Analisis de Datos I

ANLISIS
DE bATOS
EN PSICOLOGA I
Jos Mara Merino
Enrique Moreno
Miguel Padilla
Pedro Rodrguez-Min
ngel Villarino
UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA
Jos M." Merino

Enrique Moreno
Miguel Padilla
Pedro Rodrguez-M.ii,n
ngel Vill arin o
ANLISIS DE DATOS
EN PSICOLOGA I
UNIVERSIDAD NACIONAL DE EDUCACiN A DISTANCIA
/
UNIDADES DIDCTICAS (47105 UDOI )
ANLIS IS DE DATOS E N PSICOLOGA I
PRLOGO
l. El an
1.1. b
1.2. E
1.3.
Quedal1 rig ll rosQmewl! prohibidas. sil! (a ollton'lAcill escrita
de los tillares del . COliyriJgt. , bajo fas SaI/olles establecidas en las leyes.
la refJrotlllcciIf /0/01 o parcial ,le es/a obra por cllalquier medio o procedimiento
compnmdidos la reprografa y el tralamimlo ,,(ormtftico, y la dislribllcitl
tle ejem plares ,Je ellas me}iallle alquiler Q prsltlmo p blicos.
I
I
I
1.4.
I
I
l.
"
UN IVERS IDAD NAC IO NAL

DE E DUCACiN A DI STANCIA - Madrid. 200 1
Li brera UN ED: el Bravo Murillo. 38 - 280 15 Madlid

Telfs.: 9 \ 398756017373 E-mai!: libreria@.adm.uncd.es
Jos M,o Meri no, Enrique More no, Miguel Padilla,
Pedro Ro<h iguez-Min. Angel Vi/!1lIino
ISBN: 84-362-4489-3 (o. c.)

ISBN: 84-362-455 1-2 (vol. 1)
Depsito legal: M. 3 1.418-200 1
Primcra edicin: scplicmbrc de 200 1
Imprcso en Espaa - PTinlcd in Spain
e i mp rc~o cn Fcrnndcz Cudad, S. L.
Ca talina Surcz, 19.28007 Madrid
Compuc~1O
1.5. R
1.6. E
1. 7. S
2. Clasi6
2.!.
2. 2.
Ir
'"
2.
2.
2.3. E
2.
2.
2.4. D
2.5. R>
2.6. E.
NDICE
PRLOGO .......... . .... . .... .. ....................... .
17
1. El anlisis de datos y la medicin en Psicologa ..... . .. .

1.1. Introduccin ..... . .......... . ...... . ....... . .. .
1.2. El mtodo cientfico y el anlisis de datos ....... . .. .
1.3. Conceptos generales ........ . ............ . . .....
1.3.1 . Poblacin y muestra . ................ . . . .. .
1.3.2. Parmetro y estadstico ........ . ... ... . . .. .
1.3.3. Caracteristica y modalidad ............. . .. .
lA. Medicin y escalas de m edida .................. . . .
1.4.1. Escala nominal ................ . ......... .
1.4.2. Escala ordinal ........... . .. .. . .. . . . . . ...
1.4.3. Escala de intervalo ...... . .. ... . .. . .. .....
1.4.4. Escala de razn ........ . . . ' .... . . . . ...
19
21
1.5. Resumen ......... . .............. . ... ......... .

1.6.
1.7.
Ejercicios ...... . ... . .......................... .

Soluciones a los ejercicios . . ............ . . . ...... .
2. Clasificacin y notacin de variables ..... ....... . . . .. .

2.1. Introduccin .. . . ...... .. ....... . .. ............
2.2. Variables: Clasificacin y notacin
.............. .
2.2.1. Clasificacin . .. . ....... . ........ . .. .. . .
2.2.2. Notacin de variables .... . .... . .... . . . .. . .
2.3. El smbolo de sumar o sumatorio ................. .
2.3.1. Reglas del sumatorio ..................... .
2.3.2. Consecuencias del sumatorio ....... . ...... .
2.4. Doble sumatorio ...................... . .. .. . ...
2.5, Resumen ., .......... , ....... , ......... , .. , .,.
2.6. Ejercicios .. , ....... " . . ...... , ... . . " ...... .
22
26
26
28
29
30
33
35
37
40
42
42
44
47
49
49
50
52
52
53
55
58
66
66
AN LISIS DE DATOS EN PSICOLOGfA 1
2. 7.
Soluciones a los ejercicios
69
3. Or ganizacin d e datos y r epresenta ci n grfica . . . . . . . .

75
.................
. . . . . . .. 77
3.1. Introduccin
3.2. Di stribucin de frecuencias. . . . .
. . . . . . .. 78
3.3. Distribucin de valores dentro de un intervalo. . . . . . .. 86
3.4. Representaciones grficas ........... . . .
. . . . . .. 88
3.4.1. Representaciones grficas de variables cua li tativas y cuasicua nti lativas
. . . . . . . . . . . .. 88
3.4.1 .1. Di agrama de rectngu los ........... 88
3.4.1 .2. Diagra ma de sectores o p ictograma .. 89
3.4.2. Representaciones grficas de variables cuan t itativas .....
. . .......... . .. .
90
3.4.2. 1. Diagrama de ban'as . ............. . 91
3. 4.2.2. Histograma .... . ................ . 92
3.4.2 .3. Po lgono de frec uencias ........... . 93
3.5. Convenciones 'especto a las representac iones grficas. 95
3.6. Propiedades de la dist -i bucin de frecuencias ....... . 97
3.7. Resumen. .
. .............. .
99
3.8 . Ejercicios. . . . . .
. ........... .
100
3.9. Soluciones a los ejerc icios ................ . . .. .
104
4 . ndices d e te nde ncia central y d e pOsicin .... __ . . . . .
4 .1. In trod ucc in...........
. ........ _.. .....
4.2. ndices de tendenc ia central .. ' . . .. . . .. . .. . . . ...
4.2.1. La moda...........
. ...........
4 .2. 1. 1. La moda en variables cu ali tativas ....
4.2. 1.2. La moda en variables cu antita tivas. ..
4.2. 1.3. Propiedades de la moda .....
....... , . . . . . . . . .
4.2.2. La mediana
4.2.2.1. Clculo
................
4.2.2.2. Propiedades de la mediana ... .
4.2 .3. La media. . . . . . . .
. ............... .
4.2.3.1. Definicin y clculo .............. .
4.2 .3.2. Propiedades de la media ........... .
4.2.4. Cr iterios para la eleccin de un ndice de len
dencia cen tral
................ .
4.2.5 Otros ndices de tendencia cen tra l
4.2.5.1. Med ia geomtrica ........... . .. .
4.2.5.2. Med ia armn ica ............. . . .
4.2.5.3. Med ia cuadr ti ca
4.3. Medidas de posicin ....... .
fNDICE
107
109
110
110
110
111
112
112
112
116
117
118
120
123
127
127
129
130
130
4.2
4.3
4.4.
4.5.
Re
Ej<:
4.6. Sol
5. ndices I
5.1. Int
5.2. Ind
5.2.
5.2.
5.2.
5.2.
5.3.
5.4.
5.5.
5.6.
5.2.
Ind:
5.3.
5.3.
5.3 ..
Res'
Ejel
Soh
6. P untuad
cu rtos is .
6.1. [ntri
6.2. Pun
6.2.
6.2.:
6.3. Lae
6.3.
6.3.:
6.3.4
6.3.:
6.3.<
6.4. Resl
6.5. Ejer
6.6. Solu
NDICE
4.3.l. Percentiles o centiles

131
4.3.2. Otros ndices de posicin ..... . ... . . . . . .... 135
4.3.2. 1. Deciles .............. ..... . ..... 135
4.3.2.2. Cuartiles ....................... . 136
4.4. Resumen
136
4.5. Ejercicios ..... . ..... .. ..... . ...... .. . .... _ .. . 137
4.6. Soluciones a los ejercicios ............. . ......... . 140
5. ndices de variabilidad y sesgo o asimetria . . . . . . . . . . . ..

5.1. Introduccin .. . .... ...... .............. . .......
5.2. ndices de variabilidad. . . . . . . . . . . . . . . . . . . . . . . . . ..
5.2. 1. Amplitud total. . .. . . . . . .. . . .. . . . .. . ... . .
5.2.2. Amplitu d semi-intercuartil .. . . . ..... .....
5.2.3. Desviacin media ........ . ' .. ' . . ...... .. ..
5.2.4. Varianza y desviacin tpica ................
5.2.4.1. Definicin y clculo ...... ... .. . .. .
5.2.4.2. Propiedades de la vari anza y la desviacin tpica . . .....................
5.2.5. Coeficiente de variacin. . . . . . . . . . . . . . . . . . ..
5.3. Indices de sesgo o asimenia . . . . . . . . . . . . . . . . . . . . . ..
5.3.1. ndice de asimetra intercuartlico . .... . .....
5.3.2. ndice de asimetra de Pearson . . . . . . . . . . . . ..
5.3.3. ndice de asimetra de Fisher ...............
5.4. Resumen ................... . ......... . . . . . . ...
5.5. Ejercicios............................ .. ........
5.6. Soluciones a los ejercicios . ....... . ...............
155
157
l 58
159
160
161
162
163
166
6. Puntuaciones derivadas. La curva nonnal. Apuntamiento o

curtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
6.1. In troduccin... . . . .. . ..................... .. ...
6.2. Puntuaciones derivadas .. ...... .. ... . . .. . ..... .
6.2.1 . Puntuaciones de desviacin. . . . . . . . . . . . . . . ..
6.2 .2. Puntuaciones tpicas .. .. . ... ...... . .......
6.3. La curva normal . .... . .. .. .............. . . . . . . ..
6.3.1. Del histograma a la curva normal . . . . . . . . . . ..
6.3.2. reas y proporciones bajo la curva normal.. ..
6.3.4. Normalizacin de distribuciones . ...........
6.3.5. Puntuaciones y escalas derivadas normalizadas
6.3.6. Apuntam iento o curtosis .. .................
6.4. Resumen .. . ...... .. .. . ........................
6.5. Ejercicios ... . ...... . ............. . ..... . . ......
6.6. Soluciones a los ejercicios .... . ... _ . . . . . . . . . . .
171
173
174
174
175
176
177
181
187
189
189
191
191
193
145
147
148
148
149
150
150
15 1
10
ANLISIS DE DATOS EN PSICOLOGfA 1
NDICE
7 . Anlisis exploratorio de datos .. . ... . .................

7.1. Introducc in ................... . ...............
7.2. El anl isis exploratorio de datos .............. " ..
7.3. Diagrama de lallo y hojas. . . . . . . . . . . . . . . . . . . . . . . ..
7.4. Diagramas de caja. . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
7.5. ndices es tad s ticos resistentes .... . .. . ... .. . . . ..
7.5. 1. Med ia reconada .... ...... .. . .........
7.5.2. Med;a w;nsorizada ............. ... .. .... ..
7.5.3. Med ia centlal .............. .... . . . . . ....
7.5.4. Media na recortada o lrimedia .... .. .........
7.5.5. Meda...... .........
.. .... . .. . ....
7.6. Resum en .. . ... .. . . . ... . . .. . ........ . ...... . ...
7.7. Ejerc icios.....
. . .. . ... . ...............
7. 8. Solucio nes a los ejercicios ............... ... ......
199
201
201
203
208
211
212
213
215
215
216
219
219
223
9. Relacin
9.1. lnln
9.2. Lap
9.3. fndie
drad
9.3. 1
9.3.2
9.3.3
9.4. Indie
8. Organizacin y representacin conjunta de dos variables

8. 1. Inlroclucdn ..... . .. .. .........................
8. 2. Orga ni zaci n conjunta de datos de dos variables. . . . ..
8.3. Di s tribuc in co njunta de dos vari abl es ca tegri cas u
o cdina les. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
8.3. 1. Dis tribuciones ma rginales. . . . . . . . . . . . . . . . ..
8.3.2. D;SII';buciones cond;cionadas . . . . . . . . . . . . . ..
8.4. Disllibuci n conjunta de dos variables cuantitativas d is-
225
227
228
10. Relacin e:
cretas
8.4.1. Medias de las distribuciones condicionadas ...
8. 4.2. ReI::tcin entre la med ia de una varia ble y s us
med ias condi cionadas .................... .
Dis\ribucin conjunta de dos val;ables cuanti\alivas contluas . . .. . .. . .. . .. . ..........................
El concepto de relacin en tre va riables. . . . . . . . . . . . ..
Representacin grfica conjunta de dos variables cuaHt a ti _y~ i~ ~ . . . . . . . . . . . . . . ..........
8.7. 1. Representacin tridimensional . .............
8.7.2. Representaci n bidimensiollo:ll . ........ . ....
Representacin grfi ca conjunta de dos valiables cuantitati vas . ........................... . .. ........
8.8.1. Representacin tridimensio na l ..............
8.8.3. Diagra ma de dispersin . . . . . . . . . . . . . . . . ..
Resumen ............... ... . . ... . ..... . . .. .....
Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
Sol uc iones a los ejercicios ............ .. ... .....
237
SS
8.6.
8.7.
8.8.
8.9.
8. 10.
8. 11 .
228
232
234
237
241
24 1
244
245
245
246
247
248
249
252
252
256
9.5. ReJa(
tativ"
9.6.
9.7.
9.8.
Resul
Ejerc
Soluc
tO . 1. lntro<.
10.2. Covar
10.2. 1
10.2.2
10.2.3.
10.2.4.
10.3. Coefic
10.3. 1.
10.3.2.
10.3.3.
10.3.4.
lO A. Resum
10.5. Ejercic
10.6. Solucie
j
11. Regresin li
11.1 . lntrodll
11.2. La rect
11.2.1.
11.2.2.
11.2.3.
NDICE
11
9. Relacin entre variables cualitativas y cuasi-cuantitativas

9.1. Introduccin .......... .... . .. . ............ . ....
9.2. La prueba de cm-cuadrado .......................
9.3. ndices de asociacin basados en la prueba de cm-cuadrado ............................... ..........
9.3.1. ndice de asociacin cp . . . . . . . . . . . . . . . . . . . ..
9.3.2. E l ndice cp con variables dicotmicas. . . . . . . ..
9.3.3. El coefici ente de contingencia e . . . . . . . . . . . ..
9.4. ndices de correlacin para varia bl es ordinales .......
9.5. Relacin entre una variable dicotmica y una cuantitativa ... ............... . . ... . ............ . ... .
9.6. Resumen........ . .. . .... .. . ...................
9.7. Ejercicios ......... .. .......... . . ... ... . ....... .
9.8. Soluciones a los ejercicios . . ..... . ... .. . .........
259
261
262
264
265
265
268
269
272
276
277
280
10. Relacin entre variables cuantitativas .. . . .. . . ,...... . . 285

10.1. Introduccin ... . .. .. ..... . .....................
10.2. Covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
10.2. 1. Clculo de la covarianza con datos no agrupados en intervalos. . . . . . . . . . . . . . . . . . . . . . . . ..
10.2.2. Clculo de la covarianza con datos agrupados en
intervalos .... ... . .......................
10.2.3. Propiedades de la covarianza ...............
10.204. La covarianza y la varianza . . . . . . . . . . . . . . . ..
10.3. Coeficien te de correlacin de pearson . . . . . . . . . . . . . ..
10.3.1. Clculo del coeficiente de correlacin de Pearson
10.3.2. Propiedades del coeficiente de corre lacin d e
Pearson ......... . .................... . . .
10.3.3. Correlacin y heterogeneidad ...............
10.3.4. Con'elacin y causalidad . . . . . . . . . .. . . . . ..
lOA . Resumen . . ... . . ..... .. .............. . . . .. . . . ..
10.5. Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
10.6. Soluciones a los ejercicios . . .. . ... . ... . .. .. . . ...
1__
11. Regresin lineal y prediccin ..... .. ..... . , . . . . . . . . . . .
11.1. Introduccin .. ' ... .. .................. ' ........
11.2. La recta de regresin . . ..........................
11.2.1. Clculo de los coeficientes de la recta de regresin ........................ ... .........
11.2.2. Prediccin de valores . . . . . . . . . . . . . . . . . . . . ..
11.2.3. La varianza residual o varianza error. . . . . . . ..
_ 1
287
288
28B
292
295
298
300
300
305
306
307
309
3 10
313
319
321
323
325
331
332
12
ANLISIS DE DATOS EN PSICOLOGA 1
11.2.4. La recta de regresin y el coeficiente de correlacin ....................................

11.2.5. Regresin y correlacin co n su maS de cuad rados y productos cruzados ..................
1 1.2.6. La recta de regresin de x sobre y . . . . . . . . . . ..
I 1.3. Resumen ......................................
I 1.4. Ejerc ic ios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
1 1.5. Solucin a los ejercicios . . . . . . . . . . . . . . . . . . . . . . . . ..
12.
335
358
358
359
36 1
365
365
367
13. Combinatoria ................... , ....... . ... ..

13.1. Introduccin .............
13.2. Principio fundamental ................... .....
13.3. Permutac iones ......................... . ....
13.4. Variaciones ............. , ..... ,. o , o
13.5. Co mbinacio nes .......... ,................ . ....
13.6. Permutacio nes con repeticin ....................
13.7. Variaciones co n repeticin . ........... .. ..
13.8. Comb inaciones con repetici n .... . .
13.9. Resumen ....... ... ...........................
13. 10. Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
13. 1 1. Soluciones a los ejercicios ...... .... ... . ......
371
373
374
375
378
379
384
384
385
387
388
390
o o o
o o o
'
oo
o o
349
35 1
353
353
354
354
356
357
14. Teoremas de probabilidad ...................... .. ... 393

14.1. In tl'oducci n .................
395
14.2. Teorema del producto ..... , .. . ....... .... .. . ... 396
o
1'
1'
14.3. TI
337
340
34 1
341
344
Introduccin a la probabilidad .. .. ....... . ..........

12. 1. In troduccin.......................... . ........
12.2. Conceptos previos . .. ...... ' ..... . ... . . . .......
12.2. 1. Experimento aleatorio ...... . ....
12.2.2. Espacio muestral ... .. . ...................
12.2.3. Sucesos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
12.2.3. 1. Operaciones con sucesos ...........
12.2.3.2. Represemaciones grficas ..........
12.3. De fini c in de probabilidad para un espacio muestra l
discre to .......................................
12.3.1. Defi nicin clsica. . . . . . . . . . . . . . . . . . . . . . . ..
12.3.2. Definicin estadsti ca. . . . . . . . . . . . . ... . . . . ..
12.3.3. Definic in axiomtica .......... " ..
12.4. Resumen ......................
12.5. Ejercicios
.......................
12.6. Soluciones de los ejercicios ............... .
o
lNDlCE
1114.4. T'
14.5. T'
14.6. Ro
14.7. Ej
14.8. S<
15, Distribl
15. 1. In
15.2. V.
15.3. Til
15
15
15.4. Fu
15
15
15.5. Fu
15
15
15.6. Re
15.7. Eje
15.8. So
16. Variabh
16.1. Int
16.2. M,
16.
16.
16.3. Re
16.4. Ej'
16.5. So
17. Variable
17.1. Inl
17.2. Fu
17.3. Fo
17.4. F,
17.5. M
NDICE
13
14.2.1. Para sucesos independientes .. . .. ... . . .....

14.2.2. Para sucesos dependientes ~ . . . . . . . . . . . . . . . ..
Teorema de la suma .............................
14.3. 1. Para su cesos mutuamente excluyentes ........
14.3.2. Para sucesos simultneos ..................
Teorema de la probabilidad total. . . . . . . . . . . . . . . . . ..
Teorema de Bayes ................. . ...........
Resumen ..... . . .. . ............. . . .. . .... ....
Ejercicios ...... ........ ...... . .... .. . .. . ....
Soluciones a los ejercicios .......... . .............
399
402
406
406
407
409
411
415
416
41 8
15. Distribuciones de probabilidad de variables aleatorias ..

15.1. Introduccin ............ . .. . ... ........ .. ......
15.2 . Variable aleatoria: definicin. . . . . . . . . . . . . . . . . . . . ..
lS .3 . Tipos de variab les aleatorias ........ .... . .. . .....
15.3 .1. Variables aleatorias d iscretas ..... . . . ....
15.3.2. Variables aleatorias continuas ..... 4
15.4. Funcin de probabilidad ........... ' ... . .......
15.4.1. Representacin grfica ............ . . .
15.4.2. Propiedades ......... ......... .. . . . . .. .
15.5. Funcin de distribucin .. .. . .. ............ ....
15.5. 1. Representacin grfica . ... . ....... . ....
15.5. 2. Propiedades ............. .. .. . ... . . ....
15.6. Resumen ........ . ........................ . . ...
15.7. Ejercicios ...... . ... . ....... . .. . ............ . ...
15.8. Solucin a los ejercicios. . . . . . . . . . . . . . . . . . . . . . . . ..
423
425
426
427
427
428
429
432
432
435
437
438
439
440
442
16. Variables aleatorias discretas (1):Una variable . . . . . . . . ..

16.1. Introduccin ............................. ......
16.2. Momentos de la variable aleatoria ............ . . ....
16.2.1. La esperanza matemtica o media ...........
16.2.2. La varianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
16.3. Resumen .... . .. . ........... . ..................
16 .4. Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
16.5. Soluciones a los ejercicios ............... ..... ..
447
449
450
451
454
459
460
462
17. Variables aleatorias discretas (11): Dos variables .. . . . . ..

17.1. Inlroduccin .......... . ........................
17.2. Funcin de probabilidad conjunta .................
17.3. .Funcin de probabilidad margin al ................
17.4. Funcin de probabilidad condicional. . . . . . . . . . . . ..
17.5. Momentos ...... . .............................
467
469
470
476
478
481
14.3.
14.4.
14.5.
14.6.
14.7.
14.8.
14
17.5. 1. Respecto al origen: la esperanza . ......... . .

17.5. 2. Res pecto a la media: la covarian za .. ' . . . . . . .
17.6. Independencia ent re variables aleatorias discretas ...
J 7.7. Funcin de dis tribucin conjunta ............... . .
17.8. Resu me n .......................... . ..........
17.9. Ejercic ios........................... .. . . ......
17. 10. So luciones a los ejercicios .......................
482
483
486
490
494
495
498
18. Algunos modelos de distribuciones continuas de probabilidad . . ........ .................. ...... .. ..........
18. 1. Introduccin
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
18.2. La disu;bucin nonnal . . . . . . . . . . . . . . . . . . . . . . . ..
18.3. La di st!'ibucin chi-cuadrado (;e ) .................
18.4. La dis tl'ibucin t de Student ... . ....... . .. . .. ....
18.5. La dis tl'ibuci n F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
18.6. Resumen........ .. .......... ............ . . .. .
18.7. Ejercicios .................... .... .. .... . .... ..
18.8 Soluciones a los ejercicios . ....... . .... ... .. . ....
503
505
506
515
521
525
530
53 1
534
19. Distribuciones discretas de probabilidad .... . ..... . ...

19. 1. In troduccin ..... ......... . .......... . . .. .. ...
19.2. La d isllibucin de Belllouilli ............. . .. . . ...
19.2.1. Funcin de probJ.biJidad ..................
19.2.2. Funcin de distribucin ..... ...... " .....
19.3. La distribuc in binomial ................ ... ....
19.3. 1. Funcin de probabilidad ................. .
19.3.2. Funci n de d istribucin . . . . . . . . . . . . . . . . . ..
19.3.3. Aproximacin de la distribuci n binomial a la
=~~
19.4.
19.5.
19.6.
19.7.
19.8.
19.9.
La distribucin binomial negativa. . . . . . . . . . . . . . . ..

19.4. 1. Funcin de probabi lidad ..................
19.4.2 . Funcin de disti bucin ....... ...... . .. .. .
La dis tribucin de Poisson o ley de los sucesos raros .
19.5. 1. Func in de probabilidad ..................
19.5.2. Funcin de distribucin. . . . . . . . . . . . . . . . . ..
19.5.3. Aprox imacin de la distribucin de Po isson a la
normal .......................... ' . .....
La dis ll-ibucin muhinomia l ... . .................
19.6 .1 . Funcin de probabilidad . .. . .. .. , ...
Resume n .......................... . .. . .......
Ejercicios ............ . .......... . . ............
Soluciones a los ejercicios ................ .....
537
539
541
542
543
544
546
548
5~
559
560
563
566
567
568
569
572
572
575
575
577
IN DICE
20.
Apca.!:
lidad .
20.1. In
20.2. D
2(
2e
20
20.3. Re
20.4. Ej<
20.5. So
Referencias .
Apndice: TA
Tabla Al
Tabla Al
Tabla A3
Tabla A4
Tabla AS
Tabla A6
Tabla A7
Tabla A8
tNDJCE
20. Aplicaciones de las distribuciones Continuas de probabilidad ........... . ... . ... . ... . ......................
20.1. In troduccin ...................................
20.2. Distribucin muestral . . . . . . . . . . . . . . . . . . . . . . . . . . ..
20.2. 1. Distribucin muestraJ de la media ...........
20.2.1. 1. Intervalo de probabilidad y de confian ~
za de la media .... ...............
20.2.2. Distribucin muestra! de la varianza .........
20.2.2. 1. Inten1alo de probabilidad y de confian za de la varianza ......... . ........
20.2.3. Distribucin muestra! del cociente entre varianzas . . ... . ......... . ............ ' ....... .
20.2.3.1. Intervalo de probabilidad y de confianza del cociente en tre varianzas .... . .
20.3. Resumen
2004. Ejercicios ...... ... . . . ... ... . ... . ............. . .
20.5. Soluciones a los ejercicios .. . .. .. .. . .. .. ......
15
583
585
587
588
594
601
602
606
607
611
6 11
613
Referencias bibliogrficas . ......... . .............. . ..... 617

Apndic", TABLAS ...... . ... . ...... . ....................
Tabla Al. Distribucin Normal. . . . . . . . . . . . . . . . . . . . . ..
Tabla Al. Distribucin Chi-cuadrado . . . . . . . . . . . . . . . . . ..
Tabla A3. Distribucin t . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
Tabla A4. Distribucin F ... . . . . . . . . . . . . . . . . . . . . . . . . ..
Tabla AS. Funcin de probabilidad binomial ..... . ... ...
Tabla A6. Funcin de distribucin binomial ........ .....
Tabla A7. Funcin de probabilidad de Poisson .... . ......
Tabla A8. Funcin de distribucin de Poisson . . . . . . . . . . ..
619
621
623
624
625
631
636
641
644
PRtOGO
El lexto que presentamos est dirigido, muy especialmente, a los

alumnos de Anlisis de datos en Psicologa 1 de la UNED y a todos aquellos que se inician en esta materia sin contar necesariamente con la ayuda de un profesor: Por este motivo, hemos procurado centram os en aquellas frmulas y desarrollos matemticos imprescin dibles para un
estudiante de Psicologa, apoyando todas las explicaciones con ejemplos
sencillos que ayuden a comprender los conceptos y los desarrollos del
anlisis. Hemos introducido numerosos ejemplos, aclaraciones y actividades que ayuden a fijar los contenidos, distinguindose claramente del
texto. En esta misma linea, cada uno de los temas finaliza con un resumen del mismo y un grupo numeroso de ejercicios resueltos.
Los temas que se tratan en este texto son los relativos a teorta de la
medicin en Psicologa, Estadistica Descriptiva para una y dos variables, concep tos bsicos de la Teora de la Probabilidad y una introduccin
l las distribuciones de probabilidad de variables aleatorias discretas y
continuas.
Para el anlisis de datos en el mbito de la Psicologa, y del resto de
las Ciencias Sociales y de la Salud, es cada vez ms imprescindible la ayuda del ordenador. Por este motivo hemos incorporado un CD que contiene un programa de anlisis que permite obtener los ndices estadsticos
descriptivos bsicos, representar grficamente una y dos variables y tambin permite el estudio, manipulando los parmetros, de las distribuciones de probabilidad discretas y continuas.
Adems del software de anlisis estads ti co, en el en tambin se ha
incorporado una presentacin en PowerPoint, con una serie de diapositivas en las que se trata de manera resumida toda la asignatura, que
pensamos puede ser muy til para el estudio de la materia.

18
Acampanando al libro de texto se ha editado tambin un formulario

en modo de esquema, que contiene las frmulas fundamentales recogidas
y explicadas en el texto.
Por ltimo, a travs de la plataforma WebCT. el alumno matriculado
en esta asignatura de primer curso puede acceder a los contenidos que el
equipo docente ha incorporado, y que son complementarios del material
didctico impreso y del sofuvare de anlisis estadstico.
Los AUTORES
Madrid, ablil de 200 I
Tema 1
El anlisis de datos
y la medicin en Psicologa
SUMARIO
1.1. Introduccin
1.2 . El m tod o cientfico y el an lis is de d a tos
1.3. Conceptos generales
1.3.1. Poblacin y muestra
1.3 .2. Parm etro v estadstico
1.3.3. Caracterstica y modalidad
1.4. Medicin y escalas de medida
1.4.1.
1.4. 2.
1.4. 3 .
1.4.4 .
Escala
Esca la
Escala
Esca.la
nominal
ordinal
de intervalo
de razn
t .5. Resumen
1.6. Ejercicios
1.7. Soluciones a los ejercicios
.1.1. INTROI
El efecto qu
Jos padres, Jos 1
de una empres<
cigar rill os, los
pendi en tes .. " ~
referencias de (
sus vecinos, qu
la ligereza con
ellos. Probable
temtica de lo
casos su base s
mr a la opini('
d e autoridad
conocimiento ]
hombre en la
vamos a referil
cimiento adquiJ
n as se alarem~
m b ito d e la P
Datos y analiz.
m os encontrar
Los objetiv(
siguientes:
AdquirirJ
papel qu
1.1. INTHODUCCIN
El efecto que sobre la educacin de los hijos tienen las conduclas de
los padres, los factores a tener en cuenta en la seleccin de los ejecutivos
de una empresa, las consecuencias de la publicidad sobre el consumo de
cigarri ll os. los efectos de una determin ada terapia en sujetos drogodependientes .... y un sinfn de temas ms pueden constituir captulos o
referencias de cualquier tratado de Psicologa. Si Vd. pregunta a uno de
sus vecinos. que no sea psiclogo , sobre estos temas se asombrar de
la ligereza con que a veces se opina o se supone un conocimiento sobre
ellos. Proba blemen te su vecino se apoyar en una observacin no sistemtica de lo que ocurre en su entorno familiar, de trabajo, etc.; en otros
casos s u base ser <{el sentido comn ,. 0 , en el mejor de los casos, recurrir a la opinin o los comen tarios de un expeno apoyndose en su nivel
de autoridad en la materia. Se trata d e distintas formas d e adquirir
conocimiento y, de hecho, s te ha sido el procedimiento utilizado por el
hombre en la mayor parte de su historia sobre la tierra. Noso tros nos
vamos a referir nicamente al conocim ien to cientfico, es decir al conocimiento adquirido utilizando el mtodo cientfico. En las prximas pginas sefialaremos las caracteristicas fu ndamentales de es te mtodo en el
mbito de la Psicologa y el papel que en l desempea el Anlisis de
Datos y analizaremos despus los distintos niveles de medida que podemos encontrar en las variables psicolgicas.
Los objetivos que pretendemos alcan zar podemos resumidos en los
siguientes:
" Adquirir las nociones bsicas del mtodo cientfico y estudiar el
papel que juega en ste el Anlisis de datos.
22
ANLISIS DE DATOS EN PSICOLOGA [
EL ANLISIS DE
a) El nivel
Diferenciar y manejar con precisin algunos conceptos funclamentales como muestra y poblacin, parmetro y estads t ico,
caractenstica y modalidad.
Adquirir un conocimiento preciso de Jo que es una escala de medi da y la importancia de la medicin en Psicologa.
Distinguir con claridad los disti ntos niveles de med ida (no minal,
ordinal, de intervalos y de razn), las relaciones que pueden establecerse dentro de cada una de estas escalas y el grupo de transformacio nes adm is ibles para cada una de ellas.
1.:1. El. \IETOIJO C1E"\TFlCO

Con frec ue ncia hemos odo que el objeto de estudio de la Psicologfa es la cOl1ducta y es este objeto de estudio lo que la dis tingue de otras
ciencias. Pero qu procedim iento o mtodo utiliza remos para estudiar
la conducta ? Sin entrar en otras cons ideraciones, que no con 'esponden a
esta maleria, diremos que el mtodo ciel1tfico.
El mtodo cie ntfico se caracteriza por se r sistemtico. y replicable. El tnnino sis temtico hace referencia a que se trata de un proceso
que tie ne unos pasos perfec tamen te establecidos y el trmino replicable
hace refe re nci a a que los datos obtenidos m ediante s u uso pueden ser
rep licados o refutados por cualquier investi gador que lo desee.
Sin embargo, el mtodo es slo un compo nente -aunque muy importante- del proceso de inves tigacin cientfica. Esquem ticamente, y siempre con el ri esgo que esta si m p lificacin supone , pod emos sea lar los
siguiellles pasos:
l . Defi nicin del proble m a.
2. Ded ucci n de hip tesis con trastables.
b) El nive l
e) El nivel
El pri mer r
hiptesis conlr
tos propiamer
determinacin
datos, es decir
es taclstico-am
tras te de hipt
vara nuevame
proceso y dand
ligacin cientfl
Vamos, a c,
ejemplo concn
Ejem plo I
Un ps ic
tas estereo
Su hiptes '
entre s i. Par
vd eo oculu
como taJes
Ejemplo 2
Un nuevt
d es e ntre lo
implanta. U
Para ello, y
conju nto d
nario.
3. Es tab lecimiento de un procedimjento de recog ida d e datos.

4. An lis is d e los resu ltados obten idos.
5. Discu sin de di chos resu ltados y bsqueda de conclusio nes

6. Elaboracin de un infonne de investigacin.
Este proceso se cOlTesponde con las tres fases o nive les sealados por
Amau ( 1990):
Ejemplo 3
Se supo
efecto nega
da en que
clogo del
El ANLISIS DE DATOS Y LA MEDICIN EN PSICOLOGA
23
a) El nivel terico-conceptual
b) El nivel tcnico-metodolgico
e) El nivel estadstico-analtico.
El primer nivel incluira la definicin del problema y la deduccin de

hiptesis contrastables. El segundo y tercer nivel constituitian los aspectos propiamente metodolgicos. En el segundo nivel se encontrara la
determinacin de un plan de trabajo o procedimiento para la recogida de
datos, es decir la eleccin de un diseo de investigacin. El tercer nivel. el
estadstico-analtico, conlleva el anlisis de los datos obtenidos y el contraste de hiptesis. La interpretacin de los resultados obtenidos nos llevala nuevamente al nivel terico-conceptual, inicindose nuevamente el
proceso y dando lugar a una estructura dclica caracterstica de toda investigacin cientfica.
Vamos, a conti.nuacin, a aplicar lo expresado anteri.ormente a tres
ejemplo concretos.
Ejemplo 1
Un psiclogo clnico est interesado en el estudio de las conductas estereotipadas que realizan los nios autistas mientras juegan.
Su hiptesis es que estas conductas no mantienen ninguna relacin
entre si. Para probar su hiptesis registra, mediante una cmara de
vdeo oculta, las conductas de un grupo de nios diagnosticados
como tales en un aula.
Ejemplo 2
Un nuevo plan de estudios de Psicologa genera distintas actitudes entre los profesores y alumnos de la universidad en la que se
implanta. Un pSiclogo quiere conocer cules son estas actitudes.
Para ello, y dado que no puede entrevistar a todos, selecciona un
conjunto de profesores y ot ro de alumnos y les aplica un cuestionario.
Ejemplo 3
Se supone que el consumo de una determinada droga tiene un
efecto negativo sobre el aprendizaje y que ste disminuye en la medida en que su consumo aumenta. Para probar esta hiptesis, un psi
clogo del aprendizaje selecciona un conjunto de ratas de la misma
24
cepa y de caractetisticas simjlares. Divide a las ratas en cuatro grupos (A, B, e y D). A las ratas del grupo A les administra, por va venosa, una pequefta cantidad de droga (por ejemplo 0,0 I mg); a las del
grupo B una cantidad de 0,05 mg; a las del grupo e les administra
0.1 mg. Finalmente a las de grupo D no les administra ninguna cantidad de droga. Durante un tiempo determinado no facilita comida
a ninguna de las ratas y. a continuacin, las coloca en la salida de un
laberinto en cuyo final hay una bolita de comida (pelet) y registra el
tiempo que cada una de las ralas tarda en recorrerlo.
En los tres ejemplos sealados, y en lodos aquellos que podamos considerar, es necesado tratal' un conjunto de datos o nmeros con los que
desc ribir aquello que es ta mos estudiando. En el primer ejemplo, el psiclogo se ha limitado a registrar u observar unas conduclas que se producen espontneamente (diseo observacional) '1 el tratam iento de los
datos es meramente d e scriptivo: enumerar tos tipos de conducla, determinar la fn~.cuencia y/o el porcentaje de cada una de las conductas, calcular la cO ITeladn entre ellas y efectuar una representacin gr fi ca.
En el segundo ejemplo, debemos asegurar que el grupo elegido (que
denominamos muestra) es representativo de la pobla cin (el conj unto
de todos los alumnos y profesores en este caso) y aunque realizaremos un
anlisis dcscripth10 de los resultados obtenidos nuestro objeth1o fundamental es extenderlos, con un detelminado nivel de cITar o probabilidad,
a loda la poblacin. ueslro objetivo es fundam entalmente inferencia!.
El ca rcler meramente descriptivo y el inrerencial constituyen las dos
partes fundamentales de la Estadstica. Esta ciencia, que es una rama de
las mat emtica s, constituye una herrami enta rundamental en todas las
ci encias empricas. La estadstica, puede definirse como;
La cien cia que recoge, ordena y a na li za los da tos de una muestra, extrada de cierta poblac in, y qu e, a pa rt ir de esa muestra,
valindose d el clculo de probabilidades, se encarga de hacer inrerencias ace rca de la poblacin (Am n, 1984, p. 37).
Ellercer ejemplo estara denlro de la considerada metodologa experime ntal. En este caso es el experimentador el que manipula o determi~
na lo que en metodologa se denomina vadable independiente (la cantidad de droga administrada). La estadstica, en este caso, interviene
EL ANUSIS
lambin en
pos. En fun
cons ideranc
extremos se
mo de mani
u n grado m~
con . Ia obse
mento de lat
cuasi-experi
selec tivos o
mediante la ~
n Sl icas.
En mucho
10 que permil
guajes formal
empricamen'
entr<l.r a consi
(Vase Jez,
la con trastaCl
nidos. En este
te entre los m
adecuacin de
lo confirma.n e
que \a. discrep
zo nuevamentt
ca con la ley d<
v6 a S.S. Stevel
es sabido, pres
Es rrecue nt
estadst ica apl
los aspectos rOl
aplicacin a un
la es tadstica de
citar algunos ej
dstica aplicada
ca aplicada a. la
la PSicologa, e>
con nombres C(
coesladslica- (:
han propuesto ~
de datos y as f
EL ANUSIS DE DATOS y LA MEDICIN EN PSICOLOG A
25
tambin en la asignacin de los sujetos experimentales a los dislintos grupos. En fu ncin del grado de manipulacin de las variables que estemos
considerando nos encontraremos ante distintos diseos. En uno d e los
extremos se sita el diseo observacional -con ausencia o un grado mnimo de ma nipulacin- y, en el otro extremo, el diseo experimental con
un grado mximo de manip ulacin y se corresponden, respectivamente,
con ula observacin naturalista o estudios d e campo y con el experi men to de laboratorio. A medio camino entre ellos se sitan los diseos
cuasi-experimentales, que utilizan grupos no equivalen tes, y los diseos
selectivos o correlacionales que estudian las relaciones en tre variables
mediante la seleccin de los sujetos en funcin de alguna de sus caractersticas.
En muchos casos, una vez formulado un problema se plantea un modelo que permile, h aciendo uso de desalrollos matemticos o de otros lenguajes formales, elaborar una predicciones que pueden ser contrastadas
empricamente. Dado que no es este el momen to ni el lugar op0l1uno de
en trar a considerar en detalle los aspectos relacionados con los modelos
(Vase Jez, 1989) , baste decir que la Estadstica interviene tambin en
la contrastacin de las predicciones del modelo con los resultados ob tenidos. En este sentido, segn Pea (1987), u... acta como disciplina puente entre los modelos matemticos y los fe nmenos reales ... lO (p. 19). La
adecu acin de los resultados experimentales y las predicciones del modelo confirman el carcter explicativo de la teona que Jo sustenta en tanto
que la discrepancia obliga a una reformulacin del modelo y el com ienzo nuevamente del proceso. Esto ha sido lo que ha ocurrido en Psicofsica con la ley de Fechner : la discrepancia con los resultados existentes Uev a S.S. S tevens a presentar un nuevo modelo, la ley potencial, que, como
es sabido, presenta un mejor ajuste.
Es frecuente tambin distinguir entre una estadstica terica y un a
estadstica aplicada. La primera se ocupa, como su nombre indica , de
los aspectos formales y nonnativos en tanto que la segunda constituye la
aplicacin a un campo concreto. No todas las ciencias empricas utilizan
la estadstica de la misma manera y, desde esta perspectiva se habla, por
citar algunos ejemplos, de Es tadstica aplicada a la economa , uEstadistica aplicada a las ciencias de la vida o Bioes tadslica y uEstadstica aplicada a la Psicologa o Psicoestadstica. En esta ln ea, y dentro de
la Psicologa, existen algunos planes de estudio y algunas publicaciones
con nombres como uEstadstica para psiclogos (Amn , 1984) o Psicoestadstica (San Martn y Pardo, 1989; Carro, 1994). Algunos au tores
han propuesto para la Estadstica aplicada la denominacin de Anlisis
de datos y as est siendo recogida en algunas p ublicacion es (Botella,
EL ANLISIS DE I
Le n y Sa n Martn , 1993; Pa rdo y San Martn , 1998) y as es t siendo

incor'porada en los nuevos planes de estudio. De hecho este es el nombre
de este libm y de la asignatura del nuevo plan de estudios de Psicologa
de la UNE D. Podemos, por tanto, establecer la siguiente definicin:
su acepcin est
Ha. Len y Sar.
26
El Anlisis de datos en Psicologa es una herramienta me lod ol ~

gica necesaria, de carcter fundam en talmente estadstico, para la
investigacin en Psicologa
Vamos ;1 expon er a cont inuacin a lgun os de los conce pt os funda mentales usados en esta disciplina.
1.:1. CO"\CI-.PTOS CE"\EIl \I.ES

En el punto anteIior se ha descIito de manera sinttica el proceso que
se sigue en una investigacin, desde la formul ac i n del objeti vo o planteamient o de un prob lema a la ext raccin de co ncl us iones. En la d escripc in de este proceso se emp lean a lgunos trminos cuyo uso es fTe cuente en los informes de carcter cientfico. Trm inos tales co mo
po blac in, muestra, parmetro, y algunos otros, fOlman pal1e del vocabulario estad st ico y, por extensi n, tambin del cientfico. y a ellos vamos
a dedicar las prx imas pginas.
I .:L l . PohliH'iou
~ 11111(':-;11-<1
En toda investigacin se hace referencia a una determinada poblacin,

sea del ti po que sea, aunque siempre se u tili7-3 una parte de esa poblacin
referent e para describir las propi edades Que la caracteri za n. Sobre e1trmi n o po bl acin se ha n d ad o difere ntes definiciones , aunque esenc ia lmen te lad as a luden a lo mis mo. Am n ( 1984), po r ejem plo, defi ne el trmi no poblacin de la siguiente manera: Conjunto de objetos (realmente
existentes o posibles) que verifican una definicin bien determinada ...
Por objeto se puede entender cua lqu ier elemento, sea persona, animal,
cosa, o l'ga nismo, institucin, etctera, que cumpl a con la definicin. Esta
definicin siempre se hace en relacin a algun a ca racte rfstica, y los elemen tos que la cumple n, y slo esos, pueden formar parte de la poblacin.
De acuerdo con esto. daremos una definicin ge nl-ica de poblacin, en
Por pobla
mentos que,
A cada uno
mina de mancr
ro de las entid:
infinita. El con,
municipios cor
el lnsti lu lo Na,
ao por una c<
caneleras es p~
ciones finitas. :
o el conjunto
"es infinitas d,
dos conjuntos;
al conj unto de
siempre habr
La teora el
tar con ambos
poblacin fini
estadfsticos co
que no siempI
ciones objeto
tadas como vi
ACLARACIC
investigador
tica obtener
describir adc
cultad, lo qll
esle subcon,
describir 1~
la que ha sic
se le denom
1..0 (undan
tengan valide
EL ANLISIS DE DATOS Y LA MEDICIN EN PSICOLOGA
27
su acepcin estadstica, que es bsicamente igual a la ofrecida por Bote

lla, Len y San Martn (1993):
I
I
Por poblacin estadstica se entiende el conju nto de todos los elementas que comparten una o varias caracterslicas
A cada u no de los elementos que componen una poblacin se le deno.mina de manera genrica entidades estadsticas, y de acuerdo al nmero de las en tidades que la componen, una poblacin puede ser finita o
infinita, E l conjunto de espaoles que padecen trastornos epilpticos, los
municipios con cinco mil habitantes o menos, los parados registrados en
el Instituto Nacional d e E mpleo, el conjunto de li bros p ublicados en un
ao por una editorial, el total de accidentes d e trfico ocurridos en las
carreLeras espao las durante el ao 1999, son ejemplos claros de poblaciones fi nitas. Por el contrario, el lanzamiento reilerado de una moneda,
o el conjunto de nmeros naturales (1,2 ,3 ... ), son ejemplos de poblaciones infin itas dado que no hay un lmite establecido en ninguno de estos
dos conjuntos; siem pre se puede tirar la moneda una vez ms y, respecto
al conjun to d e nmeros naturales, por muy grande que sea u n n mero
siempre habr otros que lo su peren.
La teora es tadstica proporciona procedimientos diferentes para tratar con ambos tipos de poblaciones, pero a medida que el tamao de una
poblacin 6 ni ta se incremen ta se puede considerar a efectos prcticos
estadsticos como si fuera infinita . Esto es lo que sucede en general, aunque no siempre, en las ciencias sociales, donde el tamao de las poblaciones objeto de inters es lo su ficien temente grande como para ser tratadas como virtualm ente infini tas (o finitas no numerables).
ACLARACIN: El hecho de que las poblaciones que tienen inters para el
investigador social tengan numerosas entidades, hace imposible en la prctica obtener informacin de todos y cada uno de estos elementos para poder
describir adecuadamente alguna de sus propiedades . Para superar eSla dificultad, lo que se hace es trabajar con un subconjunto de la poblacin, y en
este subconjunto se efect an las operaciones pertinentes que permitirn
describir las propiedades que luego sern inferidas a la poblacin tOlal de
la que ha sido extrado el subconjunto. A este subconjunlo de la poblacin
se le denomina m uest ra.
Lo fundamental de tm muestra, para que las inferencias que se hagan

tengan validez, es que sea representativa d e la poblacin d e la q ue ha
28
ANLISIS DE DATOS EN PSICO LOClA 1
sido extrada. Una muestra no r ep resentaliva puede aportar una descripci n distors io nada , y por tanto incOITeCta, de la poblacin. Si se quiere, por eje mpl o, estudiar por medio de una encues ta la acti tud de los
madrileos hacia los espectculos taurinos, y para ello el encuestador se
si ta e n la puel1a grande de la plaza de lOros de las Ventas y pregunta a
una per"sona de cada cuatro que van saliendo su opinin sob,"c el asunto,
lo ms probabLe es que sta sea mayotilaliamente [avorable. Si con los
resultados de esa muestra se hace una inferencia al conjunto de los madrileos. la conc lu s i n ser claramen te equivocada, pues la muestra no es
representativa de todos los madrileos. As pues, definiremos la muestra
de la s iguien te ma nera:
Una muestra es un subconjunto representativo de los elementos
de una poblacin
La eSlJ.drstica ha desarrollado un eampo especfico en el que se estu

dian mtodos para la extraccin de muestras representat ivas de una
poblacin, y que se e ngloban bajo la denominacin de muestreo. En este
libro no vamos a tratar ningu no de esos m todos, pero a l lector intere
sado le remi\imos a obras especifi cas tales como Azorin 'j SnchezCres
po ( 1986).
El objetivo de una inves tigacin es caracterizar las propiedades de las

poblaciones objeto de estudio. Esta caracterizacin se realit.3 mediante
determinados va lores numricos que resumen la poblaCin. Estos va lo
res pueden referi rse a porcentajes, promed ios o algunos o tros que van a
aportar informacin sobre esa poblacin. A cualquie ra de esos valores
num ricos que se refieren a la poblacin se les denomina parmetro. Sin
embargo, ya hemos visto que, dado que por lo general cltota l de la pobla.
cin es inacces ible al invest igador, y por lanto los diversos par metros de
esa poblacin son desconocidos, hay que servirse de una muestra (o sub
conjunto de la poblacin) para obtener la info nnaci n que se precisa acerca de la poblaCin. Con esa muestra el investigador va a calcu lar los valores resu men, y co n esos resultados va a infedr detelminada propiedad a
la poblaci n total. Pues bien, a cualqui era de esos va lo res I-esumen obte
nidos en la mu eS ll-a se les denomina estadstico . Di cho esto, se pueden
darlas s iguientes definiciones:
EL ANLISIS O
Pa
E
Es import
nales tienen'
por el contra
se extraigan (
investigador~
maco para au
(Virus de lnn
tra de 100 in<
ca. Al cabo dE
aumentado hl
to de mejora '
100 indjviduo
tado las defer
ca, con un va
ci n de dicht
infectados, PI
mo el camete
Por fortun
yos una y otr:
tcnicas de h
poblacional h
tcnica se der
Con objet<
una diferente
parmetros ~
tras que para
las del a1fabe,
porcin y deS'
en la mues lra
\':\':\, Ca .. "
Uno de l o~
propiedades
29
- -- - - - - - - - - - ,
Parm etro: propiedad descriptiva de una poblacin

Estadstico: p ropiedad descriptiva de la m uestra
Es importante te ner en cu enta que m ientras los parmetros pOblacionaJes tienen valores nicos, aunque sean desconocidos, los estads ti cos,
por el con trario, p ueden tener tantos valor es di fere n tes com o m uestras
se extraigan de la poblacin . Supongamos, p or ejemplo, que u n grupo de
inves tigadores ha estado trabajan do en la ela boracin de un nuevo f rmaco para aumentar las defensas inmunolgicas de los enfermos po\' VIH
(Virus de Inmunodeficiencia Humana). Para probarlo eligen u na muestra de 100 individuos con rucha enfermedad y les adm inistran el frma co, Al cabo de un tiempo observan que, de los 100 individuos, a 40 les ha
aumentado las defen sas. Este resultado favorable del cuarenta por cien to de mejora es un estadstico. Si posterionnente eligen otra m uestra de
100 individuos, y despus del tratamiento observan que en 45 han aumentado las defe nsas, este resultado , 45 por ciento, es tamb in u n estadstico, con un valor d iferen te al obtenido en la m u estra an terior, La repeticin de dich o experimento clnico con o tras muestras d e in d ividuos
infectados, produ cir resultados diversos, y todos ellos tendrn asimismo el carcter de estadsticos.
Por fortu na, en la prctica investigadora no es preciso repetir los ensayos una y otra vez, sino que, a p artir de una m uestra representativa, las
tcnicas de la estadstica infer encial permitirn estimar el parm etro
pobJacional basndose en los resulr.ados obtenidos en dicha m uestra. Esta
tcnica se denomina Estimacin de Parmetros.
Con objeto de distinguir los parm etros de los estadsticos se emplea
una diferente simbologa para cad a u no, Para representar los diversos
parmetros se u tilizan letras del alfabeto griego, tales como ~ , '!t, 0, m ientras que para representar los estadsticos se utilizan las letras maysculas del alfabeto latino tales como X, P, S" para representar a la media, proporcin y desviacin tpica, respectivamente, tanto en la poblacin como
en la mues tra.
1.3.:3. CaJ'udel'siica y modaHdad

Uno de los objetivos de la investigacin psicolgica es determinar las
propiedades de u n a detenninada poblacin, propiedades que estarn pre-
30
ANLISIS DE DATOS EN PSICOLOClA I
EL ANLISIS DE
sen tes en todos y cada uno de los individuos que la confonnan. Sin embargo, aunque todos los elementos tengan esa prop iedad no todos la tienen
e n el mi s mo grado. Po r ejemplo, una prop iedad de los mamferos es el
sexo, que presenta dos alternativas: macho y hembra; una propiedad d e
Jos seres humanos es el estado civil. con sus diferentes alt ernativas: soltero, casado, separado, viudo. etc.; otra puede ser las creencias religiosas:
cd st ianos, mahometanos, budis tas ... agnsticos o ateos.
desarrollo de
(1824- 1907), q
media nte nm
ce algo sobre I
came nte, el ce
en Cowles, 19f
E n estos ejemplos se ve que las propiedades de los individuos de una

poblacin pueden adoptar d iversas variedades. En trminos estadrsticos,
a la propiedad de los individuos de una poblaci. n se le deno mina ca r-ac
teristica , mien tras que a las di ferentes variedades de esa caractetistica se
le d enomi na modalidad.
Un a caracter(s tiea es una propiedad de los individuos de una
poblacin. Una I1lodalidad es cada uno de las v3!ianles como se maniFiesta una ca racterstica.
De estas y.
que la meruci
medicin? En
Medici6t
o caracteris
Esta definic
y por otro
li dades. Entre
trQ de! mund(
modalidades e
son verificabh
b ien, medir s u
nmeros y el r
en e! mundo m
van en el mUfi(
ricas que pued
ceimos por ej
vicluo (no imp<
dar a 011'0 ind
as ignen a estas
s uperior del p:
primer individ
esas dos moda
to a otra ca ra(
m3rse que un
diferente a otn
simplemente lz
otro. Pues biet
ciones que se j
con los llamad
medida.
1'05,
El estado civil. o las creencias religiosas, son caracteris licas que presentan pocas modalidades. Por el contralio, muchas caracteristicas o bjeto de estudio cientfico pueden presentar un nmero casi infinito de modalidades. S i tomamos por ejempl o la a ltu ra o el peso de la poblacin
espaola, estaremos a nte caractensticas con un infinito nmero de modalid ades, pues au nque dos modalidades estn muy prximas, s iempre son
pos ib les moda li dades intennedias.
En el m b ito de la Psicologa los estudios se refieren a caractersticas
ta les como perso nalidad, m emoria, percepcin, ate nci n , inteligencia ,
motivacin, etc. Respecto a cada una de estas caracterfst icas los indi viduos adoptan d iversas modalidades, y estas modalidades, para poder ser
tra tadas estads ti came nt e, han d e estar ex presadas en fo rma numrica.
En la p l-x ima seccin tratare mos el proceso de as ignacin de nmeros
a las moda li dades de una ca racters tica.
lA, \lI.DI('IO\ 1 I.SC\1. \S DI. IIEllID\

Hasta que un fe n meno de cualqu ier rama del conocimiento no ha
sido some ti do a la med icin y c uantificado no puede asumir el esta tuto
y di gnidad d e una Ciencia ,.. Co n estas co ntunden tes pa labras, Francis
Galton ( J 822- 19 1 t) afirma ba la importancia ce nt ra l de la medida en el
31
desarrollo de la ciencia. En esta misma lnea se expresaba Lord Kelvin

(1824-1907), quien afinnaha que slo cuando se puede medir y expresar
mediante nmeros aquello de lo que se habla, puede decirse que se conoce algo sobre ello; si no se puede medir, y no se puede expresar numricamente, el conocimiento adquirido es pobre e insatisfactorio. (dtado
en Cowles, 1989).
De estas y otras afirmaciones anlogas se desprende la importancia
que la medicin tiene en el quehacer cientfico. Pero qu se entiende por
medicin? En su sentido ms general , puede afinnarse lo siguiente:
II
Medicin es el proceso por el cual se asignan nmeros a objetos

o caractersticas segn determinadas reglas .
Esta definicin implica poner en correspondencia, por un lado, nmeros, y por otro objetos o caractersticas con sus correspondientes modalidades . Entre los nmeros se dan ciertas relacion es que son vlidas dentro del mundo aritmtico, que es un mundo ideal. Tambin entre las
modalidades de las caractersticas se dan detenninadas relaciones que
son verificables en el mundo emprico, es decir en el mundo real. Pues
bien, medir supone poner en relacin estos dos mundos, el ideal de los
nmeros y el real de los objetos, de modo que las relaciones que se dan
en el mundo numrico preserven exactamente las relaciones que se observan en el mundo emprico, y slo sern vlidas aquellas relaciones numricas que puedan ser verificables empricamente (Stevens, 1946). Si nos
ceimos por ejemplo a la caracterstica peso, puede decirse que un individuo (no importa de qu especie) presenta una modaldad de peso superior a otro individuo. Dada esta relacin emprica, los n meros que se
asignen a estas modalidades deben reflejar de manera inequvoca el peso
superior del primer individuo respecto del segundo: si, por ejemplo, el
primer individuo pesa el doble que el segundo, los nmeros asignados a
esas dos modalidades deben reflejar exactamente esta relacin. Respecto a otra caracterstica tal como el sexo, no puede em pricamente afirmarse que un detenninado sexo sea superior a otro, sino que un sexo es
diferente a otro, por lo que los nmeros asignados a cada sexo reflejarn
simplemente la diferencia, sin que ello suponga superioridad de uno sobre
otro. Pues bien, la medicin, como ya se ha dicho, debe reflejar las relaciones que se obsel\1an en el mundo emprico, y para lograrlo se cuenta
con los llamados modelos de medicin, ms conocidos como escalas de
medida.

32
AN LISIS DE DATOS EN PSICOLOGlA I
EL ANLISIS Of
Una escala de medida es, en un sentido ge neral. un proced

miento mediante el cual se relacionan de manera biunvoca un
conjunto de modalidades (distintas) con un conjunto de nlne
ros (djstintos).
Esto es, a cada modalidad le correspo nde un s610 nm ero, y a cada

nme ro le con-esponde una sola modali dad. Un ejemplo claro y popular
de escala de med ida es la conocida regla que sirve para medir d istancias
en tre dos puntos. Una regla puede ser cualquier vari lla de madera. plstico du ro o metal, en la que aparecen marcadas un conjunto de rayas equid istan tes entre s. A cada raya le corres pond e un nmero , y s6lo uno, de
modo que entre rayas y nmeros se da una relacin biunvoca. En el caso
de la regl:l las relac io nes emplicameme velificables entre las rayas, y por
ende entre los nmeros que las representan, son de sobra conocidas, lma-
gin emos un a reg la con cien rayas equid istant es, num eradas en orden
asce ndente de cero a cien; es decir 100 intervalos iguales, La distanc ia
que hay entre la raya O y la raya SO es exacta mente la mitad de la que hay
entre la raya O y la raya 100; o tra ,'elacin es, po,' ejemplo, que la distancia que hay ent re la raya 25 y la raya SO es la misma que hay entre la raya
70 y la raya 95.
Sin embargo, en el mbito de la Psicologa, yen general en las ciencias soc iales, las relaciones que se pueden velificar nO siempre alca nzan
este nivel de complejidad , Pues bien, atendiendo a las relaciones que pued an ve rifi carse empricament e entre las modal idades de los objetos o
caracte,isticas pueden distinguirse cuatro tipo de escalas de med ida, seg n
el esquema tradicional propuesto por Steve ns ( 1946) en su plimera publicacin sob re teora d e la medida,
Adems de la complejidad de las relaciones velificables empricamente,
hay otro concepto jntimamente relacionado con las escalas de m edida, el
de transformacin admisible , concepto que hace referencia a l problema d e la unicidad de la medida y q ue pu ede plant earse de la siguiente
manel'a: son las represemaciones numricas que hacemos de las modalid ades las nicas posibles? La respuesta es un rot un do NO, ya que cualq uiel' representac i n numrica que preserve las relac iones emplicamente
veli ficab les ser esenciaJmente correcta, En el sigu iente esquema (Fig, 1.1)
se representa el proceso de medicin, donde 0 , representa un objeto cualquiera, X, es un nmero, es la regla que asigna a cada obje to un nmero y g es la transformac in admi sible de la escala.
En los pr6xi
de medida y I ~
se distorsionen
lidades de las e
1.-1.1. 1."-,,1,,
En todas aq
comprobacin
gualdad, su re~
te no minal. Si, J
gen de los ciud
nmero diferet
n(m1Cros o mocil
mos atribuir, p(
los de Espaa, l
el I S a los c iud~
slo podemos al
ro per1enecen a
ce a un Estado e
con ella slo pUl
nes de igualdad-i
EL ANLISIS DE DATOS Y LA MEDICIN EN PSICOLOCIA
33
ESCALA
1
o, --
o, ...
o, ---
----------------- -
~~i~> ''M
,o.
'
X, --
X, n
XI ---
X~ --
clo\l.~.
)
r
1
Fig. l . l. Representacin del proceso de medicin.
En los prximos apartados, trataremos cada una de las cuatro escalas

de medida y las transformaciones que cada tipo de esca la ad m ite sin que
se distorsionen las relaciones em plicas que se verifican entre las modalidades de las caractelsti cas u objetos.
IA _!. ,. ..,,'ala nominal
En todas aquellas modalidades o ca rac tersticas en las que la nica

comprobacin emprica que puede h acerse es la de igualdad o desigualdad, su represe ntaci n numrica ha de tene r un carcter meramente nominal. Si. por ejemplo, pensamos en la caractels tica Estado de OIigen de los c iudadanos miembros de la Uni n Europea .. , y asignamos un
Illll11erO diferente segn el Estado de origen, tendremos un to tal de 15
nmeros o modalidades diferentes (tantos como Estados miembros). Podemos atdbuir, por ejemp lo, un 1 a los ciudadanos de Luxemburgo, u n 2 a
los de Espaii.a, un 3 a los de Alemania, y as suces ivamen te hasta at'ibu iel15 a los ciudadanos de Finlandia. Mediante esta a tribucin numrica,
slo podemos afi lmar que dos ciudadanos que comparten el mismo nmero pertenece n al mismo Estado y, si no lo compal1en, cada uno pel1enece a un Estado diferente. La escala no m inal se ca racteiza, pues, porque
con ella slo pueden representarse, y aceptarse como vlidas, las relaciones de igualdad-desigualdad de las modalidades de una detenninada carac-
34
terstica. En el ejemplo an terior, el hecho de atribuir un I a los ciudadanos de Luxemburgo y un 15 a los de FinJandia no supone, en ningn sentido, que stos sean m ejores que aquellos; s610 son diferentes respecto a
la caracterstica Estado de origenll. Se podria haber intercambiado ambos
nmeros (un 1 para los de Finlandia y un 15 para los de Luxemburgo) y
el sign ificado sena el m ismo.
A este ni vel de relaciones empricas (igua ldad-desigualdad) el hecho

de atribuir nmeros hay que entenderlo como simples smbolos y por tanto no goza n de propiedades matem ticas. No se pueden sumar, restar,
multip licar o d ividi r, y tanto dara, p ues, camb iarlos por smbolos no
num ricos. Si identificl'amos a los ciudadanos por med io de la bandera
del Es tado de origen , selia tan vlido como el atri bui rles nmeros,
Mu chas so n las C3mctersticas qu e slo pueden se r represe nt adas a
nive l nominal. En el mb ito de la psicologa de la personalidad, por ejemplo, se habla de personalidad extrovertida o perso nali dad introve rti da,
trminos que se refieren a la ma nera como los seres humanos nos relacionamos con el entamo social. Las ti pologas respecto a l ca rc t el~ seg n
la cu al los se res humanos pueden encuadra l"'Se en una de las cua tro categodas: flemtico, melanclico, san guneo o colrico, son tambin un ejemplo de escala no minal de ca ractersticas ps icolgicas,
Fonna li7..aremos ahora lo dicho sobre la esca la nominal. Supongamos
que disponemos de un conjunto de n objetos con una detelminada caraclelistica que adopta distintas modalidades, A la modalidad de un objeto
genl'ico i la I'epresentaremos por 0 , y el nmero asignado a ese objeto,
{(O,), ser X" De la misma manera a la modalidad de un objeto i la designaremos por 0 1y el nmero asignado ser XI' La asignacin de los nmeros a los objetos, de modo que se preserven las relaciones emplicas observadas, deber cumplir las s iguientes condiciones:
Si O, '" O; entonces X, ::: XI
Si 0 , * 0 , entonces X,
* X,
Despus de lo expuesto hasta el momento respecto a la esca la nom ina l, es fcil adivinar el tipo de transformacin admisible que se puede
aplicar: cualquiera que preserve las relaciones de igualdad-desigualdad de los objetos respecto a una determinada caracterstica.
Respecto a la carac ters tica sexo, se puede asignar un 1 a la modali dad
he mbra ,. y un O a la modalidad macho ,. , pero tambin se puede asig-
EL ANLISIS DE
nar un 5 a la pi
naciones (5 y 4
dad de la carac
y O).
1.'.~. l., ... tI.
En algunas (
ciones de un nh
teriza la escala
caracteristica ,
que Jos represel
Un ejemplo tpi
la dureza de lo~
que otros por el
Ira de la gama (
que es rayado t=
duro, porque ell
otro mineral. Pt
nstica dureza, e
Las relacion
la igualdad-desil
terstica durez.
rente de otro y
numrica estab
mente las relacic
ros a los minen:
el yeso, y as SUI
Los valores asig
minera l detenn
ha asignado el '
minera l es cmru
3 que le s iguen,
En el mbitc
e n las que las rt
caracteristicas, I
libro, nos han II
En todos los CUI
tenido que expo!
de curso (los fal
35
nar un 5 a la primera modalidad y un 4 a la segunda; estas ltimas asig

naciones (5 y 4) preservan las relaciones empricas de igualdad-desigual
dad de la caracten stica sexo lo mismo que las preservan las primeras ( 1
y O).
1A.2. Es .. ala OIdil1al

En algunas caractensticas objeto de estudio cientfico se observan relaciones de un nivel supelior al de la simple igualdad-desigua1dad que caracteriza la escala nom inal. Los objetos pueden manifestar determinada
caracteristica en mayor grado unos que otros, de modo que la escala
que los represente debe preservar esas relaciones empricas observadas.
Un ejemplo tpico, y que al lector le resultar sin duda fam iliar, es el de
la dureza de los minerales. Se sabe que unos minerales son ms duros
que otros por el procedimiento emprico de que unos rayan a otros. Dentro de la gama de minerales, el talco es el mineral menos duro, debido a
que es rayado por todos los dems, mientras que el diaman te es el ms
duro, porque empricamente se comprueba que no es rayado por ningn
otro mineral. Pues bien, la escala que sirve para representar la caracterstica dureza, debe reflejar inequvocamente estas relaciones empricas.
Las relaciones observadas entre los minerales presentan, ad ems de
la igualdad-desigualdad, una ordenacin en funcin del grado de la caracterstica dureza. De un m ineral genrico se puede afirmar que es diferente de otro y adems que es ms o menos duro que ste. La asignacin
numrica establecida en el caso de los minerales preserva inequvoca mente las relaciones empricas. En orden ascendente se asignan t O nmeros a los minerales en funcin de su dureza. El 1 para el talco, el 2 para
el yeso, y as sucesivamente hasta el diamante, al que se le asigna ellO.
Los valores asignados informan adecuadamente de cmo se comporta un
mineral detenninado respecto a esa caracterstica: si, por ejemplo, se le
ha asignado el 7, el lector de la escala sacar la conclu sin de que ese
mineral es ms duro que los 6 que le preceden y menos duro que los
3 que le siguen.
En el mbito de las ciencias sociales, muchas son las caractersticas
en las que las relaciones empricas de los objetos que comparten dichas
caractersticas, tienen un carcter ordinal. Al lector, y a los autores de este
libro, nos han medido ms de una vez de acuerdo a una escala ordinal.
En todos los cursos acadmicos de la etapa de estudiante, cualquiera ha
tenido que exponer sus conocimientos en las ms diversas materias a final
de curso (los famosos exmenes) y stos han sido juzgados por un profe-
36
AN LISIS DE DATOS EN PS ICOLOGA 1
sor O grupo de profesores de acuerdo a una escala ordinal. Si no se sabe

nada de la materia, o se sabe muy poco, lo ms probable es Que el juicio
que el profesor haga de su exposicin sea de . s u spenso ; por el con trario, s i se sabe bi e n la materia. y de igual manera se expresa, lo ms probab le es que el juicio sea de ",sobresalien te. Si en vez de estos tlminos
se emplea una escala num;ca (O para s uspenso, I para aprobado. 2 para
notable, 3 para sob resa liente y 4 para matrcula de ho nor, s igui endo la
asignacin numdca administrativa que se emplea en los estudios superiores), la conclusin que sacar elleclor de. po nga mos, dos expedientes
acadmicos de 2 alumnos distintos que hayan cursado una misma maleria, es que s i u no de los alumnos ha ob tenido un 3 y el o tro un 1, el primero ha exhib ido un mayor conocim iento de la mater ia qu e el segundo,
o, lo qu e es lo m is mo , que el segundo tena menos conocimientos que el
primem.
Como ya se ha menc ionado, en las llamadas ciencias sociales (Psicologa. Sociologa, Poltica , Economa ... ) son muchas las ca racte rst icas
objeto d e est udi o c uya medida slo admite un ni vel ordinal. De hec ho ,
segn seiiala Us lanel~ el tipo de infOlmacin ms fiable que con ms frecuenc ia usa el cientfico soc ial es de cankter o rdina l" (en la intmducc in
del libro de Hildebra nt , Laing y Rosenthal. 1977). Veamos a lgu nos ejemplos.
Los ps iclogos, e n s us an lisis de variab les psicolgicas que afectan
la conducla huma na, p"eguntan por reacciones a estmulos que se expresan e n tnninos de _ms" o menos" intensos. Los socilogos preguntan
a los ciudadan os por el ni ve l d e prestigio socia l que atribuyen a pmfes iones tales co mo vendedol~ psiclogo, secretario, fo nlanem, mat ro nas y
sepuhureros. Los politlogos, por su parte, tambin recaban la informaci n relativa a la ideologa poltica de los ciudadanos de acuerdo a cri ter ios como izquierda, liberal. conservadora . En todos los casos, se tra la
de es tabl ece ,' un orden res pecto a alguna carac ters tica, segn que los
o bjetos eva luados la presenten en mayol: menor o igua l grado.
Formalizaremos ahora lo dicho sobre la esca la o rdinal. Supongamos
que d isponem os de un conjunto de n objetos y cad.\ uno con una cierta
magnitud en una caractelstica detemli nada que adopta dis tintas modalidades. A la magnitud de un objeto genrico i la repl'esentaremos por O,
yel nm ero asignado a ese objeto, ((O,), ser X,. De la misma manera a
la magni tud de un objeto j la design<lre mos por Ojy el nmero asignado
ser XI" La asignacin de los nmeros a los objetos, de modo que se preserven las relaciones empri cas o bservadas , deber cum p lir las sigui entes cond iciones:
EL ANliSIS
Respecte
med ida, pUl
vlida sieml
ciente. en q
a una serie d
grado de ma,
7, 9 Y 11 (res,
peta las can<
trario, si se
valor por - 1),
da de las dos
madn admi
!.-I.:!. ,.:,""
Si, ademfu
objetos, y la n
senten esos 01
to da que sta
ya que penni)
cias en tre las
de, por ejempl
o bjetos (los ter
la es relativan
duce en agua (
y se enfria has
de m ercurio al
to se marca el
lIicin, y se ma
dido el mercur
divide e n I 00 ~
y que es en def
to la unjdad de
origen de la es<
EL AN LISIS DE DATOS Y LA MEDICiN EN PSICOLOGA
Si Di =' Di entonces XI =' Xi

Si O; > O entonces Xi > Xi
Si Di < Di entonces X; < XI
37
Respecto a las transformaciones que admite la escala ordinal de

med ida, pued e decirse que, en general , cualquier transformacin es
vlida siempre que preserve el orden de magnitud, creciente o decreciente, en que los objetos presentan determinada caracterstica. Si
a una serie de objetos se les asigna los nmeros 30, 32, 34 Y 36 segn un
grado de magnitud creciente, la transformacin que lleva a los valores 5,
7,9 Y 11 (restar 25 a cada nmero), es perfectamente admisible, pues respeta las condiciones de construccin de una escala ordinal. Por el contrario, si se asignaran los valores -30, - 32, - 34 Y - 36 (multiplica r cada
valor por - 1), las conclusin de su lectura seria muy diferente de la extrada de las dos asignaciones anteriores, y por tanto no sera un transformacin admisible.
1.4.3. Escala de intt'rvalo

Si, adems de la posibilidad de evaluar la igualdad -desigualdad de los
objetos, y la mayor o menor magnitud que de alguna caractenstica presenten esos objetos, se puede contar con alguna unidad de medida, tanto da que sta sea arbitraria, la mejora en el nivel de medida es sustancial,
ya que pennite establecer la igualdad o desigualdad de las diferencias entre las magnitudes de los objetos medidos. Esto es lo que su cede, por ejemplo, con las escalas que penniten medir la temperatura de los
objetos (los termmetros). El proceso de construccin de este tipo de escala es relativamente simple. Para la escala Celsius. por ejem plo, se introduce en agua destilada una varilla de cristal con mercurio en su interiOl~
y se enfr a has ta el nivel de congelacin. A esa temperatura, la columna
de mercurio alcanzar una altura detenninada en la varilla. En ese pun~
to se marca el O. Luego se calienta el agua has ta la temperatura de ebullicin, y se marca con un 100 el lugar de la varilla hasta donde ha ascendido el mercurio. El espacio de varilla entre las dos marcas (O y 100) se
divide en 100 partes, y cada parte es el archifamoso grado cenlgrado,
y que es en definitiva la unidad de la escala Celsius de temperatu ra. Tanto la unidad de medida , el grado centgrado (simbolizado por OC) como el
origen de la escala, el punto O, son completamente arbitrarios. La unidad
38
EL ANLISIS
surge por la divis in e n 100 partes qu e hacemos del tramo de la va rilla

qu e media entre O y 100, pero tambin se ha bria podido dividir en 60.
Respec tl
escala de in
tipo:
ACLARACiN: Una de las caractersticas de la escala de in te rvalo es. como

se ha vis to, que el punto cero es arbitrario y no sign ifica carencia absoluta
de la ca..-acterslica medida. En el caso de la temperatura en grados centrgrados el valor O no s ignifica ausencia de temperatura (c3ractcristica), s ino
temperatura de congelacin del agua destilada.
Una vez medidos un conjunto de objetos co n una escala de inlc lva los
se p ued e n eX lme '- algu nas conclus iones int eresa nt es. Por eje mplo , y
siguiendo con la caracterstica temperatura, s i dos objetos tienen una temperat ura de 40 y 46 ce, I'especti vamente , y otros dos objetos, ti enen una
temperatura de 27 y 33 ce , respectivamente, se puede afirmar que la diferenc ia de tempe rat ura es igual entre los objetos J y 2, qu e entre los objelOS 3 Y 4 , S i se m ide la temperatura de a iras dos obje tos y resulta ser de
14 y 17 grados , respectivamen te, podemos afirmar que la diferencia d e
tempera tum (3 grados) es infcl;or que la diferencia de temperatura de los
obje tos J y 2 (6 grados), Este tipo de afirmaciones acerca de la igualdad
o desigualdad de las diferencias es im posible en una escala ordinal.
Otro ejemplo, tambin muy fa miliaJ~ de escala de intelvalo es el calenda rio que, de una otra ma nera, pauta nuestras vidas, Por razones histrico-religiosas se tom como punto O el nacimiento de Jess; y, por razones astronmicas, se tom como unidad de medida el tiempo que tarda
la ten... en dar una vuelta al sol (3651 /4 das).
FO l'malizare mos aho!'a lo dicho sobre la escala de intelvalo. Supongamos que d isponemos de un conjunto de 11 objetos y cada uno con una
cierta magnitud en una ca racters ti ca determinada que adopta di stinlas modalidades, A la magnitud de un objeto genrico i la re prese ntaremos po r O, y el nmero asignado a ese objeto, (O;), ser Xi' De la mis ma
manera a la magnitud d e un objeto i la des igna remos pOI' O; Y el nmero
as ignad o se r X;, a la magnitud de un objeto k la designa re mos po r Ok y
el nmero as ignado se r Xl; y a la magnitud de un o bje to 111 la des igna rem os po r 0 ,,, y el nmero asignado ser Xm En lonces deber n cumplirse
las s iguien tes condiciones:
Si O, - 0 , = Ok - 0 ,,, entonces X, - X, = X k - X m
Si 0 , - 0 , > Ok - 0 '" entonces X, - X, > X4 - X",
Si 0 , - 0 , < O, - 0 '" entonces X, - X, < X, -Xm
Es decir,
esca la de in
estipuladas.
AClAMCI
res puesta,
ra 0, una v
escala origi
tivo, la tral
invariante J
un se ntido
Un ejemp
ta nuevamen
escala Celsiu!
pasar de una
formac i n:
Segn est~
ponde con el
escala se corr
do centfgraclc
do Fahrenhei
dial de estas e
de las diferen
En Ps icolc
lineales.
ACLARAC II
parar valore
ra transfom
resulta.do de
s u lectura rf
pos itivos, y
segunda tra l
lA 1
iJla
'.
EL ANLISIS DE DATOS Y LA MEDICIN EN PS1CO LOGIA
39
Res pec lo a las transfonnaciones admisibles de los va lores d e una

escala de intcl"Valos. la condicin que han de cumplir es que sean del
tipo:
g (x) = a + bx
s iempre que b > O.
Es dccil~ una trans rormacin lineal ta l de los valores iniciales de una

escala de interva lo deja la escala invariante respec to a las condic io nes
estipu ladas e n el pnafo anterior.
llos
0,
emuna
lifebjer de
de
:los
dad
Jen.stazomla
>onuna
.tin:are-
, ma
nero
O,y
tarelirse
ACLARACiN: Por qu se ha aad ido la condicin siempre que b > O? La

respuesta, a poco que se rcflcx.ione, es bastante obvia. Por una lado, s i b fuera O. una vez aplicada la transformacin, todos los valores iniciales de la
escala O1iginallcnchan un llnico valor, el de a. Por otro lado, s i b fuera negativo. la transformacin que se aplicara a los valores inicia les ma ntendra
invariante la igualdad o desigualdad de la.;; diferenci as. pem stas tendtian
un sen tido opuesto al de las diferencias de los valon:s iniciales.
Un ejemplo claro de transformacin de la esca la d e in terva lo lo aporta nueva mente la escala de tempemtura. En a lgunos pases se emplea la
escala Celsius. m ientras que en otros se emplea la escala Fahrenhei l. Para
pasar de una escala a otra simplemente hay que aplicar la siguiente tm nsformaci n:
F < (9IS) oc + 32
Segn esta transfolmacin el valo r cero en la escala Celsi us se con'esponde con el valor 32 en la escala Fahrenheit. mientras que el cero de esta
escala se cO'Tesponde con el valor-17.7777 de la Cclsius. Adems. el grado centgrado (unidad en escala Celsius) es igua l a nu eve quintos de gmdo Fa hren hcit. La tl'ansformacin deja inva-iante la prop iedad primordial de estas escalas: la posibilidad de compara r la igualdad o desigualdad
de las diferencias enll'e pares de va lores.
En Psicologa es fi'ec uente el empl eo de este tipo de transfOlma ciones

linea les,
ACLARACiN: Como ve remos en captulos posteriores. para poder comparar valores obtenidos en diferentes pru ebas es obligado llevar una Pl'imera transfOnl1flcin que se conoce como tipificaci/I de las IJ/lIIWociolles. El
resultado de este proceso. produce valores positivos y negativos. por lo que
su lectura resulta algo compl icada, Para convCl't ir los valores negativos e n
positivos. y mantcner las relac io nes de la escala orig ina l se procede a una
segunda transfomlaci6n lineal,
40
Como hemos explicado en el epgrafe anterior, las escalas de intervalo sirven para medir caracterst icas en las que el valor cero no significa
ausencia de dicha ca racterstica, lo cual limi ta necesariamenle las conclusiones que se pueden extraer. En el caso de la escala de temperatura,
una conclusin del tipo: si un objeto 1 tiene una temperalUra de 30, y
Ol ro objeto 2 tie ne una temperatura de 60, el objeto 2 tiene el doble de
temperatura que el objeto /", sera totalmente im p rocedente por incon -ce la. Al no existir un cero absoluto, como valor que representa la ausencia de caractelislica, no se pueden establecer conclusiones en trminos
de razones ent re valores .
Pocas so n las caractedsticas objeto de est udi o cientfico q ue admitan
una med ida co n escala de razn, y la mayoda d e ell as forman pal1e de l
abanico tem ti co de las denominadas ge nrica mente como C iencias de
la Na tu raleza . Carac lersti cas tales como la di stancia (y sus derivados,
su perfi cie y volumen), masa, velocidad y tiem po (no en su se ntido crono lgico, s ino e n su sentido cro nomtrico), po r ejemplo, tienen un Ori gen absoluto, no arbitrari o, o valor cero absoluto que s r s ignifica a usenc ia de caractel"stica.
ACLARACIN : Una de las caractersticas distintivas de la escala de razn
fl"Cnte a la escala de intervalo es, como.se ha visto, que el pUnlO cero es absolula y significa carencia absolura de la caraclcrislica medida. En el caso del
peso, medido en gramos, el valor O significa ausencia de peso. Como consecucncia dc ello. las conclusiones que pueden extraerse de la lectura de los
valo,"es de una escala de razn van ms all de lo que pocHa conclu irse de
las escalas antc;ores.
Si un objeto cualquiera presenta un valo r en la cal'acterfstica peso de

75 gramos, y o tro p,"esenta un valor de 150 gramos, puede afinnarse con
toda prop iedad que el segundo objeto pesa exacta mente el doble que el
primel"O. Adems, por el hecho de poder establecer razones entre valores,
stas pueden compararse unas con o tras y colegir s i son o no iguales entre
sr. Po r ejem plo, tomados otros dos objetos con peso 1.500 gra mos y 3.000
gra m os, respec tivamente, la razn entre ellos (uno pesa el doble que el
otro) es igual a la razn del peso de los o bjetos cuyos pesos eran 75 y l 50
gramos.
Formalicemos lo dicho hasta el mOmento. Supongamos que disponemos de un conjunto de n objetos y cada uno con una ciCI1a magn itud en
EL AN LI SIS DE :
una ca racterls
magnitud de UI
asignado a ese
de un objeto i ,
magnitud de UJ
ser XI: y a la m,
ro asignado ser
ciones:
Si
Si
Si
Al tener un
admisible para
Esta transfol
medida de la es<
plo de transforn
medida de longi
da: en el sistem;
que en algunos 1
valencia entre a
da a otro. Por ej
se est en dispo:
s ido medida en
En el Cuadre
pueden extraers
ejemplos.
Has ta el mor
para referirnos
ticas que se estu
escalas de medi
mente a las cat
se ntacin slo I
moda lidades de
nal, emplearem
EL AN LISIS DE DATOS Y LA MEDICI N EN PSICOLOGA
41
una caracter s tica determinada que adop ta dis tintas m odalidad es. A la
magnitud de un objeto genrico i la representaremos por Di y el n mero
asignado a ese objeto, f (O;), ser Xi' De la m isma manera a la m agnitud
de un objeto j la design aremos por O y el n mero asignado ser Xi' a la
magni tud de un objeto k la d esign aremos por O" y el nm ero asign ado
ser X" y a la m agnitud de un objeto m la designaremos por Om Yel nm ero asignado ser Xm Ento nces d eber n cump li rse las s igu ientes con di ciones:
Si O ( Di = Okl Om entoncesX (Xi ::, X k I Km
Si O . I O > Ok I Om entoncesX IXi > Xk IX",
Si Di / Di < Ok I O", entonces Xi / X < X k IX",
Al t ener u n o rigen de escala absoluto, la nica tr a nsfo rmacin

admisible para la escala de razn es del tipo:
g(x)=bx
siendo b > O.
Esta transfOlmacin supone sim plemen te un cambio en la unidad de

medida de la escala, preservando siempre el origen de la misma. Un ejemplo de transformacin de escalas de razn son los diferen tes sistemas de
medida de longitud, en los qu e simplemente se varia la unidad de medida: en el sistem a m trico decimal, se usa el metro como un idad, mientras
que en algunos pases anglosajones se emplea la yarda. Sabiendo la equivalencia en tre am bas unidades es sencillo pasar de un sistem a de medida a otro. Por ejemplo, sabiendo que una yarda equivale a 0,9144 m etros
se est en disposicin de expresar en yardas cualquier longitud que haya
sido medida en metros, y viceversa.
En el Cuadro 1.1. se resum en los tipos de escalas, las conclusiones que
pueden exlraerse de cada una, las tr ansformaciones adm isibles y algun os
ejemplos.
Hasta el momento hemos empleado el trmino genrico modalidad
para referirnos a las di fer entes variedades que presentan las caractensticas que se estu dia.n. Considerando lo que se ha explicado respecto a las
escalas de med ida vamos a utilizar este trm ino par a referirnos nicamente a las categorias (modalidades) d e una car acters tica cuya representacin slo pu ed e entenderse a nivel nom inaL Para referirnos a las
modalidades de las caractersticas medidas a un n ivel superior al nominal, emplearemos, el trmino valor o puntuaciI1 , teniendo en cuenta que
42
ANLI SIS DE DATOS EN PSICOLOCLA 1
El ANLISIS
b) de i
e) de r
Cuadro 1.1.
Resumen de las escalas de medida
Tipo de escala
Conclusiones
QCerca ele
Nominal
Relociones del tipo

igual que o _distinto
que,
Ordinal
Transformockm
admisible
Xreser.
Cualquiera que
E.mpIos
a) ordi
b) de r,
e) de iI
En un"
valores
mosun
JnlervoJo
~ooldod O desigualdad
e di(erencos.
0+0 )(
(0)01
turo, inteligencia.
35 para
Rozn
~uoldod o desigualdad
e razooes.
b x
(b>O)
longitud, mcw, ,iempo.
a) No e
b) Es u
e) No"
Calendario, tempero-
cuando se refiera a caractersticas medidas a n ivel ard i na !, es LOS valores

o puntuaciones hay que en tenderlos como grados. rangos u rdenes. indistintamente.
la nc
IILSl \11.\
En este lema hemos vislO el papel fundamental que juega el Anlisis

de datos dent ro del mtodo gene ral de la cienc ia y hemos visto algunos
co nce ptos importa nt es: poblacin y muestra, parmetro y estadst ico,
c:l I'ac tedstica y modalidad. Pos lcl;O t'mente hemos tratado el problema
de la medicin y los dist intos ti pos de escala: nominal , ordinal, de int ervalo y de razn con sus caracteristicas pl"Opias (relaciones que mantienen
y tra nsfo rmacio nes admis ibles para cada tipo de esca la ).
1.11. 1:.I1.1WIClOS
QJ
La van
una eSt
Sexo, ro zo, estado
ve \l!{uoldo Idesi- civil, diog~tico dnioo.

900
minerales,
Relaciones del lipo (ooJquiero que preser- Dureza
moyor que-, menor ve el orden O grado de prestigio social de
que., iguol que.,
magnitud de los objetos Profesione!, ubicacin
ideolgica.
1..,.
[IJ
variables no minales:
a) s6lo pu ede n tener dos valores pos ibles
)(siempre tiene n 2 o ms valores posi bl es
e) las dos a nt eriores son ciel1as
Indique
macin
a) nom.
b) nom:
e) toda!
Sea g (x
ITl escala
d
escala d
a) Sie m
b) Nu n<
e) Cuac
L HS
La va l"iable nme ro de palabras recordadas en una prueba de memo-
I'ia es t en una escala:

a) nominal
Utilizar
res (x):
macin
valores:
a) g (xl
b) g (xl
e) g (xl
La lram
a) Siem
b) e uax
e) Nun<
)LOGfA I
EL AN LIS IS DE DATOS Y LA MED ICi N EN PSICOLOGA
43
b) de intervalos
e) de razn
La valiable tiempo de reaccin ante una serie de estmulos est en

u na escala:
, eslodo
;tiro dini-
lif\efole\,
xiol de
ubicacin
~pero!\CIO.
no, tiem
valores
:s, indis-
Anlisis
algunos
Lds tico,
--oblema
fe intermtienen
a) ordinal
b) de razn
e) de intervalos
En una determi nada escala hemos asignado a la vadable sexo los

va lores O para mujer y I para hombre )O . Sobre esta escala definimos una transformacin de tal forma que tenemos los va lo les -20 y
35 para m ujer y hom bre, respectiva mente. Esta transformac in:
ll) No es admisible para esa escala
b) Es una trans fon naci n ad m isible pa ra esa escala
e) No tiene sentido hablar de transforrnacin adm is ible en u na escala no mi nal
Utilizando una esca la de razn hemos obtenido los s iguientes va lores (x): 2,5; 3; 8 y 9,5. Sobre estos valores aplicamos una transformacin adm isible, g (x) , para esa esca la y obtenemos los siguientes
valores: 5, 6, 16 Y 19. La transfolTnacin que hemos aplicado es:
a)g(x)=x'
b) g (x) =-2x
c) g(x)=2x
Indique en qu escala o escalas es admisible la siguiente transformacin g (x) = -l /x donde x slo admite valores positivos
a ) nom ina l
b) nominal y ordinal
e) todas
Sea g (x) = a + bx co n b > O u na tra nsformacin adm is ible en una
escala de in tervalos. Esta transforlll <lcin ser admisible para una
escala de razn:
a) Siempre
b) Nunca
e) Cuando a = O
La transr-ormaci6n g (x) = Xl es admisible para una escala nominal:
memo-
a) Siempre
b) Cuando x > O
e) Nunca
44
[2]
ANLISI S DE DATOS EN PSICOLOGA I
El ANLISIS DI
11 Situartenen
sob
Si una transformacin es admisible para una escala de razn

a) No lo ser para ninguna otra
te, los va
van la ig.
que pres
que 3 es
embargc
manera.
admisibl,
escala de
es ms re
b) Lo ser slo para la ordinal

e) Lo ser para todas
La transfOlmacin g(x) =
Fx
a) Es admis ible en una escala de intervalos

b) Es ad misible en una escala de razn
e) No est bien definida
1. ~ .
SOl 1 ('10\1'''' \ I 0:-; UElH"lCIOS

Las variables nominales pueden tenel' dos valores poSibles (por ejemplo el sexo) y se denom inan dicot m icas (ver prx imo ca pftulo) pero
pueden tomar ms de dos valores (por ejem plo estado civil) y se deno-
La res pUi
11 escala
ter
minan polilmicas (ver captulo siguiente), Por lantO, la respuesta
mos - l a:
COITec ta es b.
s ib le par~
nmero a
las vmiables que vienen definidas coma nmero de ...... , por

11 Todas
ejemplo nmero de hijos de un grupo de parejas, nmero de }tems
COITectame nte respondidos . .., y n mero de palabras recordadas en
una pru eba de memOlia eS ln en una esca la de razn, Si una persona ha recordado, por ejemplo, 10 palabras podemos decir que ha
"ecordado el dob le que o lra que ha recordado 5 y la mitad que una
tercera que ha recordado 20. Por tanto, la respuesta correcta es c,
La vadable tiempo de reaccin, tanto si est medida en segu ndos
11 como
e n m ilisegundos (q ue suele ser lo habitual en ellaboratodo de
Psicologa) est en una esca la de razn co n un punt o cero absoluto

que ind ica cal'encia del a l;buto que esta mos midiendo, en este caso,
el tiem po. La respuesta COlTecta es b.
s las esca las t ie nen un conjun to de transformaciones adm is i11 Toda
bles por ta nto, la respuesta c no tie ne sen ti do. Los valor es - 20
y,
35 sigu en mant eniendo la re laci n de igua ldad I des igua ldad que
con 'esponde n a una escala nom ina l. Por tanto , la respues ta COtTecta es b.
11
La respu,
transfon:
escala de
Las trn.nsfOlmaciones admisibles para una escala de razn son de la

fOl"Ola g (x) = bx con b > O. Por lan lO la solucin COITccta es c. Puede comprobarse que los segundos va lo res de la escala son el resultado de mult ipl icar los pl;meros por dos.
11 Launarespue:
escala
rior de me
cior a tod
Da
La respue
negativos
piejos) y a
negativos.
45
los valores, por ejemplo 1, 2 Y 3, en una escala al efec11 Situartenemos

sobre ellos esta transformacin obtendramos, respectivamente, los valores: -1, - 1/2 Y -1 /3 . Vemos que los nuevos valores preservan la igualdad I desigualdad de una escala nominal. Tambin vemos
que preservan el orden (-113 es mayor que -112 de la misma form a
que 3 es m ayor que 2) correspondien te a una esca la ordi nal. Si n
embargo las diferencias entre ellos no se mantienen de la misma
manera que los valores origi nales de la escala y, por tanto, no es
admisible en una escala de intervalos. Si no es ad misible para una
escala de intervalos tampoco lo ser para una escala de razn que
es ms restrictiva que sta. Por tanto, la respuesta correcta es b.
respuesta correcta es c puesto que cuando el trm ino a O la
11 Latransformacin
ser g
con
O que es admisible en una
=
(x) = bx
b >
escala de razn.
La respuesta correcta es cuando x O, la alternativa b. Si en una
11 escala
tenemos valores positivos y negativos (por ejemplo asigna>
mos - 1 a ser mujer y 1 a ser varn) la transfonnacin no ser admisib le para la escala pues _1 2 = 12 = 1 impli cara asignar el mismo
nmero a dos modalidades distintas d e la misma caractensti ca.
COlTecta es c. Si una transfonnacin es admisible para
11 unarespueSLa
escala lo ser tambin para todas las que presentan un nivel infeLa
rior de medida y la escala de razn presenta u n nivel de medida superior a todas las dems.
La res puesta correcta es c. No existe la raz cuadrada de nmeros
negativos en el campo de los nmeros reales (si en el de los complejos) y adems la raz cuadrada puede tomar valores positivos y
negativos.
Tema 12
Introduccin a la probabilidad
12.1. 1\'1'1
SUMARIO
En los (el
tadoa lad~
12.1. Introduccin
12.2.
COIICCI'(08IlrC\'ios
12.2.1. E.\:pcrimcll1o alculorio

'12.2.2. Espacio lIIueslral
12.2.3. Sucesos
12.2.3.1. Operaciones con suce"os
12.2.3.2. HcpresclllaciOllcs gTfica"
12.3. Definicin de probabilidad pura un espacio muestral
di~creto
12.:3.1. Definicin clsica

12.3.2. Definicin cS~':lllslica
12.3.3. Definicin axiOllltica
12.4. HC8umcn
12.5. Ejercicios
12.6. Soluciones
ti
los ejercicios
ci6n de los f
entre otros. ~
generalizar l
denominarel
tras conc!usi-
probabilisti
mos con una
ducimos el
HIPTESIS.
curso, es ne<
La2l.a e.
porciona do
verosmil o fi.
un juicio o e
probable eua
verdadero sin
cos alegan r
fumador pad
posiblementl
Otra dcfi
der porque
Bajo esta in<
determinada
dad de ocur
entiende qUE
.1
En los temas estudiados hasta ahora, el anlisis estadsLico se ha limitado a la descripcin de un conjunto pequeo de datos mediante la obtencin de los ndices de tendencia central. de dispersin y de asociacin,
entre otros. Sin embargo, en cualquier investigacin es importante poder
generalizar nuestros resultados a un colectivo mucho ms amplio al que
denominaremos poblacin o universo. En este caso, la extensin de nuestras conclusiones requiere llevar a cabo una inferencia que siempre ser
probabilstica o fonnular una hiptesis que aceptaremos o rechazaremos con una detenninada probabilidad. Por esta razn, y antes de introducirnos en la INFERENCIA ESTADISTICA Y CONTRASTE DE
HIPTESIS, que se estudia en .Anlisis de Datos en Psicologa Il en 2
curso, es necesario abordar el estudio de la probabilidad.
La 21. a edicin del Diccionario de la Real Academia Espaola proporciona dos definiciones de Probabilidad. La primera se refiere a lo
veros{mil o fundada aparieltcia de verdad,. y equivale al valor de verdad de
un juicio o conocimiento. En este sentido, se entiende que un juicio es
probable cuando existen suficientes razones que permiten aFilmarlo como
verdadero sin que pueda excluirse lo contrat;o. As, por ejemplo, los mdicos alegan razones de peso para decirnos que es muy probable que el
fumador padezca trastornos cardiovasculares siendo esta una afinnacin
posiblemente verdadera.
Otra definicin se refiere a la calidad de probable o qlle puede stlceden> porque hay buenas razones para creer que se verificar o suceder.
Bajo esta inclinacin, la probabilidad se aplica, no al valor de verdad de
detenninadas proposiciones, juicios o conocimientos, sino a la posibilidad de oculTencia de sucesos o acontecimientos y, en este sentido. se
entiende que un suceso es probable cuando puede ocurrir O no. Estudia-
352
ANLISIS DE DATOS EN PSICOLOGA I
INTRODUCCU
remos la probabilidad referida en este segundo contexto para lo que nos

serviremos de las matemticas, pero de una matemtica baSlante elemental que cualquier estudiante --con conocimientos bsicos y an pro
veniente de estudios de letras- puede adquirir sin gran esfuerzo.
CaJcuJa
definicl
mento 1
Haciendo un poco de historia, cabe sealar que el estudio malemlico-cientffico de la probabilidad surge a mediados del siglo XV11 cuando,
en t 654 Y por el inters en los juegos de azar; el caballero de Mer IUVO la
idea de consultar con el matemtico Pascal una serie de preguntas orienladas a dominar el desarrollo del azar durante los juegos de cartas o de
dados. El problema era decidir si en 24 lanzamientos de un dado tena el
mismo riesgo apostar la misma cantidad de dinero a favor o en conlra de
la aparicin de, por lo menos, un doble seis. Estas y otras preguntas similares dieron lugar a un intercambio de correspondencia entre Pascal y
Fermal que pusieron las bases para que, ms tarde, Laplace diese su definicin, hoy llamada clsica, de probabilidad y que puede considerarse
como el inicio del estudio matemtico de la probabilidad y que veremos
ms adelante.
Como ya se ha apuntado, necesitamos conocer la probabilidad porque
cualquier lipo de inferencia que se haga, tanto en la investigacin cientfica como en la vida cOlidiana, a partir de la observacin de unos pocos
hechos, se realiza en tmlinos probabilsticos. En el campo de la Psico
logia, y de las Ciencias Sociales en general, cualquier hiptesis que se formule se acepla o se rechaza en trminos probabilsticos. o podemos
tener una seguridad absoluta (del cien por cien) de que porque veamos
romper las olas todos los das en nuestra playa, las olas rompan tambin
maana, ni tampoco de que porque unos fumadores padezcan enfermedades c.ardiovascuJares lodos Jos fumadores lengan que padecerlas (de
hecho no es as y en eso confiamos probabilsticamente,. para seguir
fumando).
Los objetivos que pretendemos son los siguientes:
Conocer los conceptos de expelimento aleatorio y espacio muestra!.
Distinguir los distJltos tipos de sucesos: sucesos elementales y com
puestos, suceso imposible, suceso seguro, sucesos compatibles e
incompatibles.
Concepto de probabilidad y sus definiciones: clsica, eSladIslica y
axiomtica. Un mismo concepto definido de tres formas diferen
tes pero intimamente relacionadas.
, .).,
-._..."
(O~,
Antes de i
tes, que nos
so, es necesa
J.-.:ico propif
ceptos y la te
I ~.~.1. l ..
Entenden
cual obtenen
fin de realiza
el adjetivo "a
nmento ale:
puede repel
resultado nl
nicin tanto]
no entrenada
elige o asom;
bre o una ml
sulta padece
experimento
las. cuatro co
- Se puec
- En cad.
conjunt
- Antes d
que oht
- A medi
va -o pl
aproxin
)GfA t
e nos
~ elepro-
lNTRODUCC1N A LA PROBABLUDAD
353
Calcular la probabilidad de aparicin de un suceso aplicando la

definic6n clsica y conociendo el espacio muestral del experimento aleatorio.
ntindo,
10
la
I~_~_
CO\CU'TOS I'HE\-IOS
ien-
)de
a el
.de
roi-
al y
di
ne
:\os
lue
ir:os
:0>r-
os
os
!n
ele
ir
Antes de introducimos de lleno en el estudio de este tema y los siguientes, que nos van a pennilir obtener probabilidades asociadas a un suceso, es necesario presentar algunos conceptos que nos familiaricen con el
lxico propio de esta materia y nos faciliten la comprensin de los conceptos y la teora de la probabilidad.
12.2.1. L'lwrilllt'lIlO
\lt'<.IltHjo
Entendemos por experimento el desarrollo de un proceso mediante el

cual obtenemos un conjunto de resultados, observaciones o datos con el
fin de realizar una comprobacin o verificar una hiptesis. Si aadimos
el adjetivo aleatorio) es porque se incluye el a7..ar, de modo que un experimento aleatorio es cualquier experimento realizado al azar que se
puede repetir indefinidamente en las mismas condiciones y cuyo
resultado no se puede predecir con certeza. De acue-do con esta definicin lanto lanzar una moneda o un dado al aire. como situar a una rala
no entrenada en un labelinto con mltiples salidas y observar cul de ellas
elige o asomarse a la ventana y observar si la persona que pasa es un hombre o una mujer, o esperar si la prxima persona que !lega a nueslra consulta padece depresin, fobia, dislexia, amnesia, etc_, son ejemplos de
experimentos a[ealOdos pOI-que, como el lector puede advertir, cumple
las cualr-o condiciones siguientes:
- Se puede repetir indefinidamente en las mismas condiciones.

- En cada ensayo se obtiene un resultado que pel1enece alllniverso o
conjunlo de lodos los resultados posibles, E.
- Antes de cada ensayo no se puede predecir con certeza el resultado
que obtendremos.
- A medida que el nmero de ensayos aumenta, la frecuencia relativa -o proporcin- de aparicin de cada resullado posible tiende a
aproximarse a un valor fijo.
354
ANLISIS DE DATOS EN PSICOLOCIA 1
que definen las condiciones que debe cumplir un experimento para que
podemos considerarlas como experimento aleatorio.
11.1.1. L.. "al'in
'Iu('~lral
Espacio muestral es el conjunto fonnado por todos los resultados

posibles de un experimento aleatorio. Se representan con la letra
mayscula E y tambin se llama universo o poblacin del expe;menlo.
Por ejemplo. en el experimento .Ianzar una moneda al aire_ el espa
cio muestral es: E -'" (cara. cruz). Si el experimento es lanzar un dado. el
espacio muestral es E = {1, 2, 3. 4, 5, 6]. Y si el experimento consiste en
asomarse a la vemana y ver si la persona que pasa es hombre o mujer, el
espacio muestl-al es E = (H; M), etc.
INTRODUCCI(
A su vez,
ro, suceso in
Suceso 51
aleatorio. P<
nemas, el su
que con toda
punlUacin 1
Suceso J
que se repita
de seis caras
imposible. e
-que como SE
el COUoCw
conjunto Yac
Dado un:
deA, y se re:
rreA.
La "calil.acin de un experimento aleatorio, proporciona uno o varios

resultados distintos que se Llaman sucesos y forman un subconjunto del
espacio muestral, E. En ellanzamienlo de una moneda, los sucesos son

.cara. y .cruz. y lgicamente el conjunto de todos los sucesos forma el
espacio muestral del experimento aleatorio.
Los sucesos pueden ser elementales o compuestos. El suceso simple o elemental consla de un solo resulcado del unit'erso o espacio muestral, E, mientras que el suceso compuesto consta de dos o ms resultados
del espacio muestra!. As, por ejemplo, al lanzar un dado, el suceso .obtener un tres es elemental mientras que el suceso _obtener un nmero par.
es un suceso compuesto formado por los elementos 2, 4 Y 6. Finalmente,
los sucesos se representan por letras maysculas y el smbolo .igual.. que
contiene entre llaves, o corchetes, los elementos que lo fOlman. De este
modo, los ejemplos antel'iores quedan representados de la siguiente fol'
ma:
obtener un tres
A = {3]
obtener un nmero par A = (2, 4, 6]

En relacin con estas normas puede observar que el espacio muestral
-que se representa habitualmente con la letra E- es un caso especial de
suceso compuesto y est fOimado, como ya sabemos, por todos los result.ados posibles del experimento aleatorio.
Siguiendl
mas el SUce!
A = {obtener
so contrario I
Sucesos E
presentarse
dcin simulll
patibles son
miento del d
e = (5.3.1). u
recer simult
SULesos A y B
simultneaml
Sucesos c.
depende del
dependencia:
babilidad de
Marruecos, p
lugar de proo
en el tema 14
les de la prob
1
"..OGlA I
INTRODUCCIN A LA PROBABJUDAD
ra que
A su vez, los sucesos pueden ser de los siguientes lipos: suceso

ro, suceso imposible, suceso contrario y sucesos incompatibles.
'ados
letfa.
'oto.
355
segu~
Suceso seguro es el que ocurre siempre que se realiza el experimento

aleatorio. Por ejemplo. al lanzar un dado y ver la puntuacin que obtenemos. el suceso A == (puntuacin menor de 7] es un suceso seguro porque con toda segulidad siempre que lancemos el dado obtendremos una
puntuacin menor que 7.
Suceso imposible es todo suceso que no puede ocurrir nunca aunque se repita infinitas veces el experimento. Por ejemplo al lanzar un dado
de seis caras numeradas del I al 6. el suceso A =' [8) no puede ocurrir, es
imposible. Como vemrnos ms adelante, se representa con el smbolo 41
-que como se recordar, por quienes estudiaron la tema de conjuntos en
el COU Curso de Acceso, es el mismo que se uliza para representar al
conjunto vaco.
~spa
\0, el
:e en
~r, el
Dado un suceso A, se llama suceso contrario o complementario

de A, y se representa por A, al suceso que ocurre siempre que no ocurreA.
nos
del
ion
,el
meslos
le-
'"le,
,.
le
r-
,1
e
Siguiendo con el mismo ejemplo dellanzamienlO del dado, si defini

mos el suceso A ==- {obtener un nmero par], el suceso COnll'ario es
A;: [obtener un nmero impar), o bien, si A;: [2, 4, 6]. enlOnCe5 el suceso contrario es A "" (t, 3, 5].
Sucesos excluyentes o incompatibles son aquellos que no pueden
presentarse a Ja vez, o dicho con otras palabras, son aquellos cuya aparicin simultnea es el suceso imposible. Por su parle, Jos sucesos compatibles son aquellos que s pueden presentarse a la vez. En el lanzamiento del dado, si definimos los sucesos A ;: [nmem par); B '" [6};
e==- {5,3, 1J. Los sucesos A y e son incompatbles por que no pueden aparecer simultneamente un nmem par que sea 5, 3 1; pero no as los
sucesos A y B que son compatibles ya que se puede dar un resultado que
simultneamente sea par y sea c16.
Sucesos dependientes son aquellos cuya probabilidad de aparicin
depende del suceso que haya surgido antedormente. De no exisfir esta
dependencia se tratara de sucesos independientes. Por ejemplo, la probabilidad de ser mujer y morena, no es la mism<l en Espaa que en
Man"uecos, por lo que el suceso ser morena depende, en este caso, del
lugar de procedencia. Sobre estos ltimos sucesos volveremos a tratarlos
en el tema 14 cuando se expongan algunos de los teoremas fundamentales de la probabilidad.
356
ANLISIS DE DATOS EN PSICOLOGlA I
1:1.:1. :J.
/. Op(l"mioflf... ('(UI
...11('(..." ...
Las posibles operaciones que pueden realizarse con los sucesos son
equivalentes a las que se pueden realizar con el lgebra de conjuntos y
que el alumno recordar de sus estudios de eDU o del Curso de Acceso.
La siguiente tabla recoge las operaciones ms importantes del lgebra de
conjuntos y sus equivalencias con los sucesos.
Tabla 12.1. Correspondencia entTe el lgebra de conjuntos
y los sucesos
espacio muestral o suceso
seguro
INTRODUCCIC
suceso
suceso elemental
suceso imposible
suceso contrario
sucesos incompatibles
unin de sucesos
interseccin de sucesos
conjunto universal
subconjunto del conjunto
universal
elemento del conjunto
universal
conjunto vaco
conjunto complementario
conjuntos disjuntos
unin de conjuntos
interseccin de conjuntos
Teniendo en cuenta estas equivalencias podemos realizar con los suce

sos las mismas operaciones que se hacan con los conjuntos y entre ellas
vamos a recordar las ms importantes para nuestros fines, a saber: la
unin y la interseccin.
Se llama unin de sucesos A y B, Yse representa por AuB, al suceso
que ocurre siempre que OCUlTe A o B o ambos. Por su pal1e, se denomina
interseccin de sucesos de A y B, Yse representa por A("'I8, al suceso que
OCtllTe siempre que ocurren A y B. Estas dos operaciones gozan de varias
propiedades entre las que destacamos las siguientes:
Tabla 12.2. Propiedades de la unin e interseccin de sucesas
Propiedades
De la Unin
Conmulmiva
AvB :: BuA
(AuB)
U C - Au (BuC)
Asociativa
Distributiva
Au (B,-,c) - (AuB),..,(AuC)
Simplificacin
Au (BrvI) = A
De la Interseccin
A"" = B rvI
(A"") ,.., C = A,.., (B,..,C)
A,.., (BuC) - (A"")u(A,..,C)
A,.., (BuA)
=A
Actividad 14
sosA=(1,2,
las propiedal
_..,._. l'.el
l ),)
Asumida
vamos a utili
operaciones (
lo 12.2.3. los
nuestro a1fab
esta forma la
ya conocidas,
Cuadro
EsI
SU(
SU(
Unl
yes
se 1
Inll
se.!
yes
sel
357
INTRODUCCIN A LA PROBABfLlDAD
Actividad 12.1. Imagine que lanzamos un dado y considerarnos los suce= (2, 5, 6) Y e = (3, 5), compruebe que se cumplen
las propiedades anteriores.
sos A =(1, 2, 4, 6); B
12.3.2. He(>l'(>scniaciones grficas

Asumida la equivalencia entre el lgebra de conjuntos y los sucesos,
vamos a utilizar los diagramas de Venn para representar los sucesos y las
operaciones que con ellos podemos hacer. Como se ha sealado en el punto 12.2.3, los sucesos los vamos a representar con letras maysculas de
nuestro alfabeto latino y el espacio muestral con la letra mayscula E. De
esta forma las representaciones son que aparecen en el cuadro 12.1 son
ya conocidas.
Cuadro 12. l. Representaciones de los sucesos y sus operaciones
Espacio muestral
Suceso
E
A
Suceso complementario de A
Unin de sucesos: se representa por
AuB
'Y es el suceso que ocurre siempre que
se presenta A o B o ambos
Interseccin de sucesos: se representa por
AnB
yes d suceso que ocurre siempre que
se presentan A y B
AuS
AnS
358
INTRODUCCiN .
1:1.:1. DElT\ICl" DE 1'1I011\IlIUD.\D 1'\11 \ l" ESI'\C10

\Il ESTIl \1. IlISCIlETO
Expondremos tres definiciones diferemes del concepto de probabiH~
dad (la definicin clsica. la estadstica y al axiomtica) encaminadas a
un mismo fin: calcular la ~posibilidad. de ocurrencia de un suceso. Veremos que con cualquiern de estas tres definiciones, la probabilidad se cuan
tiFica con un nmeru comprendido entre O y l. Cero para el suceso imposible como, por ejemplo, la probabilidad de ocurrencia del suceso que
ms temor produce a los vaJientes guerreros de la tribu gala de Asterix y
Obelix: _que el cielo se desplome sobre sus cabezas_; pero como dice su
jefe Ahrocurcix para fortalecerlos: eso no va a ocunir maana_ (ni nunca, aadiramos nosotl"Os y de ah su probabilidad nula). Asignamos un
uno al suceso seguro, como por ejemplo, la probabilidad de ocurrencia
de la desagradable profeca del refrn: _Dentro de cien aos... todos calvos_o Cualquier otm suceso tendni asignado un nmero entre O y I en
funcin de la cuanta de su probabilidad de ocurrencia.
1:!.:J.I. Ilt'liJlidun CI .. ,j.'a

Esta definicin fue establecida por Laplace y dice: _La probabilidad
de un suceso A, es igual al cociente entre el nmero de casos favorables de que ocurra el suceso A, y el nmero de casos posibles en
el supuesto de que todos los casos tengan la misma oportunidad de
ocunir (es decir, sean igualmente probables) ... A esta probabilidad la
representamos por P(A) y de acuerdo a esta definicin, es:
donde "" representa el nmem de casos favorables de que se presente el

suceso A,'y N es el nmero de casos posibles. El siguiente ejemplo le ayu~
dar a empIcar esta definicin.
Ejemplo J2,1. La07.amos un dado imparcial una sola vez. Cul

es la probabilidad de obtener un 2?
Tenemos que ~lcuJar la probabilidad de obtener el suceso A = {2}.
El espacio muestral, conjunto de todos los resuJtados posibles, es:
Por tant
Respecto a es
- La primera
incorrecta I
probabilid,
la mayora
dicin de I
necesita co
favorables (
tados posib
recurre en r
tema siguie
- La segunda
ma de enter
trata de obt!
probabilida!
rre, por ejen
na el valor (
o mujer. Lo
trastorno ps
Cmo oblenE
cin nos proporci
I :!.:~.:!. Ul'Iinh.
Puesto que en
los sucesos entre I
bilidad, algunos a'
otra basada en la I
idea con un ejemp
ellan7.amiento de
IGAI
CIO
!bili
:las a
Vere:uannpo1 que
:rix y
:e su
nunlS un
:ncla
i
caJ1 en
dad
:avo:5 en
<1 de
adla
lte el
INTRODUCCIN A U. PROBABILIDAD
359
E:: (1,2, 3, 4, 5, 6) donde cada uno de los seis resultados tiene la misma probabilidad de salir. Sobre stos 6 casos posibles y equiprobabies slo hay un caso favorable (obtener un dos).
Por tanto: P(2)
=!
6
Respecto a esta definicin hay que resaltar dos impc)Jtantes reflexiones:

- La primera es que esta definicin es, desde el punto de vista fonnal,
incorrecta pues introduce en la definicin e1tnnino definido (equjprobabilidad) pero desde el punto de vista prctico es aplicable en
la mayoa de los experimentos aleatorios donde se cumple la condicin de equiprobabilidad. Para su aplicacin prctica slo se
necesita contar, en un experimento aleatorio, el nmero de casos
favorables de ocurrencia del suceso A y el nmero de casos o resultados posibles que resultan del experimento aleatorio. Para ello, se
recurre en muchos casos a la combinatoria que estudiaremos en el
tema siguiente.
- La segunda es que el gran problema de esta definicin est en la for-
ma de entender los casos favorables y los casos posibles cuando se

trata de obtener probabilidades de sucesos cuya condicin de equiprobabilidad no est garantizada y es ms que discutible. Esto ocun'e, por ejemplo, con la probabilidad de nacer varn a la que se asigna el valor 0,5 asumiendo la equiprobabilidad entre nacer hombre
o mujer. Lo mismo para obtener la probabilidad de padecer algn
trastorno psicolgico o sufTir un accidente.
Cmo obtener entonces estas probabilidades? La siguiente definicin nos proporcionar una salida.
ayu-
1::!,:i.::!. 1h-l'illi4'ioll E:-olail:-olit'a
2).
es:
Puesto que en muchas situaciones es dificil reali7..ar la clasificacin de

los sucesos entre los casos favorables y los posibles con la misma probabilidad, algunos aulQres intentaron sustituir la definicin de blplace por
otm basada en la estabilidad de las frecuencias relativas. Ilustremos esta
idea con un ejemplo. La frecuencia relativa, JI", de aparicin de _cara en
el lanzamiento de un moneda es la que se muestra en la tabla 12.3 don-
360
ANLISIS DE DATOS EN PSICOLOC!A I
INTRODUCCiN J
de se indica que en un lanzamiento (N = 1) se ha obtenido una cara; en

dos lanzamientos (N = 2) hemos obtenido una cara y una cruz. En tres
lanzamientos (N = 3) dos caras, etc. Dividiendo estas frecuencias por el
nmero de lanzamientos o ensayos, obtenemos la frecuencia relativa o
proporcin, P. Estos resultados los podemos representar grficamente
(Fig. 12.1) situando en el eje horizontal, o eje de abscisas. el nmero de
ensayos y en el eje de ordenadas la frecuencia relativa, la cul se va aproximando al valor 0.5 a medida que N aumenta. De este modo, la definicin estadstica de probabilidad es el lmite al que tiende la frecuencia relativa de aparicin de un suceso A cuando el nmero de
ensayos, N, tiende a infinito:
Con esta ide

cuencia relativa
atorlo un nln
relativa o prop
tiende a aproxi
aparicin de e:
P(A) = tim
N-+_
!!..d..
N
Tabla 12.3: Frecuencia, n., y propon::in, P., de aparicin de ~cara

en N lanz.amientos de una moneda. (Datos supuestos.)
N
I
2
0,5
O,"
0,25
38
21
0,55
'"
30
0,60
170
90
0,53
178.4
902
0,505
2000
999
0,.499
3
4
De esta segul
P.
1
1
2
1
Adoptando t
experiencia y, CI
elevado de pruel
determinado su
babiHdad a mee
ejemplo, imagin
ma de que por e:
51.264 son varor
babilidad de nac
mos visto que es
Jos casos favoral
- Comonoe
babilidad t,
un suceso
As las cosas,
factora del cono
bo de su pensam
a.xiomtica que;
11,:1,:1. D,-fin;
La dificultad
0-1-
--1
Figuro 12.1. Representacin grfico de Jo estabilizacin de lo frecuencia relativo.
equiprobabilidad
relativa, llev a I
nmero -entre I
piedades que se
que se aceptan si
partir de los 1mb;
ca un trabajo do'
cin de probabili
este curso introd
361
)GA 1
INTRODUCCiN A LA PROBABILIDAD
a; en
l tres
Con esta idea, Richard Van Mises define la probabiJidad como una frecuencia relativa de la siguiente fonna: si se realiza un experimento aleatorio un nmero suficientemente elevado de veces, la frecuencia
relativa o proporcin de veces que aparece un determinado suceso
tiende a aproximarse a un valor constante que es la probabilidad de
aparicin de ese suceso.
I()rei
iva o
lente
!'O de
.pro,lini. fre"O de
Adoptando esta definicin, la probabilidad se estima a partir de la

experiencia y. como es fcil suponer, es preciso realizar un nmero muy
elevado de pruebas para conocer la frecuencia relativa de aparicin de un
determinado suceso, que se ir aproximando a su valor terico de probabilidad a medida que el nmero de experiencias tiende a infinito. Por
ejemplo, imaginemos que ellnslituto Nacional de Estadstica nos informa de que porcada 100.000 nacimientos que se producen en nuestro pas,
51.264 son varones. De acuerdo con estos datos podemos decir que la probabilidad de nacer varn seria: 0.51264. Con la definicin clsica haba
mas visto que esta probabilidad es 0,5 como resultado del cociente entre
los casos favorables, 1: vaTn, y los casos posibles, 2: vaTn + mujer.
De esta segunda definicin se desprende la siguiente reflexin:
- Como no es posible aproximarse a infinito, la estimacin de la probabilidad terica a panir de la frecuencia emprica de aparicin de
un suceso est afectada por un error.
As las cosas, y ante la imposibilidad de ofrecer una definicin satisfactoria del concepto de probabilidad, los matemticos cambiaron el rumbo de su pensamiento que, con el correr de los aos, origin la definicin
axiomtica que a continuacin expondremos.
1:!.:L:L I)eliniein ,b.iOllli.tka
Iliva.
La diricultad planteada para definir la probabilidad basndose en la

equipmbabilidad de sucesos y el error en estimada a partir de la frecuencia
relativa, llev a los matemticos a concebir la probabilidad como un
nmero -entre O y 1- asociado a un suceso y que posee varias propiedades que se denominan axiomas, es decir, verdades o afinnaciones
que se aceptan sin demostracin. Esta definicin axiomtica se origina a
PaJ1j' de los trabajos del matemtico ruso Kolmogorov que en 1933 publica un trabajo donde establece una introduccin axiomtica de la definicin de probabilidad. La idea bsica, y simplificada por las exigencias de
este curso introductorio, es la siguiente:
362
Dado un espacio muestral E, llamamos probabilidad de un suceso

A definido en el espacio muestra! E y que designamos por P(A) a un
nmero real que asignamos al suceso A. tal que cumple los siguientes axiomas:
- peA)
INTRODUCCiN J
Actividad 12
vindose de UJ:
teoremas. Es d
sos: A = (1; 5)
mas anteno
-P(E)=!
- peA, uA, u ... uA,) = peA,) + peA,) + '" + P(A,)
siempre que los distintos sucesos A, del espacio muestra) sean mutuamente excluyentes o incompatibles.
Las dos primeras propiedades indican que la probabilidad es cuanci[cable numricamente con un nmero positivo comprendido entre cero
y uno. Como se dijo en la introduccin de este tema, asignamos un cero
a un suceso que no puede ocurrir nunca y un uno al suceso que se pro
duce con seguridad. La tercera indica que la probabilidad de la unin de
sucesos disjuntos (disjuntos porque su interseccin es vaca: A, n Al = 41)
o, con OIl"3S palabras, incompatibles (porque no se pueden producir a la
vez.) es igual a la suma de sus probabilidades individuales.
Con el fin dt
expuestos en el :
Ejemplo
se presen
dedicado al
lidad de a
quec. e
a I,deap
De estas propiedades se derivan los teoremas que se muestran en el

cuadro 12.2 y no demostraremos pero que el alumno puede comprender
fcilmente con a~'Uda de los diagramas de Venn que se incluyen al margen.
Cuadro 12.2. Teoremas
1. lo probabilidad
es cero.
del Meso imposible
2. la probabilidad del suceso comple'

mentario de A, es igual a 1 menos la
probabilidad de ocummcio de A.
3. Si A es subcOfljunfo de B (es decir, si
todos las elementos de A pertenecen
tambin o Bl, que se represento como
A e B, entonces: la prababilidad de
ocurrencia de A es siempre menor o
igual que lo probabilidad de B, y lo
probobilidad de B menos A es igual
o la diferencia de sus probabilidades.
4. lo probabilidad de A '1 B (probabilidad de lo interseccin) es si~mpre
""""" o "'001 que lo pobob;l;dod de

A o B lprObobilidod
de la unin).
Veamos ahor.
Escrito, ahora formalmente, los teoremas son:
1. P{P)_ O
Ejemplo
su probab'
2. P(AI- 1 - P{AI
PIAI < P{BI
3. Si AcB=>
PIB -
Al_ P{BI- PIAI
4. P(A0B):S"PlAvB)
y par los
363
INTRODUCCIN A l.A PROBABILIDAD

)
Actividad 12.2. En esta actividad animamos al alumno a que sirvindose de un dado, como ejemplo, compruebe que se cumplen estos
teoremas. Es decir, suponiendo que se obtienen los siguientes tres sucesos: A = (1; 5) Y B = (1; 2; 4; S) compruebe que se cumplen los teoremas anteriores.
Con el fin de asentar estos conceptos vamos a aplicar los teoremas
expuestos en el siguiente ejemplo.
e
.)
a
,1
e
Ejemplo 12.2. Tres amigos (a, b y e) y compaeros de estudios

se presentan a un examen. Por su diferente preparacin y tiempo
dedicado al estudio de la materia, el alumno a tiene doble probabilidad de aprobar que b y ste la mitad de probabilidades de aprobar
que c. Cules son las probabilidades, sabiendo que su suma es igual
al, de aprobar de los amigos a, b y c?
Tenemos que calcular p(a). P(b) y p(c) que son sucesos disjuntos.
Si a la probabilidad de aprobar del alumno e la designamos por X,
entonces escribimos p(c)= X, Ytendremos que:
P(b) = 0.5X
P(a)
=2 P(b) = 2 0.5 X =x.
y puesto que, por el axioma segundo, la suma las probabilidades de

los sucesos dd espacio muestral tiene que ser igual a 1, tenemos que:
P(a) + P(b) + p(e) = X + 0.5 X + X = 1 de donde: 2.5 . X = I Ydespejando: X = 112.5 = 0,4.

y las probabilidades pedidas son:
Pea) =X= 0.4
P(b) = 0.5 X= 0.50,4 =0.2
Y P(e) =X=O,4
Veamos ahora otro caso adicional:

Ejemplo 12.3. Calcular la probabilidad dd suceso A sabiendo que
su probabilidad es 2/5 la de su suceso contrario.
2 Por el enunciado sabemos que: P(A) ="5 P(A)

Ypor los teoremas que se deducen de los axiomas de la probabilidad:
364
ANLISIS DE DATOS EN PSrCOLOGtA r
2 -
- [2 ]
5P(A)+P(A)~1 yemonees: P(A) 5+1 =1
="75 =0.7143
Y P(A)
2 5
=5'"7
= 0.2857
o bien:
P(A)
y para hace
rrollaremos
l~A.
de donde despejando:
P(A)
lNTRODUCcr'
= I - P(A) =1- 0,7143 =0,2857
Vistas estas LreS definiciones de probabilidad nos valdremos, en muchas

ocasiones, de la definjdn clsica para el clculo de la probabiHdad asociada a un suceso. La aplicacin prctica de la definicin de Laplace
requiere, sin embargo. conocer el nmero de casos en que aparece el suceso A y el nmero de sucesos posibles que pueden darse como resultado
del experimento aleatorio, tal y como se ilustra en los siguientes ejemplos.
Ejemplo 12.4. Calcular la probabilidad de obtener- un cinco al

lanzar un dado de seis caras.
Sabemos que los casos posibles son el nmero de sucesos del
espacio muestral, es decir, seis casos: E ~ [1, 2. 3, 4, S, 6) de los cua-
les 8610 uno -que salga el cinco- es favorable. De modo que la probabilidad de que salga un cinco es 1/6.
RES
En este ti
fntimamentl
cnto. Postel
de las cuaje
define como
cin de un s
frecuencia n
caso, estas e
casos ravara
aparicin dI
medida que
otra pane, h:
dos procedil
malo axiollJ
meo en dos i
ro positivo (
vaco, y 1, p;
de la unin I
lidades indh
En el pro
rrencia de UI
silamos Conl
bies de apar.
I\jemplo 12.5. Calcular la probabilidad de obtener una sola cara
al lanzar una moneda al aire en dos ocasiones.
1~.5.
Intuitivamente sabemos que el espacio muestral esta fonnado

por los siguientes cuatro sucesos compuestos:
Q]
[(CC),(CX).(XC),(XX))
EJEI
Enlad
bies:
de los cuales dos son favorables: (CX) y (XC). La probabilidad vale

en este caso 214 = 0,5.
a) No~
b) Son
e) Son
Desgraciadamente para e1leclor temeroso de los nmeros, no siempre es tan fcil contar el nmero de casos favorables y el de los posibles
Cinco
hombn
espacie
:oLOGIA I
365
y para hacerlo tenemos que recurrir al clculo combinatOl;o que desa-
ITollaremos en el tema siguiente.
11.-1. HI:Sl'\IE\
muchas
dad aso
Laplace
~ el suce~ultado
jemplos.
<o al
del
cuapro-
En este tema se han definido los conceptos bsicos de la probabilidad,

ntimamente relacionados con la teora de conjuntos que no hemos descrito. POSlenormemc se han dado las lres definiciones de probabilidad
de las cuales. en la prctica, o bien se aplica la definicin clsica que la
define como el cociente entre casos favorables y casos posibles de apari
cin de un suceso o bien, basndonos en la experiencia, recurrimos a la
frecuencia relativa de aparicin de un suceso detenninado. En cualquier
caso, estas definiciones no se excluyen y, de hecho, el cociente entre los
casos favorables y los posibles no es ms que una frecuencia rel;Jtiva de
aparicin de un suceso que se va aproximando a un valor constante a
medida que el nmero de ensayos aumenta (definicin estadstica). Por
otra parte, la probabilidad de un suceso, obtenido por cualquiera de estos
dos procedimientos tiene que cumplir los axiomas de la definicin formalo axiomtica de la probabilidad que hemos expuesto y que se resumen en dos ideas fundamentales: la probabilidad de un suceso es un nmero positivo comprendido entre O, para el suceso imposible o conjunto
vaefo. y 1, para el suceso segul'O o espacio muestra!. E y la probabilidad
de la unin de sucesos incompatibles, es igual a la suma de sus probabilidades individuales.
En el prximo tema veremos que para calcular la probabilidad de <>cun'cnca de un suceso detemlinado rccun;endo a la definicin clsica necesilamos contar el nmero de casos favorables y el nmero de casos posibles de aparicin de estos sucesos con ayuda de la combinatoria.
cara
11..;. E.lEIIClClOS
do
vale
En la definicin clsica de probabilidad de Laplace, los casos posibles:

a) No se conocen.
b) Son los que fomlan el espacio muestra!.
e) Son sucesos necesariamente elementales.
no siemposibles
Cinco aspirantes a dos puestos de trabajo (tres mujeres, M, y dos

hombres, H) se presentan a una prueba de seleccin de personal. El
espacio muestra} es:
366
INTRODUC
al PI
bl PI
el PI
al [M,H]
b) (MM).(HH)]
el (MM).(MH),(HH)]
Con los mismos datos del ejercicio anterior. elegidos dos al azar, el
suceso .hombre o mujer.:
Un g
psic(
Udad
de l;
a) Es el suceso seguro.
b) Son sucesos incompatibles.
e) Son sucesos simultneos.
al
bl
La zona oscura de la siguiente grfica representa:

A
el
>
o.
En e
amb
a) la probabilidad de ocurrencia de los sucesos A y B
b) la probabilidad de ocun--encia de los sucesos A o B

el el suceso imposible.
En la siguiente representacin grfica:
En e
tes:
se cumple que:
a)
P(A)~P(B)
bl P(A r.B)'P(A-B)
e) P(A u B) < P(A r. B)
Un gabinete psicolgico cuenta con 6 terapeutas condUClistas. e, 4
psicoanalticos, S, y S cognitivos, G. Elegido uno al aZal~ el suceso
que sea condllctista o cognitivo se representa por:
a) enG
b) CuG
e) G-C
Un gabinete psicolgico cuenta con 6 terapeutas conductisLas, C. 4

psicoanalticos. S, y 5 cognitivos, G. Elegido uno al azar, la probabilidad de _que sea conductisla, C. o cognitivo, G.. la podemos calcular con la siguienLe expresin:
qu
a) (1
b) (2
e) [1
1:1.6. S(
11 ElbIes..
la te
El e,
11 pue!
367
INTRODUCCIN A LA PROBABILIDAD
Al
a} peS) = 1 - peS)
b} P(C) . P (G)
c} P(CnG)
Un gabinete psicolgico cuenta con 6 terapeutas conductstas, e, 4

psicoanalticos, S, y 5 cognitivos, G. Elegido uno al azar la probabilidad de "'que sea psicoanaltico, S" aplicando la definicin clsica
de Laplace vale:
el
a}
b}
:Ks
V.
, 4
el 0,5
En d aula de un colegio hay 10 nios diestros, D, 7 zurdos, Z, y 3
ambidiestros, A. Su representacin grfica es:
a}
b}
c}
En el lanzamiento de un dado, tenemos los tres conjuntos siguientes:
A=(Lz,J:4j
B=(Z,3,S}
C=[1,3,5,6j
qu elementos pertenecen a la siguiente expresin: (A n C) n 13?
al [1,2J
b} (2, 3)
c} [l}
12.6. SOLl,;CIONES DE LOS EmHCICIOS
El espado muestral o universo est fonnado por todos los casos posibles que pueden producirse en un experimento aleatOlio, por lo que
la respuesta correcta es la b.
espacio muestral est formado por una serie de sucesos com11 Elpuestos
puesto que se trata de ocupar dos puestos de trabajo y los
368
posibles resultados son: que sean dos hombres (HH), que sean dos
mujeres (MM) o que sean un hombre)' una mujer (HM) indistinta
mente del orden, por lo que la respuesta C01Tccta es la c.
11
Desde luego no hay ninguna razn para pensar que. con toda seguridad. los elegidos son un hombre y una mujer porque son posibles
otras soluciones y el hecho de elegir un hombre y una mujer no son,
como fcilmente entender. incompatibles. Por tanto, elegir un hombre y una mujer son sucesos que se pueden producir simuhneamente. La solucin correcta es la c.
La zona ms oscura representa la interseccin de los dos sucesos, es

11 decir,
la probabilidad de que se produzcan A)' B. La solucin
COITeC-
la es a.
11
Que el terapeuta sea conductista,
e, o cognitivo, G, se l-epresenta por
e v e siendo la altemativa b la COTeCla.
La probabilidad de que sea elegido e o e, P(C u e), es iguaJ a la probabilidad de que no sea elegido S. Es decir, la respuesla con-eCla es
a.
Elegido uno al azar la probabilidad de que sea psicoanaltico, S"

11 aplicando
la definicin clsica de Laplace es el cociente entre el
nmero de casos favorables, es decir, el nmero de casos que cumplen la condicin de ser psicoanalistas, que son 4, dividido entre el
nmero de casos posibles, que se refiere al universo o espacio mues
tral, en este caso al nmero total de terapeutas, que son 15. Por tanto la respuesta correcta es la a
111 El
an
a)
4
Pu
sin
l1li 4,(A (
es I
En la siguiente representacin grfica:
el suceso A est incluido en B, por tanto se cumplirn varias condiciones como que la probabilidad de A es menor o igual que la de B.
La interseccin de A y B es igual a A; y la unin de A con B es igual
a B. Al ser A < B, A - B no se podra calcular, es imposible mientras
que B - A coincidiria con el anillo_ Finalmente, al ser B mayor que
A se cumple que peA u B) "" By peA ('\ B) :: A por tanto peA v B) ~
~ peA n B). La respuesta con"ecta es la c_
11
B
INTROD
(}{s).
369
En el aula de un colegio hay 10 nios diestros. D, 7 zurdos, Z, y 3

ambidiestros, A. Su representacin grfica es:
a)
Puesto que los sucesos D YZ son compatibles y se pueden producir

simultneamente.
(A ()C) ()8= [[1, 2, 3, 4) ()(I, 3, 5, 6)] ()8= [1, 3) ()8 =(1, 3) () (1,
4, 6} = {l}. Por tanto, el nico elemento comn a los dos conjuntos
es el 1 por lo que la respuesta correcta es la c.
Tema 13
Combinatoria
SUMARIO
13.1. Introduccin
13.2. Princil)io (undamental
13.3. Permutaciones
13.4. Variaciones
13.5. Combinaciones
13.6. Permutaciones con repeticin
"13.7. Vuriaciones con repeticin
13.8. Combinociones con repeticin
13.9. HeslIlllen
13.10. Ejercicios
13.1.
I"T~
Haciendo
cin sisteml
sobre el ao
combinatorio
natorio en u[
editaba. denc
la el libro de
de se perfecci
tericos de la
taciones a la
Rea, aharnen
del clculo d.
elementos.
La combir
rentes formo
elementos y
pamientos re
to nos permir
De cual
en la pri.
-Conunl
tes de 2:
De cul
de un ca
1:1.1. I,\THOIlLCCI\
Haciendo un poco de historia, cabe sealar que la primera aproximacin sistemtica de la combinatoria fue dada por Leibnitz (1646-17 J6),
sobre el ao 1666. cuando presenta su libro .. Ra:oIlQmieuto sobre el arte
combillatorio. En los aos siguientes perfeccion el simbolismo combi4
natOlio en una serie de trabajos que public en una revista que l mismo
editaba, denominada .Acta Eroditonwl. Posteriormente en 1713 se edita el libro de Jacobo Bemouilli (1654-170S) Arte de la suposicin donde se perfeccionan estas tcnicas y se resuelven muchos de los problemas
tericos de la probabilidad. Los siglos posteriores fueron sumando aportaciones a la tcora general y nos ha llegado como una disciplina cientfica, altamente elaborada, que nos permite resolver muchos problemas
del clculo de probabilidades que se relacionan con la enumeracin de
elementos.
La combinatOlia es una rama de las matemticas que estudia las diferentes formas de agrupamiento y combinacin de un conjunto de
elementos y establece las propiedades y leyes de formacin de las agrupamientos resultantes. Conocer estas diferentes formas de agrupamiento nos pemlitir dar respuesta a preguntas como las siguientes:
De cuantas fonnas distintas pueden sentarse t."es ninos y dos nias

en la primera fila de una clase?
Con un banco de 100 preguntas tipo test cuntas pruebas diferentes de 25 preguntas puedo construir?
De cuntas formas diferentes se pueden asignar cinco empleados
de un comercio a tres secciones distintas?
374
Desclibiremos las tcnicas bsicas que se refieren a los distintos agrupamientos que se pueden fOlmar, segn una ley dada. con los elementos
de un conjunto finito. y que nos dar respuesta a las preguntas antelores y otras similares como las que se plantean en las distintas actividades
que iremos proponiendo. Veremos que estos agrupa miemos reciben los
nombres de variaciones. permutaciones y combinaciones ordinarias,
de acue-do a sus distintivas leyes de formacin, a los que se les puede
cambiar el adjetivo _ordinarias. por el de _con repeticin" si los elementos
que los (annan pueden presentarse repelidos.
COMBINA'
E
camin
de irse
tintas
Los objetivos son los siguientes:
Conocer la combinatoria como herramienta para contabilizar las

diferentes formas de agrupamiento de un conjunto de elementos.
Conocer, calcular y distinguir los conceptos de permutaciones.
variaciones y combinaciones.
Distinguir los anteriores agrupamientos a los que aadimos el cali
ficativo de con repeticin.
Conocer y calcular el valor de los nmeros combinatorios.
Calcular probabilidades de aparicin de un suceso, aplicando la
definicin clsica de Laplace, cuando haya que recurrir a estos
conceptos.
I:I.~.
1'1I1"\ClI'IO Fl "\1> \ 'IF"\nl.
Si un experimenlo puede realizarse de 1'1 1 maneras y, si continuando

el procedimiento, cada una de ellos puede realizarse de '12 maneras y, a
su vez, cada uno de ellos puede realizarse de 1"/3 maneras, etc., entonces
el nmero de formas en que puede realizarse el experimento es igual a:
La aplicacin de este principio a los experimentos aleatorios pelmile,

en determinadas ocasiones, calcular el nmero de elementos de su espacio muestral y si ste nmero no es muy elevado se puede representar grficamente median le un diagrama de rbol, lal y como se muestra en el
siguiente ejemplo.
de3x
super!<
Pero e
no da res;
tran en la
junto de j
siguiente,
1:3.:3. 1'1
En un
las disfu
tos de ta
elorde
Eln
tirde m t
pio de la
375
COMBINATORIA
Ejemplo 13.1. De cuntas fonnas distintas puede recorrerse el

camino Logroo-Burgos-Len-Santiago si de Logroo a Burgos puede irse por tres rutas distintas, de BUrgQs a Len por cuatro rutas distintas y de Len a Santiago por dos rutas distintas?
Logroo
~
AAAA 55555555
AAAA 55555S5S
AAAA
55555555
~
L L L L
L L L L
L L L L
Aplicando el principio de la muJtiplicacin, en total disponemos

de 3 x 4 x 2 = 24 rutas distintas que aparecen reflejadas en el rbol
superior.
Pero este principio general, que se aplica en multitud de situaciones,

no da respuesta a las preguntas planteadas en la introduccin, que se centran en las diferentes formas de "permutar", "vanar" o "combinar" un conjunto de elementos y cuyas caracteristicas distintivas se describen en los
siguientes epgrafes.
13.:3. PERMUTACIONES
En un conjunto de m elementos, se definen las pennutaciones como
las distintas agropaciones que se pueden formar con sus m elementos de tal forma que dos agrupaciones son distintas si difieren por
el orden de colocacin de los mismos.
El nmero de pennutaciones diferentes que se pueden fonnaf a partir de m elementos, se puede deducir intuitivamente a partir del principio de la ml1ltiplic:;::cin visto anr.enormenle. Por ejemplo, Oe cunl;::s
376
ANLISIS DE DATOS EN PSICOLOGlA 1
formas distintas se pueden sentar tres profesores: ngel, Enrique y Pedro

en la mesa de un tribunal de examen? Tenemos el conjunto de los profe.
sores -que representaremos por sus iniciales- e = {AEP]. Podemos elegir
en primer lugar cualquiera de estos tres elementos AEP. Sea este, por ejem.
plo, A. Una vez elegido el primer elemento. podemos elegir a cualquiera
de los dos restantes, EP, para ocupar el segundo lugar, por ejemplo E, que.
dando P para el tercer lugar. Aplicando el principio de la multiplicacin
tenemos que en primer lugar podemos elegir tres elementos; para la segun.
da extraccin podemos elegir a cualquiera de los dos restantes y en la tercera s610 podemos elegir uno. Por tanto el nmero de las distintas formas
de eleccin es: 3 x 2 x 1 = 6 posibles permutaciones distintas que se muestran:
AEP, APE , EAP, EPA, PAE, PEA,

Generalizando esta idea para el caso de ni elementos: en primer lugar
podemos elegir a cualquiera de los ni elementos; en segundo lugar elegiremos a cualquiera de los (m - J) elementos restantes; en tercer lugar a
cualquiera de los (m - 2) restantes y as sucesivamente hasta que slo nos
queda un elemento por elegiI: De aqu, que el nmero de pClmutaciones
de 11l elementos es igual a:
P",
=:
COMBlNATOR
eleccin
quiera d
podemos
tercera
gira
cala
muJtip"
de5x4
Obsrv~
ro de e1emer
uno de los el
(oen este~
idea.
m . (m - J) . (m - 2) . (111 - 3) .... 3 . 2 . 1
que se resume en la siguiente ex.presin:
P", =m!
que se lee 11/ factorial y es igual al pmducto de los nmeros naturales
existentes desde el 1 hasta el mI.
Con las permutaciones damos respuesta a la primera pregunta planteada en la introduccin que es muy similar a la que se presenta en el
siguiente ejemplo que sirve para aclarar este concepto.
Ejemplo 13.2. De cuntas maneras distintas pueden sentarse
tres nios y dos nias en la fila de un cine?
En primer lugar, podemos elegir a cualquiera de los 5 nios, sin
distincin de sexo, para la primera butaca. Una vez realizada esta
1
De
den sen
Por definicin: O! = 1
m! .. //1. (m-1)!:/II' (111- 1) (m-2)!

en gClleral:m! .. m. (11I - 1) ... (III-m ... 2). (m
-1/1 ...
1)
no se sen
377
COMBINATORlA
eleccin y para ocupar la siguiente butaca podemos elegir a cualquiera de los 5 - 1 "" 4 restantes y siguiendo con el procedimiento
podemos elegir a cualquiera de los 5 - 2 = 3 restantes para ocupar la
tercera butaca. Posteriormente y para la cuarta butaca podemos elegir a cualquiera de los 5 - 3 =2 restantes y finalmente la quinta butaca la ocupar el 5 - 4 = 1 nio que resta. Aplicando el principio de la
multiplicacin tenemos que los cinco angelitos se pueden sentar
de 5 x 4 x 3 x 2 x 1 = 120 fonnas diferentes.
Ps = 54321"" 120 formas distintas
Obsrvese que todos los grupos estn formados por el mismo nmero de elementos. Lo que diferencia a un grupo de otro no es que cambie
uno de los elementos (en este caso nios) sino el orden en que se colocan
(o en este caso, el orden de sentarse). El siguiente ejemplo profundiza esta
idea.
Ejemplo 13.3. De cuntas maneras diferentes pueden sentarse

los mismos nios ,anteriores, si los nios quieren sentarse con los
nios y las nias con las nias?
Considerando el siguiente orden:
333~~
Los nios pueden permutarse, es decir se pueden sentar de 3! = 6 formas distintas y por su
parte las nias pueden sentarse de 2! = 2 fonTIaS
distintas. En total3! x 2! = 12 formas distintas.
Pero tambin hay que considerar que los nios
se sienten a la izquierda de las Lias de la
siguiente forma:
99333
Nuevamente los nios se pueden sentar de 31

formas distintas y las nias de 21 formas distintas.
De modo que en total, sumando ambas opciones, los nios se pueden sentar de (3! x 20 + (31 x 2!) = 24 faunas distintas ("Posiblemente
no se sentirian conformes con ninguna).
378
ANLISIS DE DATOS EN PSICOLOCtA 1
COMBINATOI
I:IA, "IU 'C10\ES

Imagine que tenemos un equipo docente con cinco profesores: ngel.
Miguel, Enrique, Pedro y Jos y se tiene que fonnar un tribunal para un
examen eXlraorclina;o de fin de carrera con dos miembros en el que el
primero actuar de Presidente y el segundo de secretario, Cuntos tribunales diferentes de dos miembros se podJian formar? Suponga que se
eligen los dos siguieme: Miguel y Enrique en el que el primero es el presidente y el segundo el secretario. Este tribunal es diferente a este otro:
Enrique y Miguel porque el orden determina quin actuar de presidente y quin de secretario. En situaciones como estas nos encontramos ante
las variaciones de 111 elementos lomadas de" en 11 que se definen de la
siguiente forma.
Dado un conjunto de m elementos. se denomina variaciones de orden
< m) a las distintas agrupaciones de estos n elementos que pueden realizarse de modo que dos agrupaciones son distintas si difieren por los elementos que la componen O por el orden de colocacin
de los mismos.
que son los
Eje
neacion
Consi
-Martine
ya en dif
de ocho
po en un
v.
11 (11
Siguiendo con el mismo ejemplo de los cinco profesores: ngel, Miguel.

Enrique, Pedro y Jos que vamos a representar por sus iniciales c:= {A, M,
E. P, J}, se pueden fonnar las siguientes variaciones de orden dos o binarias:
Puede ot
lar de las va
variaciones
AM.M,AP,M,ME,MP.W,U.8,n
~,~.M.M,EM.m,m.ff,n,ff
donde los distintos agrupamientos difieren por la 'la/l/raleza de sus elemell/Os o por el ordell de colocaci/1 de los mismos. Ntese que a diferencia de las permutaciones dos grupos son distintos si cambia la identidad
de alguno de sus elementos (de modo que el gnlpo AM es distinto que el
AP) y, de forma similar a las permutaciones, si cambia el orden de colocacin de los elementos (que hace que el grupo AM sea distinto al grupo
MA).
Por tant(
der calcuJaJ1
co elemento
entonces la
ve est en qt
tes que se pi
mientras qu.
derar O T<
menros(n d
El nmero de variaciones de orden n que se pueden formar a partir de

m elementos, viene dado por la siguiente expresin:
1:\..,.
vm.u
:=
(111
111!
-Il)!
= 111 . (111 -l). (111 - 2) ... (111 -
que se lee 11/ factorial dividido entre

plo que hemos desarrollado:
111
cm
n + 1)
menos n factOl).. En el ejem-
Siguiend
biar la preg.
den formar
dos: Jos y E
JGfA 1
379
COMBINATORJA
v. S.l -
ngeJ,
a un
51
_ 54 A! _ S 4 =20
(5 _ 2)! A!
- .
que son los 20 tribunales que hemos desarrollado.
ue el
:;tri-
le se
pre)tro:
denanle
:te la
roen
lue-
Ejemplo 13.4. Con una plantilJa de ocho jugadores cuntas alineaciones diferentes se pueden fonnar en un equipo de baloncesto?
Considerando que dos alineaciones son distintas si el jugador
.Martinez juega de pvot o de base (lo que hace que el orden influya en diferenciar dos grupos) estamos ante un caso de variaciones
de ocho elementos tomados de cinco -nmero de jugadores de cam-
po en un partido de baloncesto- en cinco. es decir.
v.
8.5
8! = 8! = 876543! =8.7.6.5.4=6720
(8 _ 5)! 3!
3!
ifiecin
~el,
,M,
,ina-
Puede obsen'arse que las permutaciones constituyen un caso particular de las variaciones de 111 elementos tomados de 111 en m, es decir, de las
variaciones de orden ni. ya que:
11m ....
elerenidad
leel
010-
upo
m!
_ 11I! _
1_ P
- - - 1 1 1 . - '"
(m-m)!
0\
Por tanto, a la primera pregunta planteada tambin podemos responder calculando las diferentes variaciones que se pueden fonnar con cinco elementos (alumnos en este caso) tomados de cinco en cinco. Cul es
entonces la diferencia entre las variaciones y bs pel111utaciones? La clave est en que las pennutaciones considera el nmero de gl1.lpos diferentes que se pueden f0l111ar con TODOS! los elementos, (los 111 elementos)
mientras que las variaciones aade la particulaidad de que puede considerar NO TODOS los elemenlos, sino tambin un nmero menor de clementos (11 de los 111 elementos, siendo /1 meno.. que 111).
rde
I:l.-;. 1:0\1111\ \C10\I:S
em-
Siguiendo con el ejemplo de los cinco profesores, ahora vamos a cambia'la pregunta: cuntos tribunales diferentes de dos miembros se pueden fOfmar sin hacer distincin entre ellos? Supongamos que se eligen
dos: Jos y Emique. Este tribunal es diferente al fom1ado por Jos y Pedro,
380
ANLISIS DE DATOS EN PSICOLOGA t
COMBINATORIA
pero el mismo que el fonnado por Enrique y Jos. Esta distincin nos lJeva al concepto de combinaciones que definimos de la siguiente forma:
dado un conjunto de 111 elementos, se denomina combinaciones de orden
11 (11 < m) a las distintas agrupaciones de estos n elementos que pueden realizarse de modo que dos agrupaciones son distintas si se distinguen nicamente por uno o ms de los elementos que la componen. Por ejemplo. dado el conjunto e = {A,M ,E,P,l}, se pueden fonnar las
siguientes combinaciones de orden dos o binarias:
tanto, dado el
mientas EPy
cin y lo miso
como se recog
Tabla 13.1.
lo",
AM . AE, AP ,Al. ME, MP ,MJ , EP , El PJ
ya que a diferencia de las variaciones, al no distinguir entre presidente y

secretario el orden de colocacin no influye y. en consecuencia. los siguientes agrupamientos son iguales:
AM = MA . AE = EA, AP = PA. Al = JA ME = EM .
MP = PM MJ = JM. EP = PE. El = JE. PJ = JP
El nmero de combinaciones de orden tl que se pueden fonnar a partir de m elementos, viene dado por la siguiente expresin:
m.n
De fonnaq
distimas y en J
nes distintas. I
tos, haya n! ve
se cumple la si
m!
11!.(m _ n)!
o bien,
Cabe preguntarse ahora en qu se diferencian las combinaciones de
las vadaciones? Si ha entendido los conceptos ver que cuando el orden
influye se trata de variaciones. Es lo que ocun'e en el ejemplo del tribunaJ de examen donde al actuar el primero de presideme y el segundo de
secretario, el tribunal Pedro-Enrique es distinto del tribunal EnriquePedro. Lo mismo con el ejemplo 13.4 donde la alineacin del equipo de
baloncesto, an formada por los mismos cinco jugadores, es diferente
cuando cambiamos su situacin en el campo. Finalmente, piense en lo
que ocurre con los nmeros: si el nmero premiado de la lotera es el
78.903 Y hemos jugado al 38.709 no hay motivo de reclamacin (pero s
de desesperacin). Por el contrado, al pedir un plato combinado .. de
pollo con ensaladilla y croquetas, el orden en que lo mencionemos no
cambia la naturaleza del plato. De forma similar, si no hay distincin dentro de los miembros de un t1ibunal, el fonnado por Miguel y ngel es el
mismo que forman ngel y Miguel.
Siendo las combinaciones y las variaciones diferemes conceptos existe, sin embargo, relacin entre ambas como veremos a continuacin. Para
ello insistimos en lo dicho: las
son el nmero de forolas de seleccionar tn elementos de un conjunto de 111 sin tener en cuenta el orden. Por
;....
despej~
Las combin
sentan por el
Ejempl
a)
b)
11
381
OGfA J
COMBINATORJA
os lIe)rma:
orden
~ puee dismpo
tanto, dado el conjunto C "" (A, M, E, P, J], las ordenaciones o agrupamientos EP y PE son dos variaciones diferentes pero la misma combinacin y lo mismo para las ordenaciones AM y MA Y con AE y EA, etc., lal
como se recoge en la tabla 13.1;
<arIas
Tabla 13.1. Diferentes agrupamientos de dos elementos que se pueden

formar con los elementos del conjunto e = (A, M, E, P, .1),
Vorioci(ll'leS de orden do~ o bnorio~:
~nte
~en-
:l
par-
Combinociones de orden do! o binorio~:
AM,AE.AP,AJ,ME,
MP .MJ, EP, El, PJ,
MA,EA,PA,JA.EM.
PM.JM,PE,JE.JP,
AM,AE,AP.AJ~,
MP ,MJ, EP, El, PJ
De fonna que cada combinacin de 2 objetos da lugar a 2! variaciones

distintas y en general cada combinacin de 11 objetos origina n! \'ariaciones distintas. De aqu que, al elegir los agrupamientos de 11 en 11 elementos, haya Il! veces ms variaciones que combinaciones y en consecuencia
se cumple la siguiente relacin:
Iv""", =II!C""",
o bien, despejando las combinaciones:
les de
>rden
Cm,tl "" V;"'"

1
'l.
:ribu-
io de
iquepo
de
rente
colo
es el
~ro s
011 de
)s no
I denes el
Las combinaciones de m elementos tomadas de 11 en 11, (Cm",)' se representan por el nmero combinatorio: (':,') que se lee 111 sobre 11.
Ejemplo 13.6. En un aula hay 12 nios y 8 nias

a) cuntos grupos distintos de 3 nias podemos fonnar?
b) Cuntos grupos distintos de tres alumnos se pueden rOlmar?
e) Cul es la probabilidad de que escogido un grupo de tres alumnos, los tres sean ninas?
exisPara
:cciol.
Por
En la primera pregunta, los distintos grupos de nias se distinguirn, lgicamente. por las nias que lo fonnan, no influyendo el
orden como elijamos a las nias, puesto que ni van a sentarse ni a
ANLISIS DE DATOS EN PSICOLOGfA r
382
formar un equipo de baloncesto o de cualquier otra ndole donde

influyese el orden. Se trata, por tanto, de las distintas combinacio~
nes que se pueden formar con las ocho nias de la clase elegidas de
tres en tres:~
e8,3 ~_(8)_
8!
3 - 31(8-3)!
8-7-6-5!=8_7=56
3!5!
COMBINA'
Estos n
los nn
rior (el
('~')
- Uom
En el segundo caso, los grupos pueden estar fonnado por nios

o nias y, por la misma razn anterior, tampoco influye el orden:
e
20,3
=(20)=
20!
3! (20 - 3)!
=20-19-18-17'=1140
3! I 7!
o bien
cal:
La tercera pregunta requiere aplicar la definicin de Laplace o
cociente entre casos favorables y casos posibles. Acabamos de calcular que hay 1.140 posibles grupos formados por tres alumnos y en
la primera pregunta hemos calculado que se pueden formar 56 grupos distintos formados por tres nias. de modo que la probabilidad
pedida es:
En el:
ros comb
P(tres nias) = 1~:o = 0,049
Eje
siguie
ACLARACIN: Como ya se ha dicho, la expresin
(',~) se lee.m sobre m.,
recibe el nombre de nmero combinatorio y goza de caraclersticas inleresantes que a continuacin expondremos sin demoslracin. Si m y 11 son
nmeros enleros y tales que O ~ 11 ~ m, entonces:
Sel
riorse
- Todo nmero combinatorio tiene su complementario:
y los n
Por ejemplo, el nmero de combinaciones de orden dos que pueden realizarse con seis elementos. coincide con el nmero de combinaciones de orden
cuatro, ya que:
Lo vis
den fonn
se denoro
tivo de or
383
COMBINATORlA
Estos nmeros complementarios tien~a caracterstica de Que la suma de

los nmeros de la parte inferior (4 Y2) es igual al nmero de la parte superior (el).
-('"J-
-~-....!..-l
m!
O - O!(m -O)! - Olm! - 01-
yaqueO!:=1
- Un nmero combinalorio se puede expresar como suma de dos:
o bien si sustituimos m por m-l, tenemos la fnnula desarrollada por Pas<al,
En el siguiente ejemplo aplicaremos estas propiedades de los nmeros combinatorios.
Ejemplo 13.7: Calclese el valor de x para que se cumpla la

siguiente iguaJdad:
(2:~JU~2)
Se tiene que cumplir que la suma de los nmeros de la parte inferior sea igual a 20, por tanto:
2X + 7 + 3X - 2 = 20 --..?5X + 5 = 20
--..? X =
y los nmeros son:
Lo visto hasta aqu trata de los diferentes agrupamientos que se pueden formar con m elementos, todos ellos distintos. Estos agrupamientos
se denominan permutaciones, variaciones o combinaciones con el adjetivo de ordinarias que se suele omitir. Qu ocurre si los elementos ya no
384
COMBIN,
son todos distinlOs sino que uno o varios de ellos se pueden presentar
repetidos? Los conceptos son los mismos, pero ahora se denominan permutaciones con repeticin, variaciones con repeticin y combinaciones
con repeticin y lgicamente cambiar la expl'C:sin que nos permite su
clculo. Lo veremos en los apartados siguientes.
colocac:
elemenL
orden 2.
1:\.1>. 1'E1l\llT\CIO\ES eO\ HEI'ETICI()\

El nmero de permutaciones de ", elementos de los cuales p son
iguales, q son iguaJes, r son iguales, etc., (y de tal forma que p + q -+ r
+ ... + Z. = m) viene dado por la siguiente expresin:
Engl
prodUCll
cin de 1
expresi
Ejemplo 13.8: Se lanza cinco veces una moneda en cuantos casos

obtendremos tres caras?
Podemos escribir el espacio muestraJ que estar formado por las
permutaciones con repeticin de cinco elementos. los cinco lanzamientos. de los cuales tres (las caras) son iguales y dos (las cruces)
tambin son iguales. Tngase en cuenta que el orden influye de tal
fonna que dos agrupamientos fonnados por los mismos elementos
son distintos si estn situados en distinta posicin.
CCCXX CCXXC CXXCC XXCCC CCXCX CXCCX XCCCX
XCCXC XCXCC CXCXC
PR),l
.s
=~= la
3!.2!
1:3.8.
1:1::. \
\111 \C10\ES CO\ IIEI'ETICl\
A diferencia de las variaciones ordinal;as ya tratadas, en este caso se

consideran posibles repeticiones de algn elemento a la hora de fOI-mar las distintas agrupaciones. por lo que las variaciones con repeticin
de orden 11 son las diferentes agrupaciones de n elementos iguales o
distintos elegidos entre los ro elementos, considerando que dos agrupaciones son distintas si difieren en algn elemento o en el orden de
(J
Dado
nes con 1
den fon
tos y di
distingu
ponen. ~
385
lA 1
COMBINATORIA
tar
er
colocacin de los mismos. Por ejemplo, dado el conjunto == [ebm}, cada

elemento del producto cartesiano CxC es una variacin con repeticin de
orden 2. Las distintas agrupaciones son:
leS
su
I CxC
e
b
m
>D
.r
e
ee
be
me
b
eb
bb
mb
m
em
bm
mm
En general, dado un conjunto A de ro elementos, cada elemento del

producto cartesiano AxAxAx... xA (o veces) es una variacin con repeti~
cin de orden n, en nuestro caso 3x3 = 9 y vienen dadas por la siguiente
expresin:
VR m ... = rn"
Ejemplo 13.9: Para organizar una lotera casera cuntos nme~

ros distintos (que no papeletas o participaciones) de 4 cifras se pue~
den formarean Jos dgitos 0, 1,2,3,4,5,6,7,8, 9?
Aunque el lector avispado ya habr adivinado que estos son los

diezmil nmeros que van desde el 0000 hasta el 9999, la solucin
viene de las distintas variaciones con repeticin -ya que el orden
hace que, por ejemplo. la agrupacin 1232 sea distinta a la 3212que pueden formarse con los diez dgitos tomadas de cuatro en cuatro, es decir:
VR I04 = lO" = 10000
13.8. COMBINACIONES CON REPETICIN

Dado un conjunto formado por m elementos, se llaman combinaciones con repeticin de orden n a las distintas agrupaciones que se pueden fonnar con estos n elementos que pueden ser iguales o distintos y diremos que dos combinaciones son distintas cuando se
distinguen por la naturaleza de alguno de los elementos que la componen. Su nmero viene dado por la siguiente expresin:
CR
= (m+n-l)!
m.n
n!.(m -1)!
386
ANLlSlS DE DATOS EN PSICOLOGA 1
Se puede demostrar que el nmero de combinaciones con repeticin

de 111 elementos tomados de n en n es igual al nmero de combinaciones
ordinarias de (m + f1 - 1) elementos tomados de 11 en n, es decir:
CR m .n =
C(m+"_I),,,
COMBINATOJ
ciones
gorras y
(m+I1-1)
11
demostracin que no haremos pero que intentaremos ilustrar en el siguiente ejemplo.
Ejemplo 13.10: De cuntas formas dislintas se pueden repartir

seis gorras iguales entre tres nios (Jaimito, Jorgito y Juanito).
Se trata de repartir las seis gorras a los tres nios sin ninguna condicin restrictiva, es decir que Juanilo se puede llevar las seis gorras
(G) y los otros ninguna o l se puede llevar cinco, Jorgito una y Jaimito ninguna, o dos cada uno de los niftos, etc., tal y como se ilustra
en el siguiente dibujo:
GGGGGGI
Juanito
JOIl!ilO JairnllO
Present~
Eje
cinco
tos?
Se
rep
C,de
queBy
te don
~~~
Se
GGGGGI G I
mentas
~~~
Juan!!
Jorglto Jaimllo
GGIGGIGG
~~
Juanito Jorgito JaimilO
etc.
que representas las distintas combinaciones con repeticin de tres
elementos (los nios) tomados de seis en seis (las gorras). En definitiva, disponemos de ocho elementos -las seis gorras iguales (G) ms
las dos barras de separacin- que tenemos que combinar de seis en
seis, Por tanto:
CR
_(3+6-1)_(8)_
8! _8! -28
6
- 6 - 6!(8-6)1 - 6!2!
3.6 -
Con otro argumento: disponemos de ocho elementos -las seis

gorras iguales (G) ms las dos barras de separacin- que tenemos
que permutar de todas las fonnas posibles. Estas son las permuta-
y. si consi
nes con rep'
duccin y
rente situ
U.9. RB
En el te
babilidad)
lidad. de lz
oe la misrr
.oG{AI
ticin
;iones
387
COMBINATORIA
ciones con repeticin de 8 elementos (6 G + 2 /) de los cuales hay 6

gorras y 2 barras que se repiten:
R"
8
guien-
ir
on
as
ai
ltra
= Jl!..
=
6!2!
(8)6 = (8)2 = 28
Presentamos otro ejemplo, con el fin de afianzar este concepto:
Ejemplo 13.11: De cuntas fonnas diferentes se puede asignar

cinco pacientes con idntico cuadro clnico a tres terapeutas distintos?
Se trata de asignar los cinco casos clnicos, que son idnticos y
representaremos por X, a los tres terapeutas, que llamaremos A, B y
e, de tal fOIma que A se puede quedar con los cinco casos mientras
que B y e no tienen ninguno o cualquier otro reparto como el siguiente donde el terapeuta A tiene 3 casos, B ninguno y e dos casos:
XXXI
IXX
e
~~~
Se trata por tanto de las combinaciones con repeticin de tres elementos tomados de cinco en cinco:
CR
es
nins
en
3,_~
_(3+5-1)_(7)_ 7!
-~-''8' , -
- 5 - 5!(7-5)! - 512!-1@)
y, si comidera adquiridos estos conceptos, resolver que las combinaciones con repeticin da respuesta a la ltima pregunta planteada en la introduccin ya que constituye el mismo planteamiento numJico pero en diferente situacin.
13.9. fiESlJ:\'lEN
seis
os
, la
En el tema anterior se han introducido los conceptos bsicos de la probabilidad y posterionnente se han dado las tres definiciones de probabilidad, de las cuales en la prctica se aplica la definicin clsica que define la misma como el cociente entre casos favorables y casos posibles de
388
COMBiNA
aparicin de un suceso. Pero, aunque esta definicin no excluye las otras

dos. es ms frecuente aplicar la definicin clsica para lo que necesitamos contar el nmero de casos favorables y el nmero de casos posibles
de aparicin de ste suceso. Esto lo hacemos recumendo a la combinatoria que estudia las diferentes formas de agrupar un conjunto de elemcntos dando origen a las permutaciones, variaciones y combinaciones
ordinarias o con repeticin cuando se pueden repetir alguno de los elementos que lo forman. La diferencia fundamental entre las variaciones y
las combinaciones es si el orden de los elementos hace que dos agrupaciones. aun estando formadas por los mismos elementos son diferentes,
en lanto que las pennuladones es un caso particular de las variaciones
cuando se consideran todos los elementos para formar los agrupamientos.
el I
8]
Sel
de.
cue
18:
Pal
nes
al I
bl )
(
1:1.10. I:.IEHClCIOS
Como se sabe. las matrculas europeas de los vehculos matriculados en Espaa constan de cuatro nmeros seguidas por tres de las
21 leu"3s consonantes (excepto la Q y -). Cuntos vehculos se pueden matricular con este procedimiento?
a) VR 3 1.1
b) CR 104 CR 2I 3
el J
0
0
e) VR 10.4 VR 2U
Un gabinele de Psicologa que est formado por siete mujeres y cuaIro varones desea formar una comisin pal"3 el seguimiento y estudio de casos clnicos. Si se desea Que dicha comisin est fonnada
por cinco miembl"Os (tres mujeres y dos varones) tenemos que calcular:
a) Las variaciones de 1I elementos lomados de cinco en cinco.
b) Las combinaciones de siete elementos tomados de tres en tres y,
por el principio fundamental. multiplicarlas por las combinaciones de cuatro elementos tomados de dos en dos.
al )
bl I
el I
Se)
sac
al )
(
La Empresa Municipal de lranspol1es de una delerminada ciudad

dispone de 8 lneas para ir del centro urbano al campus universitario. Para calcular de cuantas formas puede un estudiante hacer el
viaje de ida y vuelta. si los autobuses de ida y vuelta tienen que ser
de diferente lnea, calculamos
a) Las variaciones de 8 elementos lomados de dos en dos
b) Las combinaciones de 8 elementos tomados de dos en dos
e) Las variaciones de 8 elementos tomados de uno en uno.
COI
bl J
(
el J
(
Sigo
es:
al
bl
e) j
Si j
ra 1
dos
al I
bl
itA l
COMBtNA.TORIA.
389
tras
e) Las variaciones de siete elementos tomados de tres en tres y, po"
ita)Ies
inaelenes
ele-
el principio fundamental, multiplicarlas por las variaciones de

cuatm elementos lomados de dos en dos.
Se desea "ealizar un experimenlo sobre el efecto que las opiniones
de un grupo tienen sobre la percepcin de una persona. Para ello, se
cuenta con un grupo de 3D alumnos de 1. 0 de Psicologa, de los que
18 son vamnes. Se selecciona aleatoriamenle 5 alumnos del grupo.
Para calcular la probabilidad de que los elegidos sean todos varones, aplicando la definicin clsica, los casos posibles son:
"'Y
.pales,
nes
al Las combinaciones de 3D elementos tomados de cinco en cinco.
lOS.
b) Las variaciones con repeticin de 3D elementos tomados de cin-
co en cinco.
el Las pennutaciones de cinco elementos.
COnlinuando con el ejercicio antel;or, los casos favorables son:
J1a-
a) Las combinaciones de 3D elementos tomados de 18 en 18.

b) Las permutaciones de 18 elementos.
r
r
el Las combinaciones de 18 elementos tomados de trc;i en tt"es.
las
oUe-
Se lanza ci.nco veces una moneda, para calcular la probabilidad de

sacar tres caras, el nmero de casos posibles con'esponde a:
a) Las permutaciones con repeticin de cinco elementos con tres
caras y dos cruces.
Jad
b) Las combinaciones con repeticin de cinco elememos tomados
itarel
ser
de dos en dos.
e) Las valiaciones oon repeticin de dos dementas lomados de cinco en cinco.
Siguiendo con el ejercicio anterior, el nmero de casos favorables
es:
ua-
ai 20
b) [O
tu
e) 25
.da
:a1
Si jugamos al az.ar una apuesta a las quinielas y queremos cak.ulara la probabilidad de aeerla' un pleno al 15, el nmero de resuhados posibles viene dado por:
a) Las combinaciones con repeticin de 15 elementos Lomados de
:sy,
:io-
15 en \5.
b) Las vaJiaciones con repeticin de 15 elementos lomados de 3 en 3.
390
COMBlN
e) Las variaciones con repeticin de 3 elementos lomados de 15 en
15.
Cmo podemos calcular. utilizando la combinatOl, el nmero de

fichas del tradicional juego del domin?
a)
fOl
11 losEl
eu
b) Vu
e) CR7.l
de>
cia
no
too
Un profesor ha elaborado 10 problemas de estadstica descriptiva y

otros 10 de estadstica inferencia!. Para la realizacin de un examen
elige cuatro de ellos. Se pregunta: Cuntos exmenes distintos pue
de realizar con dos ejercicios de cada una de las dos panes?
a) C 10..2 C 10.2
b) V 10.2 . V 10..2
e) PR 10l
1:1.11. SOI.l IIO"\I:S \ I.OS I..II.H(II\OS
Al tratarse de una serie de cuatro nmero y tres lerras. en que los

elementos pueden repetirse e interviene el orden, los nmeros son
las variaciones con repeticin de 10 nmeros lomados de cuatro en
cuatro y las letras las variaciones con repeticin de 21 letras tomadas de tres en tres. Por tanto aplicando el principio fundamental,
nos queda:
El.
sel
la n
Pa.
11 cin<
de,
ces
dist
VR IO .4 VR 2U = 10 4 .21 3 = 10.000212121 = 92.610.000
la r
ci~
la respuesta es c.
lom
Puesto que influye el orden, se trata de las variaciones de ocho elementos tomados de dos en dos y por tanto:
la"
82 -
8!
(8 - 2)1
= 876! =56
6!
Eln
la respuesta es a.
Las
mujeres se eligen de un grupo de siele y como el orden no
11 influye
se pueden elegir de C fOlmas distintas. Por la misma razn
res
7 .3
los hombres se pueden seleccionar de C42 formas distintas. Por el

principio de la multiplicacin la comisin se puede seleccionar de
la r
Los
111 caso
se",
Al
COMBINATORIA
391
en
c7,3e-1,2
de
a
'Y
en
7! 4'
(37X4)2 =---=210
3!4! 2!2!
formas distintas. La respuesta es b.

El nmero de casos posibles o espacio muestral est fonnado por
los distintos grupos que se pueden hacer con los 30 alumnos tomados de cinco en cinco. Los distintos agrupamientos slo se diferenciarn por la naturaleza de los alumnos que lo componen y el orden
no innuye. Se trata por tanto de las combinaciones de 30 alumnos
lomados de cinco en cinco:
le-
e30.5 = (30)
=
30'
= 142506
5
5!(30 S}!
la respuesta es a.
de casos favorables son los distintos agmpamientos que

11 seEl pueden hacer
con los 18 alumnos varones lomados de
en tres:
nmero
tl"es
e18,3 -_(18)_
3 los
en
-816
la respuesta es c.
on
la-
18!
3!(18-3)!-
Para detemlinar los casos posibles que se pueden obtener con los
11 cinco
JanzamienlOs hay que detenninar las dislintas agrupaciones
al.
de cinco elementos que se pueden formar con las caras (e) y las cruces (X) donde los elementos e y X se repiten y la tirada CXCXX es
distint:J que la tirada XCCXX. Por tanto el orden innuye y la solucin es el nmero de va-aciones con repeticin de dos elementos
lomados de cinco en cinco:
lela '-espuesla es c.
El n Lllnero de casos favorables es:

PR3l == 5! =S4-3! =10
s
3!.2!
3!.2!
no
6n
-el
le
la respuesta es b.
Los casos favonlbles son las apueslas que jugamos que en nuestro
caso es una y los casos posibles son los distintos agrupamientos que
se pueden f0l'1l1ar con los smbolos I-X2 tomados de 15 en 15. Como
392
estos smbolos se repiten e influye el orden, nos encontramos en el

caso de las variaciones con repeticin de 3 elementos tomados de 15
en 15, esto es:
VR 3 . IS =
ys
= 14348907
la respuesta es c.
una de las fichas de domin consta de dos partes, en cada una
11 Cada
de las cuales puede estar uno de los siete elementos posibles (blan-
ca, 1,2.3,4,5 Y6). estos elementos pucdcl);fCpetirse (fichas blanca

doble. I doble ....) y no interviene el orden./por tanlo son las Combinaciones con repeticin de siete elementos lomados de 2 en 2. Es
decir:
CR 7 .l
8!
87 6!
= -- =
=28
- 6!2!
6!2!
=C8~
la respuesta es c.
Resuha evidente que de los 10 problemas de la plimcra parte puede elegir C IO.l exmenes distintos con dos problemas y lo mismo con
los de la segunda parte y por el principio fundamental el nmero de
exmenes diferentes con dos ejercicios de cada parte es:
C IO. l ' ClO,l
la respuesla es 3.
Tema 14
Teoremas de probabilidad
SUMAIlJO
14.1. introduccin
14.2. Teorema del producto
14.2.1. Para sucesos independientes
14.2.2. Para sucesos depe.ndientes
14.3. Teorema de la suma
14.3.1. Para sucesos mutuamente excluyentes
14.3.2. Para sucesos simultneos
14.4. Teorema de la probabilidad iotnl
14.1.
En
penniti
dicionc
as con
que ele
la UNE
tes o si
c
e
14.5. Teorema de Bayes

14.6. Resumen
14.7. Ejercicios
o
co
e
o
Las
nifiea
Para l1f
cficos:
1-1.1. I"TIIOIJL (TH)"

En los apartados que siguen veremos una serie de teoremas que nos
permiten calcular probabilidades de sucesos que renen una serie de condiciones (mutuamente excluyemes o no. dependientes o independientes)
as como los teoremas de la probabilidad lotal y de Bayes. lmaginemos
que elegimos aleatoriamente una persona entre todos los estudiantes de
la U ED. con ellos podremos dar respuesta a preguntaS como las siguientes o similares:
Cul es la probabilidad de estudiar psicologa y ser mujer?
Cul es la probabilidad de que un alumno pertenezca al Centro Asociado de Valdepeas o de Vizcaya?

Cul es la probabilidad de estudiar psicologa
O ser
mujer?
Cul es la probabilidad de que una persona est matriculada en

cologa y tClmine sus estudios?
Psi~
Cul es la probabilidad de estudiar psicologa siendo mujer?

Cul es la probabilidad de ser mujer estudiando psicologa?
La.s preguntas difien~n no solo en su redaccin sino tambin en su significado e implican diferentes estrategias o principios de la probabilidad.
Pam llegar a su solucin se requiere alcanzar los siguientes objetivos especficos:
Distinguir entre sucesos compatibles (o simultneos) y sucesos

incompatibles (o excluyentes).
396
TEORE
Co
Distinguir entre sucesos dependientes e independientes.
dicion
Distinguir entre aquellas situaciones que requieren aplicar el teorema de la suma de las que requieren aplicar el teorema del pro-
Bes la
ducto.
Diferenciar los conceptos de probabilidad a priori, probabilidad a
posteriori y verosimilitud.
OU
con cil
los suc
probal
Representar en un diagrama de rbol las anteriores probabilidades para, poslerionnente, ser capaces de identificar las situaciones
que requieren aplicar el teorema de Bayes o el teorema de la pro-
babilidad lOtal
IU. TEOIII:\I \ DEL l'II0DLCTO

El teorema del producto se aplicar en aquellas situaciones que requieren dar respuesta a preguntas que, en trminos generales. se formulan de
la siguiente fOlma: Cul es la probabilidad de que aparezca un suceso y
el aIro? En esle lipo de fonnuladones la letra y, como una conjuncin
copulativa que es, implica la aparicin simultnea de dos sucesos)' se naduce como la interseccin de sucesos que se calcula aplicando el teorema del producto. Con este teorema daliamas respuesta a la primera pre
gunla fonnulada en la introduccin: Cul es la probabilidad de estudiar
psicologfa)' ser mujer?
Previamente tenemos que distinguir entre lo que se entiende por suce
sos dependientes y sucesos independientes cuya definicin ya se proporcion en el tema 12 y sobre la que vamos ahora a profundi7.ar con el
fin de calcular despus fa probabilidad de la aparicin simultnea de dos
O ms sucesos.
Hay situaciones muy frecuentes en la vida cotidiana donde la aparicin de un suceso A depende de la aparicin de 011'0 suceso B. Diremos
en estos casos que Jos sucesos A y B son dependientes porque la probabilidad de A depende, o est condicionada, al suceso B .
Por ejemplo, sean los sucesos:
A = (esrucliar la calTero OUE ME APETECE}
B = [sacar en selectividad la nota QUE NECESITO]
Si I
Y volvt'
las m
bies sil
mos la
probal
bolas.
y P(R)
que en
eonti
total d+
des P(,
p(
PO
Si ~
la urna
babili
De
nada q
dicio
En
A cone
dido E
397
TEOREMAS DE PROBABILIDAD
Como el lector conoce sobradamente, la probabilidad de A est condicionada o depende de la aparicin de 8 y lo escribimos P (AJB) donde
B es la condicin requerida.
Otro ejemplo, por el momento ms ilustrativo: supongamos una urna
con cinco bolas de las cuales tres son azules y dos son rojas. Definimos
los sucesos A = {bola Al.ul) y R = {bola Roja). En la primera extraccin las
probabilidades de cada suceso son respectivamente:
P(A)
=",3
y P(R)
=",2
Si tras la primera extraccin devolvemos las bolas eXlradas a la urna

y volvemos a repetir la experiencia, las probabilidades P (A) Y P (R) son
las mismas porque mantenemos las mismas cinco bolas como casos posibles siendo tres azules y dos rojas pero, por el contrario, si no devol\'e
mos la bola extrada a la urna y realizamos una segunda extraccin las
probabilidades P(A) y P(R) ahora cambian porque ya no tenemos cinco
bolas, sino cuatro (casos posibles), y cada una de las probabilidades P(A)
y P(R) dependen de que la primera bola fuese azulo roja. Supongamos
que en la primera extraccin la bola era roja (condicin), enlonces la urna
contiene ahora tres bolas azules y una roja (casos favorables) sobre un
10lal de cualro casos posibles y en la segunda extraccin las probabilidades P(A) y P(R) valen,
P(AI R)
P(R I R)
=24
Si en la primera extraccin la bola era azul (condicin), entonces en
la uma quedarn dos bolas azules y dos mjas (casos favorables) y las pmhabilidades en la segunda extraccin son:
P(AI A)
="42
y P(RI A)
="42
De esla forma, hemos expuesto el concepto de probabilidad condicionada que en general lo escl;bimos P(AIB) y se lee probabilidad de A con
dicionada a B.
Entonces, si los sucesos son dependientes, se llama probabilidad de
A condicionada a D a la probabilidad de A suponiendo que ha suce
dido D, y es:
398
P(AI B)
= peA n
B) siempre que P(B)

P(B)
TEOREMA~
*O
de la misma forma, la probabilidad de B condicionada a A es:

P(BIA) = P(BnA)
P(A)
= P(AnB)
peA)
sIempre que
P(A)
'* O
en general, la probabilidad de un suceso A dependiente de otro B, o

la probabilidad de A supuesto B, es igual a la probabilidad de la inter
seccin dividido por la probabilidad de la condicin B. Este teorema
da respuesta a las dos ltimas preguntas planteadas en la introduccin
de este tema:
- Cul es la probabilidad de estudiar psicologfa siendo mujer?
- Cul es la probabilidad de ser mujer estudiando psicologa?
En el primer caso la condicin es ser mujer y en el segundo la condicin es estudiar psicologa, de modo que llamando a los sucesos S = estudiar psicologa y M -= ser mujer. en el primer caso tendramos que obtener
P(SlM) y en el segundo P(M/5) sin ningn motivo que nos lleve a pensar
que ambos resultados tengan que ser iguaJes. En el siguiente ejemplo aplicaremos este mismo teOrema a otra situacin.
Ejemplo 14.1. De los 3.570 alumnos matriculados en una asignatura durante el cu.(So 1992-93, 1.428 se presentaron a la convocatoria de febrero en la primera semana (1) de los cuales aprobaron (A)
1.071, mientras que, de los que se presentaron en la segunda semana (2), suspendieron (5) 1.478. Elegido un alumno al azar, calcula:
1-1.2.1. l'
Comas
de ellos de]
que se p~
ne despeja
nada que s
y despejanl
simultnea
a) La probabilidad de que est aprobado, (A).

b) Estando suspendido (5), la probabilidad de que se presentase
en la segunda semana (2).
A partir de los datos del enunciado, sealados en negrita, se construye la siguiente tabla que nos pennitir calcular las probabilidades
pedidas: peA) y P(2/S)
A
S
1071
357
1428
644
1478
2142
y como la ~
bin poden
que se lee
dependien
la probabiJ
1735
1835
3570
nido. Est:
acuerdo ca
=P
399
TEOREMAS DE PROBABILlDAD
P(A) = !!o. = 1735 = 0.486
3570
P(Z"S) = 1478 =0.414}

P(ZIS) = P(Z "S) donde
P(S)
1,0
3570
{ P(S) = 1835 =0.514
3570
=>
:er-
=> P(ZIS) = 0.414 = 0.805
0.5 14
di-
Como se ha visto, si los sucesos son dependientes la aparicin de uno

de ellos depende de la aparicin del aIro en cuyo caso la probabilidad de
que se presenten simultneamente los sucesos A y B, P (A n B), se obtiene despejando el numerador de la expresin de probabilidad condicionada que se expuso anterio'mente y nuevamente reproducimos:
P(AI S) =
P(A"B) .
P(B)
siempre que P(S)
*O
Ydespejando el numerador obtenemos que la probabilidad de aparicin

simuhnea de dos sucesos dependientes es:
P(A "S) = P(B) P(AIS)
y como la interseccin de sucesos cumple la propiedad conmutativa tam-
bin podemos escribir:

P (A " B) = P (B "A) = P (S) . P (AIB)
que se lee Olla probabilidad de ocurrencia simultnea de dos sucesos

dependientes es igual a la probabilidad del primero multiplicada por
la probabilidad del segundo condicionada a que el primero haya ocu
rrido_. Esta propiedad se puede generalizar a n sucesos dependientes de
acuerdo con la siguiente expresin:
P(A"S"Cr.
=
P (A) . P (SIA) . P (CIA "B)

j
Y"Z)=
P (l/A" B "C " ... Y)
400
TEO
y diremos que la probabilidad de n sucesos dependientes es igual a

la probabilidad del primero multiplicada por la probabilidad del
segundo condicionada a que se haya presentado el primero, multi.

plicada por la probabilidad del tercero condicionada a que se hayan
presentado los dos primeros, multiplicada por la probabilidad del
cuarto condicionada a que se hayan presentado los tres primeros,
etc., hasta la probabilidad del ltimo condicionada a que se hayan
pel
presentado los 01 anteriores.
SOl
6y
Ejemplo 14.2. Supngase que en un determinado periodo de

tiempo un 5% de la JXlblacin padece una determinada enfermedad
y que de estos enfermos un 65% se recuperan totalmente. Elegida
una persona al azar cul es la probabilidad de que padezca esta
enfermedad y se recupere?
Llamando E a la enfermedad y R a recuperarse sabemos que

p (E) = 0,05 Yp (RiE) = 0.65. Tenemos que calcular la probabilidad
de E y R que son dos sucesos dependientes, por tanto:
P (E "R) = P (E) . P (RlE) = 0,05 . 0.65 = 0.0325
Ejemplo 14.3. Cierto profesor tiene por costumbre guardar todos

los calcetines (limpios) en un cajn y cada maana elige consecutivamente al azar tres de ellos. Slo tiene tres colores de calcetines:
Grises (G), Azules (A) y Blancos (B). Si en las tres primeras y consecutivas extracciones son de diferente color. decide no ponrselos y se
calza unas sandalias. Una maana cualquiera tiene en el cajn 8 calcetines grises, 4 azules y 6 blancos:
a) Cul es la probabilidad de que esa manana salga a la calle con
sandalias?
;;
~~
b) Es igual la probabilidad de que saque dos calcetine{~ses a

la probabilidad de que saque dos grises y uno blanco?
en
las
rep
001
GG
per
POI
es
a) Para que salga a la calle con sandalias los calcetines elegidos
tienen que ser uno de cada color. Puesto que los calcetines los extrae
uno tTas otro y sin reposicin se trata de sucesos dependientes. Si el
orden de extraccin fuese GAB. su probabilidad es:
y
p
EOREMAS DE PROBABILIDAD
4(
402
Ejemplo 14.4. Para aprobar una asignatura es necesario aprobar

cada una de las dos partes de que cuenta, de tal forma que un alumno que suspenda la primera parte ya no puede presentarse a la segunda y. por tanto, suspende la asignatura. Por la experiencia de aos
anteriores se sabe que la probabilidad de que un alumno que ha aprobado la primera parte. apruebe la segunda es 0.9 y que el examen de
la primera parte es aprobado por el 70% de los alumnos.
a) Si elegimos aleatoriamente un alumno cul es la probabili-
TEORl
En
se pro
pero (
queda
dad de que suspenda la asignatura?

b) Si el curso est formado por 1000 alumnos cuntos alumnos
suspendern la asignatura ms probablemente teniendo aprobada la primera parte?
Si Uamamos A 2 a aprobar la segunda parte, Al aprobar la primera parte y S a suspender, conocemos las siguientes probabilidades a
partir del enunciado del problema:
Es'
Que in
al pro
P (A,IA,) = 0,9 Y P (A,) = 0,7
El suceso suspender, $, es el complementario de aprobar, A, y su

probabilidad es igual a uno menos la probabilidad de aprobar que
vale:
P(A)=P(A,nA,)
P (A) = P (A,). P (A,IA,) = 0,70,9.0,63
P (S) = 1 - P (A) = 1 - 0,63 = 0,37
qu
las
di
Para la segunda pregunta deducimos que, si:

P (Al/Al) = 0.9 entonces P (S2IA) = 0, I
Como aprueban el 70% de los 1000 alumnos que son 700,

pendern 700 x 0,1 = 70 alumnos.
1.J.:!.:!. 1'<lnI
sus~
~Il('('~(l~ ind('lu'IHli('lltt':-i
Dos sucesos A y B son independientes cuando la probabilidad de

que se produzca uno de ellos no depende de la aparicin del otro.
En consecuencia:
P (AIS) = P (A)
el
co
,OLOGA I
403
o
~robar
P (BIA) P (B)
Wum-
En relacin con el apartado anterior, vimos que la probabilidad de que

se produzcan simultneamente los sucesos dependientes A y Bes:
egunaos
rapro--
P (A r> B) P (A) . P (BIA)
ende
pero como ahora los sucesos A y B son independientes, P (BIA) = P (B).

quedar:
..biliP (A r>E). P (A) P(B)
::
Esta definicin se puede generalizar para n sucesos independientes:
P(Ar>Br>Cr> ... K)f (A) .'(E) ./I(C) ... P(K)
meIdesa
que indica que la probabilidad de los sucesos independientes es igual

al producto de sus probabilidades.
,ysu
Ejemplo 14.5. Un examen tipo test consta de tres preguntas todas

ellas con cuatro alternativas de respuesta de las que slo una es la
correcta. Si un alumno responde al azar cul es la probabilidad de
que acierte las tres preguntas?
que
Como acertar una pregunta no depende de que acertemos o no

las otras. aplicamos el teorema del producto para sucesos independientes y nos queda que:
j
, sus-
"dad de
lelotro.
1 1
peA r>Br>C). P(A) P(B) P(C) = _._. - = 0.0156

444
Tambin se puede resolver aplicando la definicin clsica de la

probabilidad. Los casos favorables son uno, que es la solucin correcta de acertar las tres preguntas del examen, y los casos posibles son
las distintas ordenaciones que se pueden realizar con las cuatro alternativas de respuesta tomadas de tres en tres (las tres preguntas del
examen), stas son las variaciones con repeticin de 4 elementos
tomados de tres en tres:
p(acertar)
=--=,. =
1
VR 4 3
0.0156
404
TEOREMAS DE
Ejemplo 14.6. En un experimento de perce:x:in auditiva se presenta aleatoriamente uno de los dos estimulos utilizados A y B. El
estimulo A se corresponde con un tono de SO dB Yel B con un rono
de 90 dB. Si ambos estmulos son equiprobables y en cada sesin
experimental se presentan 5 estmulos aleatoriamente:
y la probat
dente ser.
a) Cul es la probabilidad de que en las cinco ocasiones se presente el estmulo A?
Ejemp
enfermos:
b) Cul es la probabilidad de que el eslTlulo B se presente una
sola vez?
e) Cul es la probabilidad de que los estimulas se presenten en
un orden ascendente en cuanto a la intensidad del tono?
a) Por tratarse de sucesos inclependiemes, tenemos que:

P (A "A "A "A "A) : P (A) . P (A) . P (A) . P (A) . P (A) :
: 0,50,50,50,50,5: 0,03125
b) La probabilidad de que se presente una sola vez el estnulo B
suponiendo que fuese el primero en presentarse (BAAAA) es:
P (B "A "A "A "A): P (B) P (A) P (A) P (A) P (A): 0,03125
Realizam
cula la pro
a) los b
b) las e:
a) Que
los tres sea
zofrnicos
cular la Pf(
P(N"
pero como puede presentarse en otros rdenes diferentes:

(ABAAA)
(MBAA)
(AMBA)
(AAAAB)
que se corresponde con las permutaciones con repeticin de cinco

elementos de los cuales cuatro estn repetidos, la probabilidad buscada es:
b) Qu
que una
ejemplo:
5'
-'-. P(B" A" A n A n A) = 5 P(B) P(A) P(A) P(A) peA) = 0.15625

4!1!
c) Tenemos que calcular la probabilidad de que se presente primero el estfmulo A, que es el menos intenso, una, dos tres y cuatro
veces, es decir:
P (A "B "B "B "B) : 0,03125
peA "A "B" B "B): 0,03125
P (A "A "A "B "B): 0,03125
P (A "A" A" A "B) : 0,03125
pero estos
queco
secuencia
lAr
405
y la probabilidad de que los estmulos se presenten en orden ascendente ser, por tanto, 4 x 0.03125 = 0.125.
Ejemplo 14.7. En una saJa de un hospital psiquitrico hay diez

enfermos: tres neurticos, cinco psicticos y dos esqulzofrnicos.
Realizamos al azar una extraccin sucesiva de tres enfermos. Calcula la probabilidad de que:
a) los
tres
enfermos sufran la misma enfermedad.
b) las enfermedades de los tres enfermos no coincidan.
a) Que los tres enfermos tengan la misma enfermedad, es, que

los tres sean neurticos o psicticos. No pueden ser los tres esquizofrnicos porqu"e solamente hay dos. Por lo que tenemos que cal-
cular la probabilidad:
P(N r,N r,N)vP(Pr,pr,p) = P(N) P(NI N) P(N I N r,N) +
+P(p) P(pl p). P(pl P r, p) =
32154366066
= - ~-+-~_=-+-=-=O.0917
10 9 8 10 9 8 720 720 720
b) Que las enfermedades de los tres pacientes no coincidan, es,
que una sea neurtico, otro psictico y el tercero esquizofrnico. Por
ejemplo:
P(N r,pn E) = P(N) P(pl N) P(EI N r, p) =
3 5 2 30
__-=-=0.0417
1098720
pero estos tres enfermos se pueden presentar en distintos rdenes
que corresponden a las permutaciones de tres elementos y en consecuencia la probabilidad pedida es:
NpE - pNE - pEN - NEp - ENp - EpN
30
3!P(N r, P r, El = 6 720 = 0,25
406
ANLISIS DE DATOS EN PSICOLOGA
TEORI
11.:1. TLOItE\1 \ DE 1.\ Sl \1 \

El teorema de la suma se aplica en aquellas situaciones que requieren
responder preguntas genricas como la siguiente: Cul es la probabilidad de que aparezca un suceso o el otro? En este tipo de preguntas la lerra
o hay que interpretarla como lo que es, es decir, una preposicin disyuntiva que implica alternativa entre dos ox:iones y se traduce como la unin
de sucesos que calcularemos aplicando el teorema de la suma.
Pero para ello. y antes de enunciarlo, hay que profundizar en la distincin entre los conceptos, ya introducidos en el tema 12, de lo que se
entiende por sucesos excluyentes o incompatibles y los sucesos simwtneos. Como ya se present, los sucesos excluyentes o incompatibles
son los que no pueden ocurrir simultneamente. Por ejemplo, en el
lanzamiento de una moneda el suceso cara y Cruz no se pueden dar a la
vez y la aparicin de uno de ellos excluye la aparicin del otro. Lo mismo
ocurre con los sucesos ser hombre y mujer: Por esta raron, el suceso interseccin que, como hemos visto anteriormente, se refiere a la aparicin de
un suceso y el otro es un suceso imposible y su probabilidad es cero (v.gr.
ser hombre y mujer_; obtener cara y cruz en un lanzamiento; pertenecer al centro de Valdepeas y al de Vizcaya, etc.).
Por su parte. los sucesos simultneos pueden aparecer a la vez. Por
ejemplo, en el lanzamiento de un dado, el suceso A = {3} y el suceso
B = {nmero impar] pueden darse simultneamente, de igual forma que
los sucesos ser mujer_ y estudiar psicologa. Con esta distincin, el
teorema de la suma distingue que los sucesos sean simultneos o excluyentes.
)LJ. J. Para ... IJlI'~O.'"
mUIU<lJUI'J)'I' t',dU\l'JJ'I',..
este n
mutuo
A. B}
mos~
Es
en la i
e
ciado
cerof
y esta
a Vale
IU.
Si
A = !
mujel
tamo)
de ap
bifida
ci":
Si los sucesos son excluyentes es imposible que OCUlTan simultneamente por lo que se cumple la condicin de que su interseccin es vaca:
A n B = 0 Y pOI" tanto la probabilidad de aparicin del suceso A o B (la
unin) es igual a la suma de sus probabilidades, Lal como se indica a continuacin:
E
ya qu
dame
:OLOGA I
407
~
P (A
:quieren
'Obabili~
; la letra
disyuna unin
dis'que se
imultatibJes
), en el
lar a la
mismo
) inter:in de
'o (v.gr.
(perte-
1 [a
Por
;uceso
13. que
in, el
exclu-
v 8)
= P (A) + P (8)
ya que:
AnB=o y por tanto P(AnB)=O
este resultado se puede generalizar a cualquier nmero finito de sucesos

mutuamente excluyentes. Por ejemplo y para el caso de tres sucesos: sean
A, B Y e sucesos mutuamente excluyentes (interseccin vaca) y Uama~
mas S a [a unin de A con B (A v B = S) entonces:
P(A vB vC) = P (5 vC) = P(5) + P(C) = P(A v8) + P(C)
= P (A) + P (B) + P (C)
Este teorema nos dada respuesta a una de las preguntas planteadas

en la intmduccin:
Cufil es la probabilidad de que un alumno pertenezca al Centro Asociado de Valdepeas o de Vizcaya? Ya que un alumno no puede pel1enecer oficialmente a dos o ms Centros, los dos sucesos son incompatibles
y esta probabilidad se calculara sumando la probabilidad de pel1enecer
a Val depenas ms la probabilidad de pertenecer a Vizcaya.
~z.
Si los sucesos
SOIl
compatibles o simultneos, como por ejemplo
A = se." mujer; B = estudiar psicologa, entonces la interseccin (ser

mujer y estudiar psicologa) no es el conjunto vaco (A n B *'- 0) y, por
tanto, su probabHidad es distinta de cem: P (A n B) O y la probabilidad
de aparicin det suceso unin de A con B. P (A u B), es igual a la probabilidad de A ms la probabilidad de B menos la probabilidad de la intersec-
'*
cil/:
nea,aca:
B (la
. con-
P (A
v 8) = P (A) + P (8) - P (A n B)
ya que al sumar A y E, la interseccin se ha sumado dos veces, Con esto

damos respuesta a (a pregunta: Cul es (a probabilidad de estudiar psi-
408
TI
cologa O ser mujer? Puesto que Jos dos sucesos son compatibles tendramos que sumar la probabilidad de ser mujer ms la probabiHdad de estudiar psicologa y restar la probabilidad de apal;cin simultnea de los dos
sucesos (ser mujer y estudiar psicologa).
Nuevamente. este resultado se puede generalizar al caso de ms sucesos. Para el caso de Lres sucesos A, B Y e que son compatibles, llamemos
S a la unin de A y B. es decir: S = A u 8 enlonces:
P (A v B v C) = P (S v C) = P (S) + P (C) - P (S n C) =
como: S = A u B nos queda:

= P (A
v B) + P (C) - P [(A v B) n C]
= P (A) + P (B) - P (A
n B) +
+ P (C) - P [(A v B) n C) =
el
donde (A v B) (') e indica que el suceso e se produce simultneamente

con A 6 B y, por la propiedad distributiva referida a las operaciones con
sucesos, es tiual a: (A n e) v (8 I l e). Por lo que la probabilidad de la
interseccin de estos dos sucesos S y e es:
;, P(S
P[(A vE)n C]
C)
=P [(A nC) v
pi
(B n C)] =
= P(A nC) + P(BnC)-P(A nBnC)
que indu)'ndola en la expresin anterior llegamos a la solucin final:

P (A v B v C)
P (A) + P (B) + P (C) - P (A n B) - P (A n C)-P(B nC) + P(A nBnC)
La generalizacin de esta propiedad para K sucesos simuJtneos rebasa los objetivos de este curso y. por tanto. la omitimos.
Ejemplo 14.8. A los 70 aos la probabilidad de ser miope es 0.3.

la de tener cataratas es 0.15 y la de ser miope y tener cataratas es 0.1
Cul es la pl"Obabilidad de ser miope ~ tener cataratas a esa edad?
la
A
h
ii
Al
409
r-
Como los sucesos: ser miope, M, y tener cataratas, e, son com~

patibtes, es decir. se pueden dar simultneamente con una probabilidad de 0.1. la probabilidad pedida. aplicando el teorema de la suma
es:
uDS
e-
P(M
]S
C)
P(M) + P(C)- P(M "C)
~0.3 +
0.\5-0,\
0.35
14.4. TEOREMA DE LA PROBABILIDAD TOTAL
Sea B I , B 2, .. , Bk una particin del espacio muestral E, es decir, un

conjunto de sucesos que cumplen simultneamente las siguientes
propiedades:
La unin de todos ellos es igual al espacio muestraI E
uB=E
;_1 I
La interseccin de dos conjuntos cualesquiera de ellos es vaca.

B{\Bj =0 paratodoi-.j
E
B,
B,
B,
B,
B,
B,
B,
B,
B,
Sobre el espacio muestra! E definimos un suceso, A, y el teorema de

la probabilidad total nos permite calcular la probabilidad de este suceso
A, a partir de las probabilidades a priori, P(B;), y de las verosimilitudes, P(A/Bi). Vemoslo:
Teniendo en cuenta que la unin de las distintas zonas coLoreadas es
igual al suceso A:
410
TEOREM.
Ot
babili
es decir, la unin de cada una de las intersecciones de B; con A es igual al

suceso A, podemos escribir la siguiente expresin general:
A = (B, nA) u (B, nA) u ... u (B, nA)
y calcular su probabilidad aplicando el teorema de la suma ya visto:
P (A) = P (B, nA) + P (B, nA) + ... + P (B, n A)
aplicando ahora el teorema del producto y teniendo en cuenta que los

sucesos A y B son dependientes, llegamos a:
P (A) = P (B,) P (AlB,) + P (B,) (AIB,) + ... + P (B,) . P (AlB,)
Ap
P(A)-
peA) = P(B;). P(A/ B;)

;=1
Ejemplo 14.9. La Jefatura de Trfico ha estimado que la probabilidad de infraccin por adelantamiento en cambio de rasante es
0.20; por .no respetar la seal de stop es de 0.30 y por .el resto de
las infracciones es de 0.50. Se sabe, adems. que la probabilidad de
accidente por adelantamiento en cambio de rasante es de 0.90; la
probabilidad de accidente por no respetar stop es de 0.80 y la pro+
babilidad de accidente por otras infracciones es de 0.30. Calcular
la probabilidad de accidente.
Tenemos que calcular la probabilidad de tener un accidente, peA),
por cometer estas infracciones y conocemos las probabilidades a priori y las verosimilitudesJ'l de tener un accidente por cada una de estas
causas que son:
P (er) = 0,2 P (A/ec) = 0,90

P (stop) =0,3 P (Alstop) =0,80
P (resto) = 0,5 P (Alres'o) = 0,30
que
que h
tados
14.5. '1'
Enl~
pleLO de:
que se c(
mamos ~
partir de
y como ]<
ducto al
JGfA I
411
Otra presentacin alternativa y quizs ms intuitiva de estas probabilidades es el diagrama de rbol. En este caso sera:
0,90
0,10
la! a!
0,80
0.20
0.30
e los
0,70
Aplicando el teorema de la probabilidad total:

P (A)
=P (cc) . P (Afcr) + P (stop) . P (A/stop) + P (resto) . P (Alresto) =

= 0,2 0,9 + 0,3 . 0,8 + 0,5 . 0,3 = 0,57
...
que es la probabilidad total de tener un accidente por estas causas,

que hemos obtenido sumando las probabilidades de los trazos pintados en grueso.
es
a.
a.
),
14.,';.
TEORE~lA
DE RAVES
En las mismas condiciones anteriores. es decir; sea B un sistema completo de sucesos, tales que P(B) > 0, y sea A un suceso cualquiera para el
que se conocen las probabilidades condicionadas P(AIB;) a las que llamamos verosimilitudes (zonas sombreadas de la figura). entonces, a
partir de la expresin general de los sucesos dependientes:
P(B lA): P(B, nA)
,
peA)
y como los sucesos BI< y A son dependientes, aplicamos el teorema del producto al numerador:
412
ANLISIS DE DATOS EN PSICOLOClA 1
P(B lA) = P(B,) P(AI B,)

,
P(A)
dode el denominador representa la probabilidad total del suceso A vista

en el punto anterior:
TEOREMAS
Apa
las _ven
P(B,IA)= ;(B,).P(AIB,)
P(B).P(AIB,)
ial
donde: P(Bk) son las probabilidades a priori conocidas.

P(B/A) son las probabilidades a posteriori a calcular.
P(AlBk ) son las verosimilitudes conocidas.
quepod
masqu
El teorema recibe tambin el nombre de Teorema de la probabilidad de las causas porque si designamos a B k corno causas, podemos
determinar la probabilidad de que el suceso A. consecuencia, aparezca
bajo cada una de las causas B.. El siguiente ejemplo puede ilustrar lo que
decimos y la aplicacin del Teorema de Bayes como ayuda en el diagnstico clnico.
Ejemplo 14.10. En la saja de un Hospital hay tres enfermos con
la enfermedad B l ; dos enfermos con la enfermedad 8 2 y cinco enfermos con la enfennedad B J Sabernos que la probabilidad de curacin
completa (C) de la enfermedad B I es 113, de la enfermedad ~ es 2/3
y de la enfermedad B J es 117.
a) Cul es la probabilidad total de curarse?
Al
a)
b) Un enfermo que estaba internado en el hospital fue dado de
prObabj
alta completamente sano, Cul es la probabilidad de que

sufriese la enfermedad B J ?
P(
queco
trazo
b)
estaba
413
JGiA 1
A partir del enunciado, conocemos las probabilidades a priori y

las verosimilitudes... que son las siguientes:
vista
P(S) = 0.3=> P(CI S) = ~

P(B,)
=0.2 => P(CI B,) ="2
P(B,)
=0.5 => P(C lB,) ="71
que podemos representar grficamente de cualquiera de las dos for

mas que se muestran debajo de estas lneas.
>ni
nos
zca
que
ag-
a) Aplicando el teorema de la probabilidad total calculamos la

probabilidad de curarse que es:
P(C) = P(S) P(C I S) + P(B,) P(C lB,) + P(B,) P(C lB,) =
=0.3 -1 + 0.2 -2 + 0.5 -1 =0.305

337
que corresponde a la suma de las probabilidades representadas con

trazo grueso en el diagrama de rbol.
b) La probabilidad de que padeciese la enfermedad BJ dado que

esta~a
sano requiere la aplicacin del teorema de Bayes:
414
P(B IC) =
P(B,) P(C lB,)
,
P(B) P(CI B) + P(B) P(CI B) + P(B,) P(C lB,)
D.S. 1
= __
7 =D.234
0.305
TEOREMAS
En c;
salidas J
salidas
5V con
da ByO
descalJ!'
Sienc;
carga,a
Ejemplo 14.11. La Jefatura de Trfico ha estimado que la probabilidad de infraccin por adelantamiento en cambio de rasante".
P(cr), es 0.20; _no respetar la seal de stop", P(stop), es de 0.30 y por
el resto de las infracciones_, P(r), es de 0.50. Se sabe adems que la
probabilidad de _accidente por adelantamiento en cambio de rasante. es de 0.90; la probabilidad de ..accidente por no respetar stop. es
de 0.80 y la probabilidad de accidente por otras infracciones_ es de
0.30. Ha ocurrido un accidente, calcular la probabilidad de que haya
sido debido a un adelantamiento en cambio de rasante.
Tenemos que calcular P(cr/A} para 10 cual aplicamos el teorema
de Bayes, teniendo en cuenta que en el ejemplo 14.9 ya hemos calculado la probabilidad total de tener un accidente por estas causas.
Por tanto:
P(crl A)
Por e
B dado.
P(
= P(cr) P(AI cr) = 0.20.9 =0.315

P(A)
0.57
Ejemplo 14.12. En un experimento de condicionamiento animal

se sita a una rata en el centro de un laberinto como el de la figura.
Activida
tarea que
rica del u
I-I.h. IIU
En los U
nido los COI
\l
415
En cada UDa de los ensayos la rata elige siempre una de las tres
salidas A,B o e con igual probabilidad. El suelo de cada una de estas
salidas tiene una rejilla elctrica que dispensa una descarga, D, de
SV con distintas probabilidades:
para la salida A; ..!.. para la s31i-
4
4
da B y O para la C. En un detenninado ensayo la rata no recibi la
descarga Cul es la probabilidad de que haya elegido la salida B?

Siendo O la descarga y D su complementario, la ausencia de descarga, a partir del enunciado disponemos de Jos siguientes datos:
P(A) = P(B) = P(C) =
P(DI A) = --> P(D I A)
P(DI B)=- --> P(DI B) =-
P(DIC) = O --> P(D/C) = 1
Por el teorema de Bayes. la probabilidad de que haya salido por

B dado que recibi la descarga es:
P(BID)=
_
P(B).P(~IB)
=
prAl P(D lA) + P(B) P(D I B) + P(C) P(D IC)
I 3
=
3 4
=0.375
1 1 I 3 1
---+---+--1
3 4 3 4 3
Actividad: En el ejemplo 14.12 no se ha utilizado el diagrama de rbol,

tarea que encomendamos al lector para comprobar su asimilacin teIica del teorema de Bayes.
1~.6.
HESUMEl\
En los temas anteriores, de introduccin a la probabilidad, se han definido los conceptos bsicos de la probabilidad, ntimamente relacionados
416
con la teora de conjuntos que no hemos descrito. Posterionnente se han

proporcionado las tres definiciones de probabilidad. de las cuales en la
prctica se aplica la definicin clsica. que la define como el cociente entre
casos favorables y casos posibles de aparicin de un suceso. Pero esta defi
nicin no excluye las otras dos y de hecho este cociente entre los casos
favorables y los posibles no es ms que una frecuencia relativa de apari
cin de un suceso que se va aproxmando a un vaJor constante a medida
que el nmero de ensayos aumenta (definicin estadstica), Asimismo, la
probabilidad de cualquier suceso, que se cuantifica con un nmero comprendido entre Oy 1, tiene que cumplir los axiomas de la definicin formal o axiomtica de la probabilidad que hemos expuesto.
PosteriOlmente, se requiere saber el nmero de casos favorables y de
casos posibles de aparicin de un suceso y recurrimos a la combinatoria.
En este tema hemos introducido los teoremas ms importantes de la probabilidad de sucesos que exigen distinguir, previamente, entre lo que son
sucesos mutuamente excluyentes y simultneos, por un lado, y entre los
sucesos dependientes y los independientes, por otro lado. Finalizamos
con el teorema de Bayes cuya formulacin incluye la probabilidad total
de aparicin de un suceso que se produce bajo una serie de condiciones.
1-1.7. E.lEHC1CIOS
Una urna consta de 4 bolas blancas, 2 negras y 3 rojas. Extraemos
una a una, y con reposicin, 2 bolas. La probabilidad de que las 2
bolas sean rojas es:
a) 1/27
b) 1/9
e) 6/81
Continuando con el ejercicio anterior, la probabilidad de que ninguna sea negra est comprendida enll-e:
a) 0.2 y OA
b) 0.7 Y0,9
e) 0.5 y 0,7
En un colectivo profesional formado a partes iguales por ambos

sexos, el estrs afecta a un 35% de los hombres y a una de cada cuaIro mujeres. Elegida al a7..ar una persona, la probabilidad de que tenga estrs es:
a) 0.25
TE
OLOGIA I
.e se han
les en la
lte entre
:sla defios casos
le aparimedida
usmo,la
:ro como
:in for-
)Ies y de
matoria.
e la proque son
:ntre los
lizamos
Iad total
Uciones.
traemos
[Ue las 2
417
b) 0,3
e) 0,4
Continuando con el ejercicio 3, la probabilidad de que no padeciendo

estrs sea mujer est comprendida entre:
a) 0,4 y 0,6
b) 0,1 Y0,3
e) 0,7 y 0,9
Un psiclogo sabe que un 25% de los alumnos de EGB tiene problemas de rendimiento escolar, en tanto que el 75% restante tiene.
durante esta etapa, problemas de adaptacin social. Tambin sabe
que este tipo de problemas se reduce cuando los alumnos comienzan los estudios de SUP, de tal rOlma que si el problema es de ren
dimiento la probabilidad de que desaparezca es 0,2 en tanto que si
el problema es de adaptacin social la probabilidad de que desapa
rezca es de 0,8. Esto supuesto, el psiclogo elige aleatoriamente un
alumno de un grupo de BUP y comprueba que no presenta ningn
tipo de problema. La probabilidad de que durante su etapa de EGB
haya padecido aJgn problema de adaptacin social est comprendida entre:
a) 0,15 Y0,35
b) 0,45 Y0,65
e) 0,75 y 0,95
Con los mismos datos del ejel'cicio anteriOl~ la probabilidad de que

haya padecido algn problema de rendimiento escolar est comprendida entre:
a) 0,02 y 0,05
b) 0,05 Y0,09
lue nin-
"ambos
ida cuaque ten-
e) 0,09 y 0,3
Sabemos que el 85% de los enfermos depresivos se recupera con un

determinado tratamiento psicolgico. De estos sujetos que se recuperan, e125% ha sido tratado mdicamente con antedolidad. De los
que no se rcuperan, el 25% ha sido tratado mdicamente con
antel;OI;dad. La probabilidad de que una persona depresiva que haya
sido tratada mdicamente con anterioridad se recupere con el tra
tamiento psicolgico est comprendida entre:
a) 0,2 y 0,4
b) 0,4 y 0,6
e) 0,6 y 0,7
TEO
Los alumnos de los ltimos cursos de Psicologa cursan una especialidad detclminada. El 60% de los alumnos escogen la especialidad de clnica. e1300.!cl la de escolar y el resto la especialidad de industrial. Teniendo en cuenta que ellO, el 25 y el 5% de los alumnos de
las especialidades clnica. escolar e industrial, respectivamente, proceden del curso de adaptacin y el resto lo hacen por el sistema habilual de acceso, si elegimos aleatoriamente un alumno de dicha facultad cul es la probabilidad de que proceda del curso de adaptacin?
11
418
a) 0,24
b) 0,14
e) 0,34
Con los datos del ejemplo anterior cul es la probabilidad de que

haya iniciado sus estudios por el sistema naonal y curse la especialidad de clnica?
a) 0,54
b) 0,35
e) 0,28
Con los mismos datos del ejercicio 8. y supuesto que el alumno procede del curso de adaptacin, la probabilidad de que curse psicologa escolar est comprendida entre:
a) 0,7 Y 0,8
b) 0,2 Y 0,3
e) 0,5 y 0,6
11.11,
~Oll (I()\I~
IO~
1..11 !I(I(lOS
11 Al ser con reposicin los sucesos son independienLes. Por tanto,

P(2 bolas cojas) = P(RI) P(R2IRI) = P(Rl) P(R2) = (3/9) (3/9) =
= 9/81 = 1/9
la respuesta es b.
11
Llamando R a bola roja, 8 a bola blanca y N a no ser bola negra:

tenemos que calcular:
7 7
P(N nN) = P(N) P(N) = _. -
9 9
la respuesta es c.
49
81
0,6049
1
5ICOLOGlA I
luna espeespecialid de indus-Jumnos de

nente, pro,tema habilicha faculdaptacin?
419
(NOla: Tambin podemos calcular la probabilidad de que las dos

sean blancas, las dos rojas. una roja y otra blanca que es equivalente a ninguna bola negra).
Llamamos cE. a padecer estrs, .. H. ser hombre y .. M. ser mujel:

11 Tenemos
los siguientes datos:
P(H)
= P(M) = 0.5
= 0.35
P(EIH)
Y P(E/M)
= 0.25
P (E) = P (E n H) + P (E n M) =
P (H) . P (E/H) + P (M) - P (E/M)
= 0,50,35 + 0,50,25 = 0,175 + 0,125 = 0,3
la respuesta es b.
iad de que
la especia-
Llamamos E a no padecer estrs. Debemos calcular:

P (M/E)
y sabemos que:
umno prose psicolo-
..
P(M / E)
= P(M n
E)
PiE)
= P(M) - PiE / M)
PiE)
-.
donde:
P (E/M)
= 1 - P (E/M) = 1 -
P (E) = I - P (E) = J - 0.3 = 0.7

cicio anteriOl:)
0.25
= 0,75
(P (E) ya fue calculado en el eje,-
Por tanto:
P(M/E) = 0.5-0.75 =0 536
0.7
r tanto,
1) - (3/9) =
la respuesta es a.
11 Llamando:
RE .. al suceso presentar problemas de rendimiento escolar
cAS .. al suceso .. presentar problemas de adaptacin social.. D. al suceso .. desaparicin de cualquier tipo de problema.
a negra:
las probabilidades que conocemos son:

P(RE)
= 0.25
P(DIRE)
= 0.2
Aplicando el teorema de Bayes:
peAS)
= 0.75
P(D/AS)
= 0.8
ANLISIS DE DATOS EN PSICOLOGA T
420
P(AS)-P(DIAS) =
0,75-0,8
=0,9231
P(D)
0,25-0,2+0,75-0,8
P(ASI D)
la respuesta es c.
11
P(REID)
= P(RE)-P(DIRE)
P(D)
0,25 -0,2
= 0,0769
0,25 -0,2 + 0,75 -0,8
o tambin:
P (REID)
1 - P (ASID) = 1 - 0,9231 = 0,0769
la respuesla es b.
11
Llamando:
.. R. al suceso recuperarse con tratamiento psicolgicocR .. al suceso _no recuperarse con tratamiento psicolgico
.A.. al suceso ser tratado medicamente con anterioridad.
Sabemos que:
P (R)
= 0,85 o=> P (R) = 1 -
P (R) = 1 - 0,85
= 0,15
P (A1R) = 0,10 P (AlR) = 0,25
Por tanto:
P(R I A) = P(R) -P(AI R) =
P(R) P(Ar..R )
=
peA)
P(R) -P(AI R) + P(R) -P(AI R)
0,85 -0,10
0,85 0,10+0,15-0,25
0,085
0,1225
6939
'
la respuesta es c.
11
Utilizando la siguiente nomenclatura:
e = Clnica; E = Escolar; 1 = Industrial; A ::: Adaptacin; N =Norrnal

P (A) = P (A ro C) + P (A ro E) + P (A n 1) =
= P (C) - P (AIC) + P (E) - P (AlE) + P (1) - P (AII) =
= 0,6 - 0,10 + 0,3 - 0,25 + 0,1 - 0,05 = 0,14
la respuesta es b.
11
Utilizando la misma terminologa que en el ejercicio anterior:

P (N ro C)
la respuesta es a.
= P (C)
- P (NIC)
= 0,6 - 0,9 = 0,54
TE
421
l1li Siguiendo
con la misma tenninologa de los dos ejercicios anteriores:
P(EI Al = P(E) P(AI El = 0,30,25 = 536

prAl
0,14'
Nota: P (A) ya ha sido calculada en el ejercicio 8.

la respuesta es c.
Tema 15
Distribuciones de probabilidad
de variables aleatorias
SUMARIO
15.1. Introduccin
15.2. Variable aleatoria: definicin
15.3. TIpos de variables aleatorias
15.3.1. Variables aleatorias discretas
15.3.2. Variables aleatorias continuas
15.4. Funcin de probabilidad
15.4.1. Representacin grfica
15.4.2. Propiedades
15.5. Funcin de distribucin
15.5.1. Representacin grfica
15.5.2. Propiedades
15.6. Resumen
15.7. Ejercicios
15.8. Solucin a los ejercicios
1.;.1. I
Yasa~
denomina
no se real
muestral.l
ciendo tOO
diente pro!
Veremc
una, o una
naturaJeza
tos en el tel
bin comol
funcin de
ms prou
creta, gene:
no haremo:
requiere CCl
el objetivo
ceptos y de
raJizar al
en cuenta
inforrnativ
mas. Procu
lan en este
referidos
ceptuales
siguiente t
15.1. 1 THODVCCI:'>'
Ya sabemos que un experimento cuyo resultado depende del azar se
denomina experimento aleatorio o estocstico. Si el experimento aleat().
no se realiza una sola vez se obtendr un nico resultado del espacio
muestral, pero a medida que aumenta el nmero de ensayos irn apareciendo todos los resultados posibles, cada uno de ellos con su correspondiente probabilidad.
Veremos en este tema que para cada experimento podemos definir
una, o unas variables definidas por el experimentador que pueden ser de
naturaleza discreta o continua (de acuerdo a los mismos conceptos vislos en el tema 2, referidos a las variables estadsticas). Mostraremos tambin como para esta, o estas variables aleatorias, podernos construir su
funcin de probabilidad y de distribucin. En este tema trabajaremos con
ms profundidad estos conceptos referidos a una variable aleatoria discreta, generalizando los mismos a las variables continuas; pero con stas
no haremos ningn tipo de operaciones matemticas porque para ello se
requiere conocer y utilizar el clculo integral que supera, ampliamente.
el objetivo de este curso. Pero ello no es obstculo para que todos los conceptos y definiciones referidas a las variables discretas se puedan generalizar a las variables continuas. Esta informacin es importante tenerla
en cuenta para que cuando vea smbolos de integrales las torne a titulo
informativo con la seguridad de que no tendr que operar con las mismas. Procure entender bien todos los conceptos tericos que se presen
tan en este tema porque en otro trabajaremos los mismos conceptos pero
referidos a dos variables aleatorias discretas y todas las lagunas conceptuales_ que ahora se generen dificultarn enonnemente el estudio del
siguiente tema.
426
ANLISIS DE DATOS EN PSICOLOGA
DISTR
Los objetivos son:
Ser capaz de definir correctamente la o las v3J;ables aleatorias de

un experimento aleatorio.
Para cualquier experimento aleatorio. determinar los valores que
toma una detenninada variable aleatoria previamente definida.
Obtener la funcin de probabilidad de una variable aleatoria discreta.
Obtener la funcin de distribucin de una variable aleatoria discreta.

Conocer las propiedades que deben cumplir la funcin de probabilidad y de distribucin de una variable aleatoria discreta y con-
Di)
muesl
o regl
ciom
bies d
tinua.
Representar grficamente la funcin de probabilidad y de distribucin de una variable aleatoria.
1.;.:1.
Al
1.;.2. \ \111 \BU' \1 1: \1'0111 \: IlU 1\1( 10\

En este momento, sabiendo ya 10 que es un experimento aleatorio, a
los conceptos ya conocidos de espacio muestral y probabilidad estudiados en los temas anteriores, vamos a aadir el de variable aleatoria que
es un conjunto de nmeros diferentes que se asignan de foona especfica a cada uno de los resultados posibles del experimento aleato
no como consecuencia de aplicar una funcin o regla de asignacin
Lo ilustraremos con un ejemplo: Imaginemos que el director de un Gabinete de Psicologa Clnica cuenta con tres mujeres y dos hombres y desea
escoger a dos pel"sonas para un trabajo de seleccin. Para no introducir
sesgos en su eleccin decide escogerlos al azat~ sucesivamente y sin reposicin. Si representamos por M= mujer y 1-1= hombre, el espacio muestral
est formado por los siguientes sucesos:
E" (MM; HM; MH; HH]
Si en este experimento aJeatorio definimos una variable aleatOl, X,

como el "nmero de mujeres seleccionadas" en cada uno de los casos la
variable alcatOl;a X, definida mediante esta regla de asignacin, toma los
valores: 2, 1, 1 YOrespectivamente, tal y como se representa en la siguiente figura.
lar po
letras
queto
En
selecci
los val
lN
cretas
tados.
).;.:l.
CU
definic
rabie I
vatia~
noex
res nl
Pi sien
DISTRIBUCIONES DE. PROBABILIDAD DE VARIABLES ALEATORIAS
427
Dicho ms fonnalmente, dado un experimento aleatorio y un espacio

muestral, E, asociado a l, llamamos variable aleatoria a toda funcin
o regla que asigna un nmero real, y solo uno, a cada suceso del espacio muestra!, E, o como se ha dicho, a cada uno de los resultados posibles del experimento aleatorio.
15.:3. TIPOS DE \AHIABLES ALEATORIAS

A partir de este punto a las variables aleatorias las vamos a representar por letras maysculas de nuestro alfabeto latino y utilizaremos las
letras minsculas, con subndice, para referirnos a los valores concretos
que toman estan variables aleatorias.
En el ejemplo anterior, la funcin de asignacin .nmero de mujeres
seleccionadas, origina la variable aleatoria, representada por X, que toma
los valores Xl = O X1 = 1 Y X3 = 2.
Las variables aleatorias, as definidas y representadas, pueden ser discretas o continuas, tal y como las describiremos en los siguientes apartados.
15.:1.1. Vuriables aleatol"as diseretas

Cuando la variable aleatoria, X, es un conjunto de valores numricos
definidos sobre un conjunto finito o infinito, pero en cualquier caso numerable (susceptibles de ser contados) de casos posibles, decirnos que la
variable aleatoria es discreta. En este caso entre dos valores consecutivos
no existen valores intermedios, porque la variable aleatoria X toma valores nicamente en los puntos XI' X2' . , xn con probabilidades respectivas
Pi siendo nula la probabilidad de que tome cualquier otro valor.
Los siguientes casos:
ANLISIS DE DATOS EN PSICOLOGtA 1
DISTRIBUC
Nmero de asignaturas matriculadas por los alumnos de 10 de Psicologa.
de esta m(
diezmilsi
428
La edad --contada en aos- de estos alumnos.

El nmero de tems contestados correctamente en un test.
son ejemplos de variables discretas y los son tambin la mayora de
las situaciones que requieren un conteo.
ACLARJ
Continu~
pemtita
la malen
"
L.ala
ACLARACiN: Un tipo especial de variable discreta es la variable aleato
ria de BemouH, que estudiaremos en el tema 19 y que, como Veremos, se
origina en aquellos experimentos en los que slo se pueden dar dos valores:
hombre-mujer, cara-cruz; salud-enfermedad; acieno-Fallo. etc. El espacio
muestral es binario y los valores numricos asignados a cada suceso del
espacio muestral suelen ser I y O. Entre las distribuciones de \'ariables discretas ms importantes estn la distribucin binomial, binomial negativa, multinomial, Poisson, pascal e Hipergeomtrica algunas de las cuales estudiaremos en los temas siguientes.
1.1.:i.:!. \aria"I.'" all'alllria.. lul1til1ua ..

Cuando la variable aleatoria, X, loma cualquier valor numrico de un
conjunto infinito -y por tanto no numerable- de casos posibles, decimos
que la variable aleatoria es continua. En este caso, entre dos valores cualesquiera de la valiable, por muy prximos que estn, podemos encontrar
infinitos valores inlermedios. Los siguienres casos:
;_1
continu~
gral no I
dientes s
ce de est
Por otra
modelos
cio 001
decor y.
el tema I
hiptesis
Demom
aprender
nos evita
aplicaci
cin yva
(.,.4. F
Tiempo que tarda una rata en recon-er un laberinto.

El cociente intelectual.
La longitud de unos estmulos presentados en expe;mentos de percepcin visual.
El tiempo de reaccin ante un estimulo.
son ejemplos de variables tericamente continuas que puede presenlar valores como 3.7, 3.8, 3.72 o 3.721 segundos y entre dos cualesquiera
de ellos, v.gr. 3.721 y 3.722 seg, existen infinitos valores intennedios como
3.721049. 3.72119. 3.72196 etc.
Sin embargo, en la prctica estas variables se manifiesten como discretas debido a las limitaciones del instl1.lmenlo de medida. Por ejemplo,
al medir el tiempo que tarda la rata en reCOITer el laberinto, la exactitud
A partil
tico de las
los temas i
se determi
cias acumt
La fune
de una van
lieo, lo cu~
los posible
asociadas 1
nes, lIamal
b,bilidadque asignl
429
LOGIA I
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS
de Psi-
de esta medida depender de que el reloj mida en segundos, milisegundos,

diezmilsimas de segundos o cualquier otra unidad ms o menos precisa.
)na de
ACLARACIN: El clculo de las probabilidades asociadas a una variable

continua requiere conocer y dominar una rama de las matemticas que nos
permita manejar funciones definidas en espacios continuos. Esta pane de
la matemlica es el clculo integral que nos posibilita pasar del sumatorio,
,.,L, a la integral, L,cuando estamos trabajando con una funcin, [(x),

"
~to
_,se
ores:
oacio
> del
; disgati.
rua-
>de un
ecimos
es cua;onLrar
continua en un intervalo [a,b]. Pero no hay que alarmarse, el clculo integral no lo abordaremos porque las soluciones de las integrales correspondientes se encuentran recogidas en unas tablas que aparecen en el apndice de este libro y que aprenderemos a manejar en su momento.
Por otra pane, este tipo de variables pueden distribuirse de acuerdo a unos
modelos de distribucin conocidos entre los que se encuentran la distribucin nonnal, la distribucin "1" de Sludent, la distribucin "P' de Sne-decor y la distribucin chi-cuadrado de Pearson, que describiremos en
el tema 18, y en las que se basa la inferencia estadstica y el contraste de
hiptesis que se estudiar con ms detalle y profundidad en segundo curso.
De momento solo daremos una ligera descripcin de sus caractersticas,
aprenderemos a utilizar sus correspondientes tablas de probabilidad (que
nos evita aplicar el clculo integral) y \'eremos, a modo de introduccin, su
aplicacin para la inferencia de los valores poblacionalcs: media, proporcin '! variam.a.
1,;-4_ Fl "Ci" DI: 1'11011 \1111.111 \11
de per-
preseniquiera
s como
no disemplo,
.actitud
A pal1ir de este punLO vamos a describir el comportamiento matemtico de las variables aleatorias (v.a.) de forma similar a como se hizo, en
los temas iniciales del temario, con las variables estadfsticas para las que
se determin su distribucin de frecuencias, de proporciones, frecuencias acumuladas, proporciones acumuladas, etc.
La funcin de probabilidad --o funcin de densidad de probabilidadde una val-iable aleatoria es la definicin de su cOmpaI1imiento mat.emtico, lo cul implica detelminal~ por un lado su espacio muestral -todos
los posibles valores que loma la v.a- y por 011'0 lado las probabilidades
asociadas a cada elemento del espacio muestra!. Con estas consideraciones, llamamos funcin de densidad\re"pI.0babilidad --o funcin de probabilidadde una variable aleatoria: X:atrt:incin, ecuacin o regla
que asigna probabilidades a cada uno de los posibles valores nurn
... '
r~).-_
430
ricos, Xl' que toma la variable aleatoria, X. Por tanto, nos posibilita el
clculo de la probabilidad asociada a cada elemento del espacio muestral
de dicha variable aleatoria.
Esta funcin se representa por f(x) y, tanto para variables aleatorias
discretas como para las~~expresa:
D1STR
de
me
priJ
apl
f(x)~P(X~x)
ein
pr
que escrito literalmente, dice que (x) es la probabilidad, P, de que la

variable aleatoria, X, tome el valor concreto x. Cuando la variable aleatoria es discreta su funcin de probabilidad puede presentarse resumida en una tabla como la siguiente:
XI
((XI) = P(X = XI) = PI
Xl
((x 2 ) = P(X = Xl) = P2
XJ
((Xl) = P(X = Xl) = P3
En
tarse 1
senta I
-
l
que desan-ollaremos en el siguiente ejemplo.
- e
d
Ejemplo 15.1. Ya hemos expuesto un experimento aleatorio que

consista en escoger a dos personas para un trabajo de seleccin y
hemos definido la variable aleatoria X: nmero de mujeres seleccionadas, vamos a obtener su funcin de probabilidad.
El,
sigL\
Hemos visto que la variable X tomar el valor Ocuando en las dos

extracciones sucesivas y sin reposicin -que convierten a los sucesos
en dependientes- no se seleccione ninguna mujer y los seleccionados sean dos hombres:
.
O) = P(X ~ O) =P(H nH)
=P(H)
P(H I H)
2 1 I
=54
=10 ~0.1
dete
431
de forma similal~ la variable X tomar el valor 1 cuando en la pri*

mera extraccin salga un hombre y en la segunda una mujer o en la
primera una mujer y en la segunda un hombre, y su probabilidad,
aplicando los teoremas de la suma y el producto, es:
[O)" P{X" I)" P(H ()M)v P{M() H) ~

"P(H) -P{MI H) + P{M) -P(H I M) =
2 3 3 2 12
=---+---=-=0_6
5 4 5 4 20
el mismo razonamiento para el valor X igual a 2, que el lector comprender fcilmente, y vale:
[(2)~ P(X ~ 2) = P(M() M) ~ P(M)-P(MIM) ~
3 2
6
5-4
~ 20 =0_3
Estos valores se muestran resumidos en la siguiente tabla:
[(x)
0,1
0,6
0,3
En general, pero no siempre, la funcin de probabilidad puede presentarse tambin mediante una ecuacin matemtica. En este caso se pre-
senta en dos partes:

- una en la que se delimitan los valores donde la funcin de probabilidad est definida y, en consecuencia, toma un valor positivo;
- en la otra se especifican los valores donde la funcin de probabilidad es cero.
El siguiente ejemplo ayudar a aclarar esla idea:

Ejemplo 15.2. Sea una variable aleatoria cliscreta definida por la
siguiente ecuacin:
3X-4
[(xl =
26
{
O en otro caso
- - Parax=2, 3, 4, 5
detenninar su funcin de probabilidad.
432
Aplicando la ecuacin que define su funcin de probabilidad para

los valores 2, 3, 4 Y5 tenemos que:
32-4
2
=26
26
33-4
5
Para x = 3=> (O) = P(X = 2) =
=26
26
34-4
8
Parax=4 =>(4) = P(X=4)=
=26
26
35-4 II
Para x = 5 => ((S) = P(X = 5) =
=26
26
Dl5T1l
P,
depr
la rer
conti:
Parax=2=>{(2)=P(X=2)=
y tambin podemos presentarla resumida en la siguiente tabla que

se denomina tabla de la funcin de probabilidad:
x
{(x)
2
3
4
5
2126
5126
8126
11126
o
Fig. 1!
"'
15.4.
Dentro de la teona de la probabilidad, todo lo mencionado respecto a

la distribucin de una v.a. se puede referir tanto a la funcin de probabilidad -si se trata de una variable aleatoria discrela- como a la funcin de
densidad de probabilidad -si es conLinua- aunque es frecuente no hacer
tal distincin verbal. Cuando la variable aleatoria es continua su funcin
de densidad de probabilidad no puede resumirse en una tabla porque el
nmero de valores que toma este lipo de variable es, por su propia defi
nicin, infinito. En esta situacin el nico procedimiento es recurrir a
una ecuacin matemtica que la describa como se hace para la distribu~
cin nonnal y otras distribuciones continuas que veremos en el tema t 8.
15.4.1. Hepresentacin grfica

La representacin grfica de la funcin de probabilidad, para una
variable aleatoria discreta, adopta la forma propia de un diagrama de
barras que representan las probabilidades asociadas a cada uno de los
valores discretos de la variable y donde la altura de cada barra representa su probabilidad (figura 15.1 a).
e
la de
DISTRIBUCIONES DE PROBABILiDAD DE VARIABLES ALEATORIAS
433
Por el contrario cuando la variable aleatoria es continua, la funcin

de probabilidad toma valores en cualquier punto del intervalo, por lo que
la representacin grfica es una funcin suave, sin escalones y sin discontinuidades, tal y como se puede ver en la figura 15.1 b.
f(X)
Fig. 15.1 o: Funcin de probabilidad de

u!\o variable aleatorio discreto.
Fig.15. I b: Funcin de probabilidad de

uno variable aleatorio c.Ol'\tinuo.
1.3.4.2. Propiedndes
Las dos propiedades fundamentales que debe cumplir la funcin de
probabilidad son:
- Para cualquier valor de x, siempre toma valores positivos o

nulos, es decir:
vX E X
[(xi) ~ O
- La suma de todas las probabilidades correspondiente a cada

valor de x es igual a uno:
En el caso discreto:
"
2,f(x,)
~ [(x) + f(x,) + ... + f(x,,) = 1
;..1
yen el caso continuo:
Observar que estas propiedades no son ms que una adaptacin de

la definicin axiomtica de la probabilidad al caso de variables aleatorias.
434
AClARACJN: Cuando la variable aJeatoria es continua en el intervalo [a,h],

ya se ha comentado que el nmero de valores que puede tomar es infinito
y los puntos esln infinitamente prximos entre s. Por tanto, puesto que la
suma de las probabilidades para todos los posibles valores del intervalo
(espacio muestral) tiene que ser la unidad y este intervalo esta constituido
por infinitos valores, la probabilidad asociada Q cada uno de estos i"rlitos
valores de la variable continua es infinitamente pequeilo (nulo) y. en consecuencia, la probabilidad de que la variable aleatoria continua, X. tome un
valor concreto x es cero:
DIST
da
Ejemplo 15.3. Sea la misma variable aleatoria discreta definida

anteriormente por la siguiente funcin de probabilidad:
( (x) =
3X-4
26
- - Parax=2, 3, 4, 5
{
ha
en otro caso
detenninar si es una verdadera funcin de probabilidad.

Para ello tienen que cumplirse las propiedades mencionadas:
"
l{(Xi)
e
ne
={(XI) + {(x,) + ... + {(x") =1
.,,\
A partir de la tabla de la funcin de probabilidad obtenida en la

actividad anterior y que reproducimos a continuacin:
{(x)
2
3
2/26
5/26
8/26
11/26
4
5
vemos que las probabilidades encontradas para todos los valores de

la variable aleatoria discreta. X, son positivas o nulas donde la variable no est definida. cumplindose la primera propiedad.
ta
15.,3.
Se
de pro
la vac
creto
LOGiA I
435
DISTRIBUCIONES DE PROBABlLlDAD DE VARlABLES ALEATORIAS
:a,b],
inito
uela
Respecto a la segunda, la suma de las probabilidades para todos

los valores de X tiene que ser igual a la unidad, es decir:
'valo
uido
'litas
,
2
5
8
J J 26
2/(x)=-+-+-+-=-=1
,.,
'
26 26 26 26 26
mse-
En consecuencia, como se cumplen las dos propiedades requeridas, se trata de una verdadera funcin de probabilidad.
eun
Ejemplo 15.4. Sea la siguiente ecuacin que define una posible

funcin de probabilidad de una variable aleatoria discreta:
oida
{(x)
~ {(X'
n
-7) e'
~ 3; 4; 5; 6; 7.
para otro valor
Calcular el valor de e para que sea una autntica funcin de probabilidad.
Para que sea una autntica funcin de probabilidad se tienen que

cumplir las dos propiedades sealadas anteriormente, es decir. se tiene que cumplir que rf(x) = 1. Operando con la ecuacin
I:f(x) ~ T.(x' -7)e' =e' T.(x' -7) =
e' (0' _7)+(4' -7)+(5' -7)+(6' -7)+(7' -7)=

c"l 100 = 1:::} el =
l~O = 0.01 Y por tanto e = ~O.OI
= 0.1
la
Conocido el valor de e, solo queda comprobar que:

't x e X f(x,)
tarea que dejamos allectoT.
15.5. FNCI'II VE DISTRIBUCIN

,de
a
Se representa con la misma letra, pero en mayscula, que la funcin

de probabilidad, es decir: F(x) y nos d i ~ a probabilidad de que
la variable aleatoria tome un valor menor o igual que un valor concreto x. Es decir:
436
DlSTRlBUCI(
F (X,) = P (X",,"x,)
LoSVl
como la.
Para variables aleatorias discretas, es:
F(x,)
= P(X ~ x,) = I{(x,)

.. I
Dicho con otros palabras. seguramente menos rigurosas pero ms comprensible. Si ordenarnos de menor a mayor los valores Xl de la variable
aleatoria discreta (Xl < X2 < X.l < ... X,,), la funcin de distribucin se
obtiene acumulando (o sumando) los valores de la funcin de probabilidad, de forma que para una variable aleatoria discreta aplicaremos
la siguiente expresin:
(;-,21W t
~;
F(x,) = P (X '2 x,) ={(x,) + {(x,) + ... + {(x,)
O de forma ms rigurosa, dado un espacio muestral, E. y una variable

aleatoria, X, asociada a E, se llama funcin de distribucin de la variable
aleatoria X a la funcin que atribuye a todo nmero real, x, la probabilidad de que la variable aleatoria X tome un valor menor o igual
quex.
De form
de probabiJ
continuas.
Si la var
distribuci
lo [a,x], es (
tome valOrE
Estafun
taria distrib
variable poI
gral Y su eX"
Ejemplo 15.5. Con los mismos datos del ejemplo 15.1, donde el
experimento aleatorio consista en escoger a dos personas para un
trabajo de seleccin vamos a calcular su funcin de distribucin.
siendo
tal y con
Calcularemos F(O), F(l) y F(2). Comenzamos por F(O) que es la
probabilidad de que la variable aleatoria X: nmero de mujeres seleccionadas tome un valor menor o igual a cero, esto es:
1.;..;. J. 11,
F (O) = P (X ~ O) = P (X = O) = 0,1
La repre
dad de una
de fonna similar F(l) es la probabilidad de que el _nmero de mujeres seleccionadas,. sea menor o igual a 1, esto es, que sea cero y una
mujeres:
F(I) = P(X~ 1) = P (X = O) + P (X = 1) ={(O) + ((I) = 0,1 + 0,6 = 0,7
F(X)
Ylo mismo para calcular la probabilidad de que el ~nmero de mujeres sea menor o igual a dos:
F (2) = P (X ~ 2) = P (X = O) + P (X = I) + P (X = 2) =
=
f (O) + f (1)+ {(2) = 0,1
+ 0,6 + 0,3 = 1
F;g. 15.4
101'
uno voril
lAl
437
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORlAS
Los valores obtenidos se suelen presentar resumidos en una tabla

como la siguiente:
x
F (x)
n-
,le
..
,.
)5
le
.e
.~
0,1
I
0,7
2
I
De fOlma anloga a la definicin dada para la funcin de distribucin

de probabilidad para variables aleatorias discretas, lo haremos con las
continuas.
Si la variable aleatoria est definida en el inren'alo [a,b] la funcin de
distribucin, F(x), mide la masa de probabilidad que existe en el intervalo [Ol,x], es decir la probabilidad de que la variable aleatoria continua, X.
tome valores menores o iguales que x, es decir:
F(x) = P(Xsx)
Esta funcin de distribucin se puede interpretar como una masa unjtlria distribuida continuamente a lo largo del intervalo de variacin de la
\'ariable por lo que, en lugar del sumatorio, tenemos que emplear la nregrol y su expresin para variables aleatorias continuas es:
F(x)=P(X~x,)= J:f(x).d.x
siendo
F(x)=O
SiX<3
sia<x<b
six~b
y F(x)= 1
tal y como se puede ver en la figura 15.4.
La '"epreselHacin grfica de la funcin de distribucin de probabilidad de una variable discreta adopta la forma de un diagrama de barras
F(x}
f(ll,f---f
F(X)
.....~--I~-t--x
4
fig.15.4 lo): funcin de distribucin de

uno variable aleatoria discreto.
fig 15.4 lb): Funcin de distribucin de

una variable aleatorio continuo.
438
ANLISiS DE DATOS EN PSICOLOGtA I
OISTRlBl
de probabilidades acumuladas donde la altura de cada balTa corresponde al valor de su funcin de distribucin o probabilidad acumulada. En
el caso continuo la representacin granea es una funcin continua sin
aspecto quebrado.
- Pal
val
CUI
de
b,l
1.)..~.2. I'ropitdade..
Observando las grficas de las [iguras 15.4 (a y b) se deduce, sin necesidad de recunir a demostraciones matemticas. las propiedades fundamentales que debe cumplir la funcin de distribucin de probabilidad.
Estas son:
- Todos los valores que t.oma la funcin de distribucin de pro
habilidad son positivos o nulos, es decir:
Para lodo valor x, de X -+ F (x,) ~ O
- F(x) es nula para todo valor de la variable inferior al menor
valor de la variable aleatoria En otras palabras. si F(x) est definida en el intervalo (a,b), la funcin de distribucin de probabilidad
fuera del lmite infelior de ese intervalo es cero:
qUI
mi>
<as
esp
de:
la i
da
I AC~
de prol
sern (
F(x)=Osix<Q
concre
F(x) es igual a uno para todo valor igualo superior al mayor

valor de la variable aleatoria. Si F(x} est definida en el intervalo
(a,b), la funcin de distribucin de probabilidad fuera del lmite
superior de ese intervalo es uno:
probab
babilid
nuas, f
mtica
F(x}=lsix>b
- La funcin F(x) es no decreciente ya que es una acumulacin o

suma de probabilidades que son siempre positivas o nuJas.
l.',t>, H
- Tanto para las variables aleatorias discretas como para las continuas, la probabilidad, P, de que la variable aleatOlia X tome valores
x comprendidos entre Xl y X2 (x 1 ~ X S x 2) es la diferencia entre los
valores de la funcin de distribucin correspondientes a su valor
superior menos su valor inferior, tal como se representa en la siguiente grfica.
En lO!
do. El es
nos da u:
darse. Pe
siendo el
poco mal
de esto, J
test fom
que solo
las difere
F(x)
P(xl<xSx,)=F(x 2 )-F(x l )
F(x~ 1
'1',1
o
x, x
1 Enes
de contesta
cin de 3 el
DISTRIBUCIONES DE PROBABIUDAD DE VARIABLES ALEATORIAS
439
- Para el caso de una variable aleatoria continua definida en el intervalo [a,b] como la representada en la figura IS.I (b) y teniendo en
cuenta que para valores por debajo del lmite inferior, a, la funcin
de distribucin es nula y para valores superiores al lmite superior,
b, es uno, podemos escribir que;
que indica que la masa de probabilidad total es igual a uno. Es el

mismo concepto descrito para las variables discretas, donde en aquel
caso, la suma de las probabilidades asociados a todos los valores del
espacio muestral es uno. Para el caso de variables continuas, la suma
de los infinitos valores del espacio muestra! queda representada por
la integral. En tnnmos grficos, significa que el rea comprendida entre la curva y el eje de abscisas es igual a la unidad.
ACLARACIN: Esta ltima exposicin terica de los conceptos de funcin
de probabilidad y de distribucin de variables continuas y sus propiedades
sern de gran utilidad en el tema 18 que se centrar en algunos modelos
concretos de distribuciones de probabilidad de variables aleatorias continuas, en los que Sln necesidad de recurrir a complejas ecuaciones matemlicas con integrales podremos servimos de unas tablas para calcular las
probabilidades. Pero es necesario saber cmo y por Qu se obtienen las probabilidades pedidas en cada siluadn concrela.
15.6. HESVMEI\
En los temas anteriores aprendimos lo que es un experimento aleatorio. El espacio muestral o universo de resultados posibles asociado a l,
nos da una desclipcin exhaustiva de todos los resultados que pueden
darse. Pero en muchas situaciones de la vida cotidiana, esta descripcin
siendo exhaustiva puede ser enormemente extensa y, en consecuencia,
poco manejable para describir una variable aleaLOria. Como ilusLracin
de esto, pinsese en la puntuacin que una persona puede obtener en un
tesL formado por 20 preguntas con tres altemativas de respuesta de las
que solo una es cOITecta, sera capaz de construir el espacio muestral de
las diferentes formas de responder al test?]. Pinselo pero no lo acabe por1 En esta situacin el espacio muestral est fonnado por las diferentes formas distintas
de contestar a este test que. como se ha visto en el tema 13, son las variaciones con repeli
cin de 3 elementos. tomados de 2.0 en 20. Es decir. VR uo =3N =3.486.784.401.
440
ANLISIS DE DATOS EN P51COLOClA 1
que seJia una prdida de tiempo ms til para otros objetivos. Si, como
suele ser habitual, solo estamos interesados en el nmero de respuestas
acertadas en el test, podemos recunir, como eSludiamos en este tema a
la variable aleatoria X '" nmero de respuestas acertadas contestando al
azar, y con los conocimientos adquiridos hasta el momento, construir
su tabla de distribucin de probabilidad, que nos proporcionarla una des
cripcin mucho ms resumida, manejable e igualmente exhaustiva de esta
v3;able aleatoria.
Habr observado tambin, y as lo esperamos, que una tabla de dis
tribucin de probabilidad de una variable aleatoria discreta es similar a
una tabla de distribucin de proporciones de una variable estadstica dis
creta. El mismo paralelismo se produce entre la tabla de la funcin de
distribucin y la tabla de proporciones acumuladas, y por supuesto entre
sus respectivas representaciones grficas. Cuales son, entonces, las dife
rencias?: la variable aleatoria representa el universo (espacio muestra o
poblacin de resultados posibles de un experimento aleatorio, en tanto
que la variable estadstica incluye los valores obsen'ados en una muestra,
pero no necesariamente todos los valores posibles. En consecuencia una
distribucin de probabilidad es la distribucin terica de los valores de
una variable aleatoria, que forman el espacio muestra!. poblacin o universo de resultados posibles, mientras que la distribucin de proporcio
nes de una muestra es la distribucin emprica de unos valores observados en esa muestra y que no constituyen la poblacin o universo de
resultados posibles. Por otra parte, la proporcin de valores obsenrados
para una variable estadstica, calculada mediante el cociente entre los
valores obsen'ados, n, y el IOtal, , (similar al cociente entre casos ravo
rabies y casos posibles) no es ms que una tosca aproximacin a la definicin estadstica de probabilidad que, para una variable aleatoria, calcularamos con los procedimientos estudiados hasta el momento.
Por ltimo, podemos anunciar que de forma similar a como desc;b(amos una va;able estadistica discreta -recurriendo a la obtencin de diferentes ndices: de tendencia central; de posicin; de variabilidad-lo haremos con la variable aleatOl;l, Pero esto lo trataremos en el prximo tema.
Antes asegrese de haber asimilado todos los conceptos realizando los
ejercicios que aparecen l continuacin,
D1STRJBUCll
ITJ
[!]
El esF
a) 7 s
b) 8 s
e) 2 s
La
V31
a) O; 1
b) 1;;
e) O; I
[I]
La fUI
a)
O
I
8]
La fu,
a)
O
I
2
3
[I]
Cansie
dad de
a) los
b) la p
e) la f,
ImagiJ
babilid
roja y
entre -4
1.. 7. EH.IlCIClOS
que UIl
y 580 1
Se lanza sucesivamente una moneda tres veces y definimos la variable aleatoria X = .. numero de caras obtenidas entre la primera y la tercera moneda .
a) f(SS
b) F(S'
e) F(S:
ifA 1
mo
O]
;tas
441
El espacio muestral de este experimento aleatorio est fOlmado por:

a) 7 sucesos
.a a
,al
b) 8 sucesos
e) 2 sucesos
uir
105-
[ ) La "ariable aleatoria toma los valores:
~ta
a)0;1;2;3
b) 1; 2; 3
lis-
e) O; 1; 2
ra
de esta variable aJeatoria es:

ITJ a)La funcin de probabilidad
b)
e)
lisde
.tre
f(x)
f(x)
f(x)
O
1
0,25
1
2
0,25
0,25
O
1
0,25
0,5
F(x)
F(x)
F(x)
de
los
los
O
1
1
2
3
0,25
0,50
O
1
0,25
0.75
1
vo-
0,25
0,50
0.75
1
ife
1)0
>lo
Ta,
ma
de
ruioer-
:13.
los
ia:e
e)
Considerando la representacin grfica de la funcin de probabilidad de una variable X, en el eje de ordenadas se recoge:
re-
b)
a)
,6al-
fe-
0,25
0,25
3
0,50
2
2
0,25
3
0,25
La funcin de distribucin de esta variable aleatoria es:
a) los valores de X
b) la probabilidad
e) la frecuencia
lmagine que conocemos la ecuacin que denne la funcin de pro
babilidad del tiempo de "eaccin de unos sujetos nonnales a una luz
roja y que esta funcin est definida en el intervalo comprendido
entre 400 mseg y 630 mseg. Si deseamos calcular la probabilidad de
que un sujeto tenga un liempo de reaccin comprendido entre 500
y 580 mseg, tendramos que realizar la siguiente operacin:
a) f(580) + f(500)
b) F(500) - F(580)
e) F(580) - F(500)
442
Con Jos mismos datos del ejemplo antedor, la probabilidad de que

un sujeto cualquiera responda en 500 mseg:
DISTRlBUC
11
a) se calculara a partir de la ecuacin de su funcin de probabi-
lidad.
b) es cero.
e) nunca se poclJia calcular.

Con los mismo datos del ejercicio 6, la probabilidad de que un sujeto tarde ms de 630 mseg en reaccionar a la luz roja, es:
a) uno
b) cero
De ac:
los va
mera
colurr
la es 1
e) depende de su funcin de probabilidad.

La expresin [(x) representa:
a) La probabilidad de que la variable aleatoria X tome un valor con-
creto, x.
b) La probabilidad de que la variable aleatoria X tome un \'3101'
menor o igual que x.
e) La probabilidad de que la variable aleatoria X tome un valor
menor que x.
En un experimento aleatorio cualquiera para representar la expresin .Ia probabilidad de que una variable aleatoria, X, tome valores
menores o iguaJes que 4_ utilizamos:
a) f(4)
b) F(4)
e) P(4)
11
La fur
ya que
r(O) =
=0,5
rO)
= 0,5
\.;.H. SOU ClO\ \ I.OS 1:.II.IIC1CIOS
{(2)=
:: 0,5 .
Si se lanza la moneda sucesivamente tres veces, el espacio muestral

11 est
formado por las distintas variaciones con repeticin de dos ele-
Por 101
mentos (cara y cruz) tomados de tres en tres, es decir por VR v = 23 =

= 8 Y son:
la funl
11 des
ap
siguiefl
CCC
CC'
C'C
'CC
donde
la b.
e indica a;cara_ y * ",cruz_. Por tanto la respuesta correcta es
Por tan
F(O) =
,
Espacio muestral
CCC
CC'
C'C
2
1
2
1
1
O
1
O
cc
C"
'C'
..c
443
De acuerdo con la definicin que se ha dado a la variable aleatoria,

los valores que toma X = numero de caras obtenidas enlre la primera y la tercera moneda son los que se muestran en la segunda
columna y toma los valores: O. 1 y 2 por lo que la respuesta correcta es la c.
11
La funcin de probabilidad de esta variable aleatoria es:
[(x)
0,25
0,5
0,25
2
ya que:
{(O) =p (X. O). P ('C") + P ().

0,5 . 0,5 . 0,5 + 0,5 . 0,5 . 0,5 0,25
{(I) = P (X. 1). P (CC") + P ('CC) + P (C"') + P ("C).
0,5 . 0,5 . 0,5 + 0,5 .. 0,5 . 0,5 + 0,5 . 0,5 . 0,5 + 0,5 . 0,5 . 0,5 0,50
{(2) =P (X. 2). P (CCC) + P (CC).

0,5 . 0,5 . 0,5 + 0,5 . 0,5 . 0,5 = 0,25
Por lo que la respuesta correcta es la
3.
La funcin de distribucin se obtiene acumulando las probabilida~

des a partir del valor menor de la variable aleatoria y aplicando la
siguiente expresin:
i
F(x;). P(X ~ Xi) I{(x;)

_l
Por lnto:
F (O)
=P (X ~ O) = {(O) =0,25
444
OISTRI:
F (1) = P (X < 1) = (O) + ((1) = 0,25 + 0,50 = 0,75
l<
F (2) = P (X < 2) = (O) + ((1) + (2) = 0,25 + 0,50 + 0,25 = l
quedando la tabla resumen de la funcin de distribucin igual que

la presentada en la alternativa c.
X
(x)
O
1
2
0,25
0,75
I
)'
11 E
FI
di
es
d,
d,
no merece ningn comentario la confirmacin de que la res11 Casi

puesta correcta es En el eje de abscisas se recogen los vaJores de
3.
la variable. La frecuencia no se recoge en la representacin.
11 p (500
Lo que hay que calcular es, escrito en lenguaje formal, lo siguiente:

~
X S; 580), es decir la probabilidad de que la variable aleatoria X sea un valor comprendido entre 500 y 580 que se puede res-
yl
11 unLa
rel
cribir de la siguieme forma:

P (500
di!
<X < 580) = P (X < 580) -
P (X < 500) = F (580) - F (500)
por lo que la respuesta correcta es la e) que grficamente corresponclela a algo similar a lo que se representa en la siguiente grfica:
F(x)
F-----:,...,.I----
F1500) 1---,
1
F1580)
-t---x
500 580
Para toda variable continua la probabilidad de tomar un valor concreto es cero. Tngase en cuenta que el nmero de valores que pue
de tomar una variable continuas es infinito por lo que los puntos
estn infinitamente prximos enlre s. Por tamo, puesto que la suma
de las probabilidades para todos los posibles valores del intervalo
(espacio muestra!) tiene que ser la unidad y este intervalo esta constituido por infinitos valores. la probabilidad asociada a cada uno de
estos infinitos valores de la variable continua es infinitamente peque
o (nulo) y. en consecuencia, la probabilidad de que la valiable alea-
11II
.L
m,
COI
1.,
,fA 1
445
loria continua, X, tome un valor concreto x es cero. Esto lo escribimos as:

lue
y la '"cspuesta es b.
Una de las propiedades de la funcin de distribucin es que

11 EsF(x)uno.
es igual a uno para lodo valor igualo superior al mayor valor
de la \'ariable aleatoria. Como nuestra funcin de distribucin F(x)
est definida en el intervalo (400,630), la funcin de distribucin
de probabilidad fuera del lmite superior de ese intervalo es uno, es
decir:
~es
;de
F (x) = I
si
x>630
y la respuesta es a.
lte:
.10-
La expresin f(x) se utiliza para representar la probabilidad de que

11 lIna
determinada variable aIC<lloria. X, tome un valor concreto que
representamos por x, es decir: [(x) = p (X =- x) tanto para variables

discretas como continuas. La respuesta es a.
:-es-
1)
:"es-
lea:
:onlUe
HOS
1ma
ialo
)OS-
,de
~ue
Jea-
lID
.La p,obabilidad de que una variable aleatoria. X. lome valores

menores o iguales que 4. lo podemos rescribir asi: P (X S 4) que
cOITesponde a la funcin de distribucin que se representa por F(4).
la respuesta es b.
Terna 16
Variables Aleatorias Discretas (1):
Una Variable
16.1. 1:\Tf
SUMAIlIO
En los ter
aleal.Orio defj
16.1. Introduccin
16.2. Momentos de la variable aleatoria
16.2.1. La esperanza matemtica o media
16.2.2. La varianza
16.3. Resumen
16.4. Ejercicios
lidades asoci
probabilidad
grfica. El sij
su funcin de
ricos que repl
y que denomi
ceptos son sil
han variables
tad conceptua
a describir ur
zas, tambin:
Todo este
variable aleato
lidad univaria
anterior. en Cl
mas variables
del director de
res y dos homl
cin. En esta:
mujeres seleo
ble Y como.n
de estudios de
De rnodoc;
ciones de pro'
contamos con
16.1. Ii\THODUCCIN
En los temas anteriores hemos visto que cuando en un experimento
aleatorio definimos una variable aleatoria podemos obtener las probabilidades asociadas a todos sus posibles valores, presentar su funcin de
probabilidad resumida en Una tabla y su correspondiente representacin
grfica. El siguiente paso, que abordaremos en este tema ser describir
su funcin de probabilidad mediante la obtencin de unos valores numricos que representen su tendencia central y su dispersin o variabilidad
y que denominaremos con el nombre genrico de momentos. Estos conceptos son similares a los ya vistos en los temas 4 y 5 cuando se estudia
ban variables estadsticas. Ver que no se aade ninguna nueva dificultad conceptual ni de clculo numrico. Si en los temas anteriores aprendi
a describir una dislribucin de frecuencias calculando medias y varian7.aS, tambin lo har ahora con las mismas herramientas de entonces.
Todo este tema se referir a la distribucin de probabilidad de una
variable aleatoria discreta, tambin llamadas distribuciones de probabilidad univariadas. Pero como se ha sealado en la introduccin del tema
anterior, en cualquier experimento aleatorio se pueden definir dos, tres o
mas variables aleatorias. Por ejemplo, recuerde la situacin del ejemplo
del director de un Gabinete de Psicologa Clnica que cuenta con n:es mujeres y dos hombres y desea escoger a dos personas para un trabajo de seleccin. En esta situacin, podemos definir la variable X como nmero de
mujeres seleccionadas. En otras situaciones, podemos definir la variable Y como nmero de hijos en edad escolar y la variable Z como nivel
de estudios del cnyuge.
De modo qu~ en cualquier situacin se pueden originar las distribuciones de probabilidad bivariadas, o en general. multivariadas cuando
contamos con ms de d~s~vana~les_aleatorias.Los conceptos que vere.-
450
VARJABLES AL
mos aqu son los mismos para cada una de las situaciones anteriores aunque, lgicamente, vara la fonna de calcularlos y se pueden obtener nuevos ndices numricos a cada situacin. Nos limitaremos al caso de una
va-jable en este tema, y a la distribucin de probabilidad bivariada (dos
variables) en el tema siguiente al que debe pasar cuando considere alean
zados los siguientes objetivos especficos que podr comprobar con los
ejercicios de autocomprobacin que le proponemos, como siempre, al
final del tema. nimo! Ver que no es tan complicado. Los objetivos son:
nicin que e
siguiente ron
ACLARACfl
momento~
sumatorio Si
Conocer las dos caractersticas ms sobresalientes que describen

una funcin de probabilidad.
ya que se Ita
multiplicado
tendremosq
lo que no ha
Conocer el concepto genrico de momentos.

Distinguir entre los momentos centrales y los momentos respecto
al origen.
En loque~
nuestros objet
cia central cor
media es uno
de el punto p t'
los momento!
el punto p es i
momentos tan
no entrarem~
etre otros.
Calcular la esperanza y varianza de cualquier distribucin de probabilidad de variables aleatorias discretas.

Conocer las propiedades que deben cumplir la esperanza y la
varian7.a.
Entender el paralelismo existente entre estos conceptos referidos
a una variable estadstica y a una variable aleatoria.
"
\11.1
\11 \TOHI \
En Jos lemas 4,5 Y6 aprendimos a describir una distlibucin de frecuencias de una variable estadstica mediante los ndices de tendencia
central, de dispersin, de simetra y de apuntamiento o curtosis. Lo mismo podemos hacer ahora con una val;able aleatoria cuya funcin de probabilidad queda perfectamente descrita mediante un conjunto de ndices
a los que vamos a designar con el nombre genl;co de momentos y de los
que posteriormente haremos una clasificacin. De todos stos, nos vamos
a centrar exclusivamente en los siguientes mOmentos: la media y la valianza (y, obviamente, su raz cuadrada, la desviacin tpica)
Se definen los momentos de orden r. respecto a un punto cualquiera p de una variable aleatoria X, como la esperanza matemtj
ca de las potencias de grado r de las desviaciones de los valores de
la variable respecto a este punto p. Pero esto no es ms que una defi-
1h.~. 1. l... Ji
los momel
representareml
nen. pam el ca
ACLARACIN
ce que para la!

sin:
Al
VARIABLES ALEATORIAS DISCRETAS (1): UNA VARIABLE
m-
nicin que en lenguaje fannal se escribe, para el caso discreto, de la

siguiente fonDa:
.ena
"', =
os
451
L (x, -p)'. f(x,)
mos
al
m:
ACLARACiN: Para las variables aleatorias continuas, el cOlceplo de

momento es el mismo, pero por su naturaleza de continua. el sfmbolo del
sumatorio se cambia por el de integral:
m,
J(x, -p)' . (x,) dx
ya que se trata de la suma de los .infinitos_ valores "{inilameme peqtteftos

muhiplicados Xlr su probabilidad. Sin embargo a 10 largo de este curso solo
tendremos que calcular los momentos de variables aleatorias discretas. por
lo que no haremos opernciones con integrales.
En lo que sigue mencionaremos los momentos ms interesantes para

nuestros objetivos de describir una funcin de probabilidad. Su tendencia central con la media y su variabilidad o dispersin con la varianza. La
media es uno de los denominados momentos respecto al origen, donde el punto p es cero, que representaremos por IJ', y la varianza es uno de
los momentos respecto a la media o momentos centrales, en los que
el punto p es igual a la media y que representaremos por IJ,. Hay otros
momentos tanto respecto al origen como respecto a la media en los que
no entraremos pero que originaran los ndices de asimetra y curtosis,
etre otros.
l h.:!.I. I.a 1.... ptl'allza

re:ia
is~o
~es
los
'os
lII;1t('1I1.1I il' ti 111
Los momentos respecto al origen, que para las variables aleatorias

representaremos por IJ" son aquellos en los que el punto p vale cero, y tienen, para el caso discreto, la siguiente expresin:
1.
~; =E(X') =:, . f(x,)
m-
alti-
de
,6-
ACLARACiN: Por lo que se ha dicho en la dcfinicin dc momentos se decllce que para las variables continuas. la esperan;,.a tendr la siguiente expresin:
~~
= E(X'):=
J': xi'
{(X,)
'v
452
ANLISIS DE DATOS EN PSICOLOG1A I
VARJABL~
,,
Las distlibuciones de probabilidad de variables aleatorias continuas que se
estudiarn en este curso en el tema 18 estn perfectamente especificadas y
en ningn caso tendremos que aplicar esta expresin para obtener su media.
Entre estos, el ms sencillo y uno de los ms importantes, es la esperanza matemtica o media que corresponde al momento respecto al origen de prime- orden. Se representa indistintamente por E (X) o por la
letra griega p (.mu.) y corresponde al valor obtenido al aplicar la expresin anterior considerando que, al ser de primer orden, r = 1, es decir:
~; = E(X) =
LX,'
,., {(x,)
es decir, que la esperanza matemtica de una variable aleatoria, X. es

igual a la suma de los productos de cada uno de los valores, ~, que
toma la variable aleatoria por sus respectivas probabilidades, f(x).
.=1
,.,
= E(X) = LX,' ((x,) = LX,' P(X =x,)
El lrmino tiene sus races en los juegos de azar con el fin de poder
estimar las ganancias esperadas si se repitiese el juego un elevado nme
ro de veces. Referido a una variable aleatoria, es sinnimo del concepto
media, estudiado en los temas previos, pero, dentro de la teoria de la probabilidad, es el que se utiliza para representar el promedio terico que
tomara la vaI-iable aleatoria si se repitiese el experimento aleatorio infinitas veces.
tal y co
han obl
primer.:
incluye
El valo
piedades (
se mostraJ
- La
el
-La ..
espel
- La e!
es ig-w
ble.
- Dada
delp
ranu
E()
Ejemplo 16.1. La esperanza matemtica (o momento respecto al

origen de orden uno) de la variable aleatoria que estamos estudiando, es:
X
Xl =
X2=
Xl =
O
1
f(x)
d(x)
0,1
0,6
0.3
0,6
0,6
1.2
Olro m(
tc'-ores, es
que repreSl
decir E(X 2)
t"es (r = 3),
1 Para salJ
que esperar al
ItOCA J
.ue se
das y
le{lia.
453
=E(X) =Ix,. (Xi) =x, . (x,) + x, . (X,) + x, (x,) =

1=1
= 00.1 + 10.6+2 0.3 = 1.2
espe
) al oriI por la
. expre!ecir:
3.
tal y como tambin se hace en la tercera columna de la tabla que se

han obtenido multiplicando los valores de la variable aleatoria de la
primera columna. Xi' por sus respectivas probabilidades, {(x),que se
incluyen en la segunda columna.
El valor esperado de una variable aleatoria tiene las siguientes propiedades que expondremos sin demostracin y que son las mismas que
se mostraron en el tema 4 para la media de una variable estadstica:
- La esperanza de una constante es igual a la constante.
X, es
X,que
t,
[(",).
E(e) = e
si c = constante
- La esperanza de una suma de variables es igual a la suma de las

esperanzas de las variables.
E(X + Y) = E(X) + E(Y)
: poder
nmencepto
- La esperanza del producto de una constante por una variable
es igual a la constante multiplicada por la esperanza de la variable.
la pro-
E(e . X) = e . E(X)
ca que
io infi-
- Dadas dos variables aleatorias independientes r X e Y, la esperanza

del producto de las variables es igual al producto de sus esperanzas.
E(X . Y) = E(X) . E(Y) Si y solo si X e Y son independientes.
o al
'ao-
Otro momento respecto al origen que nos interesa para clculos posteriores, es el momento respecto al origen de orden dos. Este es:
,,; = E(X') = !:x'.
(x.)
,
I
/"'.
que rCpt'cscnta la esperanza matemtica de los cuadrados de X, es

decir E(X 2). De forma similar podramos calcular los momentos de orden
tres (1' = 3), de orden cuatro (1' = 4). ele.
I P:uOl saber lo que significa que dos variables aleatorias. X e Y, son independientes hay
que c!>pcrar al lema siguiente donde se dt"SCliben estos \ otros conceptos.
454
ANLISIS DE DATOS EN PSICOLOGIA 1
VARIABLES Al
Ejercicio 16.2. Siendo X la variable aleatoria cuya funcin de

probabilidad viene recogida en la siguiente tabla:
X
f(x)
0.1
0.6
0.3
1
2
que ahora
que indkan.
desviacione
variable ale
calcular la esperanza de la variable Y = 3X - 2.

Un primer procedimiento es detenninar la funcin de probabili.
dad de esta nueva variable aleatoria que tomaria los valores Y = -2;
1; 4 al aplicar la ecuacin 3X - 2 a los valores de X = O; 1 Y 2 respec
livamente. y calcular la esperanza por el procedimiento habitual ya
explicado:
y
f(y)
y. f(y)
-2
1
0,1
0,6
0,3
Vol:
ACLARACH
que el mom
partimos d~
operamos el
~I
-0,2
0,6
1,2
que es una e
1,6
~=yIr(y,)=-2D,1
+ 10,6+40,6= 1,6
Un segundo procedimiento es aplicar las propiedades vistas de la

esperanza y sabiendo que E(X) = 1.2 entonces:
E (Y) = E (3X - 2) = E (3X) - E (2) = 3 . E (X) - E (2) =
=31,2-2= 1,6
Entre tocle
tivos de descr.
orden dos, qt:
ranza matem
res de la var
para derivar 1,
lJegando, como era de esperar, al mismo resultado.
I h.:!.:!. La ,adanza
Cuando en la expresin general de los momentos, que volvemos a
reproducir:
"', =
Se suele de
griega sigmal
tico se utiliza,
(x,-p)' . {(x,)
el valor p es igual a la media, tenemos los momentos centrales o

momentos respecto a la media y tienen la siguiente expresin para variables aleiltorias discretas 2:
Omitiremos, a diferencia de cmo hemos hecho con la media, la c.:<prcsin de la vunan...a p3l1l variables conlinuas, con la scgulidad de que el k-clor puede deducirla cambiando
el smbolo del sumalorio por el de la inlegral.
l
es decir, que la
cuadrados d
(E(X'.
VARIABLES ALEATORIAS DlSCRET....S (1): UNA VARIABLE
455
que ahora vamos a representar por}.l, y es igual a:
que indican que estos momentos son la esperanza matemtica de las
desviaciones respecto a la media de cada DO de los valores de la

variable aleatoria, X, elevadas a la potencia r.
ACLARACIN: Con el fin de afianzar estos conceptos, vamos a comprobar

que el momento respecto a la media de orden uno es igual a cero. Para ello,
partimos de la expresin del momento respecto a la media de orden uno y
operamos con ella algebraicamente:
que es una de las pwpiedades de la media, vista tambin en el tema 4.
Entre todos estos momentos el ms importante -para nuestros objetivos de describir una funcin de probabilidades el momento central de
orden dos, que recibe el nombre de varianza y corresponde a la espe
ranza matemtica de los cuadrados de las diferencias entre los valores de la variable y la media. Intente el lector comprender esta fTase
para derivar lgicamente que su expresin matemtica es:
Se suele designar tambin por V(X) y ms frecuentemente por la letra

griega sigma minscula elevada la cuadrado (6) y para su clculo prc~
tico se utiliza otra expresin que se deriva de la anterior y es:
a'
=V(X) =E(X 2 ) - [E(X)j'
es decir, que la varianza la podemos definir como la esperanza de los

cuadrados de X, E(X 2 ) menos el cuadrado de la esperanza de X.
(E(X'.
456
VARlABL~
ACLARACIN: Es muy recomendable comprender la deduccin

matemtica de esta ltima expresin por cuanto requiere operar con
el smbolo del sumatorio e identificar los momentos de los que estarnos tratando. Por tanto, partiendo del concepto de varianza y ope
rando algebraicamente con su expresin y el sumatorio. tenemos
que:
0 1 = V(X) = Ef(x - ~)l] = [(x, - J.1)1 . (X,) = r.(x~ - 2x,J.1 + J.11). X,) =
Utili
r.x: .f(x)- 11.1.r.X, X,) + J.11 r[(x,)

y habier
y teniendo en cuenta que:
a 1,2. _
to al ori
r.xff(x)=J.I;
f(X,)-=J.11 =J.1
r[(x,)= I
que pro
llegamos a:
r.t; .{(x,) - 2
J.I' :Ex,' {(x)+ J.I1 . r{(x,> = 112 - 2.t1l + J.I1 =

,
'
=J.I1 -2J.l +J.1 =J.12-J.1
donde el pdmer trmino representa el momento respecto al origen

de orden dos (o esperanza matemtica de X2) y el segundo trmino
representa el cuadrado del momenlo respecto al origen de orden uno
(o cuadrado de la esperanza de X).
Como ya se sabe de los lemas de Estadstica descriptiva, la va-janza

es un nmero positivo -o nulo cuando no hay v.u"iabilidad y todos los
valol-es Xi son iguales-o Al se." un nmero positivo existe su raz cuadrada
positiva que recibe el nombre de desviacin tpica y se designa, para las
variables aleatodas, por la letraEriega S'(sigmn minscula).
~'-"L
cr
CT
= jV(X) =) E(X - ~)' = [E(X') -
[E(Xl)'
cuyos re
Por tan1
y su ra
Entre Il
- La
- Sean
varia
varia
si y
Ejemplo 16.3. Continuando con el ejemplo anterior, vamos a cal
euJar su varianza y desviacin Lpica.
Vi
51
Nuevan
aleatorias, X 1
eslos y Olf'Os,
1: 1
457
x,f(X)
f(x)
O
1
2
. 0,1
0.6
0.3
0.6
0.6
0.6
1.2
1.2
1.8
X' f(x)
Utilizaremos la expresin:
o' = E (X') -
[E (X)J'
Yhabiendo calculado anteriormente que la esperanza o media es igual

a 1,2, slo nos falta calcular la esperanza de X 2 , o momento respec~
to al origen de segundo orden, mediante la e.xpresin:
,
~2
=E(X )=kx; f(x)
que proporciona el siguiente valor:

= 02 .0,1 +
]2.
0,6 + 22 .0,3 = 1,8
cuyos resultados tambin se incluyen en la cuarta columna de la tabla.

Por tanto, la varianza es:
o' = E (X)' -
[E (X)]' = 1,8 - 1,2' = 9.4<
~ ...
y su raz cuadrada es la desviacin tpica:
a =;;: = '/044 =0.663
,,)
Entre las propiedades de la varianza, debemos sealar las siguientes:
- La varianza de una constante es cero:

V(c) = O
si e = constante.
- Sean X e Y dos variables aleatorias independientes, entonces la

varianza de la suma de las variables es igual a la suma de sus
varianzas:
V(X+Y)
V(X) + V(Y)
si y slo si las variables X e Y son independientes!,

J NuC"vamenle, volvemos. a recordar que para saber lo que significa que dos variables
aleatorias, X e Y, son independientes hay que esperar al tema siguiente donde se describen
estos y otros conceptos.
458
VARIABLES
- La
ACLARACIN: Vamos a demostrarlo con el fin de aplicar y familiarizamos

con las propiedades de la esperanza expuestas en el epfgrafe anterior. Por
la definicin de varianza, tenemos que:
VI
iguaJ
de la
V(X + Y). E X + Y)')-(E(X + Y)'.
desarrollando los cuadrados de los binomios y considerando que la esperanza de la suma es igual a la suma de las esperanzas:
== E (X: + 2XY+ Y:}-(E (') + E(YW '"
E (X') + lE (XY) + E (Y'J - (E (X)' - lE (X) E (Y) - (E (Y))' :
y eliminando y reorganizando tnninos llegamos:

= E (X') - (E (X)' + E (Y') - (E (Y)' = V (X) + V (Y)
ya que los dos primeros lnninos constituyen la varianza de X y los dos

segundos la varianza de Y.
La varianza de la suma de una variable ms una constante es
igual a la varianza de la variable:

V(X + e) = V(X)
siendo c= conslanle.
ACLARACiN: En efecto. por definicin de "alianza:

V (X + e) = E (X + ef - [E (X + e)]2 '"
desarrollando Jos cuadrados de los binomios:
l/d. HE
Hemos
ra y la hen
y los mom(
les que hell
fundament
respecto al
la media d(
rencia enln
dode la me
entenderJo
siguiente.
Convien
ciones de u
variable aje
ca y la espe
de cIJo, corr
Para
tUllO
r[.
X=-
y aplicando las propiedades de la espclOlm..a:

E (X Z) + leE (A') + e Z - [E (X)r _ leE (A') _ e 2
reorganizando trminos y eliminando los que se anulan, llegamos a:
E (X)' - [E (Xl]' = V (X) = o'
que no es ms que la varianza de
x.
N
ma ecuaci
x =2<>,'
los valores (
Senla el cae
nmero de 1
a continuaCl
Para tilla
El cuadlOldo de un binomio (a :l: b)l es igual al cuadradQ del pI;mero mas el cuadrado del segundo m3!> (o menos) el doble del primero par el segundo.
l
(a +b)2 :a +b + 2ab
(a _b)2: al + b l _ 2ilb
E (X) =1
de acuerdo 1
entre el nn
VARIABLES ALEATORIAS DISCRETAS (l); UNA VARIABLE
459
- La varianza del producto de una constante por una variable es

igual al producto del cuadrado de la constante por la varianza
de la variable:
V(kXl ~ k' V(X)
Hemos estudiado la funcin de probabilidad de una variable aleatoria y la hemos descrito haciendo uso de los momentos respecto al origen
y los momentos respecto a la media. De estos conceptos tericos generales que hemos definido y expresado matemticamente, hemos utilizado
fundamentalmente dos: la media y la varianza. La media es el momento
respecto al origen d_e--2.r:4en uno, y la varianza es elmomento respectO a--la mooia de orden 2, y para su clculo prctico hay que o tenefla-aife7
rencia entre el momento respecto al origen de orden 2 menos el cuadrado de la media. Y esto no es un juego de palabras, de modo que si cree no
entenderlo, es conveniente que repase este tema antes de abordar el
siguiente.
Conviene insistir en el paralelismo entre la distribucin de proporciones de una variable estadstica y la funcin de probabilidad de una
variable aleatoria e igualmente entre la media de una variable estadstica y la esperanza matemtica de una variable aleatoria y como muestra
de ello, compare sus correspondientes ecuaciones:
Para una variable estadstica, la media es:
x= r~
Xi
puesto que el cociente entre fy N es la proporcin, esta mis-
ma ecuacin se puede escribir de la siguiente forma:

X = Pi Xi donde Pi es la proporcin correspondiente a cada uno de
los valores de X (x). Para una variable aleatoria, esta proporcin representa el cociente entre el nmero de casos favorables al suceso Xi y el
nmero de casos posibles, por tanto, su probabilidad, como exponemos
a continuacin.
Para una variable aleatoria, la media es:
E (X)
= 'Ix
r(x) donde r(x) es la probabilidad de aparicin de x, que
de acuerdo con la definicin clsica de Laplace, corresponde al cociente

entre el nmero de casos favorables y el nmero de casos posibles o, de
460
ANLISIS DE DATOS EN PSICOLOGfA I
VARIABLES Al
acuerdo con la definicin estadstica, frecuencia relativa o proporcin de

veces que aparece un suceso si el nmero de ensayos tiende a infinito.
Lo mismo ocurre con la varianza, donde su frmula, para el caso de
una variable estadstica es:
al 2,7
Para una variable aleaIO!;a, el p;mer trmino corresponde a la media
de X 2, E (Xl) Y el segundo es el cuadrado de la media. (E (XW, de acuer
do con la siguiente expresin:
V (Xl = E (X') - [E (Xl]'
siendo E (X') =
LX' . ((x)
b)7
el 2.4
En la si
X,lam!
En el siguiente tema veremos la distribucin conjunta de dos variables alealOlias anunciando de antemano su paralelismo conceptual con
la distribucin conjunta entre dos variables estadsticas. Antes de ello,
imente realizar los siguientes ejercicios que le indicar si est en condi
ciones de pasar a estudiarlo o conviene un nue\'o repaso de este tema.
IhA. I:.II:IIClCIOS
[J]
l...,;'\
esperanza de una variable aleatoria:
a) Siempre toma valores positivos.
h) No puede tomar valores negativos.

e) Su signo depende de los valores de la variable.
al 3,15
bl 2,95
el 3
En la si
X, la va
La varianza de una variable aleatoria:

a) Vara de menos inrinito a ms infinito.
h) No puede lomar valores negativos.

e) Su signo depende de los valores de la variable.
[O
La siguiente expresin: Lx,s. ((-l.";) representa:
al 0,84
a) El momento respecto al origen de orden cinco.

b) El momento respecto a la media elevado a cinco
e) La esperanza de X, elevado a la quinta potencia.
el 2,4
En la siguiente tabla de la funcin de distribucin de una variable

X. la media es:
En la sil
X,la Val
b)7
VARIABLES ALEATORIAS DISCRETAS
ro: UNA VARIABLE

X
F (X)
fl')
1
2
3
4
0,2
,t
0,5
0,9
1
c,~
,,u
",
461
.,,.
,
"~
", '"
"
1, '
a) 2,7
/1t<~
b)7
ei
2,4
En la siguiente labIa de la funcin de probabilidad de una variable

X, la media es;
{(x)
0,05
0,1
0,2
0,25
0,35
0,05
I
2
3
4
6
a) 3,15
b) 2,95
c)3
En la siguiente tabla de la funcin de distribucin de una variable
X, la varianza es:
F(x)
1
2
3
4
0,2
0,5
0,9
a) 0,84
b)7
e) 2,4
.
En la siguiente tabla de la funcin de probabilidad de una variable
X, la varianza es:
462
ANUSIS DE DATOS EN PSICOLOGA 1
(x)
21
0,05
0,1
0,2
0,25
0.35
0,05
3
4
6
VARlABLESA
La res
11 euanti
nesde
ellos (1
de muj
Laresp
11 orden
(
al 3,15
bl 2,95
el 1,84
el valor
r:
Para calcular la varianza de una variable aleatoria, podemos uliL (X - J.1)l . (x) u otra similar que implica
calcular:
'l..3r la expresin: V (X) '"
a) la media de X menos el cuadrado de la media de X.

b) El cuadrado de la media menos la media de Xl,
e) La esperanza de Xl menos el cuadrado de la esperanza de X.
5 (p
La resp
11 viamenl
las prot
la tereel
Si dos variables Z e Y son independicnles. se cumple que:

n} la varianza del producto es igual al cuadrado de sus varianzas.
b) La "alianza de la suma es igual a la suma de las varianzas.
e) La varianza de la suma es igual al producto de sus varianzas.
[!Q]
Cul de las siguientes propiedades es cierta?
aJ La esperanza de una constanle es uno.

b) La varianza de una constante es cero.
e) La vmian"..a de una constante es igual a la constante por la varian-
za de la variable.
sanas pa
11>,;. ";Olt (10 I S \ I OS 1.11 11('1 ('1 OS
La respL
11 segunda
La respuesta correcta es la c, ya que si la variable aleatoria toma

vaJor-es negativos (por ejemplo. temperatura de Moscll en el mes de
encro medida en oC) la exp"csin general de la esperanza:
E
(>0: IX" (x,)
al depender de los valores de x (positivos o negativos) puede ser negativo la suma final.
"
463
La respuesta correcta es la b, ya que la varianza es un ndice que

11 cuantifica
variabilidades y vale cero cuando todas las observaciones de una variable toman el mismo valor y no hay variabilidad en
ellos (por ejemplo, la variable aleatoria X = sexo- en una muestra
de mujeres) y va aumentando a medida que aumenta la variabilidad.
respuesta correcta es la a, ya que el momento respecto al origen de

11 Laorden
cinco requiere hacer en la expresin general de los momentos:
ni, =
L (x; - py, [(x;)
el valor p = O(por ser un momento respecto al origen) y el exponente

r = 5 (por ser de orden 5) quedando:
La respuesta correcta es la c. Vamos a comprobarlo para lo que previamente obtenemos su funcin de probabilidad cdesacumulando_
las probabilidades que aparecen acumuladas y que se muestran en
la tercera columna de la tabla:
X
F(x)
[(x)
x' ((x)
2
3
4
0,2
0,5
0,9
1
0,2
0,3
0,4
0,1
0,2
0,6
1,2
0,4
2,4
E (X)
= Lx [(x) = 2,4
La respuesta correcta es la b. Para comprobarlo construimos la

11 segunda
columna de la tabla donde aparecen las operaciones nece
sanas para calcular la E(X)
{(x)
x . {(x)
O
1
2
3
4
6
0,05
0,1
0,2
0,25
0,35
0,05
O
0,1
0,4
0,75
1,4
0,30
2,95
E (X) - Lx, {(x) _ 2,95
464
VARIABLES
11
La respuesta correcta es la a. Para comprobarlo, obtenemos primero la funcin de probabilidad de X a partir de la funcin de distri
bucin. Para ello, restamos a la probabilidad acumulada de X la del
!.are
l1li dere
valol' inmediatamente al1teliol' y formamos las dos ltimas colum-
nas con los clculos necesarios para obtener la esperanza de X y la

esperanza de X2:
X
F (x)
I
2
3
4
0,2
0,5
0,9
0,2
0,3
0,4
0, I
v (X) = E (X') -
x . ((x) x'.{(x)
{(x)
0,05
0, \
0,2
0,25
0,35
2
3
4
6
v (>0 = E (X') -
11
[E (X)]'
el pril
2,4
6,6
VO
2,4'
= 0,84
0, I
0,4
0,75
1,4
0,3
0,1
0,8
2,25
2,95
\0,55
5.6
\ ,8
= \0,55 -
2,95'
= 1,847
La respuesta correcta es la e, que con'csponde a la expresin matemtica:
v (X) = E (X') -
[E (X))'
La respuesta correcta es la b. Si no ha acel1ado esta pregunta. no

11 olvide
esta propiedad pero espere al prximo tema donde la volveremos a tratar con ms detalle.
tificac
gener
i,2
x . {(x) x' . {(x)
0,05
e~
3,6
\ ,6
Para calcular la varianza realizamos los clculos intennedios en las

dos ltimas columnas de la tabla que induyen la esperanza de X y
la esperanza de X2 ,
{(x)
En
vaal
0,2
La respuesta correcta es la c.
Supo
0,2
0,6
\ ,2
0,4
= 6,6 -
[E (X)]'
com:
cero I
46S
correcta es la b. Si no la ha acertado no pretenda aprenl1li Laderrespuesta

estas propiedades de memoria sin entender lo que dice. Intente
comprenderlo y para ello pongamos un ejemplo:
Supongamos una variable que toma los valores: XI =5; X2 =5; X3 = 5;
En este caso .. la variable. toma siempre el mismo valor que no
varia., es un valor constante y lgicamente su variabilidad. (cuantificado con la varianza) es nula. Su media es cinco y en la expresin
general de la varianza:
V (X) ~ L(X;-~)' . {(x;)
el primer trmino del sumatorio siempre tiene el valor (5 - 5) que es

cero para los tres valores de esta variable:
V (X) ~ L (x; -
~)' . {(x) ~ (S - 5) . {(S) + (5 - 5) . {(S) + (S - S) .
. {(S)
O, {(S) + O, {(S) + O, {(S)
Tema 17
Variables Aleatorias Discretas (11):
Dos Variables
SUMARlO
17.1. Introduccin
17.2. Funcin de probabilidad conjunta
17.3. Funcin de probabilidad marginal
17.4. Funcin de probabilidad condicional

17.5. Momentos
17.5.1. Respecto al origen: La esperanza
17.5.2. Respecto a la media: La covarianza
17.6. Independencia entre variables aleatorias discretas
17.7. Funcin de distribucin conjunta
17.8. Funcin de distribucin marginal
17.9. Resumen
17.10. Ejercicios
17.1. 1:\"
Record
cin del te
una o mas
Iidad univ:
das (tres o
de probabi
dio de las l
como hiciJ
lidad conjl
represent
lo nico q
clculo.
Los obj
Ser ca
aleato!
Consb;
atan
17.1. I :TRODUCCI'\'
Recordemos antes de empezar que, como se indicaba en la introduccin del lema anterior, en todo experimento aleatorio es posible definir
una o mas variables aleatorias originando las distribuciones de probabilidad univariadas (una variable). bivariadas (dos variables) y rnultivariadas (tres o ms vaJiabJes). Una vez estudiada Jo referente a la distribucin
de probabilidad de una variable en el tema 16, abordaremos ahora el estudio de las distribuciones de probabilidad bivariadas y, de forma similar a
como hicimos en el tema anterior. construiremos su funcin de probabilidad conjunta, su funcin de distribucin conjunta y sus momentos ms
representativos. Estos conceptos son los mismos que ya conocemos y
lo nico que cambia, obviamente. es la expresin matemtica para su
clculo.
Los objetivos son:
Ser capaces de definir dos variables aleatorias de un experimento

aleatorio.
Construir la funcin de probabilidad conjunta de dos variables ale~
atodas de un experimento aleatorio.
Obtener las funciones de probabilidad marginales y condicionadas
de cada variable.
Calcular la esperanza conjunta y la esperanza condicionada de cada
variable.
Calcular la varianza de cada una de las variables aleatorias
470
VARIABLES
Tabla 17.'
Analizar si dos variables aleatorias discretas son o no independientes.

Conocer las caractersticas que debe cumplir la funcin de probabilidad conjunta de dos variables aleatorias discretas independientes.
X\
x,
x,
Calcular la esperanza matemtica y la varianza de una suma (o resla) de dos variables aleatorias discretas.
Cuantificar la intensidad de la relacin entre dos variables aleatorias discretas.
Entender el paralelismo existente entre estos conceptos referidos
a dos variables estadsticas y dos vatiahles aleatorias.
17.2. IT\CI:\ DE l'ROB~BILlI)\1) CO\.Il \T.\

Vamos a considerar un experimento aleatorio cualquiera, por ejemplo. un experimento de aprendizaje animal en el que situamos a una rata
de laboratorio en un laberinto en forma de T con dos salidas, A y B. Si
escoge la salida A recibe una bolita de comida y si escoge la salida B recibe una pequea descarga elctrica. Definimos en l dos variables aleatorias discretas. X e y, de la siguiente forma: X es el "nmero de bolas de
comida que recibe la rata, e Yel nmero de descargas elctricas que
recibe la rata_ en una serie de ensayos. Estas variables tomarn los valores discretos: O. 1. 2, 3. etc., que gendcamente vamos a representar por:
/vrt-- i
V;
'f
xr
Y: y,. y" y, ... , y<
X:
Xl> X2' X3' .
y cuyos resultadO~Ogemosen una tabla (Tabla 17.1.) de doble entrada de dimensione p x Q\d.onde el valor genrico -que aparece en negrita- en el cruce de la . a i con la columna j es "la probabilidad conjunta
de que la rata consiga Xi bolas de comida y reciba YJ descargas elctricas.
que representaremos por f (Xi' Yi)'
Esto que hemos escrito literalmente con palabras lo podemos escribir
de forma resumida utilizando un lenguaje sin palabras, de la siguiente
forma:
{(x" Y,) "P [(X = x,) y (Y = y,)]
De esta
variable al
dentro del
lidad de ql
mea y. con
Por tan
refiere a la
roa similar
que atribl
variable a
aleatoria ~
Si calcl
valores (Xi'
probabilid
una tabla (
ejemplo iN
de probabi
concreto.
Eje
laberin
B. Ca
cada ve
mento
ladocle
atonas.
Al
471
VARIABLES ALEATORIAS DISCRETAS (11); DOS VARIABLES
Tabla 17.1. Tabla genrica de una funcin de probabilidad conjunta de dos

variables alectorias discretas.
...
...
. ..
X\y
y,
y,
X,
x,
((Xl. 11)
'(X2' y,)
...
...
.. '
f (x2, 12)
...
.. '
...
...
x,
...
. ..
...
((XI' Y11
."
y,
."
(Ix" y)
f (X2. r,l
({x"y,1
(Ix" y,1
...
IV<;. yl
...
.. '
...
...
."
(1",
11", y,)
.. '
11", y)
y,)
y,
Hx" y,l
({x" y,)
...
({x" y,1
...
(1", y.l
De esta forma la expresin f(2,\) representa la probabilidad de que la

variable alealOria X tome el valor 2 y la variable Y tome el valor 1, que
dentro del ejemplo al que nos estamos refiriendo representa la probabilidad de que la rata consiga 2 bolas de comida y reciba 1 descarga elc
lrica Y, concrelamenle, se representara as:
f (2,
a
i
,
,
1)
= P [(X = 2) Y (Y = 1)]
Por tanto, a partir de este momentO, la expresin gendca (x,. Y/) se

refiere a la funcin de y probabilidad conjunta que definiremos, de for.
ma similar a como lo hicimos para una variable, como aquella funcin

que atribuye a cada par de valores (x,. y,) la probabilidad de que la
variable aleatoria X tome el valor x, y simultneamente la variable
aleatoria Y tome el valor Yj "
Si calculamos estas probabilidades para todos los posibles pares de
valores (x,.y) tenemos la funcin de probabilidad conjunta. o funcin de
probabilidad de una val;able aleatoria bidimensional, que se resume en
una tabla como la mosLrada anLerionnente (Tabla 17.1). En el siguielllc
ejemplo iremos mostrando, paso a paso, como se construye esta funcin
de probabilidad conjunta de dos variables para un experimento aleatorio
concreto.
Ejemplo 17.1.: En un experimento se coloca a una rata en un

laberinto en fonna de T con dos posibles salidas equiprobables. A y
B. Cada vez que se sita en A recibe un pelet.. (bolita de comida) y
cada vez que lo hace en B recibe una pequea descarga. El experimento tennina cuando la rata se ha situado dos veces en un mismo
lado del laberinto. En este experimento. definimos dos variables ale
atorias, X e Y, de la siguiente manera:
472
X: nmero de pelets que recibe la rata

Y: nmero de descargas elctricas que recibe la rata
VARIABLES ALE
Para la
babilidad d(
la A?
Para elaborar la funcin de probabilidad conjunta, tenemos que

determinar los valores numricos que pueden tomar las variables
definidas X e Y. Para eUc. veamos todas las posibles soluciones que
se pueden dar en este experimento:
Considerando Que el experimento tennina cuando la rata se sita

dos veces en el mismo lado, si la rata elige las dos primeras veces la
salida A. el experimento termina por haberse cumplido la condicin
impuesta de situarse dos veces en el mismo lado del laberinto. Entonces, la variable X loma el valor 2 y la variable Y el valor o. Pero son
posibles otras opciones. por ejemplo BAH, donde al elegir dos veces
la salida B terminarla el experimento (con la rata habiendo conseguido una bola de comida y dos descargas elctricas) por lo que la
val;able X adopta el valor 1 y la variable Y el valor 2. No terminan
aqu todas las opciones. Intente pensar sobre ellas y vea las soluciones en la tabla siguiente que recoge en la pzimera columna todas los
posibles resulLados de este experimento con los valores que toman
las variables X e Y tal Y como se han definido, y sus correspondientes probabilidades, en la columna P, que explicamos a continuacin:
Tabla '7.2. fspocio Muestra' delexpenmemo aleatorio y voIonts
que toman kas variables X e Y con sus respectivas
p<ObabilMlades, P
Espacio M~trol
AA
2
2
1
0,25
0,125
0,125
0,25
0,125
0,125
ABA
ABB
BB
BAA
BAB
2
I
1
2
2
1
2
Para calcular la probabilidad de que la rata escoja la salida A y

despus otra vez la A, hay que recun;r a los teoremas de la probabi~
lidad vistos en el tema 14. Considerando que estos sucesos son independientes aplicaremos el teorema del producto para sucesos independientes:
P(A n A) = P(A) . P(A) = 0,5' 0,5 = 0,25
Hecho
lenemos q
de la siguie
((O,O)
que en nin
queX",Oe
reciba nin
Sepu
ta y ningu
que en la
situacin
te ocurre
babilidad
cargas el
esta situac'
BAH, cuy
que nos pe
babilidad
VARIABLES ALEATORIAS DISCRETAS (Il): 005 VARIABLES
473
Para la segunda opcin reflejada en la tabla Cuanto valdr la probabilidad de que primero escoja la salida A, luego la B y finalmente
la A?
P(A " B "A} = prAl . P(B} . peA} = 0,5 0,5 . 0,5 = 0,125. Porque
son sucesos independientes. Y de la misma fonna para los siguien
tes casos, cuya tarea dejamos al lector, insistiendo en que tiene que
basarse en los 'mismo principios que hemos indicado en los dos primeros casos. Por tanto:
peA " B " B}= prAl P(B} P(B} = 0,5' 0,5' 0,5 =0,125
P(B " B} = P(B} P(B} = 0.5' 0,5 = 0,25
P(B "A" A} = P(Bl prAl prAl = 0,5' 0,5' 0,5 = 0,125
P(B "A" B) = P(B) prAl P(B} = 0,5' 0.5' 0,5 = 0,125
Hecho est.o, para obtener la funcin de probabilidad conjunta.
tenemos que obtener cada uno de los valores f(x.y), que se obtienen
de la siguieme forma:
f(O.O) = OEsta situacin no aparece en la tabla anterior puesto
que en ningn caso simultneamente se puede dar la situacin de
que X = O e Y = O. Es decir, en ningn caso es posible que la rala no
reciba ninguna bolita de comida y ninguna descarga eJcUica.
Se puede dar la situacin de que la rata reciba una bola de camita y ninguna descarga elctrica?, es decir cuanto vale f(LO)? Bus
que en la tabla si es posible esta situacin y cuanto valdr. Como esta
situacin no aparece en la tabla, su probabilidad es cero. Igualmente ocurre con f(O,I); f(1 ,O); f(1,1). Sin embargo: Cunto vale la pro
habilidad de que la rata coma una bola de comida y reciba dos descargas elctricas? Es decir cunto vale f{l,2)? Si obsenramos la tabla,
esta situacin se produce cuando la rata elige ABE o cuando elige
BAB, CUY,3S probabilidades valen respectivamente 0,125. Entonces:
{(l, 2) = peA "B"B) uP(B "A "B) = 0,125 +0,125 = 0,25
De la misma forma obtenernos los valores de:
f (0,2) = 0,25 cuando la rata elige B y B. esto es P (B n B).

{(2,0) o 0,25 cuando la rata elige AA: P (A "A).
{(2, 1) = 0,125 + 0,125 = 0,25 cuando la rata elige AyByA 6 ByAyA
que nos permita completar la siguiente la tabla que muestra la probabilidad conjunta es:
474
ANLISiS DE DATOS E.N PSICOLOGA 1
VARIABLES ALE
..
Tobla 17 3' Funcin de poobobtlidod ..... juta
X-l
Y-O
O
O
Y-I
O
O
X-2
0,25
0,25
X-O
Y-2
0,25
0,25
O
En otras situaciones la funcin de probabilidad puede estar definida

por una ecuacin como la del siguiente ejemplo.
Ejemplo 17.2. En un determinado Centro Escolar se pasa una
prueba de razonamiento abstracto a un grupo de alumnos y alum-
nas de Educacin Primaria. Se definen las variables aleatorias:

X = .sexo del alumno_ que tom3 los valores Opara los nios y 1 para
las nias y la variable Y = puntuacin obtenida en el test_ con valores comprendidos entre 7 y 11. La funcin de probabilidad conjunta de estas dos variables viene definida por la siguiente ecuacin:
(x,y)
2X+Y
100
=,:,.:...; X = 0.1; Y = 7,8. 9, 10.11
O en otro caso
Para completar la tabla de la funcin de probabilidad conjunta
hay que dar valores a X e Y de acuerdo con la ecuacin que la defi

ne, lo que nos pennhe rellenar los valoTes de la tabla:
Y=7
(0.7)
Y=8
Y=9
(0,8)
(9.9)
Y=IO
Y=II
La funcin
cretas cumple 1
ble y desarroll,
- Para tod(
valor X, e
X= 1
obteniendo los siguientes valores:

( O 7)= 2X+Y = 20+7 =0 07
.
100
100
'
( O 8) = 2X + Y
100
= 2 O+ 8 =O08
\00
- La suma
conjunta
'
( 09)=2X+Y =20+9=009
,
100
100
'
Antes de pa
dos propiedadE
475
VARIABLES ALEATORIAS DISCRETAS (TI); DOS VARIABLES
(CO,IO) =
2X+Y 20+10
=0,10
=
10O
100
{(O,IJ) =
2X+Y 2 0+ 1I
=0,11
=
100
100
{(1,7) =
2X+Y 21 +7
=
100
100
0,09
2X+Y 21 +8
=0,10
=
100
100
2X+Y 21 +9
= 0,11
(O,9) =
=
100
100
2X+Y 21+10
=0,12
(O,lO) =
=
100
100
{(1,8) =
{(l,ll) =
,
2X+Y 2J+11
= 0,13
=
100
100
Yla tabla de la funcin de probabilidad conjunta queda:
X=O
X- 1
Y=7
0,07
Y=8
0,08
009
010
Y=9
0,09
011
Y=10
0,10
Y= 11
0,11
012
013
La funcin de probabilidad conjunta de dos variables aleatorias discretas cumple las mismas propiedades expuestas para el caso de una vari<lble y desarrolladas en el tema anterior:
- Para todo par de valores, (x;, y), la probabilidad de que X tome el
valor x; e Y tome el valor y es siempre mayor o igual que cero:
(Cx"y) = P [eX = x,) n (Y =y)]
I {ex"y,) ,
- La suma de Lodas las probabilidades de la funcin de probabilidad

conjunta es uno:
((x"
;
Yi)
=1
Antes de pasar al siguiente apartado, vamos a comprobar que estas

dos propiedades se cumplen en los dos ejemplos anteriores. De no ser as
476
indicarla que, o bien no se trata de una verdadera funcin de probabilidad o que hemos cometido algn error (difcilmente perdonable dados
los conocimientos adquiridos hasta el momento) en nuestros clculos.
VARl
de p
expl
not(
volvl
Ejemplo 17.3. Comprobar las propiedades anteriores con los

datos del Ejemplo 17.1.
En la tabla de la funcin de probabilidad que reproducimos a continuacin:
X~O
X~I
X~2
Y~O
Y~I
Y~2
O
O
0,25
O
O
0,25
0,25
0,25
O
difel
carg
lida(
las d
cribi
vemos, con una simple inspeccin visual. que las probabilidades reco-
gidas en cada celdilla de la tabla son mayores de cero y otras nulas.

La segunda propiedad requiere sumar las probabilidades recogidas en todas las celdillas y comprobar que, efectivamente, suman
uno:
o + O + 0,25 + O + O + 0,25 + 0,25 + 0,25 + O =
I1
sin e
obte
la te!
ACLARACIN: Esta operacin la vamos a escribir con ms formalidad matemtica, que servir tambin para familiarizarnos con el smbolo del doble
sumatorio visto en el tema 2.
L L {(x, Yi) ~ f(xo, Yo) + f(xo. YI)+ f(xo. y,) + (XI' YO) +
;
+{(X, y)+ {(XI' Y2)+ {(~, Yo)+ {(X2' YI)+ {(X2' h) '"
=0+0+0,25+0+0+0,25+0,25+0,25+0=1
y as
la
carg.
V
X,ql
Como tarea, dejamos al lector que compruebe por su cuenta que estas
dos propiedades se cumplen tambin en el ejemplo 17.2.
nn
XI' ir
tia "r
17,3. FUNCIN DE PROBABILIDAD MARCINAL
reali
Veremos aqu como a partir de la funcin de probabilidad conjunta

de dos variables aleatorias discretas, X e Y, se puede obtener la funcin
o lo
477
lAl
VARIABLES ALEATORIAS DISCRETAS (11): DOS VARIABLES
ili
los
de probabilidad de cada una de las variables individualmente. Pa,a su

explicacin nos serviremos nuevamente del ejemplo de la rata en ellabe~
rinto expuesto en la ejemplo J 7.1, cuya tabla de probabilidad conjunta
volvemos a reproducir a continuacin:
X"O
x"
X"2
Y"O
Y"I
Y"2
O
O
0,25
O
O
0,25
0,25
0,25
O
Puede observarse que la rata obtiene una bola de comida (X == I ) bajo

diferemes condiciones: cuando recibe cero descargas (y == O), una descarga (Y == 1) Y dos descargas (Y = 2). Por lo que resulta que la probabilidad de que la rata coma una bola de comida, P (X = 1), sin considerar
las descargas que reciba, es O + O + 0,25 = 0.25. Por lo lamo. podemos escribir:
g(l) " P(X " 1) " {(I,O) + {(I,n + {(I,2) "
{(x"Y,)
;-0
Igualmente calculamos la probabilidad de que la rata consiga dos bolas

sin considerar las descargas que reciba, es decir, g (2) :: P (X ~ 2) que se
obtendra sumando todas las probabilidades recogidas en las celdillas de
la tercera fila. esto es:
g(2) " (x"Y,) " P(X" 2)" (2,0) + (2,1) + (2,2)"

..o
:: 0,25 + 0,25 + O = 0.50
Y as sucesivamente, dejando allecto' que obtenga la probabilidad de que
la rata no obtenga ninguna bola de comida (X = O) sin considerar las descargas e1ctdcas que reciba y compruebe que el resultado es 0,25.
Visto esto podemos definir la funcin ele probnbilielad margitwl de

X, que se representa por g (x,), como aqueUa funcin que asigna a todo
nmero real x/ la probabilidad de que la variable aleatoria X valga
,'ti' incondicionalmente, es decir, sin tener en cuenta la variable alealO
ria Y. Como se ha visto en el ejemplo se obtiene, en lnninos generales,
realizando la siguiente suma:
g (x,) ~ P (X " x;) " {(x" y,) + {(x" y,) + .. , + {(x" y,l + .. , + {(x" v,)
o lo que es lo mismo:
478
VARlABL
la prob.
dramo:
,
g(X)
= '<'
1
.t.... (X./. YI )
_l
Esta funcin de probabilidad marginal aparece al margen de la tabla,

en este caso la ltima columna de la derecha, que aparece sombreada y
donde cada valor se ha obtenido sumando los valores de su correspondiente fila:
Y=O
=I
Y=2
O
O
0,25
O
O
0,25
0,25
0,25
O
x=o
X- I
X=2
g (x)
0,25
0,25
0.50
De fonna similar se definirla la (uncin de probabilidad marginal

de Y que para distinguirla de la anterior representaremos por. h (Y/).
J
Vist(
deXco
de que
variabl(
De f(
de 1'; qu
(Y,) = P IY= y,) = (x"y,) + (x"y,) + ... + (x" y,) + ... + (x"y,)
Por lanto:
h(y,) = P(Y = y) = I(x"y)
------
Esta
al inicio
,.,
descargo
Se sugie"e al lector que obtenga por si mismo la funcin de probabilidad marginal de Y, siguiendo los mimos pasos realizados para obtener
la de X y compruebe sus resultados con los que se muestran en la siguiente fila:
h (y)
0,25
0,25
0,50
17.-1. 11 \( 10\ DI-. 1'1101\ \1\11.1Il \D (:O\DI( 10\ \1

Dentro del contexto que estamos desarrollando, la funcin de probabilidad condicional nos sirve para dar respuesta a preguntas como las
siguientes:
- Cul es la probabilidad de que la raLa consiga una bola de comida
cuando recibe dos descargas elctricas?
PaI-a responder recunimos a la funcin de probabilidad condicional
que se obtiene dividiendo, en cada caso, la probabilidad conjunta entre
segunda
que la v
probab~
ble X lO
la vanal
ACLAl
go al (
quesi
enton
:ItA 1
479
VARIABLES ALEATORiAS mSCRETAS (H): DOS VARlABLES
la probabilidad marginal, es decir, para responder a esta pregunta ten

dJiamos que obtener:
P[(X ~ 1)
bla,
lay
'00-
y (Y
2)]
P(Y ~ 2)
Visto esto, podemos definir la funcin de Probabilidad condicional

de X como aquella que asigna a todo nmero real XI la probabilidad
de que la variable aleatoria X valga Xl bajo la condicin de que la
variable aleatoria Y haya tomado el valor Yj.
.1 ) _ P(X _ . IY _ .) _ P[(X ~ x;ln(Y ~
-x_y, ,
'
p(Y - Yi)
g..t.y.(
"al
de
De fOima similal~ definimos la (uncin de probabilidad condicional

que escribindolo ahora con ms detalle es:
'er
~o-
Ja-
las
da
lal
:re
h(Yi)
y,
h(y./ x)
.bi
YiJJ _ '--((,-;.X;-,;,Y,,-i)
,
~ P(Y ~ y
IX
I
~ x) ~ P[(Y ~ Yi)n(X ~ Xi)] ~

r
P(X _ Xi)
((x;'Yi)
g(Xi)
Esta expresin dara respuesta a otra pregunta similar a la planteada

al inicio de este epgrafe cul es la probabilidad de que la rata reciba Yj
descargas elctricas dado que ha recibido Xi bolas de comida? En esta
segunda expresin el numerador representa la probabilidad conjunta de
que la variable X tome el valor concreto Xi y la variable Y el valor Yj' (la
probabilidad conjunta) y el denomjnador la probabilidad de que la varia~
ble X tome el valor xjcon independencia de los valores que pueda tomar
la variable Y (la probabilidad marginal).
ACLARACiN: La funcin de probabilidad conjunta es un concepto anlo

go al de probabilidad condicionada eSlUdiado en el tema 14, de w.1 forma
que si lo recordamos aqu deca que si dos sucesos A y B son dependientes.
entonces:
P(AnB)=P(A)
p(%)
y tambin:
P(BnA) = P(Bl-P(%)
480
VARJAE
de donde la probabilidad de A condicionada a B (o B condicionada a A) es:
no
p(B/) = P(A,-,B)
/ A
peA)
nin
p(A/)= P(A,-,B)
]B
P(B)
De fonna similar, podemos decir ahora. dentro del contexto en el que nos
encontramos de distribuciones de probabilidad conjuntas (o bivariadas),
que:
-pe
h(Y;/) = {(XiY;)
IXi
g(x}
la e
o similannente:
por lo que despejando la funcin de probabilidad condicionada de esta segunda expresin:
j X;/)= f(Yj,xi)
5l/ y
h(Yj)
Es decir. que la funcin de probabilidad condicionada se obtiene dividiendo para cada celdilla, Sil probabilidad conjunta entre la probabilidad marginal.
Activil
Ejemplo 17.4. Calcular la probabilidad condicional de los valo

res de X condicionados a Y del ejemplo 17.1.
Tenemos la siguiente Tabla:
X=O
X-l
X=2
h (y)
17,5,
Igual
Y=O
Y=1
Y=2
O
O
0,25
0,25
O
O
0,25
0,25
0,25
0,25
O
0,50
g (x)
0,25
0,25
0,50
que las (
moment
ahora va
culando
parquer
variable!
la variro
cado ve~
481
VARiABLES ALEATORIAS DlSCRETAS (H): DOS VAR.J..\BLES
En la primera celdilla debe aparecer la probabilidad de que la rata

no LOme ningn pellet bajo la condicin de que tampoco reciba
ninguna descarga elctrica, es decir:
j x=O/
"l
)= P[(X = Oln(y = O)] = (0,0) = _0_ = O
/y=o
P(Y=Ol
h(O)
0,25
Vamos a obtener ahora la probabilidad de que la Tala tome un

.pelet bajo la condicin de que reciba cero descargas:
JYo) = P[(X = 1)f1(Y = O)] = (1,0) = _0_ = O

P(Y = O)
"\ O
h(O)
0,25
Por ltimo, la probabilidad de que la rata tome dos "pelets" bajo

la condicin de que reciba cero descargas, es:
J2/1= P[(X=2)f1(Y=0)] = (2,0) = 0,25 =1
Vol
P(Y = O)
h(Ol
0,25
Estos dos valores son los que aparecen en la labIa siguiente:

Y=)
g (x/y)
Y=O
x=o
X= )
O
O
"
O
X=2
:l
Y=2
{o
', q
y as sucesivamente.
Actividad: Complete el resto de la labIa.
17,5. MOMENTOS
Igual que hicimos con las distribuciones de probabilidad univariadas
que las describamos mediante una serie de ndices que denominamos
momentos (esperanza matemtica y varianza, entre los ms importantes)
ahora vamos a describir las distribuciones de probabHidad bivariadas calculando una serie de ndices que seguiremos denominando momentos,
porque representan los mismos conceptos, solo que referidos ahora a dos
variables aleatori~s. Nos centraremos en dos: la esperanza conjunta y
la varianza conjunta 0, ms habitualmente, covarianza y cuyo significado veremos en su correspondiente apartado.
482
17..). l.
'IUIJH'III(J~ r('~IH'do al ori.!('Il:
I.a I:~p(' .. allza
Si tenemos dos variables aleatorias discretas, X e Y y su funcin de

probabilidad conjunta, {(x" y/l. definimos el momento respecto al origen
de orden rs, y que representaremos por ll". como:
, ,
~~ =E[X'Y'] =(x:y;>f(x"y,)
_ll
Entre lodos estos momentos que se podran obtener sin ms que dar
diferentes valores a r y a s, el ms imponanle para nosotros es el de orden
I en es cual r = I Ys :o 1 y que recibe el nombre de esperanza matemtica conjunta de X e Y, que habitualmente se representa por E(xy), y cuya
expresin, derivada de la anterior, es:
~;, =
E (XY)
VARlABLES
n:x,y/(x" y,l
Estas e
puesta a la
comida qu
ca?, o cUJ
ratas que r
descargas 1
da?, etc. Pf
te los sigui
17..).~. \1
ACLARACIN: Puede observarse que para el caso especial de r:: I y s = O

obtenemos la esperanza matemtica de X:
El cono
para el case
tas, X e Y,)
y para el caso de r
de Y:
a la esperar
respecto de
es:
momenlOfl
= OY s
"" 1 tenemos la esperan7.3 matemtica (o media)

~I = IJ>E(Y)
ya estudiados en el tcmt 16.
Una variedad que se presenta en las distribuciones bva-jadas es la

posibilidad de obtener la esperanza de una variable, por ejemplo X, bajo
cada una de las condiciones de Y, es decil-, para cada uno de los diferentes valores de Y. Esto nos lleva a definir la esperanz.a condicionada, que
como toda esperanza matemtica o media es igual a la suma de los prOductos de los valores de la variable (X o Y) pOr sus respectivas prObabilidades condicionadas, As, la esperanza de X condicionada a los
valol'es de y es:
De todo!
asignando (
uno que se (
una variabh
na como ca
sigma_ mil
bies X e Y:
y de fOl'ma similar obtendriamos la esperanza de Y condicionada a los

diferenles valores de X, aplicando la expresin:
Con fine!
sin ms ser
ocIA l
I L.l/
dv/)=~Y"h(Y'/)
Ix,
6n de
lrigen
le dar
::mlen
mti
. cuya
I
-o
ja)
X ::;
bajo
1':".').:!. \IIHnentu .. n .. pl'llu a la IIll'tlia: La Ct)\ariallza

El concepto y la definicin de estos momentos es similar aJ ofrecido
para el caso de una \'ariable: Si tenemos dos variables aleatorias discretas, X e Y, y su funcin de probabilidad conjunta, (x" Y,), definimos el
momento respecto a la media de orden rs, y que representaremos por Jlt3'
a la esperanza matemtica de los productos de las desviaciones de X e Y
respecto de sus medias_ Escrito formalmente, la expresin matemtica
es:
~"
es la
X,
Estas esperanzas condicionadas, o medias condicionadas, daran respuesta a las siguientes preguntas cul es el nmero medio de bolitas de
comida que lOmarn las ratas que no reciben ninguna descarga elctrica?, o cul es el nmero medio de bolitas de comida que tomarn las
ratas que reciben dos descargas elctricas?, cul es el nmero medio de
descargas elctricas que reciben las ratas que comen dos bolitas de comida?, etc. Pero lo "eremos con un ejemplo cuando abordemos previamenle los siguientes conceptos.
, ,
eren
L, que
propro
a los
483
VARIABLES ALEATORIAS DISCRETAS (JI): DOS VARIABLES
=I
=E[(X -
~.)'(y - ~'>'l
I[(x, - ~ ,)'(Y, - ~,)']. ((x, ,Y,)
',,1 ;=1
De todos los posibles momemos que se poddan calcular sin ms que

valores a 1" y a s, el ms importante es el de orden
uno que se obtiene cuando r = 1 Y s = I Y que, por paralelismo al caso de
una variable, se llamara varianza conjunta. Habitualmente se le designa como covarianza y se representa por cov (XY) o por la letra griega
sigl11~ minscula y con los subndices de sus correspondientes val-iabies X e Y:
~signando diferentes
1
1
a xy =
I[(x, - ~ ,) .(y;- ~,.)J -(x"y,)
i=l "'
a los
Con fines prcticos y aplicados, para su clculo se utiliza otra expresin ms sencilla que se deriva de la anterior:
484
ANLISIS DE OATOS EN PSICOLOG(A I
~;,
">yo
VARlABLESA
depende de
cualquier vo
E [XY]-E[X] E[Y] ]
es decir, si se intenta "leer" la frmula, dice que la covarianza es igual

a la esperanza conjunta (la media conjunta) menos el producto de
las esperanzas (el producto de las medias).
ACLARACiN: Conviene detenerse un momento para razonar que si en la
primera expresin general que se ha escrilo de los momentos respecto a la
media, hacemos que r = 2 Ys == O tendremos la varianza de X, ya estudiada
en c1leron 16:
)' de esta expresin se deriva matemticamente, la que se utiliza ms habitualmente y vimos en el lema anterior.
Esto hac
te la compa
rentes. Para
cin, que S<
desviacione
una expresj
De la cu.
de la correb
y de ronna similar. si hacemos que r = OYs = 2 tendremos la \'arianza de Y:
"02 oa; oE[(X-",)o(y-",)']o ,.,

2)(y,-",)'J.{(y,)
AClARAC
tacin qUl
10con m
car, entre (
de: b que se den,';)., la ulilizada habilUalmente con nnes prclicos:
aJ.
- Lacom
dades di
E(Y')-[E(Y)]'
paracir
variable!
Por tanto, nos encontramos con que en cualquier distlibucin de

habilidad bivariada podemos calcular:
pro~
- Las esperanzas matemticas, o medias, de X e Y individualmente,

- sus esperanzas condicionadas,
- sus varianzas y
- el nuevo ndice Que hemos viSIO ahora de la covarianza, cuyo trmino nos resulta familiar debido a que ya se ha estudiado aplicado a
dos variables estadsticas.
Recordacdo lo que se dijo all, la covarianza es un ndice que cuantirica la intensidad y el sentido de la vatiacin conjunta entre dos vaI;ables.
Con sunciellle detalle se ilustr en ese tema que la cuanta de este ndice
- Toma
-1 y +1
revelan (
(o dismi
relacin
ye) la va:
- SI dos v
cin es 1
mos afi
bies.
pel
tipo de r
Y ahora
do varias ve
Al
VARJABLES ALEATORiAS DISCRETAS (11): DOS VARIABLES
485
depende de la unidad de medida de las variables, por)o que puede tomar

cualquier valor, positivo o negativo:
,al
de
Esto hace que sea un ndice de difcil imerprelacin y que no permite la comparacin con la covarianza obtenida con olras variables diferentes. Para paliar esta dificultad recun;mos al coeficiente de correlacin, que se obtiene dividiendo la covarianza entre el producto de las
desviaciones tpicas de las variables. Si escribimos la frase anterior con
una expresin _sin palabras:
De la cual, a su vez, se deduce que la covarianza es igual al producID

de la correlacin por las respectivas desviaciones tpicas de las variables:
0 .... =
P.n- . O... 0,
ACLARACiN: La correlacin tiene las mismas propiedades e interpretacin que el coeficiente de correlacin de Pearson, estudiado en el tema
10 con ms detalle, y al cual debeliamos regresar un momento, para refrescar, entre otras cosas que:
- La correlacin entre dos variables aleatorias no depende de las uni
dades de medida. Es un nmero adimensional. Como tal pennite la comparacin entre las correlaciones que presentan diferentes conjuntos de
vadables.
'0-
nila
- Toma siempre valores positivos, negativos o nulo comprendidos entre

-1 y + 1. Valores cercanos a + 1 indican una fuene relacin positiva, que
revelan que a medida que aumenta (o disminuye) la va;able X, aumenta
(o disminuye) la val"iable Y. Valores cercanos a -1 expresan una fuel1e
relacin negativa que manifiesta que a medida que aumenta (o disminuye) la val-iable X, disminuye (o aumenta) la val"iable Y.
- Si dos variables aleatorias son independientes, entonces su correlacin es cero, pero la inversa no es cierta. Si la correlacin es cero, podemos afi.-nlar que no existe relacin o dependencia lineal entre las variables, pero esto no garantiza la independencia porque puede darse otro
tipo de relacin o dependencia no lineal entre las valiables.
lti-
es.
.ce
y ahora que hablarnos de independencia, concepto que hemos trata

do varias veces a lo largo de este texto, tamo para la relacin entre dos
486
ANLISIS DE DATOS EN PSICOLOGIA I
VARIABLES ALE)
variables aleatorias como al presentar la dependencia e independencia de

sucesos, vamos a explicarlo para dos va;ables aleatorias discretas. pero
antes vamos a ver un ejemplo que muestra las ventajas de conocer como
se obtiene la esperanza y varianza de la suma de variables.
Si dos varia
se cumple, resl
En esta situ
dad y el semidl
17.1>. I'IIFI'I\IIF\("I\ F\TI\F \ \1\1\111 FS \U.\TOI\I\S

IIISCI\F-nS
Recordando el mismo ejemplo de las ratas podramos decir que el
nmero de bolas de comida que consigue la rata depende del nmero de
descargas elctricas que recibe? o viceversa el nmero de descargas elc
t1;cas que recibe la rolla depende del nmero de bolas de comida? Lo anaIizal"emos en este apal1ado.
Ejemplo
a obtener t
too A saber.
al
bl
La
La
'-al"
el La esp
di La esp
ACLARACIN: Recordemos que en el tema 14 se eSludiaron lo que eran los
sucesos indcpcndicnles y se expuso que dos sucesos. A y B. son independientes cuando la probabilidad de aparicin de uno de ellos no dependa de
la aparicin del otro y se cumpla enlonces que:
P(4 nB) =P(4) P(B)
Ylambin
p(%)=P(4) o p(%)=P(B)
el
La
COY
La es
en el tema t
X, que son
pondeo a las
y su varian
L.'1 misma idea y definicin (pues se trata del mismo concepto) se aplica en
el caso de do~ variables aleatorias.
Decimos que dos variables aleatorias son independientes cuando

la probabilidad de aparicin de los valores de X no depende de la
aparicin de los valores de Y. O dicho ms formalmente: dadas dos
variables aleatorias, X e Y. con su funcin de probabilidad conjunta,
(Xi' Yi)' Y sus funciones de probabilidad marginales, g (x;) y J (J'), respectivamente. decimos que X e Y son independientes si:
r (x" Y,l = g (x,l . It (Y,) --l

Si dos variables X e Y son independientes su covatianza vale cero. pero
esto no es necesaliamenle ciel10 a la inversa, como ya se ha sealado paro
la correlacin.
donde E (x')
lo mismo
es:
donde E (Y'
el que se ha
masque u
cidir neee
487
VARIABLES ALEATORIAS DISCRETAS (TI): DOS VARIABLES
Si dos variables son dependientes, entonces la condicin anterior no

se cumple, resultando que:
f (x"
Yi) ~ g (x,) , h (y,l
En esta situacin su coeficiente de correlacin nos indica la intensidad y el sentido de la relacin entre ambas variables.
Ejemplo 17.5. Utilizando el mismo experimento de la rata, vamos

a obtener todos los momentos que hemos estudiado hasla el momento. A saber:
La esperanza de X y de Y
LavarianzadeXydeY
La esperanza conjunta.
La esperanza de X condicionada a Y =0.
e) La covarianza y el coeficiente de correlacin.
a)
b)
e)
d)
La esperanza de X se obtiene de la misma forma que se expuso

en el tema 16. Para ello, solo hay que considerar los valores que toma
X, que son O, 1 Y 2 Y sus probabilidades que, en este caso, corresponden a las probabilidades marginales de X. Por tanto:
E
(XF~
x' g (x) = 1 ,0,25 + 2 ,0,5 = 1,25
y su varianza es:
o; = E (X') - [E (X)]' = 2,25 - 1,25' = 0,6875

donde E (X') = ~x' , f (x) = 2,25
lo mismo para obtener la esperanza matemtica y varianza de Y que
es:
E (Y) = ~y ,h (y) = 1 ,0,25 + 2 ,0,5 = 1.25

o; = E (y') - [E (Y)]' = 2,25 - 1,25' = 0,6875
donde E (y')
=~y', f(y) =2,25
el que se haya obtenido la misma media para las dos variables no es

mas que una simple casualidad, pero en ningn caso tienen que coin
cidir necesariamente.
La'esp~ranza conjunta, E(XY), vale:
E (XY) = lxy , f (x, y) = 1 ' 2 ' 0,25 + 2 ' 1 ' 0,5 =
1,5
-'
488
la esperanza de X condicionada a Y = Ocorresponde al promedio de bolas de comida que tomarn las ralas que reciben cero des-
cargas elctricas. Para Su clculo utilizaremos las probabilidades de

X condicionadas a Y=O que hemos obtenido en el ejemplo 17.4:
~~ = y,) = De
VARIABLES AL
- La
vari~
si tenerr
varianz;
tal de (
menos)
{X)= 00+ 10+21 =2
Para calcular la covarianza aplicaremos la expresin:
y simila
cov (Xl') = E (Xl') -E (X). E (Y) = 1- 1,25 1,25 =
= 1 - 1,5625 = -0,5625
Cmo ql
Y la correlacin entre las variables es:

Pn
0 ....,
a.. -o.v
-0.5625
=-0818
/
~O.6875 ,0.6875
dientes? Tm
el ejercicio di
que indica que existe una relacin inversa bastante fuerte entre
las bolas de comida que consigue la rata y las descargas que recibe.
de tal fonna que cuantas mas bolas consigue menos descargas recibe y viceversa. cuantas menos bolas de comida consigue mas des
cargas recibe.
Conocidas las propiedades de la esperanza y de la varianza ya estudiadas en el tema 16, vamos a aadir una propiedad muy utilizada y til,
como tendremos 0p0l1unidad de ver en un ejemplo, que es la propiedad
aditiva de variables aleatorias discretas. Esta propiedad nos permite
obtener" fcilmente:
- La esperan7..a matemtica de la suma o la resta de dos variables aleaLOrias, de la siguiente fonna:
E (X + Y) = E (X) + E (Y)
La nue"
la suma de
descargas
to,siZ",X
y su varian
Var (X + Y)
De no apli
y de forma similar:
E (X - Y) = E (X) - E (Y)
Ejempl
la rata en
medias, \
ra una nu
ro de refu
varianza df:
y lo mismo, no solo para dos va;ables aleatorias sino para n varia

bies. Esta propiedad dice que la esperanza de una suma (o resta)
de variables es igual a la suma (o resta) de sus esperanzas.
este caso no e
de probabilid
esta nueva di!
procedimientl
Reproduci
una nueva co,
ble Z como sI!
LOGiA 1
medes-
'" de
489
VARIABLES ALEATORIAS DISCRETAS (11): DOS VARIABLES
- La varianza de la suma de dos variables aleatolias discretas dice que

si tenemos dos variables aleatorias, X e y, con sus respectivas medias,
varianzas y covarianzas, entonces, la varianza de la suma (o resta) de dos variables es igual a la suma de las varianzas ms (o
menos) dos veces la covarianza:
li(r (X + Y) == a; + a; + 2 . an
y similarmente:
Vur (X - Y)
=:
a; + a; - 2 . a..,.
Cmo quedara esta propiedad aplicada a dos variables independientes? Tmese unos segundos antes de responder y mire la solucin en
e! ejercicio de aUlOcomprobaci6n n 6 al final de este tema.
entre
~ibe,
reci-
des-
ya estu::la y til,
lpiedad
permite
Ejemplo 17.6. Con referencia al ejemplo 17.1 de! experimento de

la rata en el laberinto donde anteriormente se han calculado las
medjas, varianzas y covarianzas de las dos variables, definimos ahora una nueva variable aleatoria Z que vamos a definir como e! cnmero de refuerzos que recibe la rata_o Y calcularemos la esperanza y
varianza de esta nueva variable aleatoria Z.
La nueva variable Z cnmero de refuerzos que recibe la rata_ es
la suma de X =: nmero de bolas de comida_ mas Y = _nmero de
descargas elctricas_ que recibe]a rata en el experimento. Por tanto, si Z = X + Y entonces, aplicando las propiedades anteriores:
E (X + Y) E (X) + E (Y) 1,25 + 1,25 2,5

y su varianza vale:
,les alea-
Vay (X + Y)
=a: + a: +2 . a" =0.6875 + 0.6875 -
2 (-0.5625) = 0,25
De no aplicar esta propiedad cmo obtendramos estos valores? En

este caso no quedara ms opcin que conslIuir su tabla de distribucin
de probabilidad de la nueva variable Z y calcular la media y varianza de
esta llueva distlibucin univaliada tal y como se explic en el lema 16. El
procedimiento seda el siguiente:
n varia(o resta)
:l
nas.
Reproducimos a continuacin la tabla del pdmer ejemplo incluyendo

una nueva columna que representa los valores que toma la nueva varia~
blc Z como suma de X mas y:
490
Espacio Mueslral
AA
ABA
ABB
BB
BAA
BAB
2
2
1
O
2
1
O
1
2
2
1
2
0,25
0,125
0,125
0,25
0,125
0,125
2
3
3
2
3
3
VARlABL
es.
conteste:
bies X e
mos qut
sombre.a
ducir a (
Construimos la funcin de probabilidad de Z que, como vemos solo

toma los valores 2 y 3. Para la obtencin de las probabilidades asociadas
a la vadable Z se observa que toma el valor 2 cuando X vale 2 e Y vale 0,
o cuando X vale Oe Y vale 2, cada una de ellas con una probabilidad de
0,25 por lo que su suma es 0.50. De forma similar, Z vale 3 cuando:
X=2
X= I
e
e
Y= I
Y= 2
en dos ocasiones
en dos ocasiones
cada una de ellas con una probabilidad de O. t 25 por lo que su suma es

0,125 + 0,125 + 0,125 + 0,125 = 0.5. Con estos datos. la tabla de la funcin
de probabilidad de esta variable Z es:
f(z) z (z> z' (z)
2
3
0,5
0,5
POrql
que X es
o igual q
De ro
1
1.5
2
4,5
es decir,
2,5
6,5
las sigui
comida)
en la que las dos ltimas columnas representan las operaciones necesa.ias para obtener la esperanza y varianza que se muestran a continuacin:
E(Z)=LZ(z)=20,5+30,5= 1 + 1,5=2.5
= E (Z') - [E (Z)]' = 6,5 - 2.5' = 0.25
cr;
siendo:
E (Z') = LZ' (z) = 2'.0,5 + 3'0.5 = 2 + 4.5 = 6.5
lleg:'lIldo, lgicamente, al mismo resultado que el obtenido aplicando la
propiedad aditivn, aunque ahora de forma mucho ms laboriosa.
17.7. 11 \(
I('l\
DI DIS'llIlIIl ("lO" CO\.Il "n
Cul es la probabilidad de que la rata oblenga dos o menos bolas de

comida y reciba una o menos descargas?, es decir, esclibindolo en lenguaje malemtico y representndolo por F(2, 1), la pregunta es:
que son I
igual a c~
Iguah
F (2, 1) = P [(X
< 2) y
491
(Y < 1)]
A esta pregunta y otras similares en otros experimentos aleatorios se

contesta obteniendo la funcin de distribucin conjunta de dos variables X e Y, que la representaremos por F(x,Yj), y para su clculo tendramos que sumar todas las probabilidades que mostramos en las celdillas
sombreadas de su funcin de probabilidad conjunta que volvemos a reproducir a continuacin:
XI = O
Xl
= 1
Xl
= 2
YI = O
Y2 = I
O
O
0,25
O
O
0,25
Y3
-= 2
0,25
0,25
O
Porque en esas celdillas, y no en las otras, se cumple la condicin de

que X es menor o igual que 2 y, simultneamente, la variable Y es menor
o igual que uno. Por tanto:
F (2, 1) = P [(X < 2) y (Y < 1)] = 0,50
De forma similar, para calcular:

F (0,2)
= P [(X < O) y (Y < 2)J = 0,25
es decir, la probabilidad de que la rata consiga cero o menos bolas de

comida y reciba dos o menos descargas elctricas, tendramos que sumar
las siguientes probabilidades que aparecen sombreadas:
,
O
Xl
Xl
= I
Xl
= 2
YI = O
Y2 = 1
O
O
0,25
O
O
0,25
Yl = 2
0,25
0,25
O
que son las nicas que cumplen con la condicin de que X es menor o
igual a cero y la variable Y es menor o igual que dos.
Igualmente, las celdillas sombreadas a continuacin que suman cero:
YI
XI
= O
X2
= 1
Xl
= 2
O
O
0,25
Y2
= 1
O
O
0,25
Y3 = 2
0,25
0,25
O
492
VARIABLES
ANUSIS DE DATOS EN PSICOLGlA 1
representan la probabilidad de que la rata consiga una o menos bolas de

comida y. simultneamente, reciba una o menos descargas elctricas, que
lo escl'ibimos de la siguiente forma:
F(I,I) = P
+((LO) +
F(I, 1)=P[(XS l)y(YS 1)J=O
F(I,2)
Por tanto, por lo que hemos hecho en estos casos, la funcin de distribucin conjunta se define como una funcin que asigna a todo par
de nmeros (xuYj) la probabilidad de que conjuntamente la variable
aleatoria X sea menor o igual que X y, simultneamente, Y sea menor
o igual que Yj' Es decir:
;
=P
+ ((I,O) +
F(2,2)
{(0,2) + (I
=0+0+0
F(x;,y) = P[(X S x;)n(y S Y)] = LL{(x;,y)
,,
ACLARAC
Los valores obtenidos se representan en una tabla de doble entrada,

que reEelido a nuestro ejemplo, es la siguiente:
xl=O
YI=O
F(OO)=O
Y2"" 1
F(OI)=O
F(IO)=O
F(I1)=O
F(20)=0,25
F(21)=0,50
X2=
x 3 =2
tribucin,
porque re
Y3=2
F(02)=0,25
F(I2)=0,SO
F(22)= 1
En la la'
representa i
lIa que asig
sea menor (
Es el mi:
Estos valores, los hemos obtenido haciendo las sumas que se han explicado, y de la siguienle forma:
o o
F(O,O) = P[(X S O)n(y S O)] = L L{(x;,y) = ((O,O) =
i
F(I,O) = P[(X S I)n(y S O)] = L L(x;,y) = (0,0) + (1,0) =

i
LosValOl
gen derecho
+0 =
F(2,0) = P[(X S 2)n(y S O)] = LL{(x;,y) = {(O,O) + ((1,0) + ((2,0) =

i
=0+0+0,25=0,25
F(O,I) = P(X S Oln(y SI)] = L L{(x;,y) = {(O,O) + ((O,I) =
i
De form
Y, H(y;l.
F(0,2) = P[(X S O)n(y S 2)] = LL{(x;,y;) = {(O,O) + (0,1) + {(0,2) =
= + + 0,25 = 0,25
Los valor
gen inferior,
VARIABLES ALEATORIAS OTSCRETAS (TI): DOS VARIABLES
493
F(I,I) = P[(X 51)n(y 51)] = IIf(x,y) = f(O,O) + f(O, 1) +

;
+{(l,O) + ((l,1) = O+ O+0 + O = O
F(I,2)
=P[(X 5l)n(y 5 2)] = IIf(x,y) =f(O,O) + f(O, 1) + f(0,2) +

i
+f(l,O) + {(l,n + f(!,2) = O+ O+0,25 +0 + O+0,25 = 0,50
F(2,2) = P[(X 5 2)n(y 5 2)] = IIf(x,y)

i
= f(O,O) + f(O,I)+
f(0,2) + f(l,O) + f(l,!) + f(l,2) + f(2,2)
=0+ 0+ 0,25 +0 + O+ 0,25+ 0,25+ 0,25 '= t

ACLARACiN: Es importante observar que al obtener esta funcin de distribucin, acumulando las probabilidades, la ltima celdilla tiene que ser 1
porque representa la probabilidad del suceso seguro.
En la tabla de la pgina siguiente, la ltima columna de la derecha

representa la Funcin de distribucin marginal de X, G(x), y es aquella que asigna a todo nmero real Xi la probabilidad de que la variable X
sea menor o igual que Xi sin tener en cuenta Y.
Es el mismo concepto tratado para una variable.
G(x) = P(X 5
Xi)
=Ig(x)
Los valores de esta columna se incluyen en una nueva columna al margen derecho de la tabla que se muestra sombreada.
De forma similar se define la Funci6n de distribucin marginal de
y, H(y).
H(y) = P(Y 5 y) = I,(y)
Los valores de esta ltima fila se incluyen en una nueva fija en el margen inferior, de la siguiente forma:
494
ANLISIS DE DATOS EN PSICOLOGIA 1
y/=O
y,=!
x1=O
xI = J
F(O,O)=O
F(O,I)=O
F(I,O)=O
F(!.I)=O
Y3=2
F(O,Z)=0,Z5
F(I,Z)=0,50
x3=2
F(Z,0)=0,Z5
F(Z, I )=0,50
F(Z,Z)=I
H(y,)
Z5
0,50
G(.,)
I
I
0,Z5
0,50
Estas funciones de dislJibucin margjnaJes nos dan respuestas a preguntas como la siguientes: Cunto vale la probabilidad de que la rata
reciba una o menos descargas elctricas sin tener en cuenta el nmero de
bolas de comida que consiga?, o cunto vale la probabilidad de que la
rata consiga una o menos bolas de comida sin considerar el nmero de
descargas que reciba?
A la primera pregunta se contesta calculando H (1) que vale 0,50 y a
la segunda calculando G (2) =P (X:5 2) = 0.50. El que hayamos obtenido
el mismo resultado, es una simple casualidad del ejercicio. porque no tie~
oe que ser necesariamente as.
I;,a, III."l \11.'\

Los mismos conceptos que se han tratado en los temas 15 y 16 para
una dist;buci6n de probabilidad univariada se han extendido al caso de
dos variables que confonnan lo que se denomina tambin funcin de probabilidad bivariada. En este tema hemos visto la funcin de probabilidad
de dos variables aleatorias discretas presentando. en una tabla o median.
te una ecuacin matemtica, su funcin de probabilidad. las propiedades
que debe cumplir -que son las mismas que las que debe cumplir la fun.
cin de una vaTiable- sus momentos ms repl'esentativos: la media o espenm:t...:'\ matemtica de la distJibuci6n conjunta y la covarianza, que es una
medida de la asociacin entre las variables. Se ha comentado que por sus
dificultades interpretativas, es habitual recUlTir a la correlacin, como
medida de asociacin, que es un nmero comprendido entre -1 y + I sin
unidad de medida. lo que facilita su interpl"etacin y pennite la comparacin entre la relacin de diferentes variables. Esle concepto, junIo con
la esperanza condicionada y las distribuciones de probabilidad condicionadas. son las principales diferencias aadidas en este tema respecto
al antel;or de una vaTiable, pero conceptualmente, la con'elacin y la cava
rianza entre variables estadisticas y entre variables aleatorias es lo mismo. Se ha descrito tambin como se obtiene la esperam..a y varianza de
una suma o resta de va;ables. Este concepto, por hacer referencia a una
VARIABLE:
dislribuci
la de dos
pero reCQ
lo que ju~
este punt.
ma una n
riada, y-:::
varianza
Los e}
prender e!
En un
Tcond~
A recibe
una pequ
do dos Ve!
rumos do
X: nl
Y:
nI
Obter
QJ
Par
(pe
a) I
b) 1
e) 1
495
VARIABLES ALEATORIAS DISCRETAS (n): DOS VARIABLES
distribucin de probabilidad univariada (que se obtiene por suma o resta de dos) debera haberse incluido. quizs, en el tema de una variable,
pero recordar que en su tratamiento incluye el concepto de covarianza,
lo que justifica su inclusin en este tema. Conviene que reflexione sobre
este punto, porque una variable Z suma (o resta) de otras dos (X e Y) forma una nueva distribucin de probabilidad univariada pero nunca bivariada. y como lal pel"mite su descripcin mediante su esperanza de Z,
valianza de Z, pero nunca la covarianza de Z.
Los ejemplos desarrollados a lo largo del tema deben ayudarle a comprender estos conceplOs.
1-.'). 1.11 I\el(
I()~
En un experimento se coloca a una rala en un laberinto en forma de

T con dos posibles salidas equiprobables. A y B. Cada vez que se sita en
A recibe un tlpelet_ (bolita de comida) y cada vez que lo hace en B recibe
una pequea descarga. El expel;mento termina cuando la rata se ha situado dos veces en un mismo lado dellahe,;nto. En este experimento. definimos dos variables aleatorias. X e y, de la siguiente manera:
,
1
X: nmero de pelets que recibe la rata

Y: nmero de descargas elctricas que recibe la rata
Obtenindose la siguiente tabla de probabilidad conjunta:
X.O
Xl
X 2
YO
O
O
0.25
Y.I
O
O
0.25
Y.2
0.25
0.25
O
Para obtener la probabilidad de que la rata no consiga ninguna bola

(pelet) de comida, tenemos que calcular:
a) La funcin de probabilidad marginal: g (O)
)
b) La funcin de probabilidad conjunta: (O. O) = p (X = O)

e) La funcin de probabilidad condicionada:
=p (X =O)
VARiABLES ALEATI
La probabilidad de que la rata no consiga ninguna bola de comida.

vale:
e) La esper
496
a) g (O) = P (X = O) = 0,25
b) G (O) = P (X < O) = 0,25
e)
la \'arian~
pendientes
g(%) = p(x = ~ = O) = 0,25
a) La resta
La probabilidad de que la ..ata lome una bola de comida dado que

ha recibido una descarga elctrica, se obtiene calculando:
a) La funcin de pmbabilidad conjunta:f(l; 1)
= P[(X = 1) l' (Y = 1)]
b) La funcin de probabilidad condicionada:
,,(x =/.v1/ = 1) =
P[(X = I)n(y
P(Y = 1)
=1)] = ((1,1)
,,(1)
e) La funcin de probabilidad condicionada:
J" = 1/
) = P[(X = I)n(y = 1)] = ((1,1)

/x=1
P(=I)
g(l)
"\
[TI
La probabiJidad de que la rata reciba una descarga elctrica habien.

do conseguido una bola de comida, se obtiene calculando:
ai
La (uncin de probabilidad conjunta;((I; l)

b) La funcin de probabilidad condicionada:
,,(x
i/
)=
P[(X
/y = 1
b) La suma
c) La suma
[TI
La probab
da y no rec:
a) La espero
b) La fund
e) La funci
En un deterr
miento abstrael
mana. Se definel
los valores Opar
cin obtenida er
ci" de probabL
la siguiente eeu
= P[(X = 1) l' (Y = 1)]
=l)n(y -1 = ((1,1)
P(Y = 1)
),(1)
que oligina I
r:;;
e) La [uncin de probabilidad condicionada:
)= p[(x=l)n(Y=I
Jy=l/
6\ /x = 1
P(= 1)
= (1,1)
g(l)
El promedio de descargas elctricas que recibirn las ralas que han
conseguido una bola de comida se obtiene calculando:

a) La funcin de probabilidad condicionada:
V
g(
= 1/ )
/x=1
= P[(X = I)n(y =1 = ((1,1)
b) La esperanza condicionada:
P(=I)
E(%
g(1)
1) = I:y,.
~-'X)
lE
La probabi
de 10 es:
a) 0,2
b) 0,09
e} 0.155
La puntua
a) 4,15
497
VARIABLES ALEATORIAS DISCRETAS (IJ): DOS VARIABLES
e) La esperanza condicionada:
E(-){. = 1) =:Ex. ~)()
La varianza de la suma de dos variables aleatorias discretas nde

pendientes es igual a:
a) La resta de las varianzas mas dos veces la covarianza.
b) La suma de las varianzas menos dos veces la covarianza.
e) La suma de las varianzas.
La probabilidad de que la rata consiga dos o menos bolas de comi
da y no reciba ninguna descarga elctrica se obtiene calculando:

a) La esperanza condicionada de X '" 2 condicionada a que Y es cero.
b) La funcin de disuibucin conjunta' F (2, O) = p [(x S 2) Y (Y S O)]
e) La funcin de disuibucin marginal, G (2) = p (X S 2)
En un determinado Centro Escolar se pasa una prueba de razonamiento abstracto a un grupo de alumnos y alumnas de Educacin Primaria. Se definen las variables aleatorias: X '" .sexo del alumno. que toma
los valores O para los nios y 1 para las nias y la variable Y '" .puntuacin obtenida en el test con valores comprendidos entre 7 y 11. La funcin de probabilidad conjunta de estas dos variables viene deEinida por
la siguiente ecuacin:
2X+Y
; X = 0,1; Y = 7, 8, 9, lO, 11
f (x,y) = { 100
O en otro caso
que origina la siguiente tabla de probabilidad conjunta:
x=o
X=I
Y=7
Y=8
Y=9
0,07
0,09
0,08
0,10
0,09
0,11
Y = 10 Y = 11
0,10
0,12
0,11
0,13
La probabilidad de que los nios obtengan en el test una puntuacin

de lOes:
a) 0,2
b) 0,09
e) 0.155
La puntuacin media en el test de los nios es:

a) 4,15
498
ANLISIS DE DATOS EN PSICOLOG(A 1
VARIABLES ALEAr
b) 9,2
El resto de
e) 20,25
,(Ji) =
La probabilidad de que estos alumnos obtengan 9 puntos o menos
es:
,(%) =
a) 0,45
b) 0,5
e) 0,54
,(X) =
1"7.111. SOI.l UO'\I:S \ LOS LJLHClUOS
que se reco
La solucin COITccta es la a, donde P(X=O) nos proporciona la probabilidad de que la variable aleatoria X lome el valor O con independencia de los valores que lome Y. Por tanto. en una funcin de
probabilidad conjunta, la expresin P(X=O) corresponde a la funcin de probabilidad marginal.
Por otra parte, la altemativa b est mal escrita ya que la funcin de

probabilidad conjunta f(O,O) cOITesponde a la probabilidad de que
la variable X tome el valor Oy. simultneamente, la variable Y lome
el valor O. y se representa de la siguiente forma:
EslOS \'alor
funcin de
des, aplicar
(0, O) = P [(X = O) Y (Y = O))
De acuerdo con la explicacin anterior, la aliernativa correcta es la

a, donde:
es la que se
g(O)
= P(X = O) = (0,0) + 0,1) + (0,2) = I
(x,y,) =
1"'0
0+0+0,25=0,25
La alternativa b se refiere ms concretamente a la funcin de distribucin de probabilidad que es un concepto difel"enlc aunque se
obtuviese el mismo valor numrico.
11
La alternativa correcta es la b. Considerando las definiciones que

hemos dado a las variables X e y, en esta situacin la condicin es
que la rata ha recibido una descarga elctlica, y lo que buscamos es
que, bajo esn condicin cul es la probabilidad de que la vnl"iable X
tome el valor 1. Esta probabilidad vale:
,( 1/) = P[(X = I)n(y = 1)] =((1,1) = _0_ =

~
"Y=I)
~)
0,25
La a!ternali
conseguido
de que redl
La respuest
11 dicionada
d
condicin d
11
La expresi6
499
VARIABLES ALEATORIAS DISCRETAS (IJ): DOS VARIABLES
El resto de los valores son:
h(O/)
= f(O,l) = _0_ =
11
h(l)
0,25
h(721/) = f(l,I)
= 0,25 = 5
h(2) 0,50
'
h(O/) = f(0,2) = 0,25 = 05
h(2/) = f(2,l) = 0,25

71
h(l)
0,25
12
h(2)
0,50
'
h(X)1 = f(U)
=_0 =
h(l)
0,25
h(2/) = f(2,l)
72
h(2)
=I
=_0_ =
0,50
que se recogen en la tabla siguiente:
h (x/y) y=o
X=O
X=1
X=2
Y=!
h (011) = O
h(1I1)=0
h (VI) = 1
Y=2
h (0/2) = 0,5
h (112) = 0,5
h (V2) =
Estos valores no son los mismos que los que se obtendran para la
funcin de probabilidad de y condicionada a X cuyas probabilidades, aplicando la expresin:
es la que se recoge en la siguiente tabla:
h (x/y) Y=O
X=
X=l
X=2
0,5
Y=l
Y=2
0,5
La alternativa correcta es la c, ya que la condicin es que la rata ha

conseguido una bola de comida y queremos obtener la probabilidad
de que reciba una descarga elctrica, (Y=l) .
La respuesta COlTecta es la b, y se obtiene mediante ta esperanza condicionada de los valores de Y: nLimero de descargas elctricas, en la
condicin de que la rata consigue una bola de comida.
de una suma de variables es:

111 La expresin generalVarde(Xla+varianza
Y) cr; + cr; + 2 . cr.ry
=
500
ANLISIS DE DATOS EN PSICOLOGfA I
donde la covarianza es igual a la con-eJacin por el producto de las

desviaciones tpicas. Por tanto, tambin lo podemos escribir de J).
siguiente fOlma:
Vay ( X + Y) =
l'
<JI
a,-
+ 2 . 0.n =
l'
(JI
o;
+ 2 . r:n' .
<JI
O,
Si las variables son independientes entonces lanto su covarianz<l

como la cOlTelacin lineal entre ambas es cero, por lo que las expresiones anteriores quedan:
VARIABLES ALE
g(ylx)
v. g(ylx)
Por lo ql
Va" (X + Y) = a; + a,!
que indica que la varianza de una suma de dos variables aleatorias

discretas independientes es igual a la suma de sus varianzas. De igual
forma se deduce que la varianza de fa diferencia entre dos variables
aleatorias discretas illdepelldiel1/es es igual a la SUI1IO de S/lS variall~
de distril
zas:
que \ y'I
Var (X - Y) =
o; + o; - 2 . 0t,
Si la covarianza es cero, entonces: Var (X - Y) ~
o; + o,:
La alternativa correcta es la c.
La alternativa correcta es la b. Considerando que X representa el

nmero de bolas de comida e Y el nmero de descargas elctricas.
si intentamos expresar sin palabras el enunciado de esta pregunta.
tendramos que escribir: P [(X ~ 2) Y (Y ~ O)], expresin que corresponde a la funcin de distribucin de probabilidad conjunta de las
va;ables X e V, que tambin se representa por F(2,0).
La ahem:lliva con'CCta es la c. donde se obtiene la probabilidad con11 dicionlda

de que Y 7 bajo la condicin de ser nio. y vale:
=
,(Y
= 71
Ix
) = P[(Y
=O
= 7) Y (X = O)] = ((0,7) = 0.07 = 0155

P(X
=O)
g(O)
0.45
'
La alternativ<l correcta es la b, que se obtiene calculando primero

11 las
probabilidades condicionadas de los nios. Estas son las que
resultan de aplicar la siguiente exp.-esi6n:
p(Y = y'
Ix = O
= (eO,y,) = (eO,y,)
g(O)
0,45
para cada uno de los valores de y que se muestran en la segunda fila

de la siguiente tabla:
La altcrn
501
X=O
g(y/x)
y. g(y/x)
Y=7
0,Q7
0,155
1,085
Y=8
0,08
0,177
1,416
Y=9
0,09
0,2
1,8
Y=IO
Y=!1
0,11
0,244
2,684
. 0,10
0,222
2,22
G(x)
0.45
9,2
Por lo que la media condicional, es:
E(%=O)=LY{YX=O)=
= 1.085 + 1.416 + 1.8 + 2.22 + 2.684 = 9.2
La alternativa correcta es la c. que se obtiene al calcuJar la funcin
de distribucin conjunta o probabilidad de que X sea menor o igual
que 1 y Y sea menor o igual que 9. Esto es:
i
F(xi'Yi)
=P[(X < xi)n<Y <Yi)] =I
F(l,9)
I{(Xi'Yi)
1
=P[(X<l) y (Y <9)] =
= 0.07+ 0.08 + 0.09 + 0.09 + 0.10 + 0.11 = 0,54
Tema 18
Algunos modelos de distribuciones
continuas de probabilidad
18.1. INTI
SUMARIO
En los tel
referidos a I~
de distribuc
18.1. Introduccin
caractensticl
18.2. La distribucin norm.al
18.3.
18.4.
18.5.
18.6.
18.7.
18.8.
La distribucin chi-cuadrado
La distribucin i de sludent
La distribucin F
Resumen
Ejercicios
Soluciones H los ejercicios
ex,>
ceptas para t
bies continu:
de probabilic
bir una funci
mos construi
do a que el
definicin, in
ecuacin (COl
habilidades.
ciones contin
plo u otros si
ilustracin ge
nonnal y la o
bilidad chi-a.
que asumime
como es el c
ciones. Sin el
con fines apli
nas continua
alumno estud
Los mocleL
funciones de (
por ecuaciom
lar la probabi
lome unos va)
18.1. l",mODLCC"!
En los temas anteriores se han expuesto los conceptos fundamentales
referidos a las variables aleatorias discretas: su funcin de probabilidad,
de distribucin, sus propiedades fundamentales y los momentos ms
caracteristicos (media y varianza) y se han generalizado los mismos con
ceptos para las distt;buciones de probabilidad bivariadas y para las variables continuas. En este tema vamos a estudiar unos modelos concretos
de probabilidad de variables continuas. La dificultad a la hora de describir una funcin de probabilidad de una variable continua es que no podemos consuuir la tabla incluyendo los valores que toma la variable debi
do a que el nmero de valores que puede tomar es, por su propia
definicin, infinito. De forma que solo podemos describirla mediante una
ecuacin (como se hizo en el ejemplo 15.2) y utilizarla para obtener probabilidades. Estas ecuaciones que caracterizan algunas de las distribu-
ciones continuas son algo ms complejas que las expuestas en ese ejemplo u otros similares para el nivel de este curso, por lo que, a modo de
ilustracin general de conceptos solo la expondremos para la distribucin
normal y la omitiremos en los restantes casos (la distribucin de probabilidad chi-cuadrado, la distribucin t de Student y la distribucin F) ya
que asumimos que el alumno carece de una herramienta fundamental,
como es el clculo integral, para la correcta manipulacin de sus ecuaciones. Sin embargo, ello no obstaculiza que en este tema describamos,
con fines aplicados, estos modelos de probabilidad de variables aleatorias continuas en los que se fundamenta la inferencia estadstica que el
alumno estudiar en el prximo curso.
Los modelos probabilsticos que ahora estudiaremos son aquellos cuyas
funciones de densidad de probabilidad vienen definidos, como se ha dicho,
por ecuaciones o frmulas matemticas concretas y nos permiten calcular la probabilidad de que una determinada variable aleatoria continua
tome unos valores determinados. Entre estos modelos de variables alea-
506
ALG
lodas continuas ms importantes se encuentran la distribucin NonnaI,

la distribucin chi-cuadrado, la distribucin t y la distribucin F. de
impol1ancia fundamental para entrar con xito en la inferencia estadstica y el contraste de hiptesis que es materia de estudio en Anlisis de
Datos en Psicologa JI., de segundo curso, y estn relacionados con los
Diseos de Experimentos que se estudian en la asignatura de .Diseiios de
Investigacin en Psicologa_, de primero.
oca
Nos detendremos con especial detalle en la distribucin normal (ya

estudiada como distribucin de frecuencias en el lema 6) confiando en
que ello pueda facilitar la comprensin de los siguientes modelos de probabilidad que describir"emos de forma ms escueta. El objetivo ltimo es
que se comprenda intuitivamente en qu consisten estas distribuciones y
que, con ayuda de las tablas del apndice, sepa calcular probabilidades
asociadas a estos modelos de probabilidad. En el ltimo tema se expone
una aplicacin introductoria de estas distribuciones continuas como dis
tribuciones de muestreo e introduccin a la inferencia estadstica, que
como se ha sealado se estudiar con ms detalle en segundo curso.
Los objetivos son:
Transformar una distribucin normal de una variable cualquiera,
X, en la distribucin normal estndar de puntuaciones picas, Z.
nOIT
182'
por
cimi
ca ql
losq
lo pr
a1eal
modo
cribi
siend
fsica
sed
propl
mejol
deja
fica, (
la var
Conocer las caracteJisticas de la distribucin normal como distri

bucin de probabilidad de una variable.
Utilizar las labias de la distribucin normal para obtener probabilidades.
Definir las variables aleatorias 1, chi-cuadrado y F.
Conocer las caracteJisticas de las distribuciones t, chicuadrado y
F: su media y varianza.
Utilizar las tablas de las distribuciones t, chicuadrado y F, para
obtener probabilidades asociadas a unos detelminados valores e,
inversamente, obtener los valores de estas variables asociados a
tinas determinadas probabilidades.
Si 1I
lI\,~, 1 \ I)lSTlIllIl c:r()\ ,\011'1 \1.
panad2
mal. Si
ximaci
La distribucin normal, cuya fI"mula fue publicada por De Moivre

(1667-1754), es conocida tambin con el nombre de disllibucin de Gauss
Ten,
tribuci
ALGUNOS MODELOS DE DISTRlBUClONES CONTINUAS DE PROBABILIDAD
507
o campana de Gauss en honor de Cad Frledrich Gauss (1777-1855), astrnomo y matemtico alemn, que junto con Pierre Simon Laplace (l749~
1827), astrnomo y matemtico francs nombrado marqus de Laplace
por Luis XVIII, hicieron importantes contribuciones para un mejor COnocimiento de esta distribucin.
El adjetivo nonnal aplicado a este modelo de distribucin, no significa que otras distribuciones sean anormales, sino que se debe a los intentos que se hicieron, durante los siglos XVIII y XIX, para convertir este modelo probabilstico en ley, casi universal, a la que obedecen las variables
aleatorias continuas. Veremos que esto no fue posible y aparecieron otros
modelos probabilsticos, como la distribucin F, t o X2 que ms tarde describiremos. Sin embargo, es una distribucin importante porque, aun
siendo una distribucin terica, se ha comprobado que muchas variables
fsicas, como el peso, la altura, etc_, y psicolgicas, como la inteligencia,
se distribuyen de fonna muy aproximada a la nonnal. Como muestra, le
proponemos que coja dos dados y los lance al aire cuantas ms veces
mejor; pongamos que 100 veces. Considere la variable aleatoria X = .Suma
de la puntuacin obtenida en los dos dados," y complete la siguiente grfica, donde en el eje de abscisa se representa los valores que puede tomar
la variable X, y en el eje de ordenadas la frecuencia.
f
10
12
Si lo hace, observar que la distribucin grfica adopta forma acampanada y bastante simtrica y se va aproximando a la distribucin normal. Si en lugar de realizar 100 lanzamientos 10 hiciera 1000 "-eces la aproximacin sera mejor, y mucho mejor cuantas ms veces lance los dados.
Tenga presente que se trata slo de un ejemplo para ilustrar que la dis
tribucin nonnal est presente en muchas situaciones de la vida coLidia-
508
ANLISIS DE DATOS EN PSICOLOG[A I
ALGU1\
na, pero que en esta variable X del ejemplo, se trata, como bien sabe, de
una variable discreta y aqu eslamos estudiando la distribucin de variables conrinuas.
Nc
nonTI!
Su funcin de densidad de probabiJjdad viene deleJminada por la

siguiente expresin:
I
(x)
I
I
'r,-,)
=---:-e-i\"-
'I
Jame'
pero I
impo:
puede
tes ca
sobra
O"v2rr
donde lt (Pi) es una constante conocida de valor 3.1416159... y e es la base

de los logaritmos nepelianos de valor constante igual a 2,71828.... J.l Ya
son, respectivamente, la media y Ja desviacin tpica de la distribucin
que cumple las propiedades de toda funcin de probabilidad que vimos
en los temas anteriores, es decir:
-(xO
- C(x). d(x) = I
De fonna similar a como ocurra con las variables discretas, la primera propiedad indica que la probabiJidad asociada a un valor de la \'ariable aleatoria es nula o positiva y la segunda que la suma l de las pro-
babilidades asociadas a los infinitos valores de la variable es igual a la

unidad, o en otras palabras que el rea comprendida entre la curva y el
eje horizontal es igual a uno. Su grfica es la conocida curva en forma de
campana como la que se incluye en la figura 18.1.
M~,o)
Figuro 18.1: Distribucin normol de medio ~ y desviacin tpico o.

Por Ir.llarse de una variable conlinua, la suma de esfOS valores infinilcsimales se
rep'"Cscllta por el smbolo de la integral en lugar del sfmbolo del sumatorio ulilizado para
sumar valores finitos y discrelos
A,
de pI
en el
do )(
esle n
"'ne.,
ene! ,
ALGUNOS MODELOS DE DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
le
,a
509
No se desanime el lector si no comprende la ecuacin expuesta ante

riormenle y que define su funcin de probabilidad. f(x). porque ms adelante veremos que no la vamos a necesitar para calcular probabilidades,
pero por el contrario si es necesario conocer las caractersticas ms
importantes de esta distribucin para facilitar los clculos. Como se
puede observar en la figura 18.1, la distribucin normal tiene las siguientes caractersticas. Y3 vistas en el tema 6 y que por su imponancia no
sobr<l recordarlas:
- Es simtrica en tomo a su media J.I que corresponde a la abscisa de
m",ma altura. Al ser simtrica, coincideJ'l la media, la mediana y
la moda.
- La curva normal tiene dos puntos de inOexin, es decir, dos pun-
lOS donde la curva pasa de ser cncava hacia abajo ~ ser cncava
hacia aniba 1 . Eslos puntos de inflexin estn situados simtricamente a una desviacin tpica (J . a) de la media, es decir, en Jos
puntos: Xl '= J.I - a y Xl = J.I + a.
..-
.,
e
- TIene una amplitud infinita por lo Que la curva se extiende desde-oo

hasta +- . Por tanto, la curva nunca toca al eje horizontal. En trminos ms precisos se dice Que la curva es asinttica al eje de abscisas.
- Es una distribucin de probabilidad de \'ariables aleatorias continuas y en consecuencia el rea total comprendida entre la curva
y el eje de abscisas o eje horizontal de la x es igual a la unidad.
Este rea se interpreta en trminos de probabilidad.
- De las caractel"sticas anteriores se deduce que una perpendicular
tIazada sobre la media divide a la curva en dos pal1es de igual rea.
Adems de estas caractclisticas, la distribucin normalliene una sede
de propiedades de las cuales seiialaremos las siguientes, vistas tambin
en el tcma 6 como distribucin de frecuencias:
- Si X es una variable con distribucin n0I111<11, N (}J, a), la variable Y
funcin lineal de X mediante la siguienle transformacin J :

y = a bX, es tambin nonnal con media: a bp y desviacin lpica: Ibl. a (donde Ibl es el valor absoluto de b).
Z Una curva l'S cncava hacia alriba si tiene f0l111a de un plato capaz de rctcner lquido )~ y cncava hacia abajo si la fOlma es la de un plato dcl quc se saldrla c1lquido 1(. De
este 111000. la CUl'\'a nOlma1 es cncava hacia abajo en su zona !!>upcrior \ se va haciendo
cnca\"a hacia aniba a medida que nos accrcamos a los extremos.
J E!!>ta es una propiedad general de la media y de la desviacin tpica tambin contada
en cltcma 4 )" 5.
510
ALGUNOS I
- Si XI es una variable con distribucin normal N (PI' al) Y Xl es otra

variable independiente4 de la anterior y nOlmal N (pz, az) la variable Y = Xl ;t Xl es tambin nonnal con media py = PI + Pl y des\riacin tpica: ay =
~a + O'i .
- La funcin de distribucin de probabilidad de la distribucin normal N (p; a) viene dada por la siguienle ecuacin:
Figuro
norm<
y difere
y se puede calcular para cualquier valor de x siempre y cuando se
conozcan los valores de la media (ll) y la desviacin tpica (a) a los
que denominamos parmetros de la distribucin.
Cualql
distribuci
cada,que
N(O,l l, tal
....
x
"
Figuro 18,2: reo de lo distribucin normol bojo lo puntuacin x.
Por lanlo, existe una familia de distribuciones nonnales que difieren en cuanto a su posicin (p) y dispersin (O') y que genricamente se
simbolizan por N (p, a)como las que se muestran en las figuras 18.3 y
18.4.
Recuerdc las propiedades de la mcdia y varianza dc la suma (o resta) de valiables.

Tenga pr~nle que aqu se habla de valiables independielllcs v POI' tan lo su cO\"anan7.a es
~ro.
Figuro
Esto 54
puntuaci<
sin ya c<
, Recue
ca 1. Repa51
Al
511
ra
ta-
Lx.
>r-
Figuro 18.3. Dos distribuciones
Figuro 18.4. Dos distribuciones
normales con lo mismo medio
normales con diferentes medio
y diferentes desviaciones tpicas.
y diferentes desviaciones 'picas.
se
OS
Cualquier distribucin normal, N (}Ji 0'), puede transformarse en olra

distribucin, que denominaremos distribucin normal estndar o tipificada, que tiene de media cero y varianza uno que simbolizaremos por
(0,1), tal y como se muestra en la figura 18.5.
..
...
..
'-"""
"/:0
.....
'
se
Iy
,:
''
...
"'"
le-
.. , ,
, .. ,.,
,,
S,.1.'
,
'
"""""
,
,,
,,
Figuro 18.5: Transformacin de dos distribuciones N (IJ;
al en
la distribucin
estndar N {O, 1).
Esto se consigue haciendo un cambio de variable y transformando las

puntuaciones, X, en puntuaciones tfpicas 5 , z, mediante la siguiente expre
si6n ya conocida del tema 6:
0;.
, o;
I Ro.:-cucrde que ya estudi que estas punwacioncs;: lienen media cero v dcsviacin lpica 1. Repase cllema 6. para refrescar <:slos conceptos anles de seguir leyendo.
512

x-~
z=--
(uacian
cr
Z(com
Teniendo en cuenta que esta expresin corresponde al exponente de

la funcin de densidad de probabilidad y que su desviacin tpica es uno,
O' = 1, la funcin de densidad de probabilidad de la distribucin nOlmal
estandarizada, N(O,l), es:
f()
z,.
1
=~.e
ALGUN(
_o.'
2
con lo (
I
Para
cuya grfica se muestra en la parte inferior de la figura 18.5.

Estudiamos en el tema 6, que las puntuaciones tpicas tienen media
cero y varianza uno. Para calcular la probabilidad de encontrar valores Z
inferior a cualquier 01l-a Z, debe calcuJal'se el '-ca comprendida a la
izquierda de la perpendicular trazada sobre dicho valor de Z y la curva,
para lo cual un procedimiento sera calcular la siguiente integral:
F(z,J
= P(Z < z,J =__f-=.

e 2'
..;2 rr.
-
_!.. I
ACLARACiN: Af0l1unadamenle no es necesario dominal' el clculo integraJ y en consecuencia no se necesita hacer esta operacin ya que el resuJtado de casi todas estas posibles opemciones se encuentra consultando la
tabla A.l que se incluye en el apndice, donde se presentan todas las puntuaciones tpicas desde -3.59 hasta +3.59 con intervalos de O.01.La pl'illlera
columna encabezada con la letm z consta de un nmero con un decimal
que cOITcsponde a la puntuacin tpica y la pdmera fila (a la derecha de la
letra z) cOlTesponde al segundo decimal de la plllllllacin z. Todos los valores interiores representan probabilidades y llevan, obviamente, un cero
delante de la coma.
Imaginemos que pasamos un test de comprensin verbal en una determinada aula de un colegio a los nios de 6. 0 de Primaria, sabiendo que
las puntuaciones dc este tcst se distlibuyen normalmente con media 100
Ydesviacin tpica 25, y queremos calcular la probabilidad de que un niilo
obtenga en elleS! una punluacin menor o igual a 131 punlos. Un procedimiento sera aplicar la ecuacin que aparece en la Figura 18.2 siendo
los valol-es de la ecuacin los aqu proporcionados, es decir, media 100,
desviacin tpica 25 y puntuacin X = 131. El segundo procedimiento, que
es el que utilizal-emos siempre, es transformar esta distribucin de pun-
racin:
acudiml
en la pr:
tramos
encontr;
513
tuaciones directas X en la distribucin nonnal estndar de puntuaciones

Z (como se ilustra en la figura 18.5) mediante la transformacin:
x-x
z=-5-'
"
con lo que si X = J 31 entonces su puntuacin tipica es:
= 131-100 =124
25
'
Para encontrar su probabilidad sin tener que realizar la siguiente operacin:

a
l
1,24) =
"
1
f___ :--.
e-,12"
v2 . rr.
1.24
F(I,24) = P(Z
. dz = 0,8925
acudimos a la tabla A.I y buscamos en la primera columna el valor 1,2 Y

en la primera fila el valor 4. En el cruce de la fila con la columna encontramos .8925 que es la probabilidad buscada. es decir. que en la tabla
encontramos el valor 0.8925 como solucin de la integral anterior:
1 2 ... 4.
0,0
0,1
" --c;:>
1
J :--.
e-rlJ~l . d~ = 0,8925
1,z.I
FU,24) '" P(Z:,> 1,24) =
._-------.;~-
-----:---~-
_ .,z. 1t
,,
,.
----~,..-
"
le
~
..
-~-
\,
,
,,, .
,
,o
)-
o
D,
"--3,59 -2,89
-._-- -----!.-
,,
, --,--,,
,
_- ,,
,
-'.-. ,,
e-
~~._----~----~-----~"
~2,17
-1,44 -0,72 0,00 0,72
1,44 2,17
2.89 3,59
le
,-
Figura 18.6. rea de lo distribucin normal bojo lo puntuacin z. 1.24
514
Este valor significa que la probabilidad de obtener puntuaciones tpicas menores o iguales a 1,24 vale 0.8925. En otras palabras. la probabiJidad de que un nio obtenga en el test pUnluaciones menores o iguales a
131 es 0,8925. Tambin es frecuente or que el nit'io que obtenga en ese
test la puntuacin 131 se encontrarla en el percemil 89. Por lo t3nto, todas
las probabilidades que aparecen en esta tabla se refieren a la probabilidad de obtener valores mellores o igllales a una puntuacin tpica z
determinada.
ALGUNOS M
b)
fica por
nes del
Ejemplo 18.1. Las puntuaciones de un test se distribuyen normalmente con media ISO y varianza 144. Calcular:
a) La probabilidad de obtener puntuaciones mayores o iguales a
130.
b) La probabilidad de obtener puntuaciones comprendidas entre
140 y 180.
a) Primeramente tenemos que transfonnar esta disUibucin nor
mal en la distribucin normal tipificada. Para eUo, transformamos
las puntuaciones del test, X, en puntuaciones tpicas, Z, mediante la
siguiente expresin:
X=130=>Z=X-X =130-150=_167
S,
12
'
x- 130
x- 1SO
z-o
que es
Buscamos en la tabla A. 1 F (-1,67) = P (z: S -1,67) = 0,0475 que

representa el rea sombreada de la izquierda, pero como lo que piden
es la probabilidad de obtener puntuaciones mayores o iguales a 130,
es decir la zona derecha de la grfica, realizamos la siguiente opera
cin:
111.2. I \
z.,_1,4~
p (X ~ 130) = P (Z ~ -1 ,67) = 1 - 0,0475 = 0,9525 que es la probabilidad pedida.
El tnnin
primer lugalj
lizado la letr:
da- y, en segl
515
b) La probabilidad que buscamos queda representada en la gr

fica por la zona central. Para ello, transfonnaremos las puntuacio
Des del test, X, en puntuaciones tpicas, z:
X=140=>Z=
X = 180 => Z =
140-150
= -{J,83
12
180-150
'z.
= 2,5
J =\
x= 140
z= 0,83
x .. 180
z: 2.5
Ten.iendo en cuenta que la informacin que nos proporciona las
tablas corresponden a las probabilidades de obtener puntuaciones

menores o iguales a un valor dado, buscamos F(--o,83) y F(2,S) para
reslar posteriormente una de la otra, y resulta:
F(2,5) = P(Z <2,5) = 0,9938
F(-{J,83) = P(Z
P(-{J,83 < X
<-{J,83) = 0,2033
< 2,5) = F(2,5) -
=>
F(-O, 83) =
= 0,9938 - 0,2033 = 0,7905
que es la probabilidad pedida que aparece representada en la grfica.
18,2. LA D1STRIllCC:\T CHI-CI'ADH.\DO (X')

El trmino chi-cuadrado lo vamos a utilizar con un doble sentido: en
primer lugar, como denominacin de una variable -igual que hemos utilizado la letra z para denominar a la variable nonnal estndar o tipificada- y, en segundo lugar, como nombre de un tipo de dislribuci6n de pro-
516
habilidad -como hemos hecho con la distribucin normal que se ha representado por N ().l. 0)-. Veremos que conceptualmente no es ms compleja que otros modelos de probabilidad, ya descritos en epgrafes anteriores, sino que muy al contrario. vamos a facilitar al mximo su comprensin
y su utilizacin prctica.
Como el resto de las distribuciones de probabilidad ya estudiadas, puede ser definida por una ecuacin matemtica que permite obtener probabilidades para cada valor concreto de la variable. Ocurre, sin embargo.
que esta ecuacin no es nada sencilla, y por eso la omitiremos6 , sin que
ello sea un obstculo para su correcto entendimiento o impida obtener
probabilidades con ayuda de las tablas que se incluyen en el apndice y
de fcil uso.
A
p:
a
n
rr
rr
le
..
n:
le
B
el
el
Puesto que omitimos la ecuacin de la funcin de densidad de probabilidad de la distribucin chicuadrado, vamos a definir qu es una
variable chi-cuadrado. Para eIJo partimos de n variables aleatorias inde
pendientes, Xl' X!, XJ'
X"' con distribucin normal estandarizada,
(0,1); definamos ahora una nueva variable mediante la siguiente expre
sin:
2
le
1I
000'
X; + xi + xi +
000
X;
que representaremos con la letra griega chi y el exponente 2 (se escribe X~ y se lee chicuadrado), que es tambin una variable aleatoria continua que tiene una funcin de densidad de probabilidad conocida -<uya
expresin matemtica omitimos- que es la distribucin chi-cuadrado con
n grados de libertad. Por consiguiente, definimos la variable chi--euadra
do como la suma de los cuadrados de n variables nonnales N(O,I) e independientes:
x~
re a
situ
el nI
lriC
dra,
= zl + z~ + z~ + ... +
La distribucin X2 consiste, como ocurre con otras distribuciones, en

un conjunto de distribuciones de probabilidad que depende del nmero
de grados de Iibel1ad. El nmero de grados de Iibel1ad se representa habitualmenle como subndice del sfmbolo de chi-cuadrado, de tal forma que
cuando, por ejemplo, veamos escrito X;5 nos estamos refiriendo a una dis
tJ'bucin chicuadrado con 1S grados de libel1ad.
Es la ecuadn con la que se ha programado el CDRom de prcticas para calcular las

probabilidades a:x.:iadas a los valores que introduce el usuario. El lector interesado puede
cnconcrada en algunos de los (('Xlos que se mencionan en la bibliogrn(fa
tie~
nel
cua
517
ACLARACIN: El concepto de grados de libertad es un trmino tomado

prestado de la fisica y que puede explicarse matemticamente recuniendo
a herramientaS matemticas ms complejas de las que se requieren para el
nivel de este curso. Por ello, intentaremos clarificar este concepto brevemente ilustrndolo con ayuda de algunos ejemplos. Supngase que le permiten elegir cinco nmeros cuntos de ellos puede elegir Hbremente? No
lo piense mucho, indudablemente la respuesta es cinco, de modo que en
esta ocasin ha actuado con cinco grndos de libertad. Imaginemos nuevamente la misma situacin, pero ahot'a con la condicin de que la suma de
los cinco nmeros sea igual a una cantidad determinada, por ejemplo cien.
En este caso cuntos nmeros puede elegir libremente? La respuesta ya no
es tan inmediata pero es bastante sencilla; imagine que ha elegido como
cuatro primeros nmeros los siguientes: 54, 126,8 Y2610s cuales suman
216 y puesto Que los cinco nmeros deben sumar cien, lgicamente el quinto tiene que ser. -116. En esta ocasin se ha actuado con cuatro grados de
libertad ya que al haber elegido libremente los cuatro primeros nmeros, el
quinto queda automticamente especificado por la condicin de que la suma
de todos ellos sea cien. La condicin impuesta nos ha restado un grado de
libertad. De esta forma, a medida que se vayan aadiendo ms condiciones
restrictivas, disminuyen los grados de libertad.
Como se ha intentado aclarar, el concepto de grado de libertad se refiere al nmero de obsct\'aciones que pueden elegirse libremente en una
situacin matemtica concreta y, por lo general, es igual a n-k siendo n
el nmero de observaciones o de datos y k el nmero de condiciones restrictivas que se imponen a los clculos. Las siguientes variables chi-cuadrado, tal y como se han definido:
2
2
X3
= Zj
X = Z
X2=Z+Z2
222
+ Z2 + Z3
....... etc.
2
X"
=Zl +Z2 +Z3+ .+Z"
tienen 1, 2-1 3, ... , 11 grados de libertad respectivamente y la figura 18.7

incluye la representacin grfica de algunas de estas distribuciones chicuadrado, para 2, 8 Y20 grados de libertad.
518
ANLISIS DE DATOS EN PSICOLOCtA I
AlGt
n.8
o'l.L.-~~~
Figura 18.7: Di$linlos distribuciones;(2 !oe9n sus grados de libertad.
A(
as
fa.
La distribucin l goza de importantes caractersticas que pueden

comprenderse bien, sin necesidad de recurrir a complejas demostracio
nes matemticas, con un atento y detenido anlisis de la figura 18.7 donde se representan distintas distribuciones X2 Las ms importantes son:
u
q.
m
ro
- La variable -l definida como suma de cuadrados de n variables aleatorias independienles N(O, 1) no puede tomar valores negativos
(una puntuacin al cuadrado siempre es positivo) pudiendo tomar
cualquier valor positivo en el intervalo desde cero hasta infinilo (0,<><.
re
X'
fie
d.
".
es
- Como ya se ha mencionado. una distribucin "1: queda perfectamente

determinada por sus grados de libertad, n, de tal forma que si una
variabJe, X, se distribuye segn l con n grados de libertad, sus par
metros media y varianza son:
1
repn
coilll
~=E(X)="
cr'=V(X)=2."
- La distribucin X2 es asimtl;ca positiva pero a medida que aumentan sus grados de libet1ad se va aproximando a la distribucin
nonnal Observe en la grfica como la distribucin con 11 = 20 grados de Iibel1ad se pan~ce bastante a la distJibuci6n nomlal que hemos
descrito anteriormente. Con fines prcticos la aproximacin es bastante buena a partir de cien grados de libel1ad (" > 100) y las probabilidades asociadas a esta distribucin se pueden obtener a partir
de la normal. Entonces la va.-iable:
519
donde n representa el nmero de grados de libertad, se distribuye de

acuerdo con la distribucin normal estandarizada N(O,O
- La denominada propiedad aditiva expresa que si una variable X se

distribuye segn X2 con nI grados de libertad y otra variable Y se distribuye tambin segn X2 con n 2 grados de libertad, entonces la variable U suma de las dos anteriores (U =:: X + Y) se distribuye segn X2
con nI + n 2 grados de libertad.
ACLARACIN: La labIa A.2 nos pennite obtener algunas probabilidades
asociadas a unos pocos valores (tambin llamados percentiles) de toda la
familia de distribucionesl que van desde 1 hasta 100 grados de libertad.
La primera columna se refiere a los grados de libertad de la distribucin,
que varian desde 1 hasta 100. Para valores mayores se aproxima a la normal, como se ha indicado en el prrafo anterior. Una vez enconuado el nmero de grados de libertad, n, de nuestra distribucin de inlers, lodos los valores a su derecha en orden creciente son los distintos valores de la variable
-,: (que se representarlan sobre el eje de abscisas o eje horizontal de la grfica) que dejan por debajo la probabilidad indicada en el encabezamiento
de la columna correspondiente (que se representa como rea entre la curva y el eje de abscisas). Con los siguientes ejercicios se practicar el uso de
esta tabla.
Los dibujos de los siguientes ejemplos debe interpretarlos como una

representacin esquemtica, puesto que es ms que probable que no
coincida con su representacin real.
Ejemplo 18.2. Dada una distribucin X2 con 21 g.l y siendo A y

B las reas rayadas del grfico, determinar los valores de X2 tales que:
a) El rea de A es 0.10
b) el rea de B es 0.05
'xl
}~
~
520
ALGUNOS
yxi tales que:

Y P (x' ~xi) = 0,05
Se lrata de buscar los valores de ~

P (x' ~X;) = 0,10
Es decir, calcularemos los percentiles 10 Y98 respectivamente.

Para ello, consultando la tabla A.2, encontramos en la fila correspondiente a 21 g.l una serie de percentiJes de esta distribucin.
gl
0,10
0.95
1
2
3
21
A
13,24
32.67
Puesto que la tabla nos informa siempre de la probabilidad de

encontrar valores menores o iguales a uno dado, tenernos que buscar el valor.
P(x'Sx;) =0,10 =>x; = 13,24
y
P(X' ~xi) = 0,05 => P (X' S xi) = I-P(X' ~xi) = 1-0,05 = 0,95 =>
~"lb= 32,67
Ahora la P,"cgunta es a la inversa:
Ejemplo 18.3. En una distribucin'l con 10 g.l. calcular
111..1. 1,
A la ~
Que sea
sentido:
acuerdo
cia! de di
dremos.
Para
indepen<
N(O, 1). [
sin:
P (6,74 S X' S IS,31)
Para ello tenemos que realizar la siguiente operacin:
P (6,74 S X' S IS,31) = P (X' S IS,31)-P(X' ~ 6,74)
tal y como se muestra en el siguiente dibujo:
o.-f-r'-----::::",-"'_ 0-1Lr-----:::;>---_
6,7~
6,74
18,3
que es u
y que tie
be el nOI
maternA'
0.7
o,-h-----::;::,~6,7~
18,3
dom~'
Que el n
tualmen
521
Con ayuda de las tablas buscamos los vaJores 6.74 y 18,31 en la

fila correspondiente a los 10 g.1 Ysus correspondientes probabilida
des se encuentran en la parte superior de sus respectivas columnas.
Estas son:
P(x' "6,74) = 0,25 }
por tanto:
P{X'" 18,31) = 0,95

P(X' S 18,31) - P(x' S 6,74) =0,95 - 0,25 =0,70
la puntuacin 6,74 le corresponde el percentil 25 y a la pun
tuacin 18,31 el percentil 95 tal Y como se muestra en el grfico, por
tanto entre ambas puntuaciones se encontrar el 95 - 25 :: 700m de
los casos que es una probabilidad de 0,70.
A
18.4. LA D1STRlBl;CI;'; t DE STUDE1\"T

A la hora de describir este tipo de distribucin de probabilidad, hay
que sealar nuevamente que el trmino t se utiliza tambin con un doble
sentido: uno para denominar a la variable aleatoria continua definida de
acuerdo a una funcin matemtica y otro para denominar a un tipo especial de distribucin de probabilidad cuya expresin matemtica no expondremos.
Para la definicin de la variable t partimos de n variables aleatorias
independientes, XI' Xl' X 3, .. " X"' con distribucin nonnal estandarizada,
N(O, 1). Definamos ahora una nueva variable mediante la siguiente expresin:
\
xf +x; +... +x;'
n
que es tambin una variable aleatoria continua que representamos por t
y que tiene una funcin de densidad de probabilidad conocida que recibe el nombre de distribucin t de Student en honor de su descubridOl~ el
matemtico Gosset que public bajo el seudnimo de Student. Analizando ms detenidamente la expresin matemtica de su definicin, vemos
que el numerador es una variable norIllal estndar o tipificada -habitualmente representada. por la letra z- y el denominador es la raiz cua-
522
ANLISIS DE DATOS EN PSICOLOGA J
ALGUl
drada de un cociente, donde a su vez, el numerador es la suma de los cuadrados de n variables aleatorias notmales e independientes -es decir una
variable X2 con n grados de Iibertad- que est dividida por n -los grados
de libertad de X2 _. Por tanto, podemos definir la variable aleatoria t
como el cociente entre una variable normal estndar, z, y la raz cuadrada de una variable chi-cuadrado, Xl, dividida por sus grados de
libertad, es decir:
Un breve anlisis de esta expresin matemtica nos permitir deduciJ~ sin necesidad de I-ecurrir a demostraciones matemticas, el rango de
valores que puede tomar. Vemos que el numerador es una variable con
disuibucin nOlmaJ estandalizada, que ya sabemos que puede tomar cualquier valor del intervalo (-00,"")' Por su palte el denominador es una variable chi-cuadrado que, como vimos, solo puede tomar valores positivos;
en consecuencia, la variable t, cociente de estas dos citadas, puede
tomar cualquier valor, positivo o negativo en el intervalo (-00,00).
Como en el caso de la distribucin l, repetir nuevamente que la V3li3ble aleatol'ia continua, t, tiene una distribucin de densidad de probabilidad como otra cualquiera (ni ms sencilla ni ms compleja) con su expresin matemtica que asigna probabilidades, que pueden tambin obtenerse
por medio de una tabla, gracias a la cual podemos prescindir de escribir
su expresin matemtica que elleclor interesado puede encontrarla en
otros textos. Nos limitaremos, por tanto, a descdbir ahora sus caracte
rsticas ms sobresalientes y el manejo de su tabla (Tabla A.3).
- La variable aleatoria t tiene el mismo nmero de grados de libertad
(n) que la distribucin de Xl incluida en el denominador de su derinicin algebl'aica, por lo que su distlibucin de probabilidad depende del nmero de grados de libertad de 'l. Nuevamente, la disll-ibucin t constituye una familia de disllibuciones de probabilidad cuya
CorOla depende del valor de n tal y como se ve en la figura 18.9.
- Una distribucin 1 queda pelfectameme delenninada por sus grados
de Iibeliad, n, de tal forma que si una vaJiable, X, se distlibuye segn
t con n grados de libeltad, sus parmetros media y varianza son:
_p_=_E_(_X)_=~
,ACI
apll
cu.
aw
rnn
sie~
sie~
buc
va (
dos
su
Si 1
Ca
n> 1\
ta lOO
de la 4
ALGUNOS MODELOS DE DlSTRlBUClONES CONTINUAS DE PROBAB1UDAD
523
,,' = V(X) = - " -
"-2
o
Figuro 18.9: Dos distribuciones I para 1 y A grados de libertad
ACLARACiN; Su forma acampanada y simtrica en lorno a su media,

recuerda a la distribucin normal, pero se diferencia de sta en que es ms
aplanada (platicrtica) y dispersa. Igual que ocurre con la distribucin chicuadrado, la distribucin t converge con la nonnal, N(O,l) a mecUda que
aumentan sus grados de libertad. Esta propiedad se manifiesta comparando sus respectivos parmetros que coinciden para la media, que vale
siempre cero en las dos distribuciones, pero no para la varianza que vale
siempre uno para la djstJibuCn nOlmaJ y mayor de uno para esta distribucin. Sin embargo. analizando la expresin de la variam.a de t, se observa que su valor se va aproximando a uno a medida que aumentan sus grados de libertad, de tal forma que paro una variable t con 30 grados de libertad
su media es cero 'j su varianza:
(12
== _n_ == ~== 1,07

n-2 30-2
Si los grados de tibertild son 100. la varianza de esta variable t es ahora:

(J2 ==_n_==
n-2
100 ==1,02
100-2
Con fines aplicados. esta aproximacin es bastante buena a partir de

n> 100, razn por la cual, la tabla del apndice se extiende desde 1 hasta 100 grados de libertad. Para valores superiores recun-iremos a la tabla
de la distribucin normal, N(O,l).
524
ANLISIS DE DATOS EN PSICOLOclA I
ALGUN(
Ejemplo 18.4. Sea X una variable que se distribuye segn t con

6 grados de libertad. Calcular la probabilidad de obtener valores
menores o iguaJes a 1.943.
15 g.
esO.
Tenemos Que calcular P (l S 1,943) que grficamente corresponde a la zona sombreada del dibujo inferior Que representa una dislribucin t con 6 g.1. Para ello. consultamos la tabla A.3 la cual recoge algunos valores de la distintas distribuciones t desde I hasta tOO
gol. La primera columna corresponde a los g.J . En esta columna tenemos que localizar el valor 6, que son los g.l de la distribucin de nuestro ejemplo. Los valores incluidos en su fija correspondiente son distintos valores t y la probabilidad de encontrar valores menores o
iguales a stos se encuentra en la parte superior de la tabla. Es decir.
P(' S 1.943) = 0.95
Por lo tanto, al valor 1,943 de la distribucin t le corresponde el

percentil 95.
.1
. 0,95
/ ~
1
2
5
5
1,943
98.
19 g.
Por
los
c
ycle
1,943
Ejemplo 18,5, Sea Y una variable que se distribuye segn t con

15 g.l. Calcular P (Y> 2,13) .
PlYS2,13)
PlY2: 2,13)
2,13
18.5.
Recurrimos a la tabla que nos proporciona siempre informacin
sobre la probabilidad de encontrar valores de la distribucin t menores o iguales a un vaJor t determinado. Por tanto, en nuestro caso con
Uol
vamos
definid
LGUNOS MODELOS DE DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
52.
15gJla~
.. o.~
97y
98.
PlX:S-1,73). PlX;::>: 1,73)

lID PlX;::>: -1,73). PlX:s 1,73)
1,73
-1,73
526
de distlihucin de probabilidad. Nos ocuparemos previamente de definir

esta variable aleatoria.
Sean n variables aleatorias independientes. Xl' Xl' Xl' _'" X"' con distribucin normal estandarizada, N(O,I) y otras m variables aleatorias independientes, YI' Yb y).... , y..., con distribucin normal estandarizada. N(O,);
definamos una nueva variable aleatoria mediante la siguiente expresin:
xf +xi +
1';2 + Yl +
+X;11l
+ Y~/m
que es tambin una variable aleatoria continua que representamos con la

letra F y tiene una funcin de densidad de probabilidad conocida que recibe el nombre de distribucin F de Fisher en honor de su descubridor, Sir
Ronald Fisher. Analizando ms detenidamente esta expresin matemtica ':i recordando como se han definido las variables de los epgrafes ante
nores, podemos descubrir que tanto el numerador como el denominador
representan la suma de cuadrados de n y m variables normales e independientes respectivamente, divididas por sus grados de libertad, es decir,
son dos variables 'l. Este anlisis nos conduce a definir la variable F
como el cociente entre dos variables "l dividida cada una de ellas
por sus respectivos grados de libertad, tal 'j como expresamos a continuacin:
x~
F=--lL
,
X;"
111
Puesto que las dos variables X2 estn definidas cada una de ellas en el
intervalo (0,00), es decir, siempre toman valores positivos, la variable F
tambin estar definida en el mismo intervalo (0,00) no pudiendo tomar
valores negativos.
Respecto a la dis\tibudn de probabilidad, la funcin de densidad de
probabilidad de la variable F tiene, como en el caso de las distribuciones
vistas anter"iOlmente, una compleja ecuacin matemtica que la define y
con la que, operando matemticamente, se obtiene las probabilidades que
afortunadnmente se encuentran tabuladas sin necesidad de realizar ahom tales opemciones (el uso de estas tablas se explicar ms tarde con ayuda de ejemplos). Por esta razn omitimos dicha frmula y nos limitaremos a descr"ibir sus caracteristicas ms importantes.
- Puesto que la variable F se define a partir de dos variables X2 cada
una de ellas con sus respectivos grados de libertad, no debe sor
ALe
DLOGA J
~
definir
:on disas inde, N(O,I);

)resin:
s con la
ue recidor, Sir
temti~ antetinador
e indes decir.
iable F
e ellas
. a con-
ALGUNOS MODELOS DE DISTRIBUCIONES CONTLNUAS DE PROBABILIDAD
527
prendemos que la distribucin de probabilidad de F dependa de

estos dos valores. Por eso. esta distribucin de plUbabilidad se representa por Film donde n son los grados de libertad de la variable X2 del
numerador y In los correspondientes del denominador.
- La distribucin F comprende una familia de distribuciones que
quedan determinados por sus parmetros, media y varianza, que

a su vez dependen del nmero de grados de libertad y tienen la
siguiente expresin:
m
111-2
~=--
cr =
param>2
2m 2 (n+m_2)
1l(m-2)2(m_4)
parom>4
'--------=
- TIenen forma acampanada y son asimtricas positivas, la! y como se

observa en la figura 18.10. Su forma es muy parecida a la distribucin X2
en el
iable F
tomar
IS
dad de
.ciones
efine y
les que
Ir ahomayunitarelcada
Je
sor-
Figuro 18.10: Distintos distribuciones F.
- Una importante propiedad de esta distribucin es la llamada propiedad reciproca y dice que si X es una vaIiabJe con distribucin F
con n y m grados de libertad, entonces la variable Y '" lfX es tambin una distribucin F con m y n grados de Iibel1ad. Esta propiedad la podemos tambin expresar de la siguiente forma:
F
-F. -
l-p "," -
m"
528
donde p es la probabilidad asociada al valor de la variable. La figura 18.11 representa grficamente esta propiedad. Esta propiedad es
de enonne importancia para obtener algunos percentiles O probabilidades que no aparecen en la tabla, tal y como se ver en ejemplos
posteriores.
ALGUNO
ysu v
y la re
bucil
Figura 18.11: Relacin recproca entre Fn,m y fm.n
EjempJo 18.7. Sea X una variable que se distribuye segn chi

cuadrado con 6 g.l. e Y otra variable que se distribuye lambin segn
xl
J'
cm-cuadrado con 15 g.l. Si definimos la variable: U:= :

calcular:
/15
a) La media y varianza de ti
b)
p[~ >2,21]
Ce
babili
lesal
prim
loca1t
los g
la
deja
de la
caq
igu
ejerc
de6
que
valo
0,90:
e) Los valores que limitan al 90% central de esta distribucin.
Por definicin sabemos que el cociente entre dos variables chicuadrado es una variable F con los grados de libertad de las dos varia
bies chi-cuadrado. Por tanto: yx%%

15
distribuye segn F con 6 y 15 g.l.
:=
F6 "15
. Es decir, esta variable U se
1
2
La media y varianza de U, con distribucin F con 6 y 1S grados

de libertad es:
~
m
m-2
15
15-2
= - - = - - = 1,154
p,
que
529
y su varianza es:
0"'
= 2m'(n+m-2) = 2-15'(6+15-2) =0766

n(m-2)'(m-4) 6-(15-2)'(15-4)
,
y la tercera pregunta se resuelve consultando la tabla: de la distribucin F con 6 y 15 grados de libertad:
1~ ~
2,21] = P(F"15
~ 2,21)
ConsuJtamos las tablas A.4 del apndice para encontrar esta probabilidad. Disponemos de 6 tablas cada una de ellas correspondientes a las probabilidades: 0,05; 0,90; 0,95; 0,975; 0,99 Y0,995_ Eo la
primera fila correspondiente a los grados de Iibenad del numerador,
localizamos el valor 6, y en la primera columna, correspondiente a
los g.l del denominador localizamos el valor 15. La interseccin de
la fija con la columna nos proporciona el valor de la variable F que
deja por debajo la probabilidad que se indica en el encabezamiento
de la tabla. As, en la primera tabla A4(a) este valor es 0,254 que indica que la probabilidad de obtener valores de la variable F menores o
iguales que 0,254 es 0,05 -es decir P (F.s; 0,254) = 0,05-. Para este
ejercicio, tenemos que buscar en alguna de esas tablas, en el cruce
de 6 y 15 grados de libertad el valor 2.21 o el ms prximo que es el
que aparece en Ia ta bla A4(b)- P or tan to, Ia pro bab-d
I a d d e o b tener
valores F con 6 y 1S grados de libertad menores o iguales que 2,21 es
0,90: P (F S 2,21) -= 0,90 Yen consecuencia
P (F ~ 2,21) = 1- 0,90 = 0,10
Probabilidad 0,90
,23
6
1
2
15
j
2,21
_RFS2,2110,90
~p(n 2,21) _1_ P(F< 2,21).1-0,90.0,10
J~.
0,21
Para Ja tercera pregunta, tenemos que obtener 105 dos valores de F

que limitan el 9()O,il central como se representa en el siguiente dibujo.
530
AlGUNO~
maespe
la distril
En lO
la variab
1, e iguah
bies en f
cin de (
nido en:
dislribu<
funcin
Buscamos en la tabia de F con 6 y 15 grados de libertad el valor

que deja por debajo una probabilidad de 0,95 y resulta ser 2,79 -tabla
A4(c}- que corresponde a F 1" Para obtener el de f l buscamos en la
tabla F con 6 y 15 grados de Iibenad el valor que deja por debajo una
probabilidad de 0,05 yes 0,254 -tabla A4(a)-. En otros casos, es posible Que haya que aplicar la propiedad recfproca ya que las tablas solo
recogen unos pocos valores de probabilidad. Como muestra, veamos
que este segundo valor tambin se puede obtener aplicando la propiedad recproca. de la siguiente fanna:
o,oSF6 IS
..
0,9SI"15;6
- 9 = 0,2538
3. 4
que coincide con el valor buscado directamente en la tabla A4 (a).

Por tanto podemos escribir que el 90% central de las puntuaciones de la variable F con 6 y 15 grados de libertad se encuentra entre
las puntuaciones 0,254 y 2,79
definen e
ellas corr
Se ha
de proba)
tablas do
de saberl
soenelq
tersticas
definida,
determin
En el
su aplica!
tratarlo a
ca del ter
puesta a I
P (0,254 ~ F S2, 79) = 0,90
tema: y I
ra pausa<
mo curso
o que la probabilidad de que una variable aleatoria F con 6 y J 5

grados de libertad tome un valor comprendido entre 0.254 y 2,79 es
de 0,90.
111.:. EJ
11l.1>.
1I1~1
\11-."
Asumiendo que estn claras las diferencias conceptuales entre lo que

es una variable aleatoria discreta y otra continua, hemos visto en este
lema algunas de las distribuciones de probabilidad de estas ltimas: la
distJibucin normal -tambin estudiada en el tema 6 como un paradig-
La sigt
probabilic
zas de die
ciones o b
ALGUNOS MODELOS DE DISTRIBUCIONES CONTINUAS DE PROBABIUDAD
531
ma especial de disuibucn de frecuencias-la distribucin chi~cuadrado,

la distribucin t de Student y la distribucin F de Snedecor_
En todos casos hemos hecho especial hincapi en la diferencia entre
la valiable y la distribucin, es decir, entre la variable t y la distribucin
t, e igualmente para las restantes. Se han definido cada una de estas variables en funcin de otras. As. la variable chi-cuadrado se define en funcin de otras variables con distribucin normal. La variable t se ha definido en funcin de otras dos: una con distribucin normal y otra con
distribucin chi-cuadrado y, por ltimo, la variable F se ha definido en
funcin de dos variables con distribucin chi-cuadrado, que a su vez se
definen en funcin de la normal. Por tanto, no debe sorprender que todas
ellas converjan, en algn momento, en la distribucin nOlma!.
Se ha prescindido de incluir la ecuacin de sus respectivas funciones
de probabilidad, por su complejidad y porque podemos servimos de unas
tablas donde se recogen estas probabilidades. Adems de la conveniencia
de saber utilizar estas tablas, por su relevancia con vistas al prximo curSO en el que este tema se dar por sabido, es necesario conocer sus caractersticas mas importantes: el rango de valor-es en el que la funcin est
definida, su media, varianza y aproximacin a la normal, en su caso, bajo
determinadas circunstancias_
En el ltimo tema de este texto se abor-da, a modo de introduccin,

su aplicacin a la inferencia estadslica y el contraste de hiptesis, que
tratado aqu con planteamientos introductorios ilustra el grueso terico del temario de segundo curso, y tiene como nica finalidad dar respuesta a la pregunta que puede surgirle despus de haber estudiado este
tema: y esto para qu sirve? No ahorre esfuerzo en intentar una lectura pausada y comprensiva a este himo tema y lo agradecer el prximo curso.
1::.- 1.11 IH
1(
lOS
La siguiente tabla nos indica para cuatro distribuciones continuas de

probabilidad, si la media es igualo diferente de cero, as como las valianzas de dichas distribuciones_ Sabiendo que cada una de stas distribuciones o bien sigue un modelo ch,. cuadrado o .et de Studenl.
que
~ste
la
dig-
::
Media
Varianza
v,
V,
V,
;<Q
.0
32
1,2
14
V,
532
[!]
La variable VI se distribuye segn el modelo:

a) t de Studem
bJ chi-cuadrado
e) no se puede determinar
El valor
a) b: O,
b) b = 5.'
e) b
La variable V) se distribuye segn
el modelo:
[I]
=O,,
La varial
a) chi-cuadrado
a) nonm
b) I de Student
e) no se puede determinar
b) 1 de
e) F
Los grados de libertad de la variable V2 son:
a) 7
ALGUNOSMOD
[I]
SI
Para la Yo
a) F (4,1~
b) 4
e) 12
b) F(4,J:
e) F(4,1'
Los grados de libenad de la variable V4 son:

a) 12
b) 4
e) 16
El percer
a) no exil
b) P5 esu
e)
En la siguiente tabla se muestra una serie de variables y su distri

bucin:
Variable
U
P5esU
El percen
a)
Distribucin
0,20
N(O,I)
,
Xi
V
W
N(O,I)
xi
---olIIIf
p;
b)
Sobre las cuales se definen las nuevas valiables:
e)
La probabilidad de obtener valores de U mayores o iguales que 2,1

Ymenores o iguales que 0,57 es:
a) P (U ~ 2,0 u (U < O,57)J = 0,7336
b) P [(U < 2,1) u (U ~ 0,57)] = 0,7336
e) P (U ~ 2,1) P (U < 0,57) = 0,7336
:itA 1
El valor de b tal que P (A
oS.
b) '" 0,025
a) b = 0,506
bl b = 5,06
e) b = 0,051
CD La variable Z se distribuye segn la distribucin:

a) nonnal estndar.
b) t de Sludent.
el F
Para la variable Z, F(4,lS). vale:
a) F(4,15)=P(ZS4,IS)=O,2
b) F (4,15) = P (Z S 4,15) = 0,95
el
[2]
F(4,15)=P(Z=4,15)=O
El percentil 5 de la distribucin de la variable Z:
a) no existe.
b) Ps es un valor comprendido entre O y t.
e) P s es un valor comprendido entre 4 y 6.
i-
~ El percentil 20 de la variable
a)
PlO '"" -0,889
b)
2Q%
0,8
2,04
e)
0.20
b.O,0506
e, vale:
533
534
ANLISIS DE OATOS EN PSICOLOGIA 1
ALGUNOSMOD
18.8. SOU ('IO\I:S \ I.OS E.lEHCIClOS

La respl
V1 sigue un modelo chi-euadrado porque la media es distima de cero.
11
VJ sigue un modelo chi-euadrado porque la media es distinta de cero.

La respuesta es b.
La respuesta es a.
La varia"
ble con (
te entre
sus resp
11
Para V2con distribucin t de .Student.la varian7.a es: o = - ,,-2

11
Por tanto 2 = - - ::::) n = 4. La respuesta es b.
11
11-2
Para V4 con distribucin t de .Student. la varian7..a es:

11
Por lamo 1,2 = - - =>

11-2
11
= 12. La respuesta es
,
(J.
11
=--
11-2
3.
De acuerdo con el enunciado, la representacin grfica de esta pre11 gunta

es:
Consult
La respl
0,57 2,1
La variable U se distribuye normalmente, por tanto, lo que tenemos
que calcular es:
11 5Conde a)'t
un
0.279 el
radar.
p [(V ~ 2, 1) v (V 5 0,57)] = P (V ~ 2, 1) + P (V 5 0,57) =

= 0,0179 + 0,7157 = 0,7336
ya que:
P(U~2,1)= 1-P(U52,1)= 1-0,9821 (rabIa) =0,0179
La respuesta es a.
valiable A es la suma de dos valiables con disllibucin nonnal, por
11 lo que
se disllibuye segn chi-cuadraclo
dos grados de libel1ad.
La
con
Tambi
oblenie
Por lan
0,975
b- 0,051
La van:
11II dislribl
'1
535
P (A <b) = 0,025 => b = 0,051

"O.
"O.
La respuesta es c.
La v31iable Z es, tal y como se ha definido en el enunciado. una variable con distribucin F con 8 y 6 grados de libertad ya que es el cociente entre dos variables chi-cuadrado divididas, cada una de ellas. por
sus respectivos grados de libertad. La respuesta es c.
11
~-
Consuhando en la tabla, buscamos la probabilidad pedida, que es:

F (4,15)
=P(Z <4,15) =0,95
La respuesta es b.
11
os
Con ayuda de las tablas de la dislibucin F, obtenemos el percemil

5 de una variable con 8 y 6 g.1. En la labia A4(a) aparece el valor
0,279 en el cruce de los 8 g.1 del numerador con los 6 g.1. del numerador.
0,05
"'s
Tambin se puede aplicar la propiedad inversa de la distribucin F
obteniendo, como se puede comprobar, el mismo valor:
Ps
=o.osF8 :6 = O.9SF6:8 = 3.58 (tabla

1
=0.279
A4(c))
Por tanto, la respuesta con-ecta es b.

La vmiable C. por definirse como el cociente entre una variable con
distribucin normal y la raz cuadrada de una variable chi-cuadra-
536
do dividida por sus grados de Iibel1ad (8), se distribuye segn la distribucin t de Student con 8 grados de libertad.
t (Tabla A3) solo recoge los valores posi~
livos, es decir los valores por encima de la media, que eS cero. Como
es una dislIibucin simtrica, el percentil 20 es el mismo que el percentil 80 pero con signo negativo. Por tanto, buscamos el percentil
80 o valor de la variable t que deja por debajo el 800A, de los valores
de la variable t con 8 g.l Yeste valor es 0.889. Entonces el percentiJ
20 es -0.889.
La tabla de la distribucin
P80.0.889
Por tamo. la respuesta correcta es a.
P20. -0.889

Analisis de Datos I

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Analisis de Datos I

Caricato da

Copyright:

Formati disponibili

ANLISIS

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

Jos M." Merino

UNIVERSIDAD NACIONAL DE EDUCACiN A DISTANCIA

UN IVERS IDAD NAC IO NAL

Li brera UN ED: el Bravo Murillo. 38 - 280 15 Madlid

ISBN: 84-362-4489-3 (o. c.)

1. El anlisis de datos y la medicin en Psicologa ..... . .. .

1.5. Resumen ......... . .............. . ... ......... .

Ejercicios ...... . ... . .......................... .

2. Clasificacin y notacin de variables ..... ....... . . . .. .

AN LISIS DE DATOS EN PSICOLOGfA 1

Soluciones a los ejercicios

3. Or ganizacin d e datos y r epresenta ci n grfica . . . . . . . .

4.3.l. Percentiles o centiles

5. ndices de variabilidad y sesgo o asimetria . . . . . . . . . . . ..

6. Puntuaciones derivadas. La curva nonnal. Apuntamiento o

ANLISIS DE DATOS EN PSICOLOGfA 1

7 . Anlisis exploratorio de datos .. . ... . .................

8. Organizacin y representacin conjunta de dos variables

9. Relacin entre variables cualitativas y cuasi-cuantitativas

10. Relacin entre variables cuantitativas .. . . .. . . ,...... . . 285

ANLISIS DE DATOS EN PSICOLOGA 1

11.2.4. La recta de regresin y el coeficiente de correlacin ....................................

13. Combinatoria ................... , ....... . ... ..

14. Teoremas de probabilidad ...................... .. ... 393

Introduccin a la probabilidad .. .. ....... . ..........

14.2.1. Para sucesos independientes .. . .. ... . . .....

15. Distribuciones de probabilidad de variables aleatorias ..

16. Variables aleatorias discretas (1):Una variable . . . . . . . . ..

17. Variables aleatorias discretas (11): Dos variables .. . . . . ..

ANLISIS DE DATOS EN PSICOLOGA 1

17.5. 1. Respecto al origen: la esperanza . ......... . .

19. Distribuciones discretas de probabilidad .... . ..... . ...

La distribucin binomial negativa. . . . . . . . . . . . . . . ..

Referencias bibliogrficas . ......... . .............. . ..... 617

El lexto que presentamos est dirigido, muy especialmente, a los

ANLISIS DE DATOS EN PSICOLOGA 1

Acampanando al libro de texto se ha editado tambin un formulario

ANLISIS DE DATOS EN PSICOLOGA [

1.:1. El. \IETOIJO C1E"\TFlCO

2. Ded ucci n de hip tesis con trastables.

3. Es tab lecimiento de un procedimjento de recog ida d e datos.

5. Discu sin de di chos resu ltados y bsqueda de conclusio nes

El ANLISIS DE DATOS Y LA MEDICIN EN PSICOLOGA

El primer nivel incluira la definicin del problema y la deduccin de

ANLISIS DE DATOS EN PSICOLOGA 1

EL ANUSIS DE DATOS y LA MEDICIN EN PSICOLOG A

ANLISIS DE DATOS EN PSICOLOGA 1

Le n y Sa n Martn , 1993; Pa rdo y San Martn , 1998) y as es t siendo

El Anlisis de datos en Psicologa es una herramienta me lod ol ~

1.:1. CO"\CI-.PTOS CE"\EIl \I.ES

En toda investigacin se hace referencia a una determinada poblacin,

EL ANLISIS DE DATOS Y LA MEDICIN EN PSICOLOGA

su acepcin estadstica, que es bsicamente igual a la ofrecida por Bote

Lo fundamental de tm muestra, para que las inferencias que se hagan

ANLISIS DE DATOS EN PSICO LOClA 1

La eSlJ.drstica ha desarrollado un eampo especfico en el que se estu

El objetivo de una inves tigacin es caracterizar las propiedades de las

EL ANLISIS DE DATOS Y LA MEDICIN EN PSICOLOGA

Parm etro: propiedad descriptiva de una poblacin

1.3.:3. CaJ'udel'siica y modaHdad

ANLISIS DE DATOS EN PSICOLOClA I