0,9900 0,9591 0,8867 0,7624 0,5956 0,4 14.1
1,0000 0,9988 0,9882 0,9487 0,8610 0,7217 0,5491 0,3743 0, H 1,0000 0,9998 0,9974 0,9861 0,9520 0,8782 0,7553 o,S' 14
0, 9998 0,9973 0,9837 0,9431 0,8593 0,7283 0, 5634 0, . '> 1 1,0000 0,9994 0,9961 0,9829 0,9468 0,8725 0,7507
1,0000 0,9995 0,9957 0,9807 0,9404 0,8609 0,7368 O,57'/X
0,9999 0,9991 0,9949 0, 9804 0, 9435 0, 86
t
0,9999 0,9991 0,9946 0,9790 0,9403 0,8653 0,74" \
1,0000 0,9998 0,9987 0,9940 0,9790 0,9420
1,0000 0,9998 0,9988 0,9939 0,9788 0,9424 0,H7 O
1,0000 0,9997 0,9985 0, 9935 O,97H6
1,0000 0,9998 0,9986 0,9938 0,9797 0, 9 11\ 1
1,0000 0,9997 0,9984
1,0000 0,9997 0,9986 0,9942 O,OH 1/
1,0000 0,9997
1,0000 0,9997 0, 9987 I
1,0000
1,0000 0, 9998 O/I)I JO
O,I)I )IJM
1,0000
0, ')1)1)1)
1,0000
I,OO()()
111 I I 11
" 1. .)
o, z 0,0 0,04 0,05 O,
, ,
O,
0/0002 0,0002 0,0002 0,0002 0/0002 0/0002 0/O()02 0/(01) O/508O 0/ 5,1 0/5 19 0, 27 0/ 53 1
1
1
0,0003 0/000 0,000 0,000 0,000 0,0003 0,000 0,000\ 0, 54 8 0,5478 0,5517 0/5557 0,55 6 0, 56 6 0/ 5675 0/ 57 111
O/O()O5 0/0005 0,0004 0,0004 0,0004 0,0004 O,0()O4 0/000 I 0, 5832 0,5871 0,5910 0, 5948 0,5987 0,6026 0,6064 0,6 10\
0,nOO7 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,000 0,62 17 0,6255 0,6293 0,6331 0,6368 0,6406 0,644 O,64HO
O,O()O 0/0009 0,0009 0,0008 0,0008 0,0008 0,0008 0/0110'/ O/M . 4 0,6591 0,6628 0,6664 0,6700 0, 6736 0,6772 0,6 08 0/6H44
O/O()1 3 0,001 0,0012 0,0012 0,001 1 0,0011 0,00 11 0,0010 0/(1) 15 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,71 57 0/7 1<) 0
0/001 H 0,0018 0,0017 0,00J 6 0,0016 0,001 5 0,001 5 0,0011 0, 7 7 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517
0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,002 1 0,00 O O/758O 0,7611 0, 7642 0,7673 0, 7704 0,7734 0,7764 0,7794 0, 7H23
0,00. 4 ,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,00 O/7H8 1 0,7910 0,7939 0,7967 0,7995 0,8023 0, 8051 0,8078 0,8 106
0,0045 ,0044 0,0043 0,0041 0,0040 0,0039 0,00 8 0,00 17 O/!l 159 0, 8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,836;
0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,005 1 0,004
1
1 0,84 13 0,8438 0,8461 0,8485 0,8508 0,8531 0, 8554 0,8577 O,H51)1)
O,(10HO 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 O,OOill1 0/8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 O,HH IO
0/0 104 0,0 102 0,0099 0,0096 0,0094 0,0091 0,0089 O,OOW/ 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0, 8980 O/Hi lO 7
0,0 136 0,0 132 0,0129 0,0125 0,0122 0,011 9 0,0116 0/011 I
O/ 2
0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9 147 0/
1
)1 11'
0,0 174 0,0 170 0,0166 0,0162 0,0158 0,0154 0,01 50 O,OI II!1 O, 192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0, 9292 0,1) IOn
0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0 1 HH n, 332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,94 18 O/' JI 1I
0,028 1 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0 \11 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0, 9525 \
0/0\ 11
1
) 0,0 SI 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0. 01 0/9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,961 6 0,911
0,0 16 0,0436 0,0427 0,04J 8 0,0409 0,0401 0,0392 0,0384 0,0:\7'1 0/9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,969 O,9(jl)11
O,OIlIIH 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0461!j 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,<)7 (11
O/O(MI 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,057 1 0/9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,< HI
O/OH08 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0( 1)11 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0, 9850 1
O/O
I
6H 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,<JHR7
O/ II SI 0, 1 J 31 0,1112 0,1093 0.1075 0,1056 0.1038 0,1020 O, I()O \ 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,991 1 0,99 1,1
0,1 357 0,1335 0,1314 0,1292 0,1271 0,1251 0.1230 0, 1210 0, 1 lOO 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0, 9932 0,9 34
O/ IS87 0,1562 0,1539 0,1515 0.1492 0,1469 0,1446 0,1423 0, 1401 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,995 1
O, I/l 4 1 0,1814 0.1788 0,1762 0,1736 0,1711 0,1685 0,1660 0, 16. 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9
c
:3
O/2 11 ( 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0, IS94 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0, 9972 0,9973
0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2 177 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0, 9( SO
0/2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,248 , 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0, 99/l 6 O/I )I)HII
O/ 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0, 2/l 10 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,99' O 0,1)1)110
0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0, 15(, 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9 '3 0,1)111) \
0,. R2 1 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0, 520 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995
0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0, 3897 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0/1)1)1)1
0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,42H6 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0, 9 7 O,I)I)IJH
O, SOOO 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,9998 0,9998 9998 0,9998 0,9998 0,9998 0,9998 0,9998 0, 9998 0,1) 1)1 ti
I 11 \' d OI ' 's nteriores representan la probabilidad de obtener valores de Z m i1 0 1 'l' 11 1 "
res interiores representan la probabilidad de obtener valores de Z meno!" s () I 1I l.
It IJIII I1 puntuacin tpica, Z, definida por el cruce de la fila con la columna IlId I 111
llll la puntuacin tpica, Z, definida por el cruce de la fila con la columna illd il' 11
1
dll I mal. As, por ejemplo, la probabilidad de obtener puntuacion :; 111 ' 11111
undo decimal. As, por ejemplo, la probabilidad de obtener puntuacion s !TI ' 1101
I 11111 II1 1- 1/05 es 0,1469. Es decir peZ - 1,05) = 0,1469.
It's que 1,05 es 0,8531. Es decir peZ 1,05) = 0,8531.
IJH
I('I' f )
uf
10 0,00 9 0, 158 ,84 15 0,3 5 0,5 10 0,727 1,000 1, 76 1,96 ,078 6,3 14
0,0506 0, 1026 0, 2107 4,6052 5,99 15 0,28 0,445 0,6 17 0,816 1,061 1, 386 1,886 2, 20 4, 30.1
0, 2 158 0, 35 18 0, 5844 6,25 14 7,8 147
(
,. 4H , 0, 277 0,424 0, 584 0,765 0,978 1,250 1,638 2,353 , 182
0,4844 0,7107 1,0636 7,7794 9,4877 11 , 14. ] 0, 27 1 0,414 0,569 0,741 0,94 1 1, 190 1,533 2,132 2,776
0,831 2 1,1455 1,6103 9,2364 11 ,Q705 12,8:125 0, 267 0,408 0,559 0,727 0,920 1,1 56 1,476 2,015 2,57 1
1,2 73 1,6354 2,2041 10,6446 12,59 16 14,44\14 0, 265 0,404 0,553 0,71 8 0,906 1,134 1,440 1,943 2,447
1, 6899 2,1673 2,8331 12,0170 14,0671 16,O l 2H 0,263 0,402 0,549 0,711 0,896 1,11 9 1,415 1,895 2,365
2, 1797 2,7326 3,4895 13,3616 15,5073 17,5 45 0, 262 0,399 0,546 0,706 0, 889 1, 108 1,397 1,860 2,306
2,7004 3,3251 4,1682 14,6837 16,9 190 19,022H 0,261 0,398 0,543 0,703 0,883 1.100 1,383 1,833 2,262
,2470 3,9403 4,8652 15,9872 18,3070 20,4832 0,260 0,397 0,542 0,700 0,879 1,093 1,372 1, 812 2,22/l
3,8 157 4,5748 5,5778 17,2750 19,6751 21, 9200 0,260 0,396 0,540 0,697 0,876 1,088 1,363 1,796 2,20 1
4,4038 5,2260 6,3038 18,5493 21,0261 23,3367 11 , 1 H 0, 259 0,395 0,539 0,695 0,873 1,083 1,356 1,782 2,1 79
4, 10 5,0088 5,8919 7,0415 19,8119 22,3620 24,7356 1I , I2H 0,259 0,394 0,538 0,694 0,870 1,079 1,350 1,771 2, 160
4,6604 5, 6287 6,5706 7,7895 21,0641 23,6848 26, 11 89 0, 128 0,258 0,393 0,537 0,692 0,868 1,076 1,345 1,761 2, 145 ,h 1
5,22 3 6,2621 7,2609 8,5468 22,3071 24,9958 27,4884 0, 128 0,258 0,393 0,536 0,691 0,866 1,074 1,341 1,753 2, 1. 1 ,nO)
5,8 122 6,9077 7,9616 9,3122 23,5418 26,2962 28,8454
3 1,\)\)1)1)
0, 128 0,258 0,392 0,535 0,690 0,865 1,071 1,337 1,746 2, 120 2,IIH \
,4078 7,5642 8,6718 10,0852 24,7690 27,5871 30,1910 . ,40H I 0, 128 0,257 0,392 0,534 0,689 0,863 1,069 1,333 1,740 2,1 l O
7,0 149 8,2307 9,3905 10,8649 25,9894 28,8693 31,5264 34,HO I n, 127 0,257 0,392 0,534 0,688 0,862 1,067 1,330 1,734 2, 10 1
7,6327 8,9065 10,1170 11,6509 27,2036 30.1435 32,8523 36, l llOI) I n, 127 0,257 0,391 0,533 0,688 0,861 1,066 1,328 1,729 2,0' II I
8,2604 9,5908 10,8508 12,4426 28,4120 31,4104 34.1696 37,5M' n, 127 0,257 0,391 0,533 0,687 0,860 1,064 1,325 1,725 2,086 2,!i H
8,8972 10,2829 11,5913 13,2396 29,6151 32,6706 35,4789 3H,\) \ 0, 127 0,257 0,391 0,532 0,686 0,859 1,063 1,323 1,721 2,080 2,5 1H
H,M27 9,5425 10,9823 12,3380 14,0415 30,8133 33,9244 36,7807 40,.2HI)11 0, 127 0,256 0,390 0,532 0,686 0,858 1,061 1,321 1,717 2,074 2,50H
1),2M)4 10, 1957 11,6886 13,0905 14,8480 32,0069 35.1725 38,0756 1 0, 127 0,256 0,390 0,532 0,685 0,858 1,060 1,319 1,714 2,069 2.50()
1).HH62 10,8564 12,4012 13,8484 15,6587 33.1962 36,4150 39,3641 42,97
1
)H 0, 127 0,256 0,390 0,531 0,685 0,857 1,059 1,318 1,711 2,064 2,4(
1 197 11 ,5240 13,1197 14,6114 16,4734 34,3816 37,6525 40,6465 44,. 1I1 0, 127 0,256 0,390 0,531 0,684 0,856 1,058 1,316 1,708 2,060 2,485
11 , 1602 12, 1981 13,8439 15,3792 17,2919 35,5632 38,8851 41 ,9232 45,64 17 0, 127 0,256 0,390 0,531 0,684 0,856 1,058 1,315 1,706 2,056 2,47\)
II ,H076 12,8785 14,5734 16.1514 18.1139 36,7412 40,1133 43.1 945 46,' (1 1) 0, 127 0,256 0,389 0,531 0,684 0,855 1,057 1,314 1,703 2,052 2,473
12,46 1 13,5647 15,3079 16,9279 18,9392 37,9159 41,3371 44,4608 48,27H 0,127 0,256 0,389 0,530 0,683 0,855 1,056 1,313 1,701 2,048 2,467
13, 12 11 14,2565 16,0471 17,7084 19,7677 39,0875 42,5570 45,7223 49,5H7
1l
0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,311 1,699 2,045 2,46
13,7867 14,9535 16,7908 18,4927 20,5992 40,2560 43,7730 46,9792 50,89 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,310 1,697 2,042 2,457
20, 7065 22.1643 24,4330 26,5093 29,0505 51,8051 55,7585 59,3417 63,690 I 0,126 0,255 0,388 0,529 0,681 0,851 1.050 1,303 1,684 2,02 1 2,42.
7, ( '07 29,7067 32,3574 34,7643 37,6886 63.1671 67,5048 71,4202 76,1 5"1) 0,126 0,255 0,388 0,528 0,679 0,849 1,047 1,299 1,676 2,009 2,40
45 37,4849 40,4817 43.1880 46,4589 74,3970 79,0819 83,2977 88,37
1
)11 0,126 0,254 0,387 0,527 0,679 0,848 1.045 1,296 1,671 2,000 2, t o
' 13,2752 45,4417 48,7576 51,7393 55,3289 85,5270 90,5312 95,0232 11II 0,126 0,254 0,387 0,527 0,678 0,847 1,044 1,294 1,667 1,994 2, 8 1
51,17 19 53,5401 57.1532 60,3915 64,2778 96,5782 101.8795106,628611 2, HH 11 I 0,126 0,254 0,387 0,526 0,678 0,846 1,043 1,292 1.664 1,990 2,374
6l.7541 65,6466 69.1260
73,2911 107,5650 113,1453 118,1359124, 1 1 (l 1 '11 0,126 0,254 0,387 0,526 0,677 0,846 1,042 1.291 1,662 1,987 2,368
70,0649 74,2219 77,9295
82,3581 118,4980 124,3421129,5612135,80/l / 1111 1 0,126 0,254 0,386 0,526 0,677 0,845 1,042 1,290 1,660 1,984 2, 64 ,(1 (,
1) 1111111 'I'OS interiores representan valores de la variable chi-cuadrado para una IlIlllllIlll
lI(meros interiores representan valores de la variable T para una probabi lidad I1IVIIOI 11
hllllll ' 1I (j 1' igual que la especificada, con g.l. grados de libertad. Por ejemplo, 0 11 10 1
I lue la especificada, con g.l. grados de libertad. Por ejemplo, con 10 g.l. la probul 111 1, I
11111 ti IIdn I de obtener valores menores o iguales que 15,9872 es 0,900.
ob! ner valores menores o iguales que 1,372 es 0,900.
lOO
101
=
2
3
4
5
6
7
8
9
.o
11
12
13
14
15
16
17
18
19
20
8,526
5,538
4,545
4,060
3,776
3,589
3,458
3,360
3,285
3,225
3,177
3,136
3,102
3,073
3,048
3,026
3,007
2,990
2,975
2,881
3,257
3,113
3,006
2,924
2,860
2,807
2,763
2,726
2,695
2,668
2,645
2,624
2,606
2,589
2,489
1393
9,162
5,391
4,191
3,619
3,289
3,074
2,924
2,813
2,728
2,660
2,606
2,560
2,522
2,490
2,462
2,437
2,416
2,397
2,380
2,961
2,806
2,693
2,605
2,536
2,480
2,434
2,395
2,361
2,333
2,308
2,286
2,266
2,249
2,142
57,240
9,293
5,309
4,051
3,453
3,108
2,883
2,726
2,611
2,522
2,451
2,394
2,347
2,307
2,273
2,244
2,218
2,196
2,176
58,204
9, 326
5,285
4,010
3,405
3,055
2,827
2,668
2,551
2,461
2,389
2,331
2,283
2,243
2,208
2,178
5,266
3,979
3,368
3,014
2,785
2,624
2,505
2,414
2,342
2,283
2,234
2,193
2,158
2,128
2, 102
2,079
2,058
2,040
1,92
1.S19

-= -
5,252
3,955
3,339
2,983
2,752
2,589
2,469
2,377
2,304
2,245
2,195
2,154
2,119
2,088
2,061
2,038
2,017
1,999
1,88-l
L - -
5,240 5,230 5,184
3,936 3,920 3,844
3,316 3,297 3,207
2,958 2,937 2,836
2,725 2,703 2,595
2,561 2,538 2,425
2,440 2,416 2,298
2,347 2,323 2,201
2,274 2,248 2, 123
2,214 2,188 2,060
2,164 2,138 2,007
2,122 2,095 1,962
2,086 2,059 1,924
2,055 2,028 1,891
2,028 2,001 1,862
2,005 1,977 1.83
1,984 1,956 1,814
2,555
2,383
2,255
2,155
2,076
2,011
1,958
1,912
1,873
1,839
1,809
1.783
5,160
3,8M
3,151
2,181
2,535
2.361
2,23
2, 132
2,052
1,986
1,931
1,885
1,!H5
1,811
1,781
1.75
1,730
1.-
3,795
3.1';-
1,91S !.'JO.!
1.569
l.S2S
1.193

3.TI3
199,500215,707224,583230,162233,986236,768 238,883 240,543 241,882 248,013 250,095 251, 143 251,774 252,196
18,513 19,000 19,164 19,247 19,296 19,330 19,353 19,371 19,385 19,396 19,446 19,462 19,471 19,476 19,
9,552 9,277 9,117 9,013 8,941 8,887 8,845 8,812 8,786 8,660 8,617 8,594 8,581 8.5=
6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964 5,803 5,746 5,717 5,699
6,608 5,786
5,987 5.143
5,591 4,737
5,318 4,459
5,117 4,256
5,409
4,757
4,347
4,066
3,863
4,965
4,844
4,747
4,667
4,600
4,543
4,494
4,451
4,414
4,381
4,351
4,171
4,001
3,920
4,103 3,708
3,982 3,587
3,885 3,490
3,806 3,411
3,739 3,344
3,682 3,287
3,634 3,239
3,592 3,197
3,555 3,160
3,522 3,127
3,493 3,098
3,316 2,922
5,192
4,534
4,120
3,838
3,633
3,478
3,357
3,259
3,179
3,112
3,056
5,050 4,950 4,876 4,818
4,387 4,284 4,207 4,147
3,972 3,866 3,787 3,726
3,687 3,581 3,500 3,438
3,482 3,374 3,293 3,230
4,772
4,099
3,677
3,388
3,179
4,735
4,060
3,637
3,347
3,137
3,326
3,204
3,106
3,025
2,958
2,901
3,217 3,135 3,072 3,020 2,978
3,095 3,012 2,948 2,896 2,854
2,996 2,913 2,849 2,796 2,753
2,915 2,832 2,767 2,714 2,671
2,848 2,764 2,699 2,646 2,602
2,790 2,707 2,641 2,588 2,544
4,558 4,496
3,874 3,808
3,445 3,376
3,150 3,079
2,936 2,864
4,464 4,444
3,774 3,754
3,340 3,319
3,043 3,020
2,826 2,803
2,774 2,700 2,661 2,63
2,646 2,570 2,531 2,507
2,544 2,466 2,426 2,401
2,459 2,380 2,339 2,314
2,388 2,308 2,266 2,241
2,328 2,247 2,204 2,178

,lOO
3,007 2,852
2,965 2,810
2,928 2,773
2,895 2,740
2,866 2,711
2,690 2,534
2,741 2,657
2,699 2,614
2,661 2,577
2,628 2,544
2,591
2,548
2,510
2,47
2,447
2,538
2,494
2,456
2,494 2,276 2,194
2,450 2,230 2, 148
2,151
2, 104
2,063
2,026
1,99
1,792
1,594

2,124 2,106
2,077 2,058
2,035 2,01-
1,999 1,980
1,966 1.9-;6
1,761 l.i..;n
2,514
2.33-1 ,.26
2,412
2,378
2,348
2,165
1,993
1.910
2, 191
2,155
2,1 24
1,932
1,748
1.659
2,107
2,071
2,039
1,841
1,649
1.5S-!
Los imeriores c.orrespoOOen a)os valores Ge Cd nm:;:;a-d.tr Y
S
1,-
1

.--

I...E2
:::::
..JI
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
30
60
120
1
8,813
8,073
7,571
7,209
6,937
6,724
6,554
6,414
6,298
6,200
6,115
6,042
5,978
5,922
5,871
5,568
98,503
34,116
21,198
16,258
13,745
12,246
11,259
10,561
10,044
9,646
9,330
9,074
8,862
8,683
8,531
8,400
8,285
8,185
8,096
7,562
7,077
6,851
$ :
2 3 4 5

,
39,355 39,373 39,381 39,398 39,
16,044 15,439 15, 101 14,885 14,735 14,624 14,540 14,413 14,419 14,167
10,649 9,979 9,605 9,364 9,197 9,074 8,980 8,905 8,844 8,560
8,434 7,764 7,388 7,146 6,978 6,853 6,757 6,681 6,619 6,329
7,260 6,599 6,227 5,988 5,820 5,695 5,600 5,523 5,461 5,168
6,542 5,890 5,523 5,285 5,119 4,995 4, 899 4,823 4,761 4,467
6,059 5,416 5,053 4,817 4,652 4,529 4,433 4,357 4,295 3,999
5,715 5,078 4,718 4,484 4,320 4,197 4, 102 4,026 3,964 3,667
5,456
5,256
5,096
4,965
4,857
4,765
4,687
4,619
4,560
4,508
4,461
4, 182
4,826
4,630
4,474
4,347
4,242
4,153
4,077
4,011
3,954
3,903
3,859
3,589
4,468
4,275
4,121
3,996
3,892
3,804
3,729
3,665
3,608
3,559
3,515
99,000 99,1 66 99,249
30,817 29,457 28,710
18,000 16,694 15,977
13,274 12,060 11 ,392
10,925 9,780 9,148
9,547 8,451 7,847
8,649 7,591 7,006
8,022 6,992 6,422
7,559 6,552 5,994
7,206 6,217 5,668
6,927 5,953 5,412
6,701 5,739 5,205
6,515 5,564 5,035
6,359 5,417 4,893
6,226 5,292 4,773
6,112 5, 185 4,669
6,013 5,092 4,579
5,926 5,010 4,500
5,849 4,938 4,431
5,390 4,510 4,018
4,977 4,1 26 3,649
4,781 3.949 3.480
3,779
3,588
3,436
3,312
3,209
3, 123
3,049
2,985
3,717
3,526
3,374
3,250
3,147
3,060
2,986
2,922
4,236
4,044
3,891
3,767
3,663
3,576
3,502
3,438
3,382
3,333
3,289
3,026
4,072
3,881
3,728
3,604
3,501
3,415
3,341
3,277
3,221
3,172
3,128
2,867
3,950
3,759
3,607
3,483
3,380
3,293
3,219
3,156
3,100
3,051
3,007
2,746
3,855
3,664
3,512
3,388
3,285
3,199
3,125
3,061
3,005
2,956
2,913
2,929 2,866
3,419
3,226
3,073
2,948
2,844
2,756
2,681
2,616
2,559
2,509
2,464
2,195
1,944
99,299
28,237
15,522
10,967
8,746
7,460
6,632
6,057
5,636
5,316
5,064
4,862
4,695
4,556
4,437
4,336
4,248
4,171
4,103
3,699
3,339
99,333
27,911
15,207
10,672
8,466
7,191
6,371
5,802
5,386
5,069
4,821
4,620
4,456
4,318
4,202
4,102
4,015
3,939
3,871
3,473
3,119
2,880 2,817
2,837 2,774
2,575 2,511
2270
2.1 57 1,825
99,356 99,374 99,388
27,672 27,489 27,345 27,229
14,976 14,799 14,659 14,546
10,456 10,289 10,158 10,051
8, 260 8, 102 7,976 7,874
6,993 6,840 6,719 6,620
6,178 6,029 5,911 5,814
5,613 5,467 5,351 5,257
5,200 5,057 4,942 4,849
4,886 4,744 4,632 4,539
4,640 4,499 4,388 4,296
4,441 4,302 4,191 4,100
4,278 4,140 4,030 3,939
4,142 4,004 3,895 3,805
4,026 3,890 3,780 3,691
3,927 3,791 3,682 3,593
3,841 3,705 3,597 3,508
3,765 3,631 3,523 3,434
3,699 3,564 3,.157 3,368
3.3( 3,1 J3 3,067 2,979
1..S.!3 L,Ii! 2,632
... :::: =;
Los nmeros interiores corresponden a los valores
rarl c:ieI denominador.. pO!'" ejempio. P F JC: $ 3,.3.';'':
8,461
6,227
5,065
4,362
3,894
3,560
3,311
3, 118
2,963
2,83
2,732
2,644
2,568
2,502
2,-M5
2,394
2,349
2,OH
99,449
26,690
14,020
9, 553
7,396
6, 155
5,359
4,808
4,405
4,099
3,858
3,665
3,505
3,372
3,259
3,162
3,077
3,003
2,938
2,549
2.198
"',033
1-1,Or
8,411
6,175
5,OL
l,309
3,840
3,505
3 - --
3,061
2,906
2,780
,67
,585
2,509

2,333
2.2Si
7,009
99,466
g.mo
00,.3S1
3,so
3.--.. _
3
rus
:;,.;s

1.%5
26,505 26.411
13,838 13,145
9,379 9,291 '238
,229 7, 143
5,992 5,908
5,1 98 5,116
4,649 4,56-
4,247 4,165 -
3,941 3,860 3..5
3,701 3,619
3, -
3,507 3,42-
3,348 3,266
3,214 3,132 3.
3,101 3,018
3,003 2,91lJ
2,919 2.835
2,844 2,.61 1.hl5
7m 1..IBS
'"

:.,:..;;:


- '''1:_ .
.:s...:...:c


:E
.... =--
~ TABLA VII: DISTRIBUCIN F
o.
PCF
n
n ~ f n n )=0,995
l' 2 l' 2
Grados de libertad del numerador (n.)
2 3 4 5 6 7 8 9 10 20 30 40 50
16210,723 19999,500 21614,741 22499,583 23055,798 23437,111 23714,566 23925,406 24091,004 24224,487 24835,971 25043,628 25148, 153 25211 ,089 25lli.U: :c:._ =:=:
2 198,501 199,000 199,166 199,250 199,300 199,333 199,357 199,375 199,388 199,400 199,450 199,466 199,475 199,480 199"'-r.
3 55,552 49,799 47,467 46, 195 45,392 44,838 44,434 44, 126 43,882 43,686 42,778 42,466 42,308 42,213
4 31,333 26,284 24,259 23, 155 22,456 21,975 21,622 21,352 21,139 20,967 20,167 19,892 19,752 19,667 1'1 -
5 22,785 18,314 16,530 15,556 14,940 14,513 14,200 13,961 13,772 13,618 12,903 12,656 12,530 12.454
6 18,635 14,544 12,917 12,028 11,464 11 ,073 10,786 10,566 10,391 10,250 9,589 9,358 9,241 9, 170
7
8
9
10
11
12
13
14
15
16
17
18
16,236 12,404 10,882 10,050 9,522 9,155 8,885 8,678 8,514 8,380 7,754 7,534 7,422 7.354
14,688 11,042 9,596 8,805 8,302 7,952 7,694 7,496 7,339 7,211 6,608 6,396 6,288 6,2n
13,614 10,107 8,717 7,956 7,471 7,134 6,885 6,693 6,541 6,417 5,832 5,625 5,519 5,454
12,826 9,427 8,081 7,343 6,872 6,545 6,302 6.116 5,968 5,847 5,274 5,071 4,966 4,902
12,226 8,912 7,600 6,881 6,422 6,102 5,865 5,682 5,537 5,418 4,855 4,654 4,551 4,488
11,754 8,510 7,226 6,521 6,071 5,757 5,525 5,345 5,202 5,085 4,530 4,331 4,228 4.165
11,374 8.186 6,926 6,233 5,791 5,482 5,253 5,076 4,935 4,820 4,270 4,073 3,970 3,908
11,060 7,922 6,680 5,998 5,562 5,257 5,031 4,857 4,717 4,603 4,059 3,862 3,760 3,698
10,798 7,701 6,476 5,803 5,372 5,071 4,847 4,674 4,536 4,424 3,883 3,687 3,585 3,513
10,575 7,514 6,303 5,638 5,212 4,913 4,692 4,521 4,384 4,272 3,734 3,539 3,437 3.3TI
10,384 7,354 6, 156 5,497 5,075 4,779 4,559 4,389 4,254 4,142 3,607 3,412 3,311 3 . 2 ~
10,218 7,215 6,028 5,375 4,956 4,663 4,445 4,276 4,141 4,030 3,498 3,303 3101 3.B
19 1 10,073 7,093 5,916 5,268 4,853 4,561 4,345 4,177 4,043 3,933 3,402 3.208 3,106 3,M'
20 9,944 6,986 5,818 5, 174 4,762 4,472 4,257 4,090 3,956 3,847 3,318 3, 113 3,021
30
60
120
9,180 6,355 5,239 4,623 4,228 3,949 3,742 3,580 3,450 3,344 2,823 2,618 131 ..
8,495
8, 179
5,795
5.539
4,729
4,497
4,140
3,921
3,760
3.548
., 4-=.-
1-
.3
.i.L:E
~ ~
33:3::