Jesus de La Rosa - Estadistica Psicopedagogica

Psicopedaggica
JESUS DE LA ROSA
JESUS DE LA ROSA
Estadstica
Psico- Educativa
Publicaciones de la Universidad Autnoma de Santo Domingo
Vol. CCCIX
COLECCION EDUCAr.ION y SOCIEDAD No. 19
ESTADISTICA PSICOPEDAGOGICA
Jess de la Rosa
@ 1982
Editora de la VASD
Apartado Postal No. 1355
Santo Domingo. Repblica Dominicana
Btdcatora
A mi esposa Yolanda
Revisin Tcnica,
Correccin y Prlogo:
DRA. JOSEFINA PADILLA
Catedrtico de Estadstica
de la Universidad Autnoma
de Santo Domingo.
ESTADISTICA
PSICO--EDUCATIVA
JESlJS DE LA ROSA
prtStlltadn
Esta obra es un texto de suma utilidad para psiclogos, educado-
res y estadsticos. como tambin para los estudiantes de esas carreras,
en el campo de la Estadstica.
En una admirable combinacin, el texto ESTADIST/CA PSICO-
EDUCA TlVA, de Jess de la Rosa. cubre la generalidad de los temas
bsicos de los programas de Estadistica de las carreras de Pedagogta
y Psicologia de la Universidad Autnoma de Santo Domingo.
Est elaborado teniendo en cuenta que los psiclogos.r los educa-
dores no necesariamente son matemticos, pero que sus tareas requieren
de la ayuda Estadistica, ciencia imprescindible tanto para el uso de las
modernas tcnicas de investigacin como para la comprensin J' expli-
cacin de muchos textos.
Cada cap ulo est complementado COII ejercicios que facan el
aprendizaje; al filial se ofrecen apndices sobre de los COIIC('lr
tos y tablas matemticas que ms se aplican a la Estadtstica.
Jess de la Rosa presenta en forma sencilla .1' clara los principales
mtodos estadtsticos ." de mcdcion, circunstancia que hace a esta obra
[cihnente comprensiva Y bastante prctica,
Todas estas caractcrtsttcas, reunidas sorprendentemente ('/1 1/1/ (ex-
(o, hacen que el mismo sino o personas que S(' inictan ('/1 el estudio
12
JESUS DE LA ROSA
de Estadistica, como tU/II!Jh;1I a maestros r dircit- .ns lit cscucla-: de
todos los niveles, psiclogr, 01'1<'11tadorcs c incluso -tudisticos.
DI'. JACOBOlll(IQLFn
lntl Rutor
Este libro fue escrito para estudiantes de carreras pedaggicas y de
psicologa que se inicien en el estudio de la Estadstica, por lo que se ha
intentado presentar los principales clculos o medidas estadsticas de la
manera ms sencilla posible.
Hemos obviado la teora y demostracin de las medidas estadsti-
cas por considerar que nuestros objetivos son lograr del lector el apren-
dizaje del calculo cst ad rstico. Creemos que el abordar temas con demos-
traciones y clculos matemticos de niveles superiores, limitara el cam-
po de lectores para qu icncs este' libro est destinado. como son los prin-
cipiantes en esta disciplina y los profesionales de otras reas del saber
que han tenido poco contacto con la Estadstica.
La Estadstica no presenta gran dificultad ..le comprensin, slo
requiere para su aprendizaje estudiarla progresivamente, de tal manera
que para pasar a un sc'!undo tema se haya comprendido a satisfaccin el
tema que antecede. ls por ello que r..-comcndumos la realizacin de los
cjcrcicio que se presenten al final dL' cada tema y su aplicacin a los
mltiples ejemplos o Situaciones que SL' presenten en seminarios y tra-
.iajos dI' invcst igacin
El libro abarca, en 18 captulos. los programas de Estadstica para
Psiclogos I y Estad ist ica para Psiclogos 11. asi como el Programa de
Estadtstic (;C'nL'r;i1. Ile!,"s captulos comprcudcn: nociones gcncrulcs
de la tabulacin lll' datos. representacin grfica de los mismos. medidas
de tendencia central y variabilidad. clculo de probabilidades, regresin
y correlacin. prediccin, escalas de pruebas. inferencia estadstica.
muestra y muestreo, pruebas de sjgnificacin estadstica. intrcduccin
13
14 JESUS DE LA ROSA
al anlisis de varianza, diseo experimental y el captulo ]8 dedicado
a la computacin, como una introduccin a sus tcnicas y procedi-
mientos aplicados a la estadstica descriptiva.
Hemos elaborado un apndice para facilitar la comprensin teri-
ca y prctica, con smbolos estadsticos; un glosario de los principales
trminos de estadstica; un formulario bsico, y las tablas estadsticas
de mayor uso.
Este lbro, no es, por supuesto, un tratado exhaustivo de estads-
tica: nos falta mucho por conocer de esta disciplina para tal pretengin,
pero creemos que es bsico y necesario para comenzar el estudio de la
misma.
Deseo expresar mi agradecimiento a Rosa Gonzlez por haber em-
pleado, sin inters alguno, su tiempo libre en mecanografiar el manus-
crito. A su vez a mi compaera de lucha y colega Ora. Josefina Padilla
por el constante estmulo que me proporcion en la preparacin del
presente volumen,
Por ltimo, mi eterna gratitud a Don Antonio Guzmn por darme
las oportunidades de trabajo que ofrecen la tranquilidad y sosiego nece-
sarios para escribir un libro.
Junio, ]980.
JESUS DE LA ROSA
CatednUco
Departamento de Estadistica
Universidad Autnoma de
Santo Domingo.
'AITII
ESTADISTIClIESCIIPIIVA
QUE ES LA ESTADISTICA?
1.1 CONCEPTOS PREVIOS
1.1.1 POBLACION, ELEMENTOS y CARACTERES:
Conjunto de objetos (realmente existentes o posibles) que verifi-
quen una definicin bien determinada. Por objeto entendemos cualquier
persona, animal, cosa, operacin, familia, institucin, etc. Asi por ejern-
plo, constituira una poblacin los universitarios dominicanos, las fami-
lias cibaeas, las neveras fabricdas al ao por cierta industria, los posi-
bles lanzamientos de un dado.
Es obvio que toda investigacin ha de estar necesariamente refer-
a un conjunto o coleccin de personas o cosas. Ese conjunto o colec-
cin es lo que se denomina poblacin. En materia de Estadistica, el
trmino poblacin tiene un significado mucho ms amplio que el usual,
ya que puede referirse a personas, cosas, actos, reas geogrficas e inclu-
so al tiempo.
Las personas o cosas que integran la poblacin se denominan ele-
mentos. En sentido estadstico, un elemento puede ser algo con existen-
cia real, como un carro o una casa, o algo ms abstracto como un voto,
la temperatura, o un intervalo de tiempo. Los elementos pueden coinci-
dir con unidades naturales, como obreros o turistas, o pueden ser crea-
dos artificialmente al slo propsito de la investigacin. Un ejemplo de
elementos artificiales se tiene al estudiar un campo sembrado de trigo,
en cuyo caso una prctica habitual es dividir el campo en cuadrados o
rectngulos; esos cuadrados o rectngulos constituyen los elementos de
la poblacin. Otro ejemplo lo proporciona el estudio de un fenmeno
17
1S
JESUS DE LA ROSA
a lo largo del tiempo, tal como el nmero de turistas que vienen a la
Repblica Dominicana; los elementos de la poblacin son en ese caso
los intervalos de tiempo que se tienen como unidad (el da, la semana,
el mes, el ao).
Los elementos de la poblacin, adems, pueden ser lo que ordina-
riamente se conoce por una entidad simple-- un hombre __ o una
cantidad compleja __ una familia __ .
El tamao de la poblacin es un factor de gran importancia en la
investigacin estadstica. Ese tamao viene dado por el nmero de ele-
mentos que integran la poblacin. As, sta es finita cuando el nmero
de elementos es finito, e infinita cuando consta de infinitos elementos.
Los elementos de la poblacin poseen ciertas propiedades, rasgos
o cualidades,que denominaremos caracteres. As, por ejemplo, el hom-
bre tiene unos caracteres llamados estatura, peso, edad, estado civil, re-
ligin, profesin, ingresos, formacin cultural, estado sanitario, etc.
La vivienda, otro ejemplo, tiene los siguientes caracteres.situa-
cin, nmero total de habitaciones, habitaciones interiores y exterio-
res, clases de servicios (cocina, energa elctrica, agua corriente, baos,
etc.),
La investigacin estadstica, relativa a unos elementos determina-
dos no acostumbrafconsiderar exhaustivamente todos sus caracteres.
Por una parte, porque corrientemente el numero de caracteres distin-
tos pueden ser excesivamente grandes, y por otra, porque siempre la
investigacin va dirigida a una cierta direccin que es la que interesa
al investigador. Por ejemplo, la poblacin humana puede estudiarse des-
de los puntos de vista demogrfico, biolgico, econmico, cultural, so-
cial, etc.; en cada caso se seleccionarn los caracteres ms adecuados a
lo que se desea investigar. Por tanto, la seleccin de los caracteres que
van a someterse a investigacin es de capital importancia para el xito
de dicha investigacin.
Deber observarse que la investigacin estadstica se centra en un
grupo de caracteres que necesariamente han de ser comunes a todos los
elementos de la poblacin. O dicho de otro modo, los elementos de la
poblacin pueden incluso ser totalmente heterogneos, con tal que po-
sean en coman todos los caracteres sometidos a estudio. Un ejemplo
ESTADISTICA PSICO-EDUCATlVA 19
se tiene en la investigacin estadstica del nmero de libros que expor-
tamos; el carcter comn usualmente considerado en esta investigacin
es el valor de los libros que pasan por las Aduanas; los elementos (libros)
gozan como bien es sabido, de gran heterogeneidad, ya que incluyen
por ejemplo, libros de textos, libros de consultas, libros de matemti-
cas, libros de Qumica, etc.
1.12 MUESTRA
Cualquier sub-conjunto de una poblacin. La muestra-hace siem-
pre referencia a una poblacin de la cual es parte. As por ejemplo, cons-
tituira una muestra de las anteriores poblaciones; 200 universitarios do-
minicanos, 100 familias cibaeas, 200 neveras, 80 lanzamientos de un
dado.
Supongamos que observamos una caracterstica de los objetos de
una poblacin. Por ejemplo, consideremos el peso de los universitarios
dominicanos (poblacin). Tendremos una poblacin de dbservaciones y
una poblacin de nmeros. Paralelamente, observando la altura de una
muestra de universitarios dominicanos, tendremos una muestra de ob-
servaciones y una muestra de nmeros.
Es claro que, dada una misma poblacin de objetos, podemos te-
ner diversas poblaciones de observaciones y, consiguientemente, diversas
poblaciones de nmeros, segun que estudiemos una u otra caractersti-
ca. As, con los mismos universitarios dominicanos, podamos haber
considerado su peso, su capacidad intelectual, su actitud frente a los
conflictos sociales, etc.
1.1.3 PARAMETRO
Toda funcin definida sobre los valores numricos de una pobla-
cin. As por ejemplo, ser parmetro la media aritmtica de las entra-
das mensuales de todos los universitarios dominicanos que realizan la-
bores, pues dicha media aritmtica no es rp:ls que la suma de las entra-
das mensuales de la poblacin de universitarios dominicanos dividida
por el nmero de stos, es decir, una funcin definida sobre los valores
numricos de la poblacin.
20 JESUS OE LA ROSA
1.1.4 ESTADlSTICO
Toda funcin definida sobre los valores numricos de una muestra.
As por ejemplo, ser estadstico la media aritmtica de las entradas
mensuales de una muestra de 300 universitarios dominicanos.
1.2 DEFINICION DE ESTADISTICA
Ciencia que recoge, ordena y analiza los datos de una muestra, ex-
trada de cierta poblacin, y que, a partir de esa muestra, valindose del
Clculo de Probabilidades, se encarga de hacer inferencias acerca de la
poblacin.
Ordinariamente, las inferencias versarn sobre los parmetros de
la poblacin a partir de los estadsticos de la muestra. Pero, tambin, ha-
remos inferencias acerca de la forma de la distribucin de la poblacin,
a partir de la forma de la distribucin de la muestra. En cualquier caso,
las inferencias estarn basadas nicamente en la informacin objetiva,
contenida en la muestra y no en otras fuentes extraas a la misma. Esta
postura es la llamada "Clsica", cuyo exponente mximo ha sido Ro-
nald Ayrner Fisher (1890-1962 l. Nos limitamos a este punto de vista
clsico por una doble razn. En primer lugar, slo con una base slida
en estadstica clsica es posible acceder a otros puntos de vista como el
bayesiano o el de la teora de la decisin. En segundo lugar, ni la esta-
dstica enfocada bayesanarnenre. ni la teora de la decisin pueden
presentar hoy un cuerpo de doctrina tan estructurado como el que pre-
senta la estadstica clsica. Adems, el enfoque clsico, hoy por hoy. es
mucho ms til en la aplicacin a las prcticas psicolgicas y pedaggi-
cas que los otros dos enfoques.
Conviene distinguir desde ya, entre Estadstica, estadsticas y esta-
dstico.
a) Estadstica es la ciencia acabada de definir.
b) Estadsticas son los resultados numricos obtenidos mediante la
Estadstica: nmero de profesores que tienen ttulos universita-
rios, nmero de accidentes registrados en transporte tic escolares,
proeorcin de personas no alfabetizadas. etc.
ESTADISTICA PSICO-EDUCATIVA 21
e) Estadstico es todo valor numrico obtenido a partir de los valores
presentados por una muestra, segn lo dicho anteriormente.
Por supuesto, estadstico como sustantivo es, tambin, usado para
denominar a la persona dedicada a la Estadstica. Como adjetivo es utili-
zado para calificar personas y cosas relacionadas con la Estadstica.
1.3 DlVISION DE LA ESTADlSnCA
Segn la definicin acabada de dar en el prrafo anterior, la Esta-
dstica consta de dos partes fundamentales:
a) Recogida, ordenacin y anlisis de los datos de una muestra.
b) Verificacin de inferencias acerca de la poblacin (de sus parme-
tros, de la forma de su distribucin), a partir de la muestra (de sus
estadsticos, de la forma de su distribucin).
La probabilidad es la fuente que nos permite pasar vlidamente de
la muestra a la poblacin, que legitima el salto desde las caractersticas
(conocidas) de la muestra a las caractersticas (desconocidas) de la po-
blacin.
La primera parte constituye la Estadstica Descriptiva, cuyo come-
tido es describir una muestra. La segunda parte constituye la Estadsti-
ca Inferencial, cuyo cometido es hacer inferencias sobre la poblacin,
a partir de la muestra.
1.4 BREVE RESEI'il"A HlSTORICA
El origen de la Estadstica, en cuanto se refiere al concepto sim-
plista de representacin de los hechos mediante resultados numricos,
se remonta a los albores de la humanidad, al mismo instante en que con-
cibiera el hombre la cantidad y el nmero.
El hombre primitivo que vivi en las cavernas y que se sostena de
22 JESUS DE LA ROSA
la caza, la pesca y las frutas, debi comprender con ello la cantidad ne-
cesaria que deba de adquirir para atender a sus necesidades.
Cuando todava el hombre no haba constituido organizacin so-
cial, ni conoca los caracteres de la escritura, tenra ya un conocimiento
de la cuanta de las cosas que intervenan en su vida, tal como el nme-
ro de los miembros de la familia, de la tribu, sus ganados, utensilios, fru-
tas, etc.
Tan pronto se constituyen las sociedades humanas, todo aquello
que satisface una necesidad primaria fundamental, aparece inmediata-
mente, as en las pginas ms antiguas de la historia encontramos ya,
trabajos estadsticos.
Tanto los historiadores como los comentaristas, convienen en par-
te, en que China (23 siglos antes de Cristo), o sea, en el ao 2238 antes
de la Era Cristiana, el Emperador Yao mand a levantar un censo gene-
ral. Otros documentos encontrados han demostrado que se hacan in-
vestigaciones estadsticas bastante completas sobre la poblacin y el te-
rritorio. Pero ya en esa fecha los egipcios acostumbraban a enumerar la
poblacin, puesto que en el ao 3,000 A.C. hubo que hacer un recuen-
to de la poblacin con motivo de la ereccin de las pirmides, y as
tambin lo confirman los jeroglficos, herramientas y otros utensilios
encontrados en las excavaciones practicadas en las tumbas de los farao-
nes.
En la India, la Estadstica lleg a alcanzar un alto nivel de organi-
zacin dos siglos antes de la Era de Cristo, especialmente la Estadstica
Administrativa.
En Babilonia y Asiria tambin se practic la Estadstica de un mo-
do bastante preciso, ya que ellos tenan conocimiento de las riquezas
del pas y controlaban rigurosamente los impuestos.
Tambin la Biblia, el documento ms antiguo que se conoce, men-
ciona curiosas clasificaciones que comprueban la verificacin de censos
y recuentos.
Los griegos efectuaban enumeraciones peridicas de sus ciudades
y conocan la cuanta de sus bienes, as! como tambin los cartagineses
y fenicios; los unos tenan ejrcitos organizados, los otros prosperaron
enormemente con el comercio martimo. Pero en realidad no existi
una regularidad que permitiera establecer los principios normativos.
ESTADISTICA PSICO-EDUCAT1VA 23
En el Imperio Romano fue Serva Tulio (578-534 A.C.) el primer
emperador que estableci que el censo constitua la base constitucional
del Estado, y esta misin tan delicada estaba a cargo de una de las digni-
dades oficiales. El censo se haca con el recuento de los ciudadanos, es-
clavos, ejrcito, etc., y se llev con regularidad hasta la cada del Impe-
rio. Tenan los romanos un registro de nacimientos, matrimonios y bi-
tos, del cual se encargaban los sacerdotes.
En Amrica, antes del descubrimiento, ya existe la Estadistica; los
adelantos encontrados especialmente en los imperios de los incas y azte-
cas, no dejan lugar a dudas. Tanto los incas como los aztecas conocan
perfectamente la poblacin de sus ciudades, el nmero de nacimientos,
el nmero de defunciones, el nmero de guerreros, la cantidad de aprovi-
sionamientos, etc. Apesar de que no conocan la escritura moderna, ni
el papel, se valan de curiosos sistemas de registro para conservar dichos
datos.
En la Edad Media, la Estadstica fue nula casi por completo, con
la cada del Imperio Romano y las continuas guerras entre los seores
feudales, aesapareci casi totalmente la regularidad de los censos. Sin
embargo, .en el Imperio de Carlomagno (742-814), volvieron a apare-
cer los censos cuando dicho emperador pretendi reconstruir y conso-
lidar el poder central sobre el feudalismo, pero slo se persigui con ello
un fin fiscal, Tambin los rabes durante su dominacin en Espaa, hi-
cieron varios censos de poblacin y recopilaron datos estadsticos sobre
el territorio las fbricas, nmero de trabajadores, nmero de libros que
haba en las, bibliotecas y muchos otros. Al final de la Edad Media se
comenzaron a.hacer las primeras investigaciones estadsticas, con el re-
surgimiento de !o,s Estados fuertes y con el auge de las repblicas ita-
lianas, especialmeate Venecia, Florencia y Gnova, llegndose a consi-
derar la Estad istica 00.1)10 una necesidad imprescindible para el Estado.
En la Edad Moderna eon .llj.. invencin de la imprenta y el uso del
papel, se hicieron con ms frecuencia investigaciones estadsticas, como
tambin tuvo una mayor divulgain, y en el siglo XVI comenzaron a
publicarse los primeros libros que contenan en pequea cantidad datos
numricos sobre los Estados, tomados en fuentes oficiales.
Los estudios estadsticos empiezan hacerse frecuentes, con datos
sobre poblacin, produccin, potencia militar, artes, finanzas pblicas,
etc. Dando lugar a que se consideren tales estudios como la expresin
de una nueva tcnica que se denomin Estadstica, relacionndola ms
tarde con la Poltica y la Economa.
24 JESUS DE LA ROSA
La Estadstica se estructur como disciplina cientfica, en el siglo
pasado, aunque como vimos, ya se conoca y se aplicaba en forma rudi-
mentaria desde la antigedad.
La configuracin actual de la Estadstica significa la culminacin
de un proceso en el que pueden distinguirse, como primordiales, cuatro
antecedentes que se desarrollan en forma independiente y luego conflu-
yen mediante la obra de Laplace y sus continuadores, hacia un solo
cuerpo de doctrina y una metodologa. A continuacin nos referimos
a estos cuatro antecedentes, presentndoles en el orden cronolgico que
les corresponden:
1) Ya en las civilizaciones antiguas se realizaban relevamientos esta-
dsticos, por cierto de carcter rudimentario. En Egipto, debido a
las innundaciones del Nilo, se efectuaban anualmente trabajos ca-
tastrales y censales, que permitan conocer el reparto de la pro-
piedad y de los bienes para que fueran restituidas, despus de las
innundaciones. En la Biblia hay referencias de censos al pueblo he-
breo. Tambin se sabe que los griegos levantaban censos demogr-
ficos y de la propiedad. En la poca del Imperio Romano, fue neo
cesario realizar, en forma peridica y sistemtica, censos de bienes
y personas de los pueblos sometidos al Imperio, con el objeto de
aplicar el rgimen de impuestos.
En la poca moderna, la tcnica censal adquiri un gran desarrollo,
llegando a constituirse en eficaz auxiliar de las tareas de gobierno,
particularmente en Alemania, en donde ya en el siglo XVIII se en-
sellaba en las universidades. Uno de los profesores de la Universi-
dad de Goetingen, Achenwall (1719-1772), fue, al parecer, quien
introdujo la palabra "Estadstica", atribuyendo a este vocablo el
siguiente significado "Ciencia de las cosas que pertenecen al Esta-
do", llamando Estado a todo lo que es una sociedad civil y al pas
en que ella habita, con todo lo que se encuentra de activo y de
efectivo; "la Estadstica se ocupa de los fenmenos que pueden
favorecer o defender la prosperidad del Estado", y agrega: "la
poltica ensea cmo deben ser los Estados, la Estadstica explica
cmo son realmente".
Esa defmicin condensa el pensamiento de la corriente conocida
con el nombre de "Estadstica Universitaria", caracterizada por con-
siderar la Estadstica como un mtodo descriptivo que consiste en
el recuento de datos, y est creada para servir las necesidades de
los Estados.
ESTADISTICA PSICO-EDlJCATlVA 25
2) El segundo antecedente histrico lo encontramos a mediados del
siglo XVII. Los estudios estadsticos reciben un aporte de suma
importancia que puede considerarse como el punto de partida de
la estructuracin actual de la Estadistica, como mtodo de investi-
gacin de los fenmenos colectivos. Nos referimos a los trabajos
realizados por John Graunt (1620-1674), un vendedor de paos
en Londres; logr efectuar estudios que le permitieron descubrir,
por inferencias, relaciones y leyes demogrficas de validez perma-
nente, llegando incluso a estimar en buena aproximacin, por
camino indirecto la poblacin de Londres y otras ciudades inglesas.
La importancia de estos estudios radica en que se establece la posi-
bilidad de obtener leyes que rijan el comportamiento de pobla-
ciones numerosas, frente a atributos tales como son los demogr-
ficos, econmicos y sociales. En los trabajos de Graunt, ya se insi-
nua lo que habra de constituir el fundamento de los mtodos in-
ferenciales actuales, que han dado a la Estadstica la posibilidad de
estudiar los fenmenos colectivos, y que constituyen el capitulo ms
interesante de esa disciplina y uno de los mtodos de investiga-
cin ms potentes con que cuenta el investigador moderno de las
ciencias humanas y tambin de las ffsico-naturales. Graunt es, por
lo tanto, el verdadero precursor de la Estadistica en nuestros
tiempos.
Numerosos discpulos continuaron la obra de Graunt, debiendo
citarse particularmente a William Petty (1627-1687) y a Ssmilh
(1707-1767). El primero fue el continuador, en Inglaterra, de la
obra de Graunt; en su obra principal Aritmtica Poltica, di nu-
merosas aplicaciones del mtodo de Graunt, contribuyendo a di-
fundirlo en Inglaterra. Ssmilh, sacerdote alemn, fue tambin
admirador y continuador de Graunt; escribi "la obra titulada Or-
den Divino, en la que trataba de dar una explicacin mstica del
mtodo de Graunt, efectuando al mismo tiempo, interesantes con-
tribuciones matemticas ;;1 mtodo y colaborando en forma muy
eficaz al conocimiento y difusin del mismo en el continente euro-
pero.
Sintetizando diremos, que la obra de Graunt y sus continuadores,
constituyen el verdadero punto de partida de la orientacin de la
Estadistica como mtodo de investigacin de los fenmenos de
masa.
3) Paralelamente al desarrollo de la Estadstica, como disciplina cien-
26 JESUS DE LA ROSA
tfica, pero en forma independiente, se desarroll, a partir del siglo
XVII, el Clculo de Probabilidades. Sus iniciadores son los materna-
ticos italianos y franceses de ese siglo, particularmente Fennet y
Pascal, quienes iniciaron los estudios del Clculo de Probabilidades,
tratando de resolver problemas de juegos de azar propuestos por el
Caballero de Mr,
Poco a poco, otros matemticos y posteriormente los del siglo
XVIII, fueron interesndose por esta clase de estudios y amplian-
do los resultados, hasta que Santiago Bernoulli (1654-1705),
obtuvo el teorema que se conoce con su nombre y que permiti
estructurar el Clculo de Probabilidades como disciplina orgnica.
A fines del siglo XVIII y 'principios del siglo XIX, los trabajos de
Laplace permitieron dar su definitiva estructuracin al Clculo
de Probabilidades; en su obra "Ensayo Filosfico sobre Probabi-
lidades" (1814) y "Teora Analtica de la Probabilidad" (1818).
complet la obra de Bernoulli y sus continuadores, proveyendo al
Clculo de Probabilidades, de recursos matemticos que habran de
llevarlo, mediante la obra del propio Laplace y de otros matemti-
cos como Poisson, Gauss, etc., a un grado de perfeccionamiento
que lo ha hecho apto para las aplicaciones a diversos campos de
la ciencia y muy especialmente de la Estadstica.
A partir de Laplace, las dos disciplinas, Clculo de Probabilidades
y Estadstica, que hasta entonces haban permanecido separadas,
se fusionan de manera tal que el Clculo de Probabilidades se cons-
tituye en el andamiaj e matemtico de la Estadstica, mediante el
cual sta puede tomar el impulso terico que habra de llevarla al
extraordinario desarrollo y perfeccionamiento que alcanz en el
siglo pasado y en el presente. El impulso que llev al estado actual
de desarrollo del Clculo de Probabilidades, producido entre fines
del siglo pasado y principios del presente, se debe principalmente
a la labor desarrollada por matemticos franceses, soviticos y nor-
teamericanos, con la colaboracin de matemticos alemanes, in-
gleses e italianos.
4) Conjuntamente con el Clculo de Probabilidades y ligado a l, se
desarroll la teora de los errores, especialmente por obra de Gauss,
Bcsscl y el propio Laplacc. quienes llegaron a establecer el mto-
do de los nmeros cuadrados, como procedimientos matemtico
para resolver el problema fundamental de la teora de los errores.
ELdesarroll de la teora de los errores es un valioso antecedente
ESTADISTICA PSICD-EDUCATlVA 27
de la Estadstica, ya que sus conclusiones y mtodos sirvieron de
modelo a los trabajos que posteriormente realizaron Quetelet y
otros estad sticos del siglo pasado.
Ms propiamente, diremos que la teora de los errores constituye
la primera urna de la Estadstica que pudo constituirse con una
estructuracin terica matemtica.
A partir de la obra de Laplace y Gauss, la Estadstica adquiri,
al promediar el siglo pasado, un gran impulso, por obra de varios
creadores, entre los cuales merece especial atencin Adolfo Quete-
let, astrnomo belga que trabaj durante muchos aos realizando
notables aplicaciones estadsticas y con ellas abri, para esta disci-
plina, un campo muy vasto de probabilidades, tanto en cuestiones
sociales, demogrficas y econmicas, como en ciencias biolgicas
cuestiones climticas, antropolgicas, etc. '
En todas ellas, Quetelet realiz notables aplicaciones, llevando la
Estadstica a constituirse en un mtodo de investigacin de los fe-
nmenos colectivos y en un auxiliar valioso en problemas del go-
bierno, ya sean econmicos, sanitarios, demogrficos, etc. Entre
las numerosas obras de Quetelt, merece citarse: "Sur L'Hornrne"
(1835).
En esta poca la Estadstica se circunscriba al captulo que hoy
conocemos como serie de frecuencias, y dentro de ese captulo
nicamente se utilizaban las aproximaciones mediante la funcin
normal de Gauss.
Lexis, estad stico alemn de fines del siglo pasado, ampli los
estudios de Ouctelet, probando que no era solamente la curva
normal la que poda servir de modelo a una serie de frecuencias.
Esta corriente de ideas fue luego desarrollada y completada por los
trabajos de numerosos investigadores, entre los que cabe destacar
a Pearson y Charlier.
Iniciadas por la Escuela de Estadstica Inglesa y luego continuadas
en otros pases. se desarrollaron entre los ltimos aos del siglo pasado
y lo que va del presente. los sectores modernos de la Estadstica, y.
conjuntamente con la teora de las aplicaciones. dando como resultado
que esta disciplina llegara a constituirse en uno de los mtodos ms po-
tentes de investigacin. tanto en las ciencias sociales como en las fsi-
cas naturales.
28 JESUS DE LA ROSA
Los captulos ms importantes d la Estadistica moderna son.
adems del ya citado de la serie d frecuencia.s, la teora de la correlacin
y regresin, la teora de las muestras y la tconu de las series de tiempo y
de los procesos estocsticos. Estas teoras tuvieron iniciacin en los tra-
bajos de la Escuela Estadstica Inglesa, debiendo citarse, especialmente
dentro de ella los nombres de Galton, Pearson y R.A. Fishcr, cuyos tra-
bajos marcan el punto de partida de las corrientes de investigacin que
llevaran a la Estadstica al alto grado de desarrollo en que hoy Sencuen-
tra. Los tres actuaron sucesivamente: Galton cre, entre otras tcorras, la
de regresin, que con la de correlacin. creada por Pearson, constituye
uno de los captulos ms fecundos en las aplicaciones d la Estadstica.
En los ltimos aos del siglo pasado, y ms intensamente en los prime-
ros del p-resente, aparecieron los trabajos de Pcarson, que configuran
una obra variada y muy extensa dejando estampado el sello de la genia-
lidad en todos los captulos de la Estadstica; perfeccionando teoras
existentes y aportando numerosas creaciones, entr las que citaremos.
por su importancia, el sistema de curvas que lleva su nombre, para el es-
tudio de las series de frecuencias; el aporte capital que constituye su
teora sobre pruebas de significatividad y otras contribuciones que sir-
vieron para configurar la estructura de la teora de las muestras, teora
que se estructur a partir de sus trabajos y los dc sus discpulos.
Discpulos de Galton, Pearson y Fishcr en Inglaterra y otros pases
han aportado importantes colaboraciones, especialmente en los Estados
Unidos, Suecia, Francia, Unin Sovitica y Alemania.
Se ha llegado as al estado actual en donde en todas las naciones,
cientficamente desarrolladas, se trabaja intensamente en el desarrollo
terico de la tcnica Estadstica y en ampliar los campos de aplicacin
de sta.
1.5 HISTORIA DE LA ESTADlSnCA EN LA REPUBLICA DOMI-
NICANA
La estadstica apareci en la isla de Santo Domingo desde los pri-
meros das del descubrimiento; existen pruebas de los diferentes censos
o recuentos realizados en varias pocas por los conquistadores. Hay da-
tos que confirman tambin, que desde los primeros das de la conquis-
ta, los espaoles conocan el nmero aproximado de la poblacin, as,
el Padre Las Casas nos dice que en la Isla haba tres millones de habitan-
tes a la llegada de las naves colombinas, a pesar de que se ha disentido
mucho sobre la exageracin de esta cifra, porque ya en 1614 slo que-
daban 14,000 indios, los historiadores se resisten a dar como buenas las
cifras de Las Casas, pero no pueden demostrar lo contraro, puesto
que no hay documentos al respecto, pero s( los datos obtenidos nos
confrman que hubo censos y recuentos de la poblacin, que es lo que
interesa hacer constar en este caso.
Haca el ao 1517 se estim la poblacin de la colonia en 60,000
almas, pero en ese msmo ao qued reducida a la cuarta parte debido
a una epidemia de viruelas, En el ao 1533 no haba ms de 50,000
habitantes. La poblacin aument hacia 15::;5, segn se desprende de
los documentos de esa poca, pero comenz a decaer debido a las in-
cursiones martimas. En el ao 1564 la colonia entera no tena ms de
30,000 hahitantes. Su comercio y su agricultura se encontraban en es-
tado ruinoso, motivo que dio lugar a que sus moradores emigraran en
masa a otros pa (ses. As pas el tiempo y la isla de Santo Domingo,
ca,j olvidada de la Madre Patria. agonizaba en su perenne cstancarnien-
to. podernos comprobarlo s cxarninaramos el censo de 1606: a cont-
nuacion copiumo-, parte de l para su mejor ilustracin:
"Testimonto de Cuantos Lugares lla, 1:'11 Esta Isla: Cuantos
"ecillos: Cuantos Esclavos, Cuantos Ingenios, Cuantos Hatos: Cuantas
Estancias de Gcngibre; Cuantas de Comida l' Cuantos Puertos en esta
Costa desde .,1://0 hasta Higucv ".
'TI/ la Ciudad de Santo Domingo, el dos c/c Octubre de Mil Seis-
cielitos l' Seis aos el Sr, DOII Antonio Ossorio, t uballero de la Orden
Mtlitar de Santiago, del Consejo del Rcv. Xucstro Seor, Sil Presidente
en la Real Cancilleria de esta Ciudad de Santo Domingo, Gobernador
y Capitn General en esta Isla Espaola, etc. etc., dijo: que informar al
RlT. ,\l/estro Seor, l' SIl Real Consejo de Indios mundab v mand que
)"f' el escribano de' por testimonio 1'11 manera qu hago P, de cuantos
lugares hay ('11 esta isla ,1' los vecinos qucliav ,'11 ellos, ,1' 1'1/ esta dicha
Ciudad, r 1",1 Ingenios. estancias r hatos de vacas (IU(' hav en dicha is-
la, ,1' cun tulud de csclavosv distancia de leguas IIUl ha)' desde Santiago a
los 11lIl'fIOS muritimos r a dicha ciudad. ,1' de los puertos de mar que hay
desde dicha villa de :1:lIa a esta Ciudadv purrt de lligucv. ,1 as' lu
proveyo ,1' mando a firmar DOII .Yntonu, Ossorio. ante /11(, t.uspar de
Azpichuctu, escribano, En cumplimiento de 1" cual, lO el dicho Gaspar
de Azpichucta, escribano. dov ft; ,lO vcrdodero t csttmonio 1'11 esta dichu
isla)' las ciudades i villas v lugares siguientes"
I'CUJ[() DL 1..1 ISLl 1:.'>'1' lS0LI
"La Ciudad de Sant o l unningo. la Ciudad de I.a J'ega, III Ciudad de
30
JESUS DE LA ROSA
620
San Antonio de Monte Plata; la Villa de Higuey, la Villa de Azua; la
Ciudad de Santiago, la Ciudad de San Juan Bautista de Vayaguana, la
Villa de Cotuy , la Villa del Ceybo; la Villa de Boy":
Vecinos de Santo Domingo
Prevendador de la Iglesia
Catedral y Clrigos
TOTAL , 648
Vecinos de Santiago de los
Caballeros 150
Clrigos
TOTAL 155
Vecinos de la Ciudad de
La Vega
38
En esta Ciudad hay Iglesia
Catedral y en ella dos
Prevendados
2
TOTAL
o . . 40
Vecinos de San Juan Bautista
deBan
115
Vecinos de San Antonio de
Monte Plata
87
Vecinos de la Villa de Boy
13
Vecinos de la Villa de Higuey
22
Vecinos de la Villa de Ceybo
7
Vecinos de la Villa de Azua
46
Vecinos de la Villa de Cotuy
24
Nota: Debe tenerse en cuenta que el trmino Vecino supone el Jefe de la
Familia, por tanto el nmero que seala la cantidad de vecinos no debe
nunca considerarse como el total de las almas o habitantes que poblaron
esos lugares, los cuales, en este caso, pueden calcularse como trmino
medio a razn de cuatro almas por cada vecino. (Establzcase una
ESTADISTICA PSICD-EDUCATIVA 31
proporcin de acuerdo con el nmero de almas que figuran en re-
lacin a los vecinos de 1812).
En el ao 1812 se realiz otro censo para elegir diputados a las Cortes
Espaolas de acuerdo con los artculos 38, 39, 40, 41, 42, 43, 44 del
Captulo 3ro. Ttulo 3ro. de la Constitucin Poltica de la Monarqua
Espaola en Santo Domingo, Noviembre 26 de 1812. Arrojando las
cifras siguientes:
60-012 Almas
11-984 Vecinos
386 Compromiso
60 Electos de la Parroquia
(Del archivo de San Juan Bautista de Bayaguana, Libro 8, Censo
de 1812). Tambin existen varios censos regionales, efectuados por los
Cabildos de las Provincias respectivas, como por ejemplo: El de San
Cristoba!, Santiago, y otros ms, y sobre todo el de Monte Plata, del
que he hecho mencin.
En nuestro pas no se instal una oficina de Estadstica Oficial
sino mucho tiempo despus de nuestra independencia. Sin embargo,
aparece un Archivo de Monte Plata en el ao 1821 un acta que nos dice
que al Ayuntamiento de aquella comn gast la suma de sesenta pesos
para instalar un servicio de estadstica.
Copiamos textualmente el Acta:
"En la ciudad de Monte Platay Villade Boyd en el dia 14 del mes
de Junio de los aos Mil Ochocientos Veinte i uno, los Sres. del Ayun-
tamiento Constitucional, Don Sebastidn Alcantard, Alcalde Primado,
Don Manuel Felipe de los Reyes, Alconde Zdo., y los Sres. regidores
don Cifrian Gonzdlez; Don Juan Contreras, Don Raymundo Mexias, no
asistiendo Don Felipe Flores por hallarse fuera y el Sndico Procurador
General, juntaron en la Casa Consistorial y conferenciaron asuntos al
bien de esta repblica y habiendo deliberado, dijeron que se obligabana
pagar el costo de la formacin estadtstica que es de Sesenta Pesos,
igualmente a la reformacin de la casa del cabildo por estar muy dete-
riorada, con la que se concluy este acuerdo y firmaron dichos seores
de que yo el regidor secretario, doy f".
Firman: Sebastidn Alcntara, R. Mexia, S. Gonzdlez, Jos Alcantard.
32 JESUS DE LA ROSA
Sin embargo, nos dice Don Vicente Tolentino Rojas, en su confe-
rencia "La Estadstica en la Repblica Dominicana", lo siguiente: "des-
de el establecimiento de la Repblica el 27 de Febrero de 1844, hasta
cuarenta aos despus -uno de los ms borrascosos perodos de nuestra
historia poltica- no existi ninguna agencia oficial destinada a la ela-
boracin y preparacin de estadsticas nacionales, a pesar de figurar en
todas las cartas constitucionales, como expresa atribucin del Congreso,
la de "determinar todo lo concerniente a la formacin peridica de la
estadstica general de la Repblica",
En consecuencia podemos deducir que dicho servicio no funcion,
ya que no hay ninguna elaboracin estadstica que nos ilustre al respec-
to o si tuvo algunas actividad, fue estrictamente municipal.
Desde 1845 por una ley votada el 2 de Mayo del mismo ao, que-
d a cargo de los ayuntamientos el organizar la estadstica de la pobla-
cin, pero tal atribucin fue suprimida, por un decreto del Poder Ejecu-
tivo del 24 de Octubre de 1866, por haber sido desatendido dicho ser-
vicio. Siendo Presidente de la Repblica el General Ulises Heureaux,
dict el Congreso Nacional el .7 de Junio de 1884 un decreto por el
cual se creaba, anexo a la Contadura General de Hacienda "Un negocia-
do de Estadstica Mercantil" a cargo de un director y de los dems em-
pleados' adscriptos a dicha oficina y cuyas atribuciones s610 correspon-
dan a la recopilacin de los datos sobre Comercio Exterior, Comercio
Cobatajc, Navegacin Exterior, Costanera y Navegacin Interior o Flu-
vial. En ese mismo ao el Congreso Nacional. vot por un Decreto. la
suma de RDS4,500.00 para cubrir los gastos de la Estadstica Mercan-
til del ao anterior, que era de 1883.
Segun las estipulaciones establecidas por el Ministro de Hacienda
y Comercio, que lo era entonces Don Eugenio Generoso Marchcna. Nos
dice el Agrimensor Vicente Tolcntino Rojas al respecto: "Son esas, mo-
destas estipulaciones. las primeras disposiciones oficiales ejecutivas, dic-
tadas por los Poderes Pblicos para establecer el servicio de Estadstica",
Si tomamos en consideracin el rutinarismo administrativo de
aquella poca, resulta. apesar de todo, digno de inters ese primer in-
tento hacia la organizacin de un sistema de estadstica para la seccin
de Comercio Exterior, nico tal vez, que poda intentarse con probabi-
lidades de xito, dadas las condiciones reinantesen el pas y carencia de
recursos del (;obierno de entonces.
Ls cn el 1905 cuando el Congreso :\acional consign por medio
de la Ley de (;astos Pblicos una suma para instalar y atcncionar una
ESTADISTICA PSICD-EDUCATlVA 33
oficina de Estadstica y fue entonces cuando surgi la primera preocu-
pacin para obtener un servicio de esa ndole; dicha oficina qued esta-
blecida como una dependencia del Ministerio de Hacienda y Comercio
y fue nombrado en calidad de Director el Sr. Xavier Amiama, de reco-
nocida competencia.
El 15 de Agosto de 1906 el Sr. Amiama present renuncia de su
cargo y fue nombrado el Sr. Leopoldo Navarro, tambin muy versado en
asuntos estadsticos. Este hombre luch incansablemente por establecer
un servicio estadstico cientfico y logr, en parte, colmar sus aspiracio-
nes. A la muerte del Sr. Navarro acaecida a mediados del ao 1908 ocu-
p la Direccin General de Estadstica el Gegrafo y Estadstico Sr.
Casimiro M. de Moya, su labor al frente de dicha oficina fue bastante
fructfera.
El 28 de Mayo de 1909, el gobierno del General Ramn Cceres
vot una nueva Ley sobre Estadstica en la cual estableca la obligacin
de rendir datos con regularidad.
De haberse organizado el servicio de Estadstica de acuerdo con las
estipulaciones de esa ley votada por el General Cceres, ce haber perdu-
rado la paz en el pas hubiera podido considerarse el ao de 1909 como
el verdadero principio de la cientfica metodzacin de la estadstica na-
cional. Pero fatalmente en el ao 1911 comenz para la Repblica Do-
minicana una larga serie de revoluciones armadas, de cruentas luchas in-
testinas durante cuyo perodo todos los conceptos de orden administra-
tivo fueron obligatoriamente echados a un lado y todas las organizacio-
nes en embrin entorpecidas.
Podemos decir que desde 1911, hasta la verdadera fundacin de
una oficina gubernamental de Estadstica en el ao 1936 no hubo nin-
guna actividad digna de ser"tomada en cuenta a excepcin de los infor-
mes de la Receptora General de Aduanas y del Censo de 1920, efectua-
do por la ocupacin yanqui.
En el ao 1936, por medio de la ley No. 1023, promulgada por el
Congreso Nacional en Noviembre del ao 1935, qued fundada real y
positivamente la Oficina Central de Estadstica.
A partir de ese ao, el quehacer estadstico penetra en todas las
actividades de la vida orgnica nacional, estudiando su constitucin eco-
nmica, poltica, jurdica y social, hasta constituir lo que es hoy, un va-
lioso quehacer al servicio del conocimiento, del quehacer pblico y de
la investigacin.
II
MEDIDA ENPEDAGOGIA Y
ENPSICOLOGIA
2.1 INTRODUCCION
Es posible enfocar matemticamente los problemas psicopedaggi-
coso Este enfoque implica atribuir nmeros a las manifestaciones tanto
pedaggicas como psicolgicas, someter esos nmeros a ciertas tcnicas
matemticas de modo que lleguemos a un resultado. En realidad, el es-
tadio estrictamente matemtico es el segundo que comienza con datos
numricos y concluye con resultados, tambin numricos. Pero ste es
inconcebible sin la previa atribucin de nmeros a las manifestaciones
psicopedaggicas. Por ello, vamos a referimos a dicha atribucin num-
rica o, lo que es equivalente, a la definicin de medida.
2.2 CARACTERISTICAS y MODALIDADES
Los objetos manifiestan caractersticas segn diversas modalidades.
As, por ejemplo, las personas manifiestan la caracterstica sexo segn
dos modalidades: varn y mujer; la caracterstica religinsegn muchas
modalidades: catlico, protestante, mahometano, budista, ateo, etc.; la
caracterstica peso segn infinitas modalidades, pues entre dos modali-
dades, por. prximas que se encuentren, son siempre posibles modali-
dades intermedias.
2.3 DEFlNICION DEMEDIDA
Medida es la atribucin de numerales a objetos o sucesos de acuer-
do con reglas pre-establecidas.
Tenemos por una parte nmeros y, por otra, objetos con sus
correspondientes modalidades. Entre los nmeros existen ciertas rela-
3S
36
JESUS DE LA ROSA
ciones que son siempre vlidas dentro del mundo aritmtico, ideal. En-
tre las modalidades existen ciertas relaciones (en unos casos, pocos y
simples; en otros, bastantes y complejos), que son verificables en el
mundo emprico real. Pues bien, la atribucin de nmeros a los objetos
no va a ser arbitraria, sino de acuerdo con esta regla general: aceptar
slo como relaciones vlidas entre los nmeros aquellos que sean veri-
ficables empricamente.
Exigimos, por tanto, un cierto paralelismo o isomorfismo entre las
relaciones aceptadas como vlidas entre los nmeros y las relaciones ve-
rificables, entre las correspondientes modalidades (en nuestro caso, pe-
daggicas y psicolgicas). Consiguientemente, en los nmeros atribuidos
a las modalidades, slo podremos realizar aquellas operaciones que es-
tn de acuerdo con las relaciones aceptadas como vlidas entre las mis-
mas. Por otra parte, esas relaciones son precisamente las verificables en-
tre las modalidades ernpfricas psicopedaggicas. En consecuencia, pare-
ce que el resultado numrico final, obtenido operando de este modo
con los nmeros atribuidos a las modalidades psicopedaggicas, admiti-
r una interpretacin lgica-psicopedaggica.
2.4 LA MEDIDA PEDAGOGICA: Su Posibilidad y Alcance
Toda medida expresa un valor relativo. Se hace posible por la
comparacin de dos dimensiones. Ahora bien, cuando intentamos
medir fenmenos de tipo humano, nos encontramos con graves di-
ficultades, porque los procesos sociales, mentales, psicolgicos, pedag-
gicos, etc., son ms que cantidad, calidad, y tienen, por consiguiente,
matices que escapan y escaparn siempre a toda rnensuracin.
Sin embargo, esto no quiere decir, que toda medida respecto a
esos fenmenos, sea imposible.
Por la unin sustancial, el cuerpo participa, a su modo, de los fe-
nmenos espirituales y cualitativos, por los que podemos medir los
fenmenos internos, que se manifiestan al exterior. Medida sta, que
en primer lugar no es directa, porque tratamos de medir el fenmeno,
valindonos de alguna reaccin o consecuencia que se le sigue, pero no
medimos el fenmeno en si. Y en segundo lugar, esa medida no es
exacta, sino ms o menos aproximada, porque la reaccin que explora-
mos no manifiesta el fenmeno en su totalidad.
Refirindonos, concretamente, a las medidas utilizadas en Pedago-
ESTADISTICA PSICO-EDUCATIVA
37
ga, repetimos, que esta medida, aunque indirecta y aproximada, es una
verdadera medida, en la que hemos relacionado con una dimensin de-
terminada, conocida de antemano, otra cantidad objeto de rnensuracin,
dando por resultado un nmero que expresa realmente esta relacin de
un modo aproximado, pero suficiente, para poder sacar conclusiones
cientficas que incrementen provechosamente el acerbo pedaggico.
2.5 EL INSTRUMENTO DE MEDIDA EN PEDAGOGIA
De la naturaleza de las cantidades que han de recogerse y de los fe-
nmenos que se quieran registrar, depender la clase de instrumentos
que se precisan para la recopilacin y estudio de los datos.
En Pedagoga, esos instrumentos de medida que han de servir para
medir los fenmenos educativos y de instruccin, son siempre de ndole
estadstica. Se toman de la valoracin de un grupo de sujetos, represen-
tativos de todo conjunto, ya que no puede tener valor cientfico la ex-
perimentacin basada en datos individuales.
As vemos que los nmeros -baremos- que representan aos de
instruccin, en los tests didcticos, o edad mental, enlos tests psicolgi-
cos que aplicamos en Pedagoga, representan lo que, normalmente, se
da en el grupo de sujetos que han sido sometidos a una experiencia bien
planeada, desarrollada sistemticamente, cuyos datos se han tratado con.
los procedimientos estadsticos y los resultados comprobados con toda
escrupulosidad e interpretados inteligentemente y racionalmente, lo que
permite formar el juicio de que esa medida no slo expresa la de ese
grupo, sino de todo grupo que posea cualidades anlogas.
De la comparacin de esa medida tipo o standard en la dimensin
que examinamos en la clase o en el sujeto, surge la verdadera medida del
grupo o del individuo.
Por ejemplo, queremos medir la atencin de un nio, Para ello le
aplicamos el test de Bourdon". Se considera en segundos el tiempo
empleado por el sujeto en la prueba y se aaden cinco segundos por ca-
da letra omitida. Estadsticamente est demostrado que el trmino
medio es de doscientos segundos. Por consiguiente, cuanto ms o
menos tiempo invierta el sujeto en relacin con los doscientos segundos,
tendr ms o menos atencin.
(1) El test de Bourdon consiste en tachar todo (a) que se encuentre en un impreso. Este debe
contener 100 veces la letra (a) y 16 veces cada una de las otras 2S letras.
38
2.6 LA ESTADISTICA EN PEDAGOGIA
JESUS DE LA ROSA
El profesor argentino Victor Mercante fue el primero en aplicar el
anlisis estadstico, de modo sistemtico, a las cuestiones pedaggicas,
sosteniendo que la "apreciacin del valor de la enseanza dada, no po-
dra lograrse ms que mediante la medicin de la capacidad del grupo
de escolares". Y as, en 1853, la Estadstica entra como instrumen-
to valioso para la solucin de los problemas didcticos.
En la actualidad, encontrndose la Pedagoga y gracias tambin a
los procedimientos estadfsticos, en posesin de instrumentos de medida
escolares: tests, escalas y pruebas objetivas, la elaboracin estadstica al-
canza un gran auge que hace avanzar la metodologa de las ciencias y,
sobre todo, alcanza la Estadstica gran aplicacin en la clasificacin
cientfica de los alumnos, en las promociones, en el sealamiento de ni-
veles por curso, en la valoracin del trabajo escolar, en la orientacin
profesional, etc. Puede decirse que hoy da no se concibe un trabajo
verdaderamente serio en la Pedagoga experimental, sin la colaboracin
estadstica.
Ahora bien, dentro del extenso campo pedaggico, los procedi-
mientos estadsticos, no exclusivamente, pero si con preferencia y con
ms positivos resultados, se utilizan en el terreno didctico, Y sus obje-
tivos son, sobre todo, problemas cuya solucin lleven el mejoramiento,
en todos los ordenes posibles, del trabajo escolar, ya desde el punto de
vista del maestro, y de la del discpulo.
Aun cuando utilicemos en Pedagoga experimental otros procedi-
mientos de investigacin, ha de completarse la experiencia por el pro-
cedimiento estadstico, si queremos obtener medidas que tengan valor ge-
neral, ya que es el nico que puede legtimamente emplearse cuando las
causas de los fenmenos que se analizan son muy complejas, como ocu-
rre en los hechos pedaggicos.
2.7 LAS MEDIDAS ESTADISTICAS EN LA PEDAGOGIA EXPERI-
MENTAL.
Las medidas estadsticas que han de ser utilizadas para solucionar
los problemas pedaggicos y que en sucesivos captulos iremos expli-
cando, son:
lro. Medida del Grupo - Seriacin ordenada, distribucin de frecuen-
cias, dstribucion de intervalos, distribucin de rango.
ESTADISTICA PSICO-EDUCATlVA
2do. Medidas de tendencia central de valor representativo.
3ro. Medidas de variabilidad o dispersin.
4to. Medidas de individualizacin.
Sto. Medidas de relacin.
6to. Medidas de garanta o precisin.
39
2.8 EXPRESION DE LAS MEDIDAS ESTADISTICAS EN PEDAGO-
GIA
Las medidas estadsticas en Pedagoga, siempre que se pueda, ya
que no todas ellas son suscpetibles de ello, se expresarn:
1) Numricamente,- Seriacin de los resultados en tablas, expre-
sadas en funcin de una unidad de la misma clase.
2) Analicamente- Una relacin expresada por frmulas indica-
doras de la caracterstica estudiada y cierto nmero de varia-
bles de distinta naturaleza.
3) Grdjicamente.- Expresin por medio de figuras bien precisa-
das. Grficas que suponen un sistema de unidades y una esca-
la. Es un procedimiento ms intuitivo y claro y, por ello, uno
de los ms usados. La representacin grfica ms utilizada en
Pedagoga es la expresada por el sistema de coordernadas car-
tesianas, introducidas en Estadstica por Francisco Galtn,
2.9 LA MEDIDA PSICOLOGlCA: Su Posibilidad y Alcance.
La 'Psicologa moderna, casi desde sus comienzos, ha intentado
proponer leyes (o, al menos, algunas), bajo frmulas matemticas. A
este respecto pueden ser consultados MiUer (1964). Thurstone (1959)
quienes creen que la Psicologa seguir el camino recorrido por otras
ciencias, hacindose cada vez ms y ms matemtica, a medida que vaya
formulando ms rigurosamente sus ideas fundamentales.
Horst (1966) piensa que la Psicologa ha tardado tanto tiempo en
ocupar su lugar apropiado entre las ciencias aplicadas, quizs por no
haber reconocido la importancia de la medida en la investigacin psico-
lgica. Segn Nunnally (1967), tocas las teoras psicolgicas, con el
tiempo irn siendo propuestas en forma matemtica, Bailey (1967),
admite que la bio-matemtica ayudar a la biologa y a la medicina,
40
JESUS DE LA ROSA
como la fsico-matemtica ha ayudado a la fsica. Existe pues, un con-
vencimiento casi general de que el lenguaje cuantitativo ira asumiendo
cada vez mayor relieve en las ciencias de la conducta y, en la psicologa
en particular. De hecho, los modelos matemticos juegan un papel im-
portantsimo en muchas reas psicolgicas: psicologa experimental y
diferencial, social, industrial, pedaggica... y an clinica. La lectura de
bastantes artculos y libros relacionados con estas disciplinas, exige
una preparacin matemtica no ligera y, en ocasiones profunda. Sin
el conocimiento de las matemticas y de la Estadstica, es imposible
leer revistas de especializacin psico o biomatemticas o entender libros,
cada vez ms numerosos, que abordan los problemas psicolgicos de
modo rigurosamente mtrico. Igualmente es necesaria una slida pre-
paracin matemtica y estadstica, para comprender diversas leyes o
teoras psicofsicas y psicomtricas, teoras sobre aprendizaje, teora de
la decisin y teora de la informacin, aplicadas a la psicologa, teora
de tests, etc. En conclusin, las matemticas y la Estadstica se van ha-
ciendo cada vez ms indispensables dentro de las ciencias humanas y, en
particular, dentro de la pedagoga y la psicologa.
Los mltiples libros de matemticas y Estadstica para pedagogos,
psiclogos, bilogos, etc., que vienen apareciendo durante estos ltimos
aos son un ndice claro de que estos investigadores necesitan y piden
una fundamentacin matemtica cada vez ms seria para poder abordar
adecuadamente muchos problemas de sus correspondientes especialida-
des.
2.10 DEFINICION DE ESCALA DE MEDIDA
La palabra escalaes usada profusamente en la literatura psicomate-
mtica,pero raramente definida. Ya Suffer y Zinnes se quejaban de que
"es raro encontrar en la literatura sobre la medida una definicin escri-
ta de escalas".
Veamos qu entendemos aqu por escala de medida. Comenzamos
definindola en algunos casos particulares para concluir ofreciendo una
definicin general.
Consideraremos la caracterstica peso. Aceptemos como unidad
emprica de medida la modalidad presentada por un cuerpo elegido
arbitrariamente. Mediante una balanza podemos elegir otro cuerpo que
manifieste la caracterrstica peso bzjo la misma modalidad que el prime-
.o, es decir, que pese kJ mismo. Mediante es.os dos cuerpos podemos
ESTADISTICA PSICO-EDUCATI V A
41
elegir otro nuevo cuya modalidad sea igual a la suma de las modalidades
de los dos cuerpos anteriores, es decir, que pese lo mismo que los dos
primeros juntos. Para ello, basta colocar estos dos cuerpos en un plati-
llo de la balanza y en el otro un tercer cuerpo tal que la balanza perma-
nezca en equilibrio. Esa operacin la podemos ir repitiendo, poniendo
tres cuerpos en un platillo y en el otro un cuerpo tal que la balanza que-
de equilibrada. As, llegaremos a obtener un conjunto de cuerpos mate-
riales, uno en la modalidad unitaria, otro en una modalidad dos veces
mayor que la unitaria, etc. Podemos ahora atribuir nmeros a esas mo-
dalidades. Una atribucin obvia es asignar el l a la primera modalidad,
el 2 a la modalidad emprica doble, el 3 a la triple, etc. Esa atribucin
es obvia, en cuanto que la primera modalidad ha sido elegida arbitra-
riamente como modalidad emprica unitaria. Pues bien, n ~ ~ r o s
escala re medida a "se conjunto de modalidades pJIW{ricas distintas
y de numeros distintos, puestos en correspondencia biunvoca, es decir.
puestos de manera tal que a cada modalidad le corresponda un solo n-
mero y a cada nmero una sola modalidad o, lo que es i!l"al, a ese con-
Junto de cuerpos materiales, con pesos, "distintos", y de los numeros
distintos atnbuinos a dichos cuerpos. Mediante esa escala podemos
atribuir nmeros de modo coherente a otro cuerpo cualquiera, com-
parando su modalidad peso con las modalidades de la escala tipo aca-
bada de construir y atribuyndole el nmero de la escala asociado a la
modalidad peso con las modalidades de la escala tipo acabada de cons-
truir y atribuyndole el nmero de la escala asociado a la modalidad
que coincide empricamente con la modalidad del cuerpo en cuestin.
En conclusin, podemos ofrecer la siguiente definicin genera! de
escala: conjunto de modalidades distintas y conjuntos de nmeros dis-
tintos relacionados biunvocamente. Es decir, a cada modalidad le co-
rresponde un slo nmero y a cada nmero una S91a modalidad.
La escala as definida, es un instrumento natural de medida. Con
ella podemos atribuir nmeros a cualquier objeto. Para ello, basta con
observar qu modalidad de la escala coincide empricamente con la mo-
dalidad del objeto en cuestin, atribuyendo a ste el nmero correspon-
diente en la escala.
La definicin anterior de escala est de acuerdo con la idea que te-
nemos de uno de los instrumentos de medida ms usuales, la regla.
Una regla no es ms que un conjunto de rayas equidistantes marcadas
sobre un listn de madera, o de otro material, y un conjunto de nme-
ros, en correspondencia biunvoca.
42
2.11 TIPOS DE ESCALAS DE MEDIDA
JESUS DE LA ROSA
Al medir, o sea, al atribuir nmeros a los objetos, decimos que slo
aceptbamos como vlidas entre los nmeros, aquellas relaciones que
fueran verificables empricamente entre las correspondientes modali-
dades. Ahora bien, estas relaciones son muy simples en algunos casos y
complejas en otros. Por consiguiente, en unos casos slo aceptaremos
como vlidas entre los nmeros, relaciones muy sencillas; en cambio, en
las otras daremos validez a relaciones aritmticas ms complejas.
Pues bien, diremos que nos encontramos a bajo o alto nivel de me-
dida, segn sea menor o mayor la complejidad de las relaciones que po-
demos verificar empricamente entre las modalidades, en terminologa
parece ser la ms oportuna. Sin embargo, en vez de niveles se suele ha-
blar preferentemente de escalas de medida.
Distinguiremos cuatro tipos de escalas, siendo el esquema tradicio-
nal propuesto ya por Stevens, en su primera publicacin sobre teora de
la medida.
2.11.1 ESCALA NOMINAL
Supongamos que, dadas dos o ms modalidades, slo podemos
comprobar empricamente si ellas son iguales o distintas. Consiguiente-
mente, entre los nmeros atribuidos a los mismos, aceptaremos como
vlida la relacin igualdad - desigualdad. Si, por ejemplo, se trata de
la caracterstica "provincia de origen", y atribuimos 1 a la modalidad
Santiago, el 2 a la modalidad Barahona y el 3 a la modalidad Distrito
Nacional,. entre los nmeros 1, 2 Y3 slo aceptaremos como vlida la
relacin igualdad - desigualdad. Es decir, el smbolo 1 ser considera-
do como algo distinto de los smbolos 2 y 3, Ystos, tambin, como
distintos entre s, del mismo modo que son distintos entre s las tres
modalidades correspondientes, pero, el 2 no ser considerado como ma-
yor que el 1, ni el 3 como mayor que el 2 y el 1, del mismo modo, ya
la modalidad Barahona no es una manifestacin mayor de la caracters-
tica Santiago sino, simplemente, una manifestacin distinta. A este ni-
vellos nmeros atribuidos son simples nombres (de ah el apelativo no-
minal), que podan ser sustituidos por cualesquiera smbolo no num-
rico: letras, colores, figuras geomtricas, etc. Por consiguiente, los n-
meros no poseen en la escala nominal ninguna de las propiedades arit-
mticas.
No tiene ningn sentido aceptar a ese nivel que 3 = 2 + 1, pues
ello implicara que la modalidad Distrito Nacional era el resultado de
unir las modalidades Santiago y Barahona. En otras palabras, que el re-
sultado de unir una persona en la modalidad Santiago y otra persona
en la modalidad Barahona, dara como resultado una nueva persona
en la modalidad Distrito Nacional.
Evidentemente, la escala nominal permanece invariante frente a
cualquier transformacin que a nmeros distintos haga corresponder
nmeros distintos. Es decir, seguiremos teniendo una misma escala
nominal, cuando, permaneciendo las mismas modalidades tipo, los
nmeros atribuidos a las mismas sean transformadas en otros con la
nica limitacin de que a nmeros distintos primitivos, corresponden,
tambin nmeros distintos nuevos. Si, por ejemplo, a tres modalidades
distintas les hemos atribuido los nmeros 5, 7, lO, podemos atribuirle
en igual derecho cualesquiera otra terna compuesta de nmeros distin-
tos como 6, 9, 2, 7,3,1, etc.
2.11.2 ESCALA ORDINAL
Supongamos que, dadas dos o ms modalidades, no s6lo podemos
comprobar si son iguales o distintas, sino, siendo distintas, cual de cada
dos es la mayor. Es decir, dados dos objetos, podemos .comprobar em-
pricamente si ambos manifiestan una caracterstica segn la misma o
distinta modalidad y, supuesto que la manifiesten segn distinta, pode-
mos comprobar cul de los dos la manifiesta segn una modalidad ma-
yor. Conjuntamente, entre los nmeros atribuidos a las modalidades,
admitiremos como vlidas las relaciones igualdad-desigualdad y orden.
Si por ejemplo, se trata de la caracterstica dureza, diremos que
A es ms duro que B, si A raya a B y no es rayado por ste, al frotarlos
entre s. Es una definicin operativa de dureza, es decir, verificable em-
pricamente. Vamos a construir una escala de dureza, o sea, una escala
pafa medir la caracterstica dureza. Elijamos 10 cuerpos de naturaleza
fsica distintas y ordenmoslos empricamente de acuerdo con la defi-
nicin anterior. Pongamos en primer lugar aquel cuerpo que es rayado
por todos y no raya a ninguno. Pongamos en segundo lugar aquel que
raya el primero (sin ser rayado por ste) y no raya a ninguno de los res-
tantes (siendo rayado por ellos). Sigamos as hasta poner en ltimo lu-
gar aquel que raya a los nueve restantes y no es rayado por ninguno de
ellos.
44
JESUS DE LA ROSA
Tenemos, por tanto, 10 modalidades de la caracterrstica dureza or-
denadas empricamente desde la ms blanda hasta la ms dura. Atribu-
yamos a la primera modalidad el nmero 1, a la segunda el nmero 2...
y a la ltima el nmero 10. Ahora aceptaremos no slo que los nme-
ros 1, 2 10, son srrnbolos distintos, sino que, adems, el 2 es
mayor que los nueve primeros nmeros enteros y positivos. Pero, a
este nivel no tiene sentido admitir como vlida entre los nmeros una
igualdad 7 - 6 =3 - 2, pues no podemos comprobar empfricamente
si la diferencia de dureza entre la modalidad a la que he atribuido el 7
y la modalidad a la que he atribuido el 6 es igual que la diferencia de
dureza entre la modalidad a la que he atribuido el 3 y la modalidad a la
que he atribuido el 2.
Evidentemente, la escala ordinal permanece invariante frente a
cualquier transformacin montona creciente. En otras palabras, se-
guiremos teniendo una misma escala ordinal, cuando, permaneciendo
las mismas modalidades tipo, los nmeros atribudos a las mismas, sean
sometidos a una transformacin montona creciente, es decir, que haga
corresponder a una sucesin ordenada de nmeros otra sucesin de n-
meros ordenados del mismo modo que los primeros. Si, por ejemplo,
a tres modalidades ordenadas de menor a mayor les atribuimos los n-
meros 3, 5 Y8, podemos atribuules, con igual derecho, otras temas del
tipo: 6,70,95,82,195,983, etc.
2.11.3 ESCALA DEINTERVALOS
Supongamos que, dadas dos o ms modalidades, no slo podemos
comprobar emprricamente la igualdad-desigualdad y el orden, sino
que, tambin, podemos establecer una unidad empirica de medida y
observar cuntas veces se encuentra contenida dentro de la diferencia
entre dos modalidades a, b, y e, podemos comprobar empricamente
cuntas veces la diferencia entre a y b, es mayor o menor que la dife-
rencia entre b y e, suponiendo que las dos diferencias son distintas.
Consiguientemente, entre los nmeros atribuidos a las modalidades,
admitiremos como vlidas las relaciones igualdad-desigualdad y orden,
y vlidas la multiplicacin y divisin entre las diferencias obtenidas a
partir de dichos nmeros (no entre los mismos nmeros).
Supongamos que se trata de la caracterstica temperatura. Elegi-
mos tres cuerpos y los ponemos en contacto con un tubo de vidrio en
uno de cuyos extremos lleva un pequeo depsito con mercurio. Obser-
vamos ahora el nivel alcanzado por el mercurio en cada uno de los tres
casos. Tendremos tres niveles termomtricos n! , n
2
, n3. Elegimos arbi-
trariamente una unidad emprica de medida, es decir, una distancia ar-
bitraria sobre el tubo de vidrio. Por sencllez, supongamos que las dife-
rencias entre ni, n
2
y n
3
contienen esa unidad un nmero entero de
veces. Para ser ms concreto, supongamos que la unidad emprica queda
comprendida dos veces entre ni y n
2
, y ocho veces entre n
2
y n
3
, es
decir, que la diferencia entre n
2
y n", es cuatro veces mayor que la di-
ferencia entre n! y n
2
Pues bien, una atribucin obvia de nmeros a las tres modalidades

anteriores puede ser: 4, 6, 14. Entre estos tres nmeros aceptaremos
como vlidas las relaciones: 4 #6 # 14,4 < 6 < 14, 14 - 6 =4 (6 - 4).
Evidentemente, la escala de intervalos permanece invariante fren-
te a cualquier transformacin de la forma y = ax + b, donde a y b son
constantes arbitrarias. En otras palabras, seguiremos teniendo una misma
escala de intervalos, cuando, permaneciendo las mismas modalidades ti-
po, los nmeros atribuidos a ella son sometidas a una transformacin
de la forma y =ax + b. Esto es debido a que son arbitrarios tanto el
origen, como la unidad de medida. Por consiguiente, tan legtima es la
terna 4, 6, 14, como la terna (4a + b), (6a + b), (l4a + b), donde a y
b son constantes arbitrarias. Ase, por ejemplo, para a = 2 Yb =5, ten-
dremos la terna 3, 7, 23. Para esta nueva terna siguen siendo vlidas las
tres relaciones que fueron vlidas para la terna primitiva, a saber, 3 117
1123,3< 7 < 23, 27 7 =4 (7-2).
Ntese que la introduccin de la unidad emprica de medida leg-
tima, la suma y resta entre los nmeros atribuidos a las modalidades y
la multiplicacin y la divisin entre las diferencias obtenidas a partir de
dichos nmeros. Pero no legtima la multiplicacin y divisin entre los
nmeros mismos. La legitimidad de estas ltimas operaciones slo es po-
sible cuando contemos con un origen emprico, absoluto y no con un
origen emprico arbitrario. Ahora bien, esta arbitrariedad en el origen
es propia de la escala de intervalos.
Asr, por ejemplo, el origen emprico de temperaturas en la gradua-
cin centgrada, no corresponde a la temperatura nula, a la carencia to-
tal de calor, es decir, no en absoluto. Ese origen corresponde a la moda-
lidad o grado- de temperatura a la cual el hielo se derrite, es decir. es
arbitrario. Con el mismo derecho podramos haber elegido como moda-
lidad origen. cualquier otra temperatura inferior o superior a la que se
46
JESUS DE LA ROSA
derrite el hielo. As se hace, por ejemplo, en las escalas Fahrenheit y
Reaumur.
2.11.4 ESCALA DERAZON
Supongamos que, dadas dos o ms probabilidades, no slo pode-
mos comprobar empricamente la igualdad-i-desgualdad, el orden y
cuntas veces la diferencia entre dos modalidades es mayor que la dife-
rencia entre otras dos, sino, adems, cuntas veces una modalidad es
mayor que la otra. Por tanto, entre dos nmeros atribuldos a las modali-
dades, admitiremos como vlidas las relaciones igualdad-desigualdad y
orden, y las operaciones suma, resta, multiplicacin y divisin.
Supongamos que se trata de la caracterstica longitud. Elegimos
3 varillas metlicas que manifiestan la caracterstica longitud segn 3
modalidades distintas. Para ello, basta con escoger tres varillas tales que,
al compararlas simtl1tneamente coinciden las tres en uno de sus extre-
mos y difieran en el otro. Determinamos arbitrariamente una unidad
emprica de medida, es decir, un trocito de varilla arbitrario que llama-
remos Vu- Aplicamos Vu a las tres varillas A, B Y C y contamos el n-
mero de veces que Vu cabe en A, en B y en C. Supongamos que V
u
ca-
be 3 veces en A, 6 veces en By 24 en C. Tenemos pues, tres objetos ma-
nifestando la caracterstica longitud segn 3 modalidades distintas y
equivalentes respectivamente a 3, 6 Y 24 veces la medida unitaria. Una
atribucin obvia de nmeros a las 3Vu modalidades anteriores, puede
ser: 3,6, 24. Entre estos nmeros son vlidas las relaciones 3 #6 #24,
3 < 6 < 24.24 - 6 =6 (6 3), y, adems, 6/3 = 2, 24/3 =8,24/6 =4,
dado que empricamente podemos comprobar que la modalidad longi-
tud de B es doble dc la de A, la de e es ocho veces la de A yla de e es
cuatro veces la de B.
Resumiendo, tenemos que medida es una atribucin de nmero a
los objetos segn ciertas reglas. Esas reglas se resumen en lo siguiente:
iceptar slo como vlidas entre los nmeros aquellas relaciones que
sean verificables ernptricamcntc entre las correspondientes modalida-
les.
Escala de Medida: Conjunto de modalidades (distintas) y de nme-
ros (distintos), relacionados biunvocamente. Es decir, a cada modali-
dad le corresponde un slo nmero y a cada nmero una sola modali-
dad. Tendremos uno u otro tipo de escala, segn sean verificables empj-
ricamente ms o menos relaciones entre las modalidades que forman
ESTADISTICA PSICD-EDUCATlVA
47
parte de la escala. De acuerdo con este criterio, hemos distinguido cua-
tro tipos de escalas.
a) Nominal : Solo es verificable empricamente la igualdad-des-
igualdad.
b) Ordinal : Son verificables empricamente igualdad-desigualdad.
e) Intervalos: Son verificables empricamente igualdad-desigualdad
y orden. Podemos, adems, comprobar cuntas veces
queda contenida una unidad emprica, elegida arbitra-
riamente, dentro de la diferencia entre las modalida-
des.
d) De razn : Son verificables empricamente igualdad-desigualdad
y orden. Adems de poder comprobar empricamen-
te cuntas veces queda contenida una unidad empri-
ca, elegida arbitrariamente, dentro de la diferencia en-
tre dos modalidades, podemos, tambin comprobar
cuntas veces una modalidad cualquiera contiene di-
cha unidad emprica.
111
ORGANIZACION DE DATOS
3.1 DEFINICIONES PREVIAS
3.1.1 CONSTANTE
Caracterstica que slo puede manifestarse bajo una nica modali-
dad. Por ejemplo, la longitud de todas las crcunsferencias con el mismo
radio.
3.12 VARIABLE
Caracterstica que puede manifestarse segn dos o ms modalida-
des. Por ejemplo, el peso, la inteligencia, la edad, la agudeza visual, etc.
Cuando una caracterstica, en s mismo variable, slo puede manifestar-
se bajo una modalidad, ser considerada como constante. Por ejemplo,
si estudiamos la extroversin en un grupo de varones, diremos que la
caracterstica sexo se mantiene en dicho grupo.
VARIABLE CUALITATIVA
Caracterstica que slo puede ser considerada a nivel meramente
nominal: sexo, profesin, lugar de origen, etc. Los nmeros atribuidos
a sus modalidades solamente gozan de la relacin igualdad-desigualdad.
VARIABLE CUASI CUANTITATIVA
Caracterstica que puede ser considerada, como mximo, a nivel
ordinal: dureza de los cuerpos, responsabilidad de un grupo de opera-
rios estimada por su capataz, etc. Los nmeros atribuidos a sus modali-
dades slo gozan de las relaciones igualdad-desigualdad y orden.
49
50
VARIABLE CUANTITATIVA
JESUS DE LA ROSA
Caracterstica que puede ser considerada, al menos, a nivel de in-
trvalos: peso, inteligencia, fuerza fsica, nmero de hijos, etc. Con
nmeros atribuidos a los mismo podemos realizar operaciones aritm-
ticas.
VARIABLE CUANTITATlVA DISCRETA
Caracterstica que no admite siempre una modalidad intermedia
entre dos cualesquiera de sus modalidades: nmero de hijos, nmero
de estudiantes matriculados a nivel primario, nmero de profesores can-
celados del servicio, etc. Aqu pueden haber 800 mil nios matricula-
dos a nivel primario, pero no 800 mil y dos tercios. Esa modalidad es
imposible.
VARIABLE CUANTITATIVA CONTINUA
Caracterstica que admite siempre una modalidad intermedia en-
tre dos cualesquiera de sus modalidades: fuerza fsica, longitud, inteli-
gencia, etc.
3.1.3 MODALIDADES Y CLASES
Como ya hemos indicado, frecuentemente es lUUY grande el nme-
ro de modalidades bajo las cuales puede manifestarse una caracterstica.
Conviene reducir esas mltiples modalidades a un nmero menor de
clases. Esas clases deben estar bien definidas (es decir, debemos saber
claramente qu modalidades incluye cada una de ellas dentro de sf),
deben ser mutuamente exclusivas (es decir ninguna modalidad puede
pertenecer simultneamente a dos o ms clases distintas). deben ser ex-
haustivas (es decir, toda modalidad debe pertenecer necesariamente
a alguna de las clases).
3.1.4 FRECUENCIA, PROPORCION, PORCENTAJE
Frecuencia (o, frecuencia absoluta) de una clase es el nmero de
observaciones contenidas dentro de ella.
Proporcin (o, frecuencia relativa), de una clase es el cociente
entre la frecuencia absoluta de dicha clase y el numero total de ob-
servaciones (en todas las clases).
51
Porcentaje de una clase es igual a la proporcin multiplicada por
100
Distribucin de Frecuencias: Conjunto de las clases y de las fre-
cuencias (proporciones o porcentajes) correspondientes a cada una de
aquellas. O, mejor an, conjunto de los nmeros atribuidos a las clases
y de las frecuencias (proporciones o porcentajes) correspondientes a
cada una de aquellas.
3.2 ORGANIZACION DE DATOS
3.2.1 VARIABLES CUALITATIVAS
Warren (1974) investig la caracterstica "tipo de color asociado
a la palabra paz" Para ello, la present a un grupo de cien personas,
pidiendo a cada una escogiese entre 4 colores (rojo, azul, amarillo y
verde) el que mejor se ajustase a dicha palabra.
La distribucin de frecuencias fue la siguiente:
Distribucin de Frecuencias
Tabla 3.1
Color Frecuencia Proporcin Porcentaje
rojo 6 0.06 6
azul 58 0.58 58
amarillo 19 0.19 19
verde 17 0.17 17
Total 100 1.00 100
En el ejemplo anterior las modalidades eran s610 cuatro y no pa-
recta razonable agruparlas en clases. Pero pueden darse otros casos en
los que el agrupamiento en clases sea muy conveniente. As, por ejem-
plo. supongamos una pensin donde viven 80 universitarios. Estudiemos
la caracterrstica "carrera universitaria" y supongamos que tenemos
52
JESUS DE LA ROSA
15 modalidades distintas: Profesorado en Ciencias, Profesorado en Ma-
temticas, Profesorado en Artes, Fsica, Ingeniera Elctrica, Qumica,
etc. Hagamos con esas 15 modalidades cuatro clases que las engloben a
todas ellas, de acuerdo con el siguiente esquema:
Tabla 3.2
Carrera universitaria Frecuencia Proporcin Porcentaje
Profesorado 24 0.30 30
Ciencias 28 0.35 35
Ingeniera 8 0.10 10
Derecho 20 0.25 25
Total 80 1.00 100
3.2.2 VARIABLES CUASI-CUANTITATIVAS
Con el objeto de investigar la eficacia diagnstica y teraputica de
algunas tcnicas clnicas, Harrower (1965) recopil los datos que expo-
nemos a continuacin sobre la mejora de 622 pacientes.
Tabla 3.3
Mejora Free. Propore.
Porc, Frc.ae. Prop, A.C. Pore. A.C.
MXima (4) 134 0.21543 21.543 622 1.0000 100.00
Moderada (3) 212 0.34084 34.084 488 0.7846 78.46
Leve) (2) 129 0.20740 20.740 276 0.4437 44.37
Nula (1) 147 0.23633 23.633 147 0.2363 23.63
Total 622 1 O O 100.000
;STADIST1CA PSICO-EDUCATlVA 53
A nivel ordinal tiene sentido hablar de frecuencias, proporciones
y porcentajes acumulados (Fr. AC., Prop, AC). Ordinariamente, se suele
comenzar la acumulacin a partir de la clase inferior. As lo hemos
hecho en el cuadro adjunto.
La primera frecuencia acumulada es la frecuencia de la clase infe-
rior. La segunda frecuencia acumulada es la suma de las frecuencias de
las dos clases inferiores. La tercera frecuencia acumulada es la suma de
las frecuencias de las tres clases inferiores o, lo que es equivalente, la
suma de la segunda frecuencia acumulada ms la de la tercera no acu-
mulada. y as sucesivamente. Por supuesto, la ltima frecuencia acumu-
lada ser igual, siempre, a la frecuencia total. En nuestro ejemplo:
Primera Frecuencia Acumulada:
Segunda Frecuencia Acumulada:
Tercera Frecuencia Acumulada:
Cuarta Frecuencia Acumulada:
147
147 + 129=276
147+ 129+212=276+212=488
147 + 129 + 212 + 134 = 488 + 134
=622
De modo anlogo se obtienen las proporciones y los porcentajes
acumulados a partir de las proporciones y porcentajes sin acumular.
Naturalmcnte, las proporciones acumuladas pueden, tambin ser obte-
nidas dividiendo cada frecuencia acumulada por el total de las observa-
ciones. As, en nuestro caso, 147/622 = 0.2363, 276/622 = 0.4437.
488/622 = 0.7846, 622/622 = 1.0000. Multiplicando por 100 estas
proporciones acumuladas, obtendremos los correspondientes porcen-
tajes acumulados.
.1.2.3 VARIABLES CUANTITATIVAS DISCRETAS
Consideremos cierta situacin experimental en que una persona
debe aprender una lista de pares de palabras, de manera que al presen-
tarle una palabra de cada par sepa decir cul es la otra que forma parte
del mismo. Tomaremos como ndice de dificultad de la tarea, el nme-
ro de ensayos necesarios para asociar cada palabra con la correspon-
diente de su par. A continuacin proponemos la distribucin de fre-
cuencias acerca del nmero de ensayos necesitados por un grupo de 59
estudiantes de la Universidad Autnoma de Santo Domingo para apren-
der una lista de dificultad media formada por seis pares de palabras (De
1;. ROSA, 1968).
54
Distribucin de Frecuencias
Tabla 3.4
JESUS DE LA ROSA
Nmeros de Ensayos Frecuencia Proporcin Porcentaje
4 5 0.0847 8.47
5 10 0.1695 16.97
6 6 0.1017 10.17
7 7 0.1186 11.86
8 8 0.1356 13.56
9 10 0.1695 16.95
10 6 0.1017 10.17
11 3 0.0508 05.08
12 2 0.0339 03.39
13 2 0.0339 03.39
TOTAL 59
0.9999 99.99
3.2.4 VARIABLES CUANTITATIVAS CONTINUAS
3.2.4.1 INTERPRETACION CONTINUA DE LOS VALORES
DISCRETOS
Consideramos, por ejemplo, la longitud. Entre dos modalidades
cualesquiera existe un nmero infinito de modalidades posibles. Sin em-
\ barg, de hecho, slo somos capaces de detectar un nmero finito de
eUas, debido a la imperfeccin del instrumento de medida, en este caso
la regla. Cuanto ms fina sea dicha regla, es decir, cuanto mayor nme-
ro de subdivisiones contenga, tanto mayor ser el nmero de modali-
dades que podemos detectar. Pero, en todo caso, ese nmero ser finito,
por culpa del instrumento de medida.
En conclusin, la variable que en s es continua se manifiesta de
hecho, como discreta. El nmero de modalidades discernibles es finito
y, por tanto, ser finito el nmero de valores atribuibles a dichas moda-
lidades. Contemplemos algo ms despacio este nmero finito de valores
discretos.
Supongamos que nuestra regla no discierne ms all de los cent-
metros. Ello nos permitir atribuir valores tales como 1.87, 1.88, 1.89,
por ejemplo, pero no valores intermedios. Ahora bien, esta limitacin,
segn lo visto, es debida a la imperfeccin del instrumento- de medida,
no a que sean imposibles esos valores intermedios. Por ello, para salvar
la continuidad, vamos a admitir que cada valor discreto se presenta a
todos los infinitos valores que van desde 1.675 hasta 1.675 (incluido el
nmero 1.68), el valor 1.69 representa a todos los valores que van desde
1.685 hasta 1.695, etc.
Es decir, 1.68 representa a una clase con infinitas modalidades.
Llamaremos "intervalo elemental" a cada una de estas clases. Diremos
que 1.675 es el lmite exacto inferior del intervalo representado por
1.68 y 1.685 su lmite superior. Diremos que 1.685 es el lmite exacto
inferior del intervalo representado por 1.69, Y1.695 es su lmite exacto
superior. Admitiremos, por tanto, que 1.685 es, a la vez, lmite exacto
superior de un intervalo y lmite inferior del intervalo siguiente.
Habra que distinguir entre intervalos abiertos y cerrados, abiertos
por la derecha (izquierda) y cerrados por la izquierda (derecha). En ri-
gor, la amplitud de cada intervalo elemental valdr la unidad de medidas
utilizadas si nos valemos de intervalos semiabiertos. Sin embargo, estas
distinciones, aunque importantes a nivel matemtico tienen poca impor-
tancia a nivel psicolgico-estadstico. Por ello, las pasaremos por alto y
aceptaremos un mismo valor como lmite exacto comn de dos interva-
los consecutivos, admitiendo que la amplitud de cada intervalo elemen-
tal vale la unidad de medida.
3.2.4.2 INTERVALOS ELEMENTALES Y COMPUESTOS
Recordemos que cada valor discreto representa a todos los valores
situados media unidad a su izquierda y media unidad a su derecha. Es
decir, con cada valor discreto va asociado un intervalo de amplitud, uni-
dad que hemos llamado elemental.
Llamaremos intervalo compuesto (o, simplemente intervalo) al
conjunto de varios intervalos elementales consecutivos. Por regla gene-
ral, todos los intervalos compuestos (para un conjunto de datos) con-
tendrn cada uno de ellos el mismo nmero de intervalos elementales.
56
JESUS DE LA ROSA
3.3.4.3 LIMITES EXACTOS Y LIMITES APARENTES
Supongamos que en una investigacin el valor discreto mnimo ob-
tenido es 8 y el mximo es 19. Los valores discretos posibles (incluyen-
do el8 y e119) sern: 8,9, lO, 11, 12, 13, 14, 15, 16, 17, 18, 19. Cada
uno de ellos representa un intervalo elemental unitario. Formemos un
intervalo compuesto con los intervalos elementales representados por 8,
9 Y 10. Dado que 7.5 es el lnitc exacto inferior del intervalo elemen-
tal representado por 8 y es 10.5 el lrrnite superior del intervalo elemen-
tal representado por ellO, aceptaremos 7.5 como lmite exacto inferior
del intervalo compuesto y 10.5 como lmite exacto superior del mismo.
Por consiguiente, tendremos 4 intervalos compuestos cuyos lmites
exactos sern: cuatro intervalos a: 8-10,11-13,14-16,17-19. Nte-
se que estos valores aparentes son los nicos que, de hecho, pueden apa-
recer.
3.2.4.4 AMPLITUD Y PUNTO MEDIO DE LOS INTERVALOS.
AMPLITUD TOTAL.
La amplitud de un intervalo es la diferencia entre su lmite exacto
superior y su lmite exacto inferior. En el ejemplo anterior la amplitud
de los cuatro intervalos ser: 10.5 - 7.5 = 13.5 - 10.5 = 16.5 - 13.5 =
19.5 - 16.5 = 3. Aceptamos como punto medio de cada intervalo la
semi-suma de sus dos lmites exactos. Ase los puntos medios de los in-
tervalos anteriores sern: (7.5 + 10.5)/2 = 9. (\0.5 + 13.5)/2 = 12.
(\3.5 + 16.5)/2 =15, (16.5 + 19.5)/2 = 18. A los mismos resultados
habramos llegado calculando la semi-suma de los dos lmites aparentes
de cada intervalo. En el ejemplo anterior: (8 + 10)/2 = 9, (11 + 13)/2 =
12, (14 + 16)/2 =15, (17 + 19)/2 =18.
Llamaremos amplitud total de una serie de valores numricos a la
diferencia entre el lmite exacto superior del intervalo mximo y el l-
mite exacto inferior del intervalo mnimo. En nuestro caso, 19.5 . 7.5 =
2.
3.2.4.5 NUMERO Y AMPLITUD DE INTERVALOS
Para una misma amplitud total. si aumenta el nmero d... intcrva-
los, tanto menor sed la amplitud de cada uno de ellos. Se recomienda
que, con 1000 o mis observaciones el nmero de intervalos no sea menor
que 12, ni mayor que 18. Segn otros. ni menor que 10 ni mayor que
ESTADISTICA P5ICO-EDUCATlVA
57
20. Sin embargo, ninguna de estas reglas son inflexibles. Eligiremos en
cada caso la regla que juzgamos ms oportuna.
Segn algunos autores, es preferible elegir amplitudes iguales a uno
de los valores siguientes: 1,2,3,5,10 20. Estos nmeros y sus mlti-
plos son fcilmente manejables. Sin embargo, ese criterio es arbitrario y
puede ser rechazado siempre que sea conveniente.
3.2.4.6 D1STRIBUCION DE FRECUENCIAS
El proceso de ordenar datos supone en Estadstica una condensa-
cin de los mismos, mediante un tratamiento de clasificacin y agrupa-
miento de los datos. Antes que los datos puedan ser entendidos e inter-
pretados, es necesario resumirlos a agruparlos. Una forma de ordenar
las puntuaciones o datos, es hacerlo segn su magnitud y colocar aliado
el nmero de veces que se repite caja uno de ellos o sea, su frecuencia.
La tabla 3.5, que aparece a continuacin, expresa los resultados
obtenidos por un grupo de estudiantes. En dicha tabla, se observar que
el estudiante Juan (JI) obtuvo la mayor puntuacin, que es 34, y el es-
tudiante Francisco (14) obtuvo la menor puntuacin, que es 5.
Tabla 3.5
Alumno Puntuacin Alumno Puntuacin
I Jcsus 15 11 Juan 34
,
Manuel
"
12 Carmen 28
-
--
3 Argelia 17 17 Filomena 21
4 Yolanda 30
14 Francisco 5
5 Bertilia
"
15 Ernesto 10
--
6 Patricia 27 16 Milagros 9
7 Lumumba IX 17 Hugo 12
jo
Rosa 20 18 Rosa Emilia 23
-
9 Antonia
14
19 Ernesto Jos 16
10 (regorio
24
20 Pedro 31
En la tabla 3.6 hemos ordenado las puntuaciones en orden de 'cre-
cicntc tde 34 a 5) Y hemos puesto a su Iudo el nmero de veces que se
58 JESU9 DE LA ROSA
repite la puntuacin, o sea la frecuencia; pero cuando las puntuaciones
son muchas, ese procedimiento no es prctico ni aconsejable. Un ade-
cuado procedimiento sera reducirlas en grupos o intervalos de clase, ca-
da uno contiene siempre igual nmero de puntuaciones diferentes. El
intervalo de clase se representa por la letra (i), Este tiene un lmite in-
ferior, un lmite superior y un punto medio. El lmite inferior es la pun-
tuacin menor de una clase, el lmite superior es la puntuacin mayor
de una clase, y el punto medio entre el lmite superior e inferior resulta
de dividir entre 2 la suma de los dos lmites.
Tablo 3.6
X F X F X F X F X F X F
34 1 29 O 24 1 19 O 14 1 9 1
33 O 28 1 23 1 18 1 13 O 8 O
32 O 27 1 22 2 17 1 12 1 7 O
31 1 26 O 21 1 16 1 11 O 6 O
30 1 25 O 20 1 15 1 10 1 5 1
Podemos considerar cuatro etapas para la construccin de una dis-
tribucin de frecuencias. Estas son:
l . Determinar la amplitud total o rango, que es 1 ms la diferencia
entre la puntuacin mayor y menor. De nuestras puntuaciones
en 1" tabla 3.5, la puntuacin ms alta es 34 y la ms baja es 5, lo
que indica un rango de (34 - 5) + 1 = 30. Estos son nuestros l-
mites de clases (34 y 5). Los lmites reales de esas mismas clases
con 34.5 y 4.5 con el fin de cubrir el intervalo de un punto (34.5
- 33.5 Y5.5 - 4.5).
2. Seleccionar el intervalo de clase que debe tener la misma ampli-
tud en todas las clases de nuestra distribucin. Para obtenerlo,
procedemos a dividir el rango o amplitud de clase entre el nnme-
ro de clase que estimamos ms adecuado. En nuestro caso, si pen-
samos en 6 clases, dividiremos 30/6 = 5, si pensamos en 10 clases
el intervalo sera 3D/JO = 3; si pensamos en 7 clases el intervalo
sera 30/7 = 4.29. Sin embargo, entre esos tres, el menos reco-
mendado sera el intervalo 4, pues en el momento de obtener el
punto medio de la clase, nos encontraramos con que este es un
nmero fraccionado, lo que complicara innecesariamente nues-
tros clculos. Por ello es preferible buscar siempre un intervalo
impar pues de esta manera el punto medio ser entero. Ahora
bien, entre los intervalos de 3 y 5 unidades, es preferible escoger
el ltimo, debido a que la distribucin no sera tan concentrada
como en el otro intervalo de clase.
3. Determinar el lmite de las clases. La distribucin debe tener su-
ficientes clases para que incluyan la puntuacin mayor y la me-
nor. Para facilitar la tabulacin, comincese cada clase con un ml-
tiplo del intervalo de clase. Si la clase ms baja comienza a las 5,
que es mltiplo de 5 (nuestro intervalo) queda acomodada nuestra
puntuacin ms baja, que es 5, y, a su vez, est la proporcin con
el nmero de clase en el paso anterior. En nuestro caso, por tanto,
tendramos como lmite inferior de la clase ms baja 5, y como l-
mite superior de la misma clase, 9. Para obtener los siguientes lmi-
tes de la clase que precede sumamos un punto al lmite superior
(9 + I = 10) Ycomenzamos la segunda clase. La tercera clase co-
menzara en 15, la cuarta en 20, y as sucesivamente hasta inclu
nuestra puntuacin ms alta que es 34, y que estara ubicada en la
clase 30-34.
4. Elaborar la tabulacin. Para elaborar la tabulacin no es preciso
colocar las puntuaciones en orden. Ese tipo de procedimiento lle-
vara ms tiempo que la misma tabulacin.
La tabla de frecuencia debe aparecer como se presenta a continua-
cin:
. Tabla 3. 7
X F
5-9 2
10 - 14 3
15 -19 4
20 - 24 6
2S - 29 2
30 - 34 3
60
JESUS DE LA ROSA
Tabla 3.8
ILUSTRACION DEL PROCESO DE
EN UNA TABLA DE ,FRECUENCIAS
Puntuaciones originales
(de la tabla 3.5)
15
22
17
30
22
27
18
20
14
24
34
28
21
5
10
9
12
23
16
31
Etapas en la Elaboracin de la distribu-
cin
Primera Etapa:
Determinar el rango o amplitud total.
Puntuacin ms alta 34
Puntuacin ms baja 5
Rango o amplitud total =
1 +(34 - 5) =30
Segunda Etapa:
Seleccionar el intervalo de clase
Rango/clase = intervalo
30/6 =5
Tercera Etapa:
Determinar los Ini tes de las clases
Comenzar cada clase con un mltiplo del
intervalo para obtener el lmite inferior.
Lmite inferior 5: lmite superior 9
Cuarta Etapa:
Elaborar tabulacin en tabla
X Cuenta F
5 - 9 11 2
10- 14
"'
3
15 - 19
-
1111 4
20 24 un 1 6
25 29 11
,
-
30 34 111 3
EJERCICIOS
3.1 Cules son los ltmites exactos de los siguientes intervalos?
a) 15-24, b) 62.5 - 68.5, el 20 - 28.5 d) 10 - 15
61
3.2 Cul es la amplitud de cada uno de los intervalos anteriores?
3.3 Cul es su punto medio?
3.4 En un examen de Estadistica los alumnos han obtenido las si-
guientes puntuaciones: 16, 18, 26, 15, 17, 21, 27,21,21,26,
14. 20, 23, 16, 19, 24, 22, 23, 20, 26,
18,20, 14, 17, 21, 17, 24,27, 18,17,
25, 19, 22, 21, 21, 15, 24,22, 15,18.
Prepare una distribucin de frecuencias, sin acumular y acumula-
dos introduciendo intervalos de amplitud 3. Calcular las proporcio-
nes y porcentajes sin acumular y acumulados.
3.5 Cincuenta estudiantes han obtenido en una prueba de inteligencia
las siguientes puntuaciones:
8 11 11 8 9 10 16 6 12 19 13 14 9 13 15
9 12 ,16 8 7 14 11 15 6 14 14 17 11 6 9
10 19 12 11 3 6 15 16 16 12 13 12 12 8 17
137 12 14 12
Ordene esas puntuaciones en una distribucin de frecuencias.
IV
PRESENTACION DEDATOS
REPRESENTACIONES GRAFICAS
4.1 CONSIDERACIONES PRELIMINARES
Para representar sobre un eje los nmeros racionales, se toma sobre
l un punto origen O y un segmento OU que se considera como unidad.
A partir de O, y tanto a derecha como a izquierda, se lleva sucesi-
vamente dicho segmento. obtenindose puntos que representan los n-
meros enteros: 1, 2. 3, 4.... -1, -2, -3. Es fcil tambin representar
los nmeros fraccionados. Por ejemplo, para hallar el punto que rcpre-
senta el quebrado 3/4. se divide el segmento unidad (OU) en 4 partes
iguales. y a partir de O se llevan 3 de dichas partes hacia la derecha.
-3 -2 -1 o ..L 1
4
2 3
o u
Figura 4. J
64 JESUS DE LA ROSA
Los ejes de coordenadas cartesianas son dos rectas de un plano que
se cortan: si forman ngulos rectos, se llaman rectangulares; si no, obli-
cuas.
Origen de coordenadas es el punto O en que se cortan los ejes de
coordenadas. Uno de los ejes OX se supone horizontal, y se llama eje
de las abscisas o de las X. El otro, OY, es el eje de las ordenadas o de las
Y.
Son abscisas los nmeros reales X, que miden segmentos del eje
OX, contados desde O; positivas, si caen a la derecha; negativas, si caen
a la izquierda de O. Son ordenadas los nmeros reales y, que miden
segmentos del eje OY, contadas desde el origen: positivas, si van hacia
arriba; negativas si van hacia abajo.
Sea P un punto cualquiera del plano determinado por los ejes de
coordenadas. Tracemos por P las paralelas a OX y OY.
Si OM=a y ON = b, los nmeros a y b se llaman las coordenadas
de P, a la abscisa y b la ordenada.
Las coordenadas a, b de P se escribe (a, b), y el smbolo P (a, b)
"el punto P cuyas coordenadas son a y b".
y
x'
a'
N-------1P
I
I
I
I
lb
I
I
I
a I
M
x
I
p'I N'
y'
Figura 4.2
ESTADISTICA PSICQ-EDUCATIVA
65
Cualquier punto P del plano determina dos nmeros reales, que
son las coordenadas de P. Recprocamente, dados dos nmeros reales a'
y b' queda determinado por ellos un punto P' delplano. As, si a'= OM;
b' == ON', trazaremos paralelas a los ejes por M' y N'.
Estas rectas se cortan en P' (a', b'). Luego:
Cada punto determina un par de nmeros reales; y recprocamente,
un par de nmeros dados en cierto orden, determina un punto.
Como casos especiales tenemos: los puntos del eje OY tienen su
abscisa nula. Los del eje OX tienen nula su ordenada y el "origen"
tiene nulas tanto la ordenada como la abscisa.
Los ejes rectangulares dividen el plano en cuatro regiones llamadas
cuadrantes; stos se numeran segn se indica en la figura 4.3, en el cual
tambin se indican los signos de las coordenadas de sus puntos. En la
abscisa X se acostumbra a inscribir los intervalos de la clase. En la orde-
nada Y las frecuencias de esos intervalos.
En la representacin grfica de frecuencias, slamente se emplea el
primer cuadrante.
IV
(-,+)
III
(-, -)
Figura 4.3
l
(+,+ )
II
(+,-)
6
5
4
3
2
JESUS DE LA AOSA
En el trazado de polrgono de frecuencias, histograma y curvas de
frecuencias acumuladas, se tienen en cuenta esas consideraciones y se
procura que la altura mxima de las representaciones o dibujos, corres-
ponda a las partes de sus bases. La forma de representar las frecuencias
se manifiesta en el "polgono de frecuencias", "histograma", "curva de
frecuencias acumuladas u ojibas" y "curva del porcentaje de las frecuen-
cias acumuladas".
4.2 POLIGONO DEFRECUENCIAS
Una de las formas ms comunes para representar una distribucin
de frecuencia simple, es el "polgono de frecuencias". Este se construye
de la siguiente manera: en el eje de las X inscribimos los lnites inferio-
res de cada intervalo de clase y en el eje de las Y las frecuencias por oro
den ascendente, de menor a mayor (Fig. 4.4). Debemos recordar que la
unidad que tomemos en el eje de las X, deber proporcionarse a 3/4
partes en el eje de las Y. Comenzamos a elaborar el polgono desde el
primer lmite inferior de clase y terminamos en el ltimo lmite. Se
acostumbra hacer un corte entre el punto O y el primer lmite inferior.
Figura 4.4
ESTADISTICA PSICO-EDUCATIV A
4.3 HISTOGRAMA
67
Generalmente el histograma se construye de igual manera que el
polgono de frecuencias. La diferencia radica en la forma y estructura
del dibujo. Mientras en el polgono de frecuencias unirnos los puntos
de interseccin con lneas rectas, partiendo de los limites inferiores; en
el histograma los unirnos con ltneas rectas pero en forma cuadrada, for-
mando cuadrados o rectngulos perpendiculares al eje de las X, desde
los puntos medios de los intervalos de clase.
El rea comprendida dentro del permetro de todos los rectngu-
los cuadrados (si los hay), representa la totalidad de los datos represen-
tados (Fig. 4.5).
4.4 CURVA DE LAS FRECUENCIAS ACUMULADAS
Para representar esa curva debernos, en primer lugar, buscar las
frecuencias acumuladas. Estas son las resultantes de ir sumando las
frecuencias entre s, en orden ascendente o descendente.
7
6
5
4
3
2
5 10 15 20 25 30
Figura 4.5 Histograma correspondientetJ la tablo 4.1
68 JESUS DE LA ROSA
La ltima frecuencia acumulada debe ser, naturalmente, igual a la
suma de todas las frecuencias (vase tabla 4.1). La frecuencia acumula-
da se representa con las letras fa.
Tabla 4.1
5 W a U
Fl8Urrl 4.6 Curvll de lasFrecuenciluAcumultuias correspondientesa
Tabla".J
X f fa
5-9 2 2
10 - 14 3 5
15 - 19 4 9
20 - 24 6 15
25 - 29 2 17
30 - 34 3 20
N = 10
20
18
16
14
12
10
8
6
4
2
V
La construccin de la curva se hace de la siguiente forma: en el eje
de las X se inscriben, como en el caso del polgono de frecuencias, los
lmites de los intervalos de clase, y en el de las Y se colocan las frecuen-
cias acumuladas (vase Fig. 4.6).
La curva que resulta en esta representacin es una ojiva y puede
utilizarse en interpolaciones y clculos. Por tanto, esta curva nos per-
mite conocer cuntos datos estn comprendirlos en cada uno de los in-
tervalos.
4.5 CURVA DEL PORCENTAJE DE LAS FRECUENCIAS
ACUMULADAS
La construccin de esta curva es muy semejante a la anterior. Co-
locamos una columna ms (% fa) en la tabla 4.1 que corresponde al
porcentaje de las frecuencias (vase tabla 4.2). Por ejemplo, para hallar
el porcentaje de fa del intervalo 15 - 19, con su frecuencia acumulada
de 9, tenemos que aplicar la sencilla regla de tres:
100 --------20
X -------- 9 X
100 x 9
20
;X=45
Explicado de otra forma, la suma de las frecuencias comprende el
100 %; luego, si queremos conocer o averiguar el porcentaje que le co-
rresponde a la frecuencia acumulada 11, aplicaremos la regla de tres.
Tabla 4.2
X f fa porcentaje de fa
5-9 2 2 10
10 - 14 3 5 25
15 -19 4 9 45
20 - 24 6 15 75
25 - 29 2 17 85
30- 34 3 20 100
N=20
70
JESUS DE LA ROSA
100
90
80
70
60
50
40
30
20
10
Figura 4. 7
Una vez que hemos averiguado el porcentaje de las frecuencias
acumuladas, colocamos en el eje de lax X los lmites inferiores de los
intervalos de clase, y en el eje de las y la numeracin de O a 100 . lo
que es lo mismo, el porcentaje de cada una de las frecuencias acumula-
das.
PrOE IfVESTIOOS, SEGlJIl FACULTADES U. A.S. D., PERIODO M:.A_
DEMICO ENERO_OICEMBRE _1980. __
--
.....
.....
.....
tiil
-

.....
iW.
i::l
R"
....
:'"
......
...
"-
l ....
.fIi.
u

....
.-..:
LEYENDA_
...... _,. ,,_.
.c.-I 0'0'."
..c ,,_.....
..e " ..
IU._'U. la " :
..c...nc.IIU.
...................,"n.
m
!!l
1>
O
iii
...
1>
..
CA
O
I
m
O
e
..,
1>
...
<
1>
... c. ...c... P. c.
.....AC....T
'UENTE:: "AD .. liTA .IITICA
MIt"IIIA U"...UOlO
....., ITAII l.". &D.
72
4.6 OTRAS GRAFICAS
JESUS DE LA ROSA
Cuando necesitamos comparar cantidades o porcentajes, se suelen
emplear grficas de columnas, grficas de pastel. pictogramas y combi-
naciones de todas ellas.
a) Grficas de Columna

z
.
o
/iI
;
o
;
e

o
o
.
n

o
r-
<
lO
Figura 4.8
73
b) Grfica de Pastel
ESTADISTICA PSICO_EDUCATIVA
DEUDAEXTERNA NETA
GOBIERNO CENTRAL
Al 31 de Diciembre de 1980
(Composicin Porcentuall
BIO
28.70/0
AIO
21.00/0
o
PL-480
8.70/0
BancO
Mllndial
8.0010
OtroS
33.6010
Figura 4.9
74
e) Grdfica de Columna
JESUS DE LA ROSA
ZU
ZIO
ltIO
110
'10,
na
ISO
110
140
-'50
IZO
i
-110
..
loa
a
la
..
lO
e
11
"lO
lO
!lO
<el
.0
20
10
OIlTRI8UCION DE LA MATlIICULA y SOBREEDAD
DE LA ESCUELA PRIMARIA RURAL
te15 -1'76
CJ "ALUMNO EN EDAD NORMAL.
ALUMNO EN SOBREEOAD
10
210
200
190
110
170
160
I !lO
140
130
120
110
100
90
80
70
60
40
.0
20
10
,.
2 3
'.AO 01
4 o
,.
figura 4./0
ESTADISTICA PSICD-EDUCATIVA
EJERCICIOS
75
4.1 A partir de los datos correspondientes a un examen de estadtsti-
ca, que ofrecemos ms bajo dibujar el correspondiente histograma
y poltgono de frecuencias, ast como tambin la curva de frecuen-
cias acumuladas.
16,18,26, 15, 17,21,27,21,21,26,14, 20, 23, 16,22,23,20,
26, 18, 20, 14, 17, 21, 17,24, 27, 18,17,25,19,22,21,21,15,
24,22,15,18.
4.2 A partir de la siguiente distribucin de frecuencias dibuje el histo-
grama y el poligono de frecuencias
x F
2-4 8
5-7 9
8 - 10 12
11 -13 !O
14 - 1fJ 7
17 - 19 4
4.3 Las puntuaciones en una prueba de int eligencia abstracta han sido
las stguientes.
91, 92,83,81, 88, 94, 91,87, 90, 94,85,93,90,89. 8f, 87, 89,
85,89.
al Organice esos datos en U/la distribucion de jrccuencias.
b l Represcntclos utilizando IIl1a grfica conveniente.
4.4 ,.1 continuocin datos relativos a poblacin estudiantil por semes-
tre en el pertodo 2e/O. 1974/75 a/ Ido. /978/79.r proveccion al
l ro, 198/-1982, en la Sede Centralv en los Centros Regionales
de la Universidad Autonoma de Santo {)o111 ineo.
76 JESUS DE LA ROSA
Perodo Acadmico Total Total Sede
Total U.A.S.D.
y semestre Centros Reg. Central (Sede Central y
( 1) (2) (3) Centros Reg.)
1974/75
2
0
2,637 23,248 25,885
1975/76
10
2,115 26,513 28,628
2
0
2,131 29,210 31,341
1976/77
10
2,253 30,918 33,171
2
0
2,352 32,228 34,580
1977/78
10
2,058 28,714 30,772
2
0
2,062 31,971 34,033
1978/79
10
3,110 32,427 35,537
2
0
4,019 38,359 42,378
1979/80
10
6,860 37,405 44,265
2
0
7,617 43,085 50,702
1980/81
10
8,695 45,385 54,080
2
0
9,954 50,705 60,659
1981/82
10
11,427 54,645 66,072
FUENTE: Unidad de Estadsticas OPLAU. Julio de 1980.
Represente esa situacin mediante una grfica de columnas:
v
MEDIDAS DETENDENCIA CENTRAL
MEDIDAS DETENDENCIA CENTRAL
Las representaciones grficas nos muestran, de una vez, toda la
serie estadstica o distribucin de frecuencias. Pero en ocasiones, se
desea un valor numrico que represente todo el colectivo o muestra que
se estudia; este nmero recibe el nombre de centro o media de la distri-
bucin, porque a su alrededor SCl agrupan los dems. La media aritmti-
ca, la moda, la mediana y otras que slo sealaremos muy brevemente.
reciben el nombre de nmeros o medidas estadsticas de tendencia cen-
tral o de concentracin.
S.1 MEDIA ARITMETICA
Llamaremos media aritmtica de n nmeros, al cociente de dividir
entre 11 la suma de esos nmeros. La media aritmtica es la medida de
concentracin o de tendencia central ms estable y que posee propie-
dades matemticas, que no tienen ni el modo ni la mediana.
La media aritmtica tiene un valor intermedio entre el menor y
mayor de los nmeros considerados.
En efecto, sean los nmeros al, a
2
, a
J
a
n
Entre los cuales supondremos que al es el menor y a
n
el mayor.
De acuerdo con la hiptesis. se verificar:
7i
78
y de aqu
al + a
2
+a
n
al < <.a,
n
como queramos demostrar
JESUS bE LA ROSA
Como los nmeros, generalmente, son expresin de diferentes da-
tos, diremos: Media Aritmtica de un grupo o serie de datos, es su suma
dividida entre el nmero de ellos.
Ejemplo: En los diferentes meses del ao acadmico, un estudian-
te de una' escuela Secundaria obtuvo en algebra las calificaciones 65, 80,
75,80,62,86,87,80,79. Su nota promedio del ao ser:
65 + 80 + 75 + 80 + 62 + 86 + 87 + 80 + 79
9
77.11
Por tanto, la frmula de la media aritmtica en datos no agrupados
es la frmula 1:
(1) M=J1L
N
x = Datos no agrupados
:E =Sumacin
N = Nmero de datos
En datos agrupados se utiliza la frmula 2, como podemos apreciar
a continuacin:
:E f. pm
N
f = Frecuencias
pm =Punto Medio de Clase
N = Nmero de datos
Ahora bien, para sustituir correctamente la frmula, necesitamos
conocer el producto f. pm, por lo que construimos la tabla 5.1, de acuer-
do con el ejemplo presentado en el captulo 3; (vase la tabla 3.4):
Tabla 5.1
79
x f pm fpm
5-9 2 7 14
10 ~ 14 3 12 36
15 - 19 4 17 68
20 - 24 6 22 132
25 - 29 2 27 54
30 - 34 3 32 96
L f. pm = 400
L f. pm
N
M=20
Interpretacin de la tabla 5.1
~ =
20
Primero: de las columnas X y f, ya conocemos como se elaboran.
Segundo: la columna (pm) se deduce mediante la columna X; pm
es el "punto medio" de cada uno de los intervalos de
clase: por ejemplo, el pm del intervalo 30 - 34 es 32,
ya que si ordenamos 30 - 31 - 32 - 33 - 34, el nme-
ro 32 es el que ocupa el lugar medio entre esa serie nu-
mrica.
Tercero: la columna (f. pm) es el resultado de multiplicar cada
frecuencia por su respectivo punto medio; por ejemplo
f= 3 por prn = 3 x 32 es igual a 96.
Cuarto: se suman las frecuencias y el producto de las frecuencias
por puntos medios.
80
JESUS DE LA ROSA
5.1.1 PROPIEDADES MATEMATICAS DE LA MEDIA ARITMETICA
Las principales propiedades matemticas de la media aritmtica
son:
a) El promedio de las desviaciones de los valores de la serie con res-
pecto a la media aritmtica (M) es igual a cero.
En efecto:
(pm - M) f = f.pm - M f
Por definicin de Media Aritmtica
L pm
N
Pero como f= N; f.prn - M k f= k f.prn - MN
Al ser la diferencia de dos valores iguales a cero
k (pm - M) [= f . pm - M k f = f . pm -- MN = O
Vamos a ilustrar con un cicrnplo: Sea la siguiente distribucin de
frecuencias y el clculo de su media aritmtica correspondiente:
X f P. M. [P.M. (PM - M) [<PM - M)
5-9 2 7 14 - 13 - 26
10 - 14 3 12 36
-
8 - 24
1'5 - 19 4 17 68
-
3 -12 (-62)
20 - 24 6
"
132 2 12
25 .- 29
2 27 54 7 14
30 - 34 3 32 96 12 36 (62/
. \: = 20 fP.M.=400
fP. M. 400
x=
;-..;

Observe que la suma de las desviaciones con respecto a la media
(M) es il,!ual a 2.: f (PM MI=O.
81
b) La Media Aritmtica de una serie es igual a un nmero arbitrario
e ms la Media Aritmtica de los desvos con respecto al nmero C.
En efecto:
L (X ~ Of= L xr - C L f
Dividiendo ambos trminos de la igualdad entre N, tenemos:
L (X - C)f
N
L (X - 0+ C =
N
LX f
N
LX f
N
CLf
N
Luego:
M L (X NC)f + C
Esta propiedad se denomina traslatividad.
e) La Media Aritmtica depende del conjunto de valores de la serie,
puesto que todos ellos entran en su clculo, realizando as una de
las condiciones para que sea valor representativo de los de la se-
rie. En particular, si todos los valores de la serie son iguales, la
media coincidir con ese valor. Y,
d) Est unvocamente determinada en toda serie.
Se puede simplificar el clculo de la Media Aritmtica aplicando la
propiedad anunciada en (b). Vamos a ilustrar con un ejemplo:
Tabla 5.2
Salarios de Profesores por hora clase
Salarios 1 hora (X) No. de profesores [f) X-e F(X - e)
$ 1-3 1 -2 -2
4-6 4 -1 -4
7-9 9 O O
10 - 12 6 1 6
13 - 15 2 2 4
..
9 16 -18 3 3
N = 25 ~ f x - c = 13
82 JESUS DE LA ROSA
M= C +r- (X - C) f 1i
l N ]
(13)
M=$8+ 2'5))3 =$8+$1.56=$9.56
Basta con hacer C = $8 = punto medio del intervalo $7 - $9.
Cualquier valor puede ser tomado como C. Sin embargo, a fin de
simplificar los clculos, el punto medio de una de las clases localizadas
centralmente en los datos debera ser seleccionada como valor de C.
5.2 MEDIANA
Si por ejemplo, tomamos varias muestras de un mineral, obtene-
mos un porcentaje en peso y los ordenamos siguiendo el criterio ms
lgico, obtendremos una sucesin creciente como sta:
14.9 - 17.8 - 17.9 - 18.6 - 18.8 - 19.6 - 20.2 - 21.2 - 21.3 - 21.6
21.9 - 22.9 - 23.2 - 23.5 - 23.8 - 24.3 - 25.3 - 25.3 - 26.0 - 26.1
Se define la Mediana como el elemento que ocupa el lugar central
en la sucesin. As, en nuestro caso, la mediana sera:
Mdn=
21.3 + 21.6
2
=21.45
Dicho de otra manera, mediana es la puntuacin por encima de la
cual se encuentre la mitad de las dems puntuaciones y por debajo, la
otra mitad. La frmula, en datos no agrupados.
N + 1
2
(3)
Lugar que ocupa el nmero que co-
rresponde a la Mediana
La frmula 4, en datos agrupados de la Mediana es:
~
J - fa 1
(4) Mdn = L
i
+ 2 Ji L
i
= Lmite inferior de la clase
fm modal
N = Total de frecuencias
fa = Frecuencia acumulada del in-
tervalo que precede al de la
clase modal
ESTADISTICA PSICO-EOUCATlVA 83
f = Frecuencia correspondiente a
la clase que contiene a la me-
diana.
i = Intervalo
5; Mdn =20 + 0.83
Para seguir con nuestro ejemplo de la tabla 5.1, la mediana sera:
[
20 ]
2 :9
Mdn =20 +
Mdn =20.83
5.3 MODAO MODO.
Moda es el elemento al que corresponde mayor frecuencia. Es la
tendencia dominante. En general, suele emplearse para caracterizar a
la serie el valor de la Media Aritmtica; pero algunas veces se recurre
a los de la Mediana o la Moda por su mayor rapidez de obtencin.
Hay dos clases de moda: la Moda "directa o emprica" y la "co-
rregida". La Moda directa es el punto medio del intervalo de clase que
tenga ms frecuencias. Por ejemplo, en nuestro ejemplo de la tabla 5. 1,
la moda directa sera:
Clase Modal = 20 - 24
Moda Directa =Mo =22
La Moda corregida se determina mediante la frmula que expone-
mos a continuacin:
L = Lmite inferior de la clase mo-
dal.
6) =(Letra griega "delta") =dife-
rencia, sin tener en cuenta los
signos, entre la frecuencia de
la clase modal y la de la clase
inmediatamente anterior.
61. Diferencia, sin tomar en cuen-
ta los signos, entre la frecuen-
84
JESUS DE LA ROSA
cia de la clase modal y la de la
clase inmediatamente poste-
rior.
= Magnitud del intervalo de la
cIase modal.
Ejemplo: En nuestro caso de la tabla 5.1, sustituiramos la frmu-
la as:
r
Mo = 20 + I
L
6 - 4 1.
(6 - 2)+ (6 - 4) J)
Mo =20 +( +)5 =20 + 1.67
Mo =21.67
S.4 MEDIA GEOMETRICA
Media Geomtrica (MG) es la raz ensima del producto de los va-
lores dados. Su clculo es muy parecido al aritmtico. pero en vez de
sumarse los datos se multiplican. Para calcular la Meda Geomtrica
cuando los datos no estn agrupados se aplicar la frmula 6 que aparece
ms adelante:
n ,,--------
(6) MG =V al, a
2
a
n
Ejemplo: Calclese la Media Geomtrica de 10,25,4
MG =.j'-1-0-.2-S-A-
MG= 10
3. _
= V 1000
La frmula 7. corresponde a la Media Geomtrica cuando los datos
estn agrupados, es la siguiente:
(7) MG =\1 a' fi fl
l X al
ai = Punto Medio de Clase

f = Exponente o potencia a que se eleva a
i = 1,2" n
85
Ahora bien, cuando los datos son muchos, es ms fcil y rpido ha-
cer el clculo por logaritmos, las frmulas (6) y (7), al aplicar los loga-
ritmos se convertirn para datos no agrupados en (8) Y para datos agru-
pados en (9):
(8) Lag MG = -Lk Lag ai
n
(9) Log MG =+ F Log ai
Ejemplo: Calclese la Media Geomtrica de 10, :!5, 4 por medio de la
frmula g.
J _
MG =..; 10.25.4
MG
Log MG
Log M(;
(10.25.4)1/3
Lag (10.25.4)1/3
Log 10 + Log 25 + Lag 4
3
1.000000 + 1.39794 + 0.60206
3
3.00000
3
Me = I {J
Para finc\ dc ejercicio calclese la media geomtrica del ejemplo de
la tahla S.I aplicando la frmula 9.
(,cncralml'ntL' la Media Geomtrica sc emplea en series estadsticas
CUY;I\ variaciones no \c expresan por diferencias absolutas, sino por gra-
do-, y talllhil'n en '''guna, d ist rihucioncs aritmticas.
5,5 \IEDlA ARMONICA
Media Armnica es la recproca de la Media Aritmtica, calculada
86
JESUS DE LA ROSA
para los recprocos de los nmeros dados. Se usa, por lo general, para
promediar datos que son inversamente proporcionales a una magnitud
dada. Se expresa simblicamcntc: MA.
Frmula:
(10)
N
MA=---.-----
L...!...
x
Ejemplo: Calclese la Mcdia Armnica de 10,25,4
3
1 I I
10+"""25+-4-
MA= 7.69
5.6 MEDIA CUADRATlCA
3
0.39
La Media Cuadrtica es el resultado de extraer la raiz cuadrada a la
Media Aritmtica de los Jatos elevados al cuadrado. Se representa con
el smbolo M.e.
(11 )
Ejemplo: Calclese la Media Cuadrtica de 10. 25. 4-
MC=..;
MC=..;
(IW + (251
2
+ (4)2
3
100+625+16
.1
MC=";
3
Me = 15.71
DE LAS PRINCiPALES CARACTERISTICAS
DE LOS TRES PROMEDIOS COMUNES
87
Media
Moda (M,,) Caructeristicus
aritmtica (M)
Mediana (Mdn)
Clculo: Cada valor Valor central Valor con la ms
basado en alla frecuencia
Afectada por La ms afectada No (afectada slo No
valores extremos por elementos)
Manipulacin Si:

No (promedio posi- No (promedio de
algebraica
M=--
cional, valor
nter-
concentracin. cua-
N
polado en muchos tro mtodos para
casos) datos allrupados)
Propiedades
Mdn) es
matemticas
k (X- M)2 es
mnimo
mnimo
(desdeando
los sienas)
Aplicacin para Indeterminada !?eterminada Determinada
clases abiertas
Comparacin de Puede ser mayor o Puede ser mayor
respuestas para los menor que
Entre M y Mdn o menor lIue
mismos datos
M. y M" Mdn Y-M:... ___
Tipo de datos Mayora de los El valor central es Datos con distinta
preferidos tipos tpico. excluyendo tendencia central
extremos
88
EJERCICIOS
JESUS OE LA ROSA
1. Cules son tas frmulas
a) De la M en una serie de valores agrupados en intervalos.
b} De la M en una serie de valores no agrupados.
e) Delia /ltdn en una serie de valores agrupados el! intervalos.
d) De la Moda de ulla serie de valores agrupados en intervalos.
2. Se nos d la sigutente tabla:
x
:
54 -56 1
57-59
1
60-62 3
63-65 5
66-68 /5
69-71 9
72-74 3
75-77 :1
78-80 /
Calcule:
a) Los puntos medios de cada intervalo (P. M. X)
b) La Media Aritmtica (lit)
e) La Mediana (lItdn)
d) La Moda (Mo)
3. Qu nos dicen de esta el/n'a los valores centrales de la tabla de
frecuencia de ejercicio 2.'
ESTADI5T1CA P5ICO-EDUCATIVA 89
4. La Media Aritmtica de dos m meros vale 8 r UlIO de el/os es tres
.'eces mayor que el otro. <,OllltO valen ambos nmeros?
5. Deseamos transformar las puntuaciones 8, 13, 9, 15, 10 en otros,
Sil filando/es a todos el/os una misma consta lite, de modo que Sil
media valga 26. ClIl debe ser esa constante aditiva?
VI
MEDIDAS DEVARIABILIDAD
O DlSPERSION
MEDIDAS DEVARIABILIDAD ODlSPERSION
Hemos apreciado que por el clculo de las diferentes medidas de
tendencia central, tenemos una idea del colectivo; pero tambin se ob-
serva fcilmente que la informacin que nos dan es insuficiente; por
ejemplo, dos alumnos han obtenido las siguientes calificaciones en sus
primeros exmenes parciales. La escala de calificacin en exmenes par-
ciales va de Oa 20.
Alumno A; 16 -- 4 - 18 - 0-:; -- 14 - 16 - 10
Alumno H: 10 - 10- 8 - 10 - 10 - 12 -- 10 - 10
Los dos alumnos. A y H, obtienen 10 de promedio y. sin embargo,
las calificaciones que han obtenido ambos son muy distintas, separndo-
se mucho de 10 el alumno A, mientras que el alumno B ha conseguido
un mejor rcgularulad.
Otro ejemplo podra ser el siguiente: Si las edades de un grupo de
amigos son. respectivamente. 38, 41. 40. 4 J. 39, 39, 4:; aos es admi-
sihlc decir que los amigos del grupo tienen 40 aos (que es el promedio).
mientras que si las edades lit' los miembros lit' una familia son 13. 15,
IX. -tOo 45, (,7 Y X:; aos. no tiene ningn sentido decir que la edad !!,"
ncrul cs 40 aos, aunque 40 sea el promedio lit- las edades.
Vcmo-; pues. la ncccsidacl lit' introducir un mtodo de apreciar 1.1
propiedad con que los nmeros estatlslicos ,kfinillos caracterizan la
serie. Para ello utilizaremos las 1I'lIlladas "medidas de variabilidud o
dispersin" de los cuales ,'sllllliar,'mos la amplitud total o rango. la
'JI
92 JESUS DE LA ROSA
desviacin semi intcrcuart il. la desviacin media, la desviacin tpica
y la varianza.
6.1 LAAMPLITUD TOTAL ORANGO
La medida de variabilidad ms sencilla. pero menos exacta es la
amplitud total o rango. Se obtiene calculando la diferencia entre la
puntuacin mayor y la menor y agregando 1al resultado. Se represen-
ta por el smbolo AT. y su frmula es la siguiente:
( 121 AT =(Xma Xme ) + 1 AT
Xma
Xme
Amplitud total
Puntuacin Mayor
Puntuacin Menor
ljcmplo: Calclese la amplitud total de los siguientes datos:
70 25 80 90 28 31 46 57 100
2698947362
AT = ( 100 2:'i ) + 1
AT = 76
1
O
2
03
25'
I
251.
1
251.
1
25'
SIl I
I I
25'
501. 75'
6.2 DESVIACION SEMI-INTERCUARTlL
93
Q =Li +
Cuartil es un punto sobre la escala que divide el nmero de obser-
vaciones, dentro de dos grupos con proporciones conocidas en cada gru-
po.
Por ejemplo, hay tres cuartiles, Q. , Q2 YQ3: ellos dividen un gru-
po de observaciones en cuatro partes, Q, es el punto sobre la escala nu-
merada que comprende el primer cuarto del total de observaciones: la
mitad de las observaciones hasta el punto Q2 y el ~ de observaciones
hasta el punto Q3.
La distancia entre el primer y tercer cuartiles de un grupo de pun-
tuaciones (Q3 - Q) se llama amplitud intercuartil. Por tanto, desvia-
cin semi-intercuartil (Q) es igual a la mitad de la distancia entre el pri-
mer y tercer cuartil.
Q3 -Q
2
~ ~ F ~ F A }
L = Limite inferior de! intervalo
en que cae el cuartil,
N =Total de frecuencias
Fa =Frecuencia acumulada del in-
tervalo que precede al cuartil.
Fm=Frecueneia donde cae e! segun-
do cuartil.
F
q
= Frecuencia donde cae e! tercer
cuartil.
94 JESUS DE LA ROSA
Ejemplo: Calclese la amplitud semi-intercuartil de la siguiente distri-
bucin:
Tabla 6.1
x F Fa
5-9 2 2
10 - 14 3 5
15 - 19 4 9
:W- 24 6 15
25 - 29 2 17
30 - 34 3 20
N=20
Primer paso: se obtiene Q o primer cuartil de la siguiente forma:
al Contamos 1/4 de N desde el extremo de datos inferiores de la dis-
tribucin. Un 1/4 de 20 es igual a 5, por tanto, Q tiene que caer
en el intervalo 10 - 14 que contiene 3 puntuaciones.
b) De la tabla 6.1 concluimos que:
Li =: 10
N
4=5
Fa= 2
Fq =3
i=5
e) Sustituimos la frmula de Q :
5- 2 15
Q =10 + (-3-) 5; Q. = 10 + (-3-)
0
1
=15
95
Segundo paso: se obtiene Q3 o tercer cuartil de la siguiente for-
ma:
a) Contamos 3/4 de N desde el extremo de datos inferiores de la dis-
tribucin. 3/4 de 20 es igual a 15, por tanto, Q3 tiene que caer
en el intervalo 20-24 que contiene 6 puntuaciones.
b) De la tabla 6.1 concluimos que:
L=20
3/4N=15
Fa=9
Fm=6
i=5
e) Sustituimos la frmula de Q3
Q3 =20 +( 15
6-9
) 5; Q3 =20 + ~
Tercer paso: Se sustituye la frmula (13) para obcener la desvia-
cin semi-intercuartil (Q).
Q=5
6.3 DESVIACION MEDIA
25 15
2
10
=-2-
La desviacin media es otra medida de dispersin bastante exacta.
Es el cociente que resulta de dividir la suma de los desvos en relacin
COIl la media, sin tener en cuenta el signo de los valores considerados.
La desviacin media se representa con el smbolo DMy su frmu-
la en datos no agrupados es la siguiente:
96
(14) DM=
IxI
N
JESu's DE LA ROSA
= Signo sumatorio
Ixl =Valores absolutos de x =X - M
N= Poblacin o colectivo. Nmero total de datos.
Ejemplo: Calclese la desviacin media por la frmula 14, con los
siguientes datos: 50 - 49 - 48 - 47 - 46 - 45 - 44 - 43 - 42.
Solucin: El primer paso es calcular la media aritmtica que.de
acuerdo con la frmula conocida sera M=46.
A continuacin elaboramos la tabla 6.2 y a partir colocamos los
desvos, positivos hacia arriba y negativos hacia abajo, convirtiendo
stos en valores absolutos de X.
Tabla 6.2
X
X IxI
50 4 4
49
3 3
48 2 2
47 1 1
46 O O
45 -1 1
44 -2 2
43
-3 3
42
-4 4
k 1 x 1 = 20
DM= klxI
.. N
20
=-9- = 2.2
Cuando los datos estn agrupados, la frmula 1S de la desviacin
media es la siguiente:
~ F 1dI
(lS) DM= N F = Frecuencias
1 d 1 = Diferencias absolutas entre
punto medio y media arit-
mtica.
Cmo se calcula? (Vase tabla 6.3)
1ro. Se busca la media aritmtica.
2do. Se calcula el punto medio de los intervalos (pm)
3ro. Se buscan las diferencias entre los puntos medios y la media
aritmtica.
4to. Se buscan los productos de los valores absolutos de estas diferen-
cias, por las frecuencias.
Sto. Se suman estos productos (sin tener en cuenta el signo).
6to. Se divide el total entre el colectivo o suma de frecuencias.
Ejemplo: Calclese la desviacin media segn la frmula 15 de las
puntuaciones de la tabla 6.3.
Tabla 6.3
X F Pm F.pm d F IdI
5-9 2 7 14 -13 26
10-14 3 12 36
-
8 24
15 - 19 4 17 68 - 3 12
20- 24 6 22 132 2 12
25 - 29 2 27 54 7 14
30- 34 3 32 96 12 36
N =20 ~ p m f = 1.:d=O 1.:fldI = 124
M=
96
F.pm 10
N
D. M = F = =
jESUS De LA ROSA
6.4 DESVIACION TIPICA
Lo ms sencillo para caracterizar una serie parece que debiera ser
hallar las desviaciones x de todos los elementos de la misma respcc to
de la media y calcular el promedio como medida de la dispersin de' la
serie; pero este razonamiento resulta ilusorio ya que la suma de las des-
viaciones con respecto a la media aritmtica es nula.
Podemos tomar el promedio de los cuadrados de las desviaciones
con respecto a la media, como cuadrado de un nmero al que llamare-
mos desviacin ttptca que no ser nunca nulo. por no poder serlo una
suma de cuadrados, ms que en el caso de ser todos nulos. o sea, iguaks
los elementos de la serie.
La desviacin tpica es la medida de variabilidad ms exacta, ms
importante y la ms utilizada. Se representa mediante el smbolo S
Cuando los datos no estn agrupados se calcula con la frmula 16.
que exponemos a continuacin.
(16)
Clculo de la desviacin tpica del ejemplo de la tabla 6.4.
Iro. Se calcula M(media aritmtica) de la distribucin.
2do. Se calculan las desviaciones con respecto a esa media.
3ro. Se elevan tales desviaciones al cuadrado.
4to. Se suman las desviaciones al cuadrado.
Sto. Se divide esa Suma entre el nmero de casos (N).
6to. Se extrae la raz cuadrada de ese cociente.
Ejemplo: Calclese la desviacin tpica de un alumno que obtie-
ne las calificaciones siguientes: 80,80,90,91,82,85,87,90,91,90.
Tabla 6.4
M.ATERIA CALIFICACION (X) x x
2
I 80 -6.6 43.56
2 80 -6.6 43.56
3 90 3.4 11.56
4 91 4.4 19.36
5 82 -4.6 21.16
6 85 -1.6 2.56
7 87 0.4 0.16
8 90 3.4 11.56
9 91 4.4 19.36
10 90 3.4 11.56
~ X 866
M =~ X =866 =86 60
N 10 .
S =v ~ x
2
=V184.40 =V18.44
N 10
S=4.29
Cuando los datos estn agrupados podemos utilizar dos frmulas:
el mtodo abreviado (frmula 17) es ms corto y sencillo, pero tambin
ms inexacto; y la frmula 18, es la ms exacta y utilizada.
..:::......:::..,,=.__( ~ F x' )2
N
v ~ FX,2
S =)
N
(17)
100
F = Frecuencias
x' = Desviacin con respecto a un valor cualquiera C
N = Nmero total de datos.
JESUS DE LA ROSA
(18)
s= Jr:D2
F = Frecuencias
D = Desviaciones de los puntos medios con respecto a la media aritm-
tica.
N = Total de datos.
Ejemplo (tabla 6.5): Calclese la desviacin tpica por el mtodo
abreviado (frmula 17), de acuerdo a los datos de la tabla 6.5.
Tabla 6.5
X F x' F x' F (X:)2
~
2 -3 -6 18
10 -14 3 -2 -6 12
15 - 19 4 -1 -4 4
20 - 24 6 O O O
25 - 29 2 1 2 2
30- 34 3 2 6 12
N =20 rFx= - 8
rFx,2 = 48
.Jr F x,j
S =1 N
S = SV 2.40 - 0.16
ESTADISTICA PSICO-EDUCATlIfA
S = ~
s = 7.48
101
Ejemplo (tabla 6.6): Calclese la desviacin tpica por la frmula
18, segn los datos de la tabla 6.6.
Tabla 6.6
X F PM FPM D D
2
FD
2
5-9 2 7 14 - 13 169.0 338
10 - 14 3 12 36 - 8 64.0 192
15 - 19 4 17 68 - 3 9.0 36
20 - 24 6 22 132 2 4.0 24
25 - 29 2 27 ~ 7 49.0 98
30 - 34 3 32 96 12 144.0 432
N= 20 r F P ~ O O r FD2 =1120
M = r FPM =..--i- =20
N 20
F = Frecuencias
PM = Puntos medios
F.PM =Producto de las frecuencias por puntos medios.
D = Desviaciones de los puntos medios de clase con respecto a la media
aritmtica.
F.D
2
= Producto de las frecuencias por desviaciones al cuadrado.
La varianza es el cociente de dividir la suma de los productos de
las frecuencias por los cuadrados de las desviaciones correspondientes
sobre el nmero de las puntuaciones. Vase la frmula 19, en datos no
agrupados:
102
(19)
(10)
Frmula para datos agrupados:
52 = ~ FD
2
N
JESUS DE LA ROSA
Ejemplo 1: Hllese la varianza de un alumno que obtuvo las si-
guientes puntuaciones 80, 80, 90, 91, ~ 85, 87, 90, 91, 90.
~ x
2
184.4
52 =-N-= 10
52 = 18.44
Ejemplo '). Hllese la varianza de la tabla 6.6. segn la frmula
20:
5 = 1""5"6
6.S DlSPERSION RELAT1VA
Las medidas de dispersin expresadas en valores absolutos. como
fueron presentadas en las secciones precedentes, son convenientes para
describir la dispersin de un solo conjunto de valores. Si dos conjuntos
de valores estn siendo comparados, los valores absolutos de sus desvia-
ciones son convenientes solamente cuando los promedios de los dos
conjuntos son aproximadamente del mismo tamao y las unidades de
medida de los conjuntos son iguales. Es obvio que la comparacin de
dos diferentes unidades, tales como las puntuaciones alcanzadas en un
test de inteligencia con los sueldos de los profesores, no tiene sentido.
Cuando los promedios son claramente diferentes. aunque las uni-
dades pueden ser las mismas, la tarea de comparar los grados de disper-
sin basados en los valores absolutos de los diferentes conjuntos es an
difcil. Por ejemplo, los pesos de los estudiantes secund... rios son gene-
ESTADISTICA PSICO-EOUCATIVA 103
rulmcntc mayores que los pesos de estudiantes de escuela Primaria. El
promedio y la desviacin tpica de los pesos de un grupo de -estudiantes
secundarios. por lo tanto. se espera sean mayores que aquellos de un gru-
po de estudiantes de escuela Primaria. Examinaremos los dos conjuntos
dl' valores de las tablas 6.7. Las medias aritmticas de los conjuntos es
claramente diferente (67 libras para uno y 50 libras para otro).
Aparece tambin mas alto grado de dispersin en los pesos de los
estudiantes secundarios. La desviacin t pica es significativa solamente
en relacin con la media respecto a la cual se calcula. Una medida de
dispersin expresada en un valor relativo cs. por tanto, requerida por
este tipo de comparacin. En general, una dispersin relativa es el 1.'0-
cicntc de una medida dada de dispersin dividida por el promedio con
respecto al cual las desviaciones fueron medidas.
Tabla 6.7
cm1PARACION DE DESVIACIONESTIPICAS
EN VALORES ABSOLUTOS
Conjunto 1: Pesos de 3 estudiantes Conjunto 2: Pesos de 3 estu-
secundarios diantes de escue
la primaria
PESOS EN LIBRAS PESOS EN L1BnAS
X x x
2
X X x
2
120 3.67 13.47 40 -10 100
121 2.67 7.13 45
-
5 25
130 6.33 40.07 65 15 225
= 0.01 LX
2
= 60.67 =350
M = = 4 = 123.67
N 3
'1 Lx
2
' 60.(,7 fU rz:
S = \ . ,=V- -' - = 4.50 libras S = V=f--= 10.8 libras
104
JESUS DE LA ROSA
La medida de dispersin ms comnmente usada expresada en va-
lor relativo es el coeficiente de variacin representado por V. Es el co-
ciente de la desviacin tpica dividida por la media aritmtica, o segn
frmula 21.
(21 )
s
V=--
M
La coeficiente de variacin de los pesos de los tres estudiantes se-
cundarios es:
4.50
123.67
s
V = ~ = ----;-;;-:;--;-;;-- =0.04
expresada esa medida en tanto por ciento, V = 4%
El coeficiente de variacin de los pesos de los tres estudiantes de
escuela Primaria es:
s
~
10.8 =O"16 "1 6 ~
50 .- -..
La dispersin relativa de los pesos de los estudiantes de la escuela
Primaria, es ms grande que la de los pesos de estudiantes Secundarios.
Existen otras medidas de dispersin expresadas en valores relativos.
cuyo estudio sale fuera del propsito del presente libro.
6.6 CARACTERlSTICAS y USOS DE LAS MEDIDAS DE
VARIABILIDAD
l. La desviacin tpica es la ms influida por los datos extremos, en
razn de que se elevan al cuadrado las desviaciones, en tanto que la
desviacin media est menos influida por los datos extremos.
2. La desviacin tpica es la medida de dispersin ms usada.
3. Si se desea hacer una investigacin estadstica con bastante cxacti-
tud, se deben de aplicar las medidas segn el orden siguiente:
1) desviacin tpica,
2) desviacin media, y
3) amplitud total.
4. Si se quiere realizar un trabajorpidosin que la exactitud importe d,'-
masiado, se deben aplicar las medidas anteriores pero en sentido
inverso.
EJERCICIOS
105
1. Los siguientes valores representan los nmeros de visita a una bi-
blioteca por un grupo de ocho estudiantes en un mes: 1, 2, 2, 4, 5,
11.11,20.
Calcule:
1) Recorrido
2) Desviacin semi-inter cuartil.
3) Desviacin media.
4) Desviacin tiptca.
2. Los pesos de 12 jugadores en cada uno de los dos equipos juveni-
les de baloncesto, estn dados como sigue:
Club La Agustina. 130, 125, 114, 118, 120. 141, 137. 139, 121.
135.118.141
Club San Carlos. 125. 118, 117, 116, 114. 116, 135. 136, 120.
121,131,116.
Calcule con dos cifras decimales, lo siguiente por cada equipo:
1) U recorrido
::) La desviacin semi-Lntercuartil
3) La desviacin media
4) La desviacin t tpica
5) Comparte, mediante el coeficiente de mriacill. la desviacin de
UII club CIl pesos en fa del otro,
'06 jESUS Df: LA ROSA
3) Las calil/I<lc/()i/, ' de Sil estudioni.-, cn UIIiI clase d' n tacli-.rica,
estn dada; 11 coutinuacion
Calificaciones
,''II/cro de c-tudiantc:
lO }9
3
30 -- 39
6
40 49
5
51) 59
7
(f) (,<)
IU
71)
7'J }'J
:')() - 89 /}
'JO 99 \'
Caltu! con do cifras dccinutlr-.
al La di -viatin media
/J) l.a dnJ';acir;1/ t init
ti U cllcf!eienr,' de vnriucion
.:/, Tenemos los dos s;gllie/l{('\ series
.vlunmas (,rl//JII I (,ni/JO JJ
l ro.
86
SI)
ldo.
,\'.1
sr,
Jro. 83 85
4to. 7'J S3
5ln. 75 81
tito, 74 7'J
Zmo, 7} 74
81'(). 67 73
9!lo. 66 71
1{J I/lII.
r,5 6S
a) Cules son los valores centrales de ([IIl!Jr"
b) Qu nos dicen las desviaciones t ipicas .t, c.ta. 1 '!!'I"/)[/(/(ill con
respecto a la variabilidad que representan.'
En qu grupo se registra ms rariabllidad "
5. Se ha aplicado un examen de ingreso a (vt ) 1/1('1",/1//1'5 u ' 1/1'1([1' eSII/
dios en la Academia Naval. He aqut' los reSI//I,IIIr,\
91, 68, 69, 72,41,54,65,48, 49, ~ 11. -IS, 7Ii "', SO, (I}, 48,
52, 54, 56, 48, 42, 45, 70, 75, 76, 79, YO, CJ}, (1-/ (jl AJ, (5, CJ t,
62, 80, 84, 85, 86, 87, 88, 43, 45, 4f, 47,41. 5_', e ~ :..J. 55. ()3.
92,90,91,90,93,48,49,52,71
a) <'Cul es la amplitud total recorrida de los (1II'i/'(/II[('\
b) Construva con esos datos una tabla de trccucncias que CO/II/Jr1'l/l/1
10 intervalos ,1' las CO/llIllWS que convengan pura poder C"/CI//"I'
.\tedia Aritmctica (,1f)
Dcsviacion t tpica (S)
Cucticicn [e de variacion (e 1'.)
VII
MEDIDAS DE ASIMETRIAy APUNTAMIENTO
7.1 DlSTRIBUCIONSIMETRICA
Diremos que una distribucin de frecuencia es simtrica si a cada
puntuacin X], distante de la media, por la derecha, una distancia K, k
corresponde otra puntuacin XL, distante de la media, por la izquier-
da, la misma distancia K y tales que la frecuencia correspondiente a XI.
es la misma que la correspondiente a XL.
En una distribucin de frecuencia simtrica, los valores de la me-
dia aritmtica, la mediana y la moda son el mismo; es decir, M = Mdn =
Mo.
Una distribucin de frecuencia simtrica significa que la clase cen-
tral tiene la mayor frecuencia y que las frecuencias, arriba de la clase
central de la distribucin, corresponden exactamente a las frecuencias
abajo de la clase central, Si la distribucin de frecuencia se muestra me-
diante una grfica de barras (histograma) o una grfica de lnea (pol-
gono de frecuencia), una recta vertical a travs del punto medio de clase
de la clase central puede dividir la grfica en dos mitades idnticas per-
fectas.
La interseccin de la recta vertical y el eje de las X, da los valores de
la media aritmtica, la mediana y la moda.
109
1'0 JE9US DE LA ROSA
Tabla 7.1
CALIFICACIONES DE 28 ESTUDIANTES EN UNA
PRUEBA DE ESTADISnCA
Calificaciones Punto Medio de Clase No. de Estudiantes
30 y menos de 40 35 2
40 y menos de 50 45
3
50 y menos de 60 55 5
60 Ymenos de 70 65 8
70 Ymenos de 80 75 5
80 y menos de 90 85 3
90 y menos de 100 95 2
k Fd . O
M=C + (-N-) 1 = 65 + (28 ) 10 = 65
_]'.1_ Fa
2 J+3+5
Mdn=L+ (-"'--F-m--)i=60+l4-( ~ 8 )10=65
6
1
Mo= L + ( 6
1
+ 6
2
) i = 60 + (
8-5
(8 - 5) + ~ 5 l O= 65
La distribucin de frecuencias en el ejemplo de la tabla 7.1, se
ilustra en la grfica 7.1.
Diremos que es asimtrica toda distribucin que no cumpla con lo
acabado de indicar.
ESTADISTICA PSICO-E OUCATlV A 11'1
"(orr.O":" t'.;"ldlnnh.'"l>
!!'I,'\J{'rJ"ja;
r----------------
111 "l .. M
J('l 4
oL L L _ . l _ ~ _ . L _ _ . J . . . L L L ~ . . . J
.20 11)(, [lf
l
(CaJi!icn.
clones)
1
, r
!
'(
~ ,
Grfica 7.1
llustracion del histograma .l' el pol igono de frecuencia
de U/la distribucin simctrica
Caliticaconcs dc LS estudiantes en una prueba de cstadistica.
7.2 INDICES DE ASIMETRIA BASADO EN LOS TRES CUARTllES
Si la distribucin es simtrica. 0
3
O
2
=O
2
0
1
, Si la distri-
bucin es asimtrica positiva, 0
3
- O
2
> O
2
- 0
1
, Si la distribucin
es asimtrica negativa. 0
3
Q2 < O
2
- 0
1
, (Vase las grficas 7.2,
7.3 Y 7.4)
De ah podemos tomar ndice de asimctr ia el siguiente criterio:
Si la distribucin es asimtrica positiva, As > O. Si la distribucin
es asimtrica negativa, As < O. Si la distribucin es simtrica As = O.
Adems, ~ l < As < l. En efecto, al tender (0
3
- O
2
) a cero, As tien-
de a -1: y al tender (0
2
- 01) a cero, As tiende a 1.
112
Grfica 7.2
1--
Q, Q, Q.,
Asimtrica Positiva
Grfica 7.3
n
JESS DE LA ROSA
.---

1--
.--
r-r-r- 1--
r-r--:
I
Q, Q, Q,
Asimtrica Negativa
5TADISTICA PSICO-EDUCATIVA
Grfica 7.4
Q, Q Q
Simetrta
113
En general, cuando la distribucin no es simtrica, sino casi sim-
trica, la mediana se localiza aproximadamente a un tercio de la distancia
entre la media y la moda sobre la escala de las X. La relacin entre la
media aritmtica, la mediana y la moda podra entonces expresarse por
la siguiente frmula:
M
o
'" M 3 (M - Mdn)
7.3 APUNTAMIENTO OCURTOSIS
Diremos que una distribucin de frecuencia es muy apuntada o
poco apuntada segn el correspondiente histograma sea alto y estrecho,
o bajo y ancho.
La grfica 7.5 muestra tres tipos de CUIVas: A) la CUIVa de mayor
apuntamiento, tambin llamada leptocrtica, B) la CUIVa de apuntamien-
to intermedio, llamada mesocrtica y C) la CUIVa achatada, llamada pla-
ticrtica. Se supone que las distribuciones son simtricas y como tales
tienen la misma media y la misma dispersin.
114
JESUS DE LA ROSA
Grdfica 7.5
M
Iiustracion de diferentes tipos de curtosis
La curva A indica que la mayora de los estudiantes recibieron casi
la misma calificacin en la prueba de ingls; la curva B indica la distribu-
cin normal de las calificaciones en historia; la curva e indica una am-
plia variacin de las calificaciones de matemticas entre el grupo de es-
tudiantes. La distribucin normal, a la cual nos vamos a referir amplia-
mente en captulos siguientes, la cual no es ni apuntada ni muy achata-
da, es la curva con apuntamiento intermedio y se emplea usualmente
como tipo para medir el apuntamiento de un distribucin.
7.4 MEDIDAS DE APUNTAMIENTO
Para medir el grado de apuntamiento de una distribucin. usamos
los siguientes ndices.
A
4-3=O
A
4
- 3 >0
A
4
- 3 <O
Indica Distribucin Normal
Indica Distribucin Leptocrtica
Indica Distribucin Platicrtica
(Xi M)4jN
(8
2
)2
M4 = Momento cuarto
8
2
= Varianza
ESTADISTICA PSICO-EDUCATIV A
EJERCICIOS
115
l. Calcular el tndice de asimetrta basado en cuartiles a partir de los
siguientes datos: lO, 12, 12, 14, JQ, /0, 16, 12, 14, ID.
2. Calcular los tndices de asimetrta, propuestos en el tex,o, a partir
de las siguientes distribuciones de frecuencias:
A) X F B) X F
/-3 15 0-2 2
4-6 20 3-5 6
7- 9 10 6-8 10
10 -12 5 9 -11 2
3. Calcular el tndice de apuntamiento, propuesto en el texto, a partir
de las distribuciones del ejercicioanterior.
4. La siguiente distribucin de frecuencias muestra las estaturas de
los jugadores del equipo de baloncesto de la UniversidadAutno-
ma de Santo Domingo.
Estatura en pulgadas Nmero de jugadores
60 Y menos 62 2
62 Y menos 64 3
64 Y menos 66 7
66 Y menos 68 5
68 Y menos 70 N=18
Calcularcon dos cifras decimales
a) Desviacin cuarttlica
b) Desviacin ttpica
e) Coeficiente de variacin
116
d) Tndice de asimetria
e) Jndice de apuntamiento
JESUS DE LA ROSA
5. Con respecto al ejercicio anterior, compruebe hasta dnde se ma-
nifiesta la frmula:
Mo =M - 3(M - MdnJ
PARTE 11
ELEMENTOS DE PROBABILIDADES Y
FUNCIONES PRIBABILISTICAS
VIII
ELEMENTOS DE PROBABILIDAD
UNAPRIMERAMIRADA A LAPROBABILIDAD
El mundo real est lleno de incertidumbre. Las situaciones que
implican incertidumbre varran de simples juegos de azar, como los da-
dos y las barajas, por ejemplo, a otros problemas en campos tan varia-
dos e importantes como las ciencias fsicas, las ciencias sociales, la in-
dustria y los seguros, Los problemas representativos en estos campos
implican la prediccin de lo que suceder en circunstancias donde se
incluyen elementos conoceros o mensurables y aleatorios o al azar,
$.1 CONCEPTO DE PRORABIUDAD
La probabilidad es el estudio de fenmenos ptlfllmente alutorios.
U. Estadstica se puede describir como ti ciencia de reunir y analiur
datos e inferir consecuencias a partir de estos elementos, Como el
az.r afecta tanto a la reunin de datos COlftO a su Jisis, y le debe
tener en cuenta al hacer inferencas, el tener coeocmeetos CR esta-
dstica implica poseer una buenabsee sobre la teora 4c la p r ~
4ad. Los principios que se desan-oulJI en me texto !tOn los mismos
que se utilizan en el estudio rn avanzado de estos temas, pero ha-
ce notar que el contenido de este texto no se ax;.ya en el c:fIculo inr..
nitesimal. Uf! conocimiento completo de Ptoblbilidad Y Estadstica,
slo se puede lograr depus de estudiu d ~ u l o iDfutitesiJUJ )' el
ClIteu.ic integral.
8.2 DOS DEFINICIONES DE PROBABIUDAD
La palabra probabilidad se usa para indicar la posibilidad de que
119
120 JESUS DE LA ROSA
ocurra un evento o resultado. La definicin clsica de probabilidad y,
en cierto modo, la ms simple. se usa cuando un experimento puede
tener solamente ciertos resultados definidos, cada uno de los cuales es
igualmente probable: si hay S elementos en el conjunto de resultados
posibles, la probabilidad para cualquiera dl' ellos es IIN. As, se supone
que una moneda puede caer mostrando cara o escudo y, por tanto, la
probabilidad de cara es lI ~
En forma ms general. podernos escoger un sub iconjunto llamado
evento, que consiste de fII de los elementos posibles y preguntar cul es
la probabilidad de obtener un resultado que pertenezca a ese evento, al
efectuar el experimento una sola ~ Z La probabilidad de un evento es
la suma de las probabilidades de los resultados que lo componen. En
nuestro caso, "igualmente probables", la probabilidad es m/N. Si de
una baraja de 52 cartas con 4 ases se saca una, ,cul ~ s la probabilidad
de que sea un As) Se supone que cada una de las 52 cartas, tiene la
misma probabilidad de ser sacada. El evento "sacar un As" consta de 4
de los 52 resultados igualmente probables: la probabilidad ,le' obtener
un As es 4/52, se 1/13
No siempre resulta evidente que huy un cierto numero de resulta-
dos igualmente probables, o cules son los igualmente probables. Por
ejemplo, cmo se sabe que todas las cartas t icncn la misma probabili-
dad de ser sacadas del mazo') Quiz alguna de l'llas knga un de fccto ,
bien pudiera que fuese un poco ms larga que las otras, con lo que
aurncntarfa la probabilidad de ser extrada. Tal Vl'Z una moneda. cuan-
do se lanza al aire, tenga una probabilidad ligeramente mayor de caer
cara que cmz, En realidad para usar la definicin lk "igualmente pro-
bable", es necesario hacer algunas observaciones desde diferentes pun-
tos de vista. En la prctica, debemos razonar a partir de consideraciones
intuitivas. intuitivamente aceptarnos que cualquier carta es igualmente
probable, as como cualquier lado oe una moneda. Aunque en algunas
ocasiones nuestra intuicin nos lleva por caminos equivocados. la mayo-
ra de las veces nos resulta til.
La mayor desventaja, es que se aplica slo cuando suponernos que
los resultados son igualmente' nrobablcs. Las ideas y el lenguaje dl' la
pn' -ahilidad, son tiles en muchas situaciones que no son de este tipo.
1I concepto de probabilidad ms aceptado en la actualidad es: si
un cxpcrirncnto se repite muchas veces en condiciones idnticas. cnton-
c'c'S b I'r"b'lbilidad P de un evento E es "a 1'11' ,le- cuentas" el cociente
EST"DISTICA PSICO---DUCATIVA 121
que resulta de dividir el nmero de veces que acontece d evento E. en-
tre el nmero de intentos. Por ejemplo, para determinar la probabilidad
de que una moneda caiga cara cuando se lanza al aire, lanzamos la mo-
ncda muchas veces y llevamos un registro del nmero dc' veces que cae
cara. Si aproximadamente, la mitad de los resultados c's cura. al final
del experimento concluimos que la probabilidad de qu. c'ai!;a cara es
1/2.
Desde luego, el concepto anterior presenta algunos inconvenientes.
,Cuntas veces son "muchas veces"? Cuntas de stas "muchas veces"
deben ser caras para afirmar que, aproximadamente, la mitad de los in-
tentos resultaron cara? Consideremos un experimento que no Sl' puede
repetir. Por ejemplo, bajo esta definicin, es posible hablar de la pro-
babilidad de que maana llueva'! O bien, de la probabilidad dl' que el
equipo de baloncesto de San Carlos derrote al equipo de baloncesto de
Nuco en el juego de la prxima semana?
SI utilizamos el concepto de resultados igualmente probables, o
el de probabilidad por experiencias muchas veces rcpcudas. cul es
el numero mayor que puede ser una probabilidad? Como un evento es
un sub conjunto del conjunto de resultados de un experimento. el
nmero de resultados contenidos en un evento debe ser menor o
igual al nmero de veces que se efecta un experimento. Por tanto no es
posible tener una probabilidad mayor que uno. ,Cull" la probabilidad
mnima posible," Si P es la probabilidad de que un C'Vc'1l10 ocurra en un
cx pcrirncnto. O P l.
8.3 :'.IODELOS \IATHfATICOS y PROBABILIDAD
Durante milc-, dl' aiios el hombre ha l'stado t rut.uu!o de aprender
I113S y m3S acerca del universo en que vive. Uua dl' las pnncipalcs hcrra-
mientas empleadas para entenderlo L'S la matcmatica . An cuando pa ra
ll,ta no l'S tcnicamente necesaria alguna relacin con el mundo real.
ca, todas las matemticas que se consideren importantes tienen al'ul1J
rcl.uin con el universo. Por ejemplo. la )!l'olllctra euclidiana es UI1,1
ulcalizucin LId concepto espacio que tuvieron sus contcmporancos. \;0
cx ist c nada en el espacio con las caractcrist icas exactas lk la h'nl'a rcc-
la dc' la gl'olllL'tr(a euclidiana: en cambio hay muchas cosas para 1,1' cua-
ks la recta de l.uclidc-, L'S una buena aproxunacin La recta l'S t l'ica
dc' 1,,, mocklo, nuucm. t ico.
122
JESUS DE LA ROSA
En general, un modelo matemtico se basa, en parte, en el mundo
real, aunque no sea una descripcin exacta del mismo. La ventaja del
modelo matemtico es que se presta al anlisis. Si el modelo es una
aproximacin razonablemente buena de algn aspecto del mundo real,
entonces el modelo se puede usar para describir esa parte de la reali-
dad y predecir cosas que, de otro modo, seran impredecibles. Sin em-
bargo, es importante recordar que cuando estamos estudiando el mode-
lo, puede ser que las predicciones tengan poco que ver con la realidad;
por estas razones, es conveniente comprobar y ver si determinados re-
sultados matemticos son realmente aplicables al mundo real. Puede
suceder que un modelo trabaje muy bien con algunos aspectos del mun-
do real y no del todo bien con otros. Se requiere perspicacia para deci-
dir si un modelo matemtico es aplicable a una situacin particular de la
vida real. En la teora de la probabilidad constantemente se deben
tomar decisiones de este tipo aunque, a menudo, son difciles.
Los fenmenos puramente aleatorios son de inters particular para
el profesional de la estadstica, debido a que los estudios que hace de
los fenmenos sociales o cientficos estn, por lo general, diseados
para determinar si los fenmenos son el resultado al azar o de alguna
influencia particular. Por ejemplo, si un mdico desea probar que cierta
droga cura determinada enfermedad, ha de tener en cuenta que muchos
de los pacientes sanaran aunque no la usasen. Supongamos, por el mo-
mento, que la mitad de los pacientes se recobra yla mitad se muere.
cuando se le administra la droga. El mdico prueba su droga en 100 pa-
cientes. Si 55 se recuperan y 45 mueren, nada se ha probado ya que,
comparando estos resultados con los obtenidos al tirar 100 veces una
moneda, encontramos que 55 caras de 100 tiradas no es un evento raro.
As, los juegos al azar son importantes como norma de comparacin,
8.4 ESPACIOS MUESTRALES y PROBABILIDADES
Cuando se tira una moneda o un dado, es fcil listar todos los re-
sultados posibles del experimento. Sin embargo, resulta fastidioso listar
todos los resultados posibles que se tienen al tirar varios dados, y para
muchos de nuestros experimentos habr tantos resultados posibles di-
ferentes que no podemos listurlos todos. Por tanto, sera conveniente
establecer un modo sis1 cmt ico ya para describir conjuntos de resultados.
ESTI'DISTICA PSICD-EDUCATIVA 123
Los diagramas, como el que se muestra en la figura 8.1, son tiles,
ya que, adems de ser fciles de dibujar, sepuede indicaren ellos los even-
tos rpidamente. En este diagrama, la curva de punto indica el evento "sa-
car un totai de 2 puntos", la curva continua indica el evento "sacar un
total de 6 puntos" y la curva de trazos muestra el evento "4 doble",
6
5
4
3
2
CJ
. .
2 3 4 5 6
Figura 8.1
Ntese que el diagrama es una grfica del conjunto S, donde S es
igual a [Ix, y)/siendo x e y enteros, I x 6, I Y 6}. Los diagra-
mas de ese tipo san tan tiles en el estudio de la probabilidad que re-
sulta comn el hecho de emplear las palabras punto y espacio para des-
cribir los resultados de un experimento,
Un espacio muestral de un experimento aleatorio es un conjunto
de resultados del experimento tal que cada uno de los resultados co-
rresponde exactamente a un elemento del conjunto. Un punto mucstral
es un elemento del espacio muestral, Un evento es un subconjunto. del
espacio muestra!.
Para el cxpcruncuto tic- tirar un tlado comn, si D = { 1. 2. 3.4,5.
6}. entonces D es un espacio muestra'. El conjunto { 1,2,3,4,:5 }no es
espacio rnucstrul del experimento aleatorio tirar un dado, porque el re-
sultado (, no corresponde a algn elemento del conjunto. El conjunto
{impar, par. divisible entre 3 }no es espado mucstral ligado a ese mismo
experimento aleatorio porque el resultado 6 corresponde a ms de un
elemento del conjunto "6", corresponde a los elementos "par" y "divi-
sible entre 3".
En el experimento que consiste en tirar un solo dado, s usamos el
espacio mucstral {I. 2. 3. 4. 5. 6} Y suponiendo que el dado no est
"cargado", es decir. que no est arreglado delibcrudamc ntc para obte-
ner determinados resultados. la probabilidad de cada punto muestra! es
de 1/6, Cuando tiramos dos dados, un espacio muestral es el producto
cartesiano DI x D
2
donde DI y 1)2 son cada uno iguales a l. 2. 3. 1,
5. 6}, Como se ve, este espacio tiene 36 puntos y si los dados no este 1
cargados la probabilidad de cada punto mucstral es el producto Carte-
siano O, x O
2
X D
3
son cada uno iguales a {I. 2, 3, 4, S, 6}. Este espa-
cio muestra! tiene (6) (6) (61. o sea 216 puntos mucstralcs, y si los da-
dos no estn "cargados", la probabilidad de cada uno es 1/216,
Sea E el evento "la suma d,' los puntos tic' IJS caras superiores de
los dados cs 7" es decir F ={(', 11. 15, 21. 3), (3, 4), (2.5). (1. 6)}.
Si los dados no ,'sl.!n cargados. podernos responder a la pregunta:
"Cu.O es la probabilidad d,' 111Jr 7 "<In 2 dados" LJ respuesta es simple-
mente la SlIlIIJ tic' LIS probubilidadv-, dc 10., elementos de L es decir
6/36 o sea 1;("
Considcrurvmos uhoru ,,1 cx pvnmcut ,le- tirar 3 monedas. indican-
do los ,'spaLios mucstr.rlr-, po,ibk, diferentes para este experimento.
Se ve que parece que cada punto mucstrul tiene la misma probabilidad
que cualquier otro punto contenido-en el ,'spJcio mucstrul {(L. e, c ).
(L, l. C), (l. e, el, (L, Z. l), ( " c. z ), (" l. C), (l. r. ll} donde e represen t;J
una cara y 1. un escudo? Cu.!1 l'S 1.1 probabilidad ,k cada uno de los
punto, mucstralcs' Si el evento 1,', {IC. c. z i ic. l. O. (l. c. el} ;,Cl'l
cs la probabilidud de l." (,('u;ll ,'s ,'ntOI1t:l'S 1; probabilidad de obtener
dos caras y un escudo r cn cu.ilquicr "rdt'll) cuando s,' tiran J monedas'
Si parece razonable dvcir que lodo, it" plintos mucstralcs de un
espacio mucst ral particular "'11 probable. entonces debe ser
povihle d ctcmun.rr la I'roh,lhllldad ,te- cualquier cvv nto particular divi-
E5TADI5nCA P5ICO-EDUCATIVA 125
dicndo el nmero de puntos del evento entre el nmero total de puntos
del espacio muestral, Por ejemplo, los ocho puntos del espacio muestral,
para el problema de las tres monedas, parecen igualmente probables,
Por tanto, para encontrar la probabilidad del evento "dos caras y una
cruz", podemos contar el nmero de puntos del evento y dividirlo en-
tre el total de puntos. As, encontraremos que la probabilidad de obtc-
ne dos caras y un escudo es de 3/'1',.
8.5 PROBABILIDAD AXIOMATICA
Un evento elemental es aquel que contiene un solo clemente.
Para el experimento de tirar dos dados, sea A el evento "el nme-
ro total de puntos mostrados es 4". A no es un evento elemental,
puesto que (l. 3), (3. 1) Y (2. 21 son elementos de A. Si B representa
el evento "2 aparece en ambos dados", entonces 13 es un evento ele-
mental debido a que (2, 2) es el nico elemento de B.
Consideraremos ahora una relacin entre dos eventos. Para el
experimento de tirar dos dados. si C es el evento "el nmero total de
puntos mostrados es 5" y si D es el evento "el nmero total de puntos
mostrados es 6", entonces C y D no pueden ocurrir simultneamente.
Sin embargo, si E es el evento "al menos un dado muestra un solo
punto", entonces E y C pueden ocurrir simultneamente. ya que el
resultado puede ser ( 1,41o bien (4, I l.
Pueden ocurrir simultneamente E y D? Dos eventos que no
pueden ocurrir simultneamente se llaman eventos mutuamente exclu-
sivos.
Para dos eventos cualquiera A y 13, se dice que A y B son mu tua-
mente exclusivos s y slo s A n B =<p
Ya que un evento elemental contiene s610 un elemento, se puede
ver que dos eventos elementales son mutuamente exclusivos o es el
mismo evento.
Ahora, definiremos la probabilidad de un evento como un nme-
ro que se asigna al evento de manera que satisfaga ciertas condiciones.
Para cualquier espacio muestra finito S ={UI . O
2
O, }, la pro-
babilidad de un evento E es un nmero P(E) tal que se cumplen los si-
guientes axiomas de probabilidad:
(1) O';;P(E)
(2) l = P (S)
(3) Si A YB son mutuamente exclusivos, entonces
P (A U B) =P (A) + P (B)
El axioma (1) afirma que la probabilidad de un evento debe ser un
nmero positivo o cero. El axioma (2) establece que la probabilidad de
un evento seguro (que forzosamente debe ocurrir) es l. El espacio mues-
tral es un evento seguro, ya que contiene todos los resultados posibles
de un experimento. El axioma (3) permite determinar la probabilidad
de cualquier evento, siempre que se conozcan las probabilidades de los
eventos elementales.
Teorema: P (4)) = O
Demostracin: Por el axioma (3), sabemos que si A y B son even-
tos mutuamente exclusivos, entonces P (A) +P (B) = P (A U B). Ahora,
sean A=4> y B=S.
Como 4> () S = 4>, sabemos que 4> y S son mutuamente exclusivos.
Entonces, tenemos P (rjl) + P (S) =P (4) U S). Pero, por el axioma (2),
P (S) = 1. Tambin, P (</J U S) = P (S). Por tanto, concluimos que
P(rjl) + 1 = 1, asr P (rjl)=O.
Ahora, necesitamos demostrar que la probabilidad de un evento
cualquiera A est unvocamente determinada, siempre que se conozcan
las probabilidades de los eventos elementales El, El En, sub-
conjuntos de A.
Teorema: Si A es un evento contenido en un espacio muestral fi-
nito tal que la unin de n eventos elementales El, El, .... En es A,
entonces P (A) = P (E) + P (El) ..... + P (En)'
Demostracin: Si A es el conjunto vaco, entonces, por el teorema
anterior P (A) = P (4)) = O.
Supongamos que A no es el conjunto vacio y que es la unin de
n eventos elementales diferentes El, El ..... En. Si n = 1, se tiene
P (A) = P (El)' Si n = 2, entonces P (A) = P (El U E
z
). Luego, por el
127
axioma (3), tenemos que P (A) = P (El) + P (E
z
). Si n = 3, entonces
P(A)=P(E
I
UE
z
UE
3
) .
Agrupando, de modo que se pueda usar el axioma (3), tenemos
P (A) =P [(El U E
z
) U E
3
]
=P (El U E z) + P (E
3
)
= P (E) + P (E
z
) + P (E
3
)
En general, si se procede: primero agrupando y despus aplican-
do repetidamente el axioma (3), finalmente, se obtiene
peA) =P(E)+P(E
z
) .... X+ P(E
n
)
Esto se puede probar por induccin matemtica.
8.6 EVENTOS COMPLEMENTARIOS
Algunas veces es ms fcil encontrar la probabilidad de que un
evento no ocurra que encontrar la probabilidad de que ese evento ocu-
rra. El complemento A, de un conjunto A, se define como el conjunto
de todos los elementos que pertenecen al conjunto universal U y que no
pertenecen a A; esto es,
A = { x/x E U Y x f. A}
En probabilidad, el espacio S, corresponde al conjunto universal,
la siguiente definicin es para el complemento de un evento.
El complemento f de un evento E es el conjunto de todos los ele-
mentos del espacio muestral S que no son los elementos de E.
Teorema: Dos eventos A y B son complementarios si y slo si A y
B son mutuamente exclusivos y la unin de A con B es el espacio mues-
tral S.
Por tanto, si dos eventos A y B son complementarios, entonces
A () B = <P y A U B = S.
128
JESUS DE LA ROSA
Este teorema se deduce fcilmente a partir de las definiciones. La
demostracin se deja como ejercicio.
Ahora, consideraremos la relacin entre la probabilidad de un
evento y la probabilidad de su complemento.
Teorema: P (A) = 1 - P ( A)
Demostracion: Puesto que los eventos complementarios son mutua-
mente exclusivos, tenemos P (AUA)=P(A)+ P (A). Como A U A = s. P
(AUA)=P(Sl=I.Entonces. P(A)+P(,:\)=I yP(A)=1 -P(A).En
otras palabras. restando P (A) de I se obtiene la probabilidad de que el
evento ocurra.
Por ejemplo, para determinar la probabilidad P (A) de que por lo
menos uno de dos dados. muestre un 5 o un 6, podemos determinar la
probabilidad P () de que ambos dados muestren nmeros menores que
:; y despus se resta esa probabilidad de l. As, tenemos
8.7 LAPROBABILIDAD DE LAUNION DEEVENTOS
Del axioma (3), si A y B son conjuntos mutuamente exclusivos
entonces la probabilidad de que A o B ocurra es igual a la suma de sus
probabilidades; es decir, P (A U B) = P (A) + P (B). Pero, cul es P
(A U B) si A y B no son mutuamente exclusivos?
Si se tiran :2 dados, cul es la probabilidad de que por lo menos
uno de ellos muestre un nmero mayor que 3? La probabilidad para
ambos es 1/1.
Si se fuese a usar un proceso de adicin, la probabilidad parecera
se++ , o sea l. Evidentemente es falso, ya que hay una probabi-
lidad' mayor que cero de que ambos muestren nmeros menores que
tres.
.Cul es el problema? En el diagrama de la figura 8.2, A es el con-
ESTADISTICA PSICO-DUCATIIIA
129
junto de puntos para los cuales el primer dado cae y muestra un nme-
ro mayor que 3, y Bes el conjunto para el cual el segundo dado muestra
un nmero mayor que 3. Si sumamos las correspondientes probabilida-
des, habremos contado dos veces los puntos contenidos en A () B. Por
tanto debemos restar la probabilidad de A () B para llegar al resultado
correcto. Los puntos contenidos en A () B se indican en la parte som-
breada del diagrama. Como hay 9 puntos en la interseccin y 36 en el
espacio muestra, tenemos
9 l
P (A () B) =""36' o sea, -4-' Por tanto,
l l l 3
P(AUB)=-+---==-
2 244
A
t
----_...-
--- ----
.
\
6 :.

\
I
I
I
o
5
I

6
I
"
,
,
o
,
I
"
o
4
\ .

.
"
..... - ----- --------
,
e
:>
3

O>
J
L

2 3 4 5 6
Primer dedo
Figura 8.2
El razonamiento empleado se puede utilizar en cualquier proble-
ma en que intervenga la unin de eventos, e general tenemos el siguien-
te teorema.
Teorema: P (A U B) :::P (A) + P (B) - P (A () B)
As que,
Demostracin: Para demostrar ese teorema escribiremos A U B Y
B como sumas de dos eventos mutuamente exclusivos. Esto es,
AUB =AU(AnB)
B = (A n B) U (A n B)
Entonces,
P (A U B) =P [A U CA n B)]
=P (A) + P (A n B)
Tambin,
P (B) =P [(A n B) U (A n B)]
= P (A) +P (A n B).
P (B) - P (A n B) =P CA n B)
Sustituyendo por P (A n B) en P (A U B) = P (A) + P (A n B),
P (A U B) =P (A) + P (B) - P (A n B).
8.8 PROBABILIDAD PARAEVENTOS SUCESIVOS
Probabilidad Condicional.
Si se lanzan dos dados, uno rojo y otro azul, y si sabemos que el
dado azul muestra un nmero divisible por 3, cul es la probabilidad
de que la suma de puntos de ambos sea mayor qu 8? La condicin de
que el nmero mostrado por el primer dado sea divisible por 3, cambia
el espacio muestral que estamos considerando.
En particular, el nuevo espacio muestral contiene solamente 12
puntos, que se ven en el interior de la curva cerrada de trazos de la fi-
gura 8.3. Para cuntos de estos puntos el total es mayor que 8? Supo-
niendo que los 36 puntos que contienen el espacio muestral original
son igualmente probables, es razonable decir que los 12 puntos en
este espacio muestral son igualmente probables? Dada la condicin de
que el nmero del dado azul es divisible por 3, la probabilidad de ob-
tener una suma mayor que 8 es igual a
_5_
12
--- ----"--- ---
I
l \
\_- --- - _._------, "
I 1
:8 :
1 1
: I
,----- ------ --- ,
....!
\ I
~ - - - - - - - - _. - - --A

i
\
.:: ~
~ ~
-
i
Jr
.i
'
lf
_ ~
- ,
Figura 8.3
Para dos eventos cualesquiera A y B, usaremos el smbolo P (A/B)

para designar la probabilidad de que ocurra un evento A, siempre que
haya ocurrido el evento B. Esto recibe el nombre de Probabilidad Condi-
cional, porque se conoce la condicin de que el evento B ha ocurrido.
Para evaluar P (A/B), consideraremos el problema anterior. Sea el
espacio muestral original como el conjunto de 36 resultados posibles
mostrados en el diagrama que aparece en la figura 8.3; sea A el conjunto
de puntos para los cuales el nmero total de puntos dibujados es mayor
que 8, y sea B el conjunto de puntos para los cuales el nmero de pun-
tos dibujados y mostrados para el primer dado es divisible por 3. En-
tonces, A n B consta de los 5 puntos indicados en la parte sombreada
del diagrama que aparece en la figura 8.3. En este caso, para determinar
la probabilidad condicional P (AB/B), dividimos el nmero de puntos
contenidos en A n B entre el nmero de puntos contenidos en B. Des-
de luego, si los puntos del espacio muestral inicial no fueran igualmen-
te probables, no podrra obtenerse el resultado simplemente contando los
puntos. Por lo tanto, definimos la probabilidad de un evento A, dado
que ha ocurrido un evento B, como la probabilidad de A n B, dividida
en la probabilidad de B.
Definicin: Para dos eventos cualesquiera A y B tales que P(B) =1= O,
P(A/B) = P (AnB)
P (B)
Al definir las probabilidades condicionales, hemos creado en efec-
to, nuevo espacio muestral SI, el cual es un subconjunto del espacio
muestral original S. Entonces, hemos asignado nuevas probabilidades
P(A/B) a los eventos contenidos en SI' Para justificar la definicin de
probabilidad condicional, necesitamos demostrar que los nmeros
P(A/B) en realidad son probabilidades, es decir, que satisface los tres
axiomas de probabilidad.
El primer axioma P(A/B) O, es evidente. Para demostrar que
cumple el segundo axioma, basta notar que sIn B = B. Entonces te-
nemes
SI P(S2 n B)
P ( P(B = P(B)
P(B)
= P(B)
Para el tercer axioma se requiere demostrar que si A n B = <P,
entonces P [(A U B)/C) = P (A/C) +P (B/C). Como A n B=<P, tenemos
que A n C y B n C sonmutuamente exclusivos. Entonces,
P ((AUB)/C);:: P {(AUB) n C}
P(C)
;:: P[(Anc) U (Bnc)J
P(C)
= P (AnC) +P (Bnc)
P (C)
= P (AnC) + p(Bn C)
P (C) P (C)
=P (A/C) +P (B/C)
ESTADISTICA 13.1
Usando la definicin anterior deprobabildad cOlldicional, demues-
tre que la probabilidad de obtener dos cinco, cuando le tiran dos dados,
sabiendo que al caer uno de ellos muestra 5, es
1
-1-'
8.9 EVENTOS INDEPENDIENTES
Suponemos que se sabe que la probabilidad de A dada la de B es
igual a la probabilidad de A. Qu se podra COftCluir respecto de los
eventos A y 8? El hecho de saber que el evento B ha ocurrdo, afecta
de algn modo la probabilidad de A? La situaciftuterlor conduce a la
necesidad de definir otro tipo de eventos: Si A YBsoneventos indepen-
dientes, entonces P (A/B) =PA).
Definicin: A YBson eventos independientes s y Slo si
P(AnB) =P (A) P (B)
Teorema: Si A Y B son eventos independientes y P(A) *OYP(B)
*O, entonces P (A/B) =P(A) YP(B/A) =P (B).
Demostracin: Por la definicin de probabiJidad condicional, se
tiene
P (A/B)= P (AnB)
P(B)
Puesto que A y Bson eventos independientes,
P (AnB) = P (A) P (B)
As que,
P (A/B) = P <A) P (B) - P (A)
P (B)
De manera semejante, P (B/A) =P (B)
Si se escoge una familia el conjunto de todas las que tienen 2 nios,
cul es la probabilidad de que ambos sean varones, si se sabe que, por
134
JESUS DE LA ROSA
lo menos hay un varn en esa familia? Sea S = { (m. m), (m, 0, (f. m),
(f, O} el espacio muestral, donde la primera letra de cualquier pareja
ordenada indica el sexo del primognito y la segunda inuica el sexo del
segundo.
Supondremos que los cuatros puntos son igualmente probables
(esta suposicin no es correcta por determinadas razones, pero es acep-
table). Ahora bien, si se sabe que por lo menos uno de los hijos es varn,
cul es el nuevo espacio muestral? De los tres juntos de ese espacio,
cuntos representan familias en las que ambos hijos son varones? En-
tonces, la probabilidad de que ambos lo sean? En este caso el espacio
muestral consta slo de dos puntos. Entonces la probabilidad requerida
es 1/2.
Teorema: Si A Y B son eventos independientes, entonces
P(AUB)=P(A)+P(B)-P(A)P(B)
Este teorema es evidente a partir de lo demostrado anteriormente
y de la definicin de eventos independientes.
Demostracin: De la teora de conjuntos sabemos que A n B =
AUB (verifique esto con un diagrama de Venn). Sabemos. por lo an-
tes demostrado que P (A) = l - P (i\)' Por tanto. P (An 13) = P (A:ui3)
I-P(AUB)
I - [ P (A) + P (B) -- P (Al P (B) I
I -P(A)-P(B)+P(AlP(B)
[1 -P(AI)[1 -P(B))
P(A) P(13)
As, A Y 13 son eventos independientes.
8.10 TEOREMA DE BAYES
Se sabe que una urna amarilla contiene 3 bolas negras y I blanca.
y que una urna roja contiene 2 bolas blancas y :. negras. Se tira un da-
do. con la condicin de que si el nmero resultante es divisible por 3 se
elige la urna amarilla; y en cualquier otro caso se elige la urna roja. De
la urna elegida se saca una bola al azar. Si la bola es negra, cul es la
probabilidad de que haya sido sacada de la urna amarilla?
El diagrama de rbol, que aparece en la figura 8.4 nos puede ayu-
dar a entender la solucin de este problema.
\ /
/
\j'
I
1
N e
V
. I
"1 .
l-igura 8.4
La probabilidad de escoger la urna amarilla es 1/3 y la probabili-
dad de sacar una bola negra, considerando que se escogi la urna ama-
rilla, es 3/4. Por tanto, la probabilidad de escoger una bola negra de la
urna amarilla es 1/3.3/4 = 1(4. De modo semejante, se puede ver que la
probabilidad de sacar una bola blanca de la urna amarilla es 1/12, la
probabilidad de sacar una bola negra de la urna roja es 1/3, y la proba-
bilidad de sacar una bola blanca de la urna roja es 1/3. Suman uno,
las cuatro probabilidades?
A partir de la frmula de probabilidad condicional, se sabe que la
probabilidad de que se seleccione la urna amarilla, considerando que se
sac una bola negra es:
P(A/N)= p(AnN)
P(N)
Uli JESUS DE LA liOSA
Sin embargo, la nica manera de obtener una bola negra, es (a)
sacarla de la urna amarilla o bien; (b) sacarla de la urna roja.
En consecuencia,
P (N)=' (Af'\N) +P(Rf'\N) =_1- +_1_= _7_
4 3 12
Por tanto,
Vale la pena hacer notar un aspecto interesante del ejemplo
anterior, el evento "sacar una bola negra", ha sido separado de dos
eventos: "sacar una bola negra de la urna amarilla" y "sacar una bola
negra de la urna roja".
Definicin: Una coleccin de subconjuntos de un conjunto dado,
es una particin s y slo s cada uno de los elementos del conjunto ori-
ginal est incluido en uno y slo uno de los subconjuntos.
Con anterioridad se vio la definicin de dos eventos "mutuamente
exclusivos", Ahora se ver la definicin de ti eventos "mutuamente
exclusivos".
Definicin: Los eventos Al y A
2
, , A
n
, son mutuamente ex-
clusivos,
Por tanto, una coleccin de subconjunto de un conjunto dado es
una particin s y slo s los subconjuntos son mutuamente exclusivos
y la unin de los subconjuntos es el conjunto dado.
Algunos ejemplos de una particin son: (1) la particin del conjun-
to mencionado "bola negra" en "bola negra de la urna amarilla" y "bo-
la negra de la urna roja"; (2) la particin del evento "urna amarilla, bola
negra" y "urna amarilla, bola blanca"; (3) la particin de "sacar una ba-
raja de un mazo de 52", en "sacar espada", "sacar corazn", sacar un
diamante" y "sacar un trbol": (4) la participacin de "sacar una carta"
en "sacar un As", "sacar un dos", "sacar un tres" ... , , , "sacar un rey",
(5) la particin de "sacar una carta" en los 52 subconjuntos: "sacar el
as de espadas", "sacar el as de corazones", "sacar el as de diamante",
ESTADISTICA PSICO-E:DUCATIVA 137
"sacar el as de trboles", "sacar el dos de espadas"..... "sacar el rey
de trboles".
Teorema. Si el evento E ha sido separado en n subconjuntos El,
El , En, entonces
P (E) =P (El) + P (E
2
) + P (En)
La demostracin de este teorema se hace por deduccin.
Teorema: "Si un conjunto de eventos 0
1
, Q2 ..... Qn son par-
ticiones de un conjunto O, y E es subconjunto de O. entonces El , E
2

. . . . En es una particin de E.
Figura 8.5
Q
Ahora bien, P (El) = P (0
1
n El y por la definicin de probabi-
lidad condicional P (Q n E) = P (O,) P (E/0
1
l. En forma similar, se
puede ver que P (E
k
) =P (E/O
k
l para k =1, ::, n. Por lo ante-
rior demostrado tenemos que P (E) =P (El) + P (E
2
l. Sustituyendo
para cada P (E
k
I, se obtiene:
P (E) =P (O, l P lE (O.) + P (Q2 l..... + P (Qn) P ( 3n )
O'bien,
P (E) = P (Qk) P ( )
Teorema: (Teorema de Bayes): Si los eventos 0
1
O
2
. Qn
forman una particin de O, y E es un subconjunto de Q, entonces
P (..!L-
E
) = P O) P (E/Q)
P (0
1
) P (E/O. ) + ..... P ro, )PE x I
Demostracin: De la definicin de probabilidad condicional. pa-
ra dos eventos cualesquiera E y O
138
Por tanto,
JESUS DE LA ROSA
Ahora, por lo anterior demostrado y sustituyendo para P (E),
obtenemos:
P (Oi) P CE) (Oi)
P (Od P(E/Od P ro, )(E)/On)
El teorema de Bayes se puede emplear para simplificar la resolu-
cin de problemas como el siguiente: en una escuela, 35
0
0
de los alum-
nos son del primer grado, 25 %son del segundo grado, 20 %son del pe-
nltimo y 20 %son del ltimo grado. Si se escoge al azar un alumno y
este cursa matemticas, cul es la probabilidad de que sea del segun-
do grado? Sea M el evento "el alumno cursa matemticas". O. el even-
to "es del primer grado", Q2 "es del segundo grado". y as( sucesiva-
mente. Entonces.
(0.25) (0.5)
(0.35) (1) + (025) (0.5) + (0.2) (0.21 + (0.2) (O.) 1
8.11 VARIABLES ALEATORIAS
0.125
0.535
0.234
Consideramos el experimento aleatorio de lanzar dos monedas y
ver si cstus salen cara (e) o l.scudo (E 1. IJ espacio mucstral ligado a
ese experimento es:
(C, C), (C, Es), (Es, C), (Es, E)
139
Si slo interesa el nmero de caras, de manera que los dos pares
intermedios puedan ser considerados como equivalentes, podemos
introducir la funcin definida por X= nmero de caras, o sea:
X (C, C) = 2, X (CEs) = 1, X (Es Es) = O
Tenemos as un nuevo conjunto (2, 1, O), ahora formado por n-
meros reales, a cada uno de los cuales corresponde una probabilidad.
As P (2) = P (C, C) = +, P (1) = (C, Es) + P (Es, C) = + y
P(O)=P(E
s
E
s)=+
Vemos, pues, que la funcin X hace corresponder a cada elemen-
to de E un nmero real y que, adems el conjunto en elementos de E,
cuya imagen es uno de estos nmeros reales, en un elemento de B, o
sea, un suceso, y tiene, por tanto, una determinada probabilidad.
Por otra parte, dado que los valores de f (Xi) son probabilidades,
es siempre f(xi);;;' O.
Las dos relaciones
L f(xi) ;;. O,
Z; f (Xi) = I
Se cumplen siempre para cualquier funcin de probabilidad.
Supongamos que los valores de X cstun ordenados Xl < X
2
...
< X". Muchas veces interesa la probabilidad de que X tome un valor
igualo menor que x]. Su valor sera:
F (xi)= P (X';;; Xi) = ~ f(xh)
lo cual da lugar a la siguiente definicin.
luncon de Distrihuein de la Variable Aleatoria X, l i g d ~ al
140
.lE$US DE LA ROSA
experimento aleatorio E, es la probabilidad que la variable X tome un
valor igualo menos que uno dado x].
Ejemplo: Se lanzan 3 monedas.. Analcese la variable aleatoria
X =numero de caras.
Solucin: El espacio muestral consta de 8 elementos
CCC, CCE,
CEC, ECC,
EEE EEC, ECE,
CEE,
Cada uno de los cuales tiene una probabilidad de 1/8. Los nme-
ros posibles de caras son XI = O; x
2
= 1, X3 = 2, x
4
= 3.
X O l :2 3
f(x)
l 3 3 _1_
8 8 8 8
F (x)
l 4 7
---= I
8 8 8 8
Las funciones X: E -- R que cumplen esas condiciones se lla-
man variables aleatorias. La palabra variable indica que la funcin pue-
de tomar diversos valores (en el ejemplo anterior, 2, 1, O) Y la palabra
aleatoria indica que estos valores provienen de un experimento aleato-
rio (en el ejemplo anterior lanzar dos monedas) y, por tanto, a cada uno
de sus valores corresponde una determinada probabilidad.
En realidad sera ms apropiado llamarlas funciones aleatorias, pe-
ro el uso ha sancionado la primera denominacin.
Vamos u limitar nuestra exposicin a variables aleatorias que pue-
den tomar nicamente un nmero finito de valores. Esas variables reci-
ben el norn bre de variables aleatorias finitas.
Su definicin precisa es la siguiente:
Dado un espacio de probabilidad (E. B. PI. se llama variable alea-
toria finita u toda funcin X: E R que pueda tomar unicamente
un nmero finito de valores X = XI, x
2
.. x
n
con la condicin de
que cualquiera de ellos, por ejemplo x], el conjunto X- I (xj) sea un ele-
mento de B.
Puesto que el conjunto X-i(Xi) (elementos de E cuya imagen por
X es el nmero xj) es un elemento de B, tendr una cierta probabilidad
que se representa por:
P [X- I (Xi) =P (X ..;; xi) = F (xi)
y se establece la siguiente definicin:
Sean XI. X
z
x
n
los valores de X y pongamos Ai = X- I (xj)
={a t X (x) =xj },
Tendremos: t f (xj) = t P (Ai) = P (Al U A
z
U Al .... U A
n
) =
P (E) = I.
8.12 ESPERANZA MATEMATlCA
Sea una variable aleatoria finita X que puede tomar los valores
XI, X
z
, X
n
con las probabilidades f (XI), [(x
z)
[(x
n
) .
Se llama esperanza matemtica o valor medio de la variable alea-
toria X, a la expresin:
t (x) = t x f (xj)
Si la [(xi) =constante, puesto que t [(Xi) = 1, [(xi) debe ser igual
a Iln, y la esperanza matemtica resulta ser k (x) = _1_ t Xi, o sea, es
n
igual a la media aritmtica de los valores de X.
Ejemplo: La esperanza matemtica de la variable aleatoria X =
nmero que resulta al lanzar un dado, ser:
l l I
t (x) =Ix (6) + 2 (-6-) ..... + 6 (-6-) =3.5
Otro ejemplo: La esperanza matemtica de la suma de los nmeros
resultantes al lanzar dos dados a la vez ser
142 JESU!; DE LA ROSA
E (x) =-k(2 + 3.2 + 4.3 + 5.4 + 6.5 + 7.6 + 8.5 + 9.4 + 10.3 +
11.2+12)=7
En caso de que la variable X sea continua la esperanza matemtica
E(x) es:
E (x) = Jx. f (x) dx
8.13 PROPIEDADES PRINCIPALES DE 1. .<\ ESPERANZA
MATEMATlCA
a) La esperanza matemtica es un nmero que depende de todos
los valores de la serie y de sus respectivas probabilidades ya que todas
ellas entran en el clculo.
b) ; (X + y) =; (X) + ; (Y), siendo X e Y variables aleatorias.
e) ; (aX) = a L (x), siendo (a) un nmero fijo y X una variable
aleatoria.
d) L (XY) = L (x). L (y), siempre que X e Y sean variables aleato-
rias independientes.
e) L (X + Z + Y + T) =L (X) + L (Z) + L (Y) ... + L (T).
f) L (X.z. Y T) = L (X) x L(Z) x L (Y) ..... L (T) siempre
que las variables aleatorias X, Z, Y, .... T sean independientes.
g) Mnima Mj ..-; L (X) ..-; Mximo Xj.
8.14 LA ESPERANZA MATEMATICA y LOS JUEGOS DE AZAR.
En un juego de azar, la esperanza matemtica tiene un significado
interesante; expresa el promedio de la suma que se espera ganar por
cada jugada, siempre que se realice un gran numero de jugadas. Enten-
demos por juego equitativo entre dos personas, aquel en que las espe-
ranzas matemticas de los dos contendientes sean iguales, lo cual sig-
nifica que las posibles ganancias son, a priori, iguales para ambos. En
esas condiciones, el jugador deber pagar, como derecho a participar,
un valor igual a su esperanza matemtica.
Veamos un ejemplo: Un jugador tira un dado, la banca pagar
tantos pesos como punto obtenga el jugador. Cunto debe pagar el
jugador a la banca para que el juego resulte equitativo?
Deber pagar $3.50. As tendr 3 posibilidades de perder dine-
ro, si obtiene 1, 2, 3, y 3 posibilidades de ganar dinero si obtiene el
4,5,6_
Otro ejemplo: Un billete de lotera que sortea 25 millares, tiene
los siguientes premios:
1 premio de $25,000;
5 premios de $1,000;
10 premios de $250.00;
50 premios de $100.00;
I
25000
5
25000
10
25000
50
25000
Terminacin 2500
premios de $5.
_ 25,000
x, x f rx, )- 25,000
25000 + 5 x 1000 + 10 x 250 + 50 x 100 + 5 x 2500
(X) = 25,000 :2
En consecuencia, el valor del billete debera ser, estrictamente,
$2.00. En la prctica, el valor comercial es mucho mayor: lo que va en
beneficio directo del que emite los billetes.
8.15 SOBRE LA TEORIA DE LA RUINA DE LOS JUGADORES
La nocin de esperanza matemtica permite resolver fcilmente el
clsico problema de la ruina de los jugadores.
Dos jugadores A y B, cuyos capitales son, respectivamente, a y b.
Qu probabilidad tiene A de arruinar a B; es decir, de ganarle todo su
dinero y recprocamente?
144
JESUS DE LA ROSA
Suponemos un juego equitativo, en que las esperanzas matemticas
de ambos resultan iguales. Sea P la probabilidad que tiene A de arruinar
a B, y Q = 1 - P la de que B arruine a su adversario A.
La ganancia posible de A es b, con probabilidad P; luego, su espe-
ranza matemtica es
(A) = b. P
y anlogamente
(B) = a (1 - P)
y por la.equidad del juego
(A)= (B)
es decir:
b. P =a (1 - P)
a
b + a
y en consecuencia
b
Q=-"---
a + b
Es decir, la probabilidad de que A arruine a B es directamente
proporcional a su capital e inversamente proporcional a la suma de los
capitales de ambos.
De lo dicho resulta que un jugador A, usted por ejemplo, poseedor
de un capital limitado (a), y que persiste en jugar con juego equitativo
contra una banca de capital prcticamente ilimitado, la Lotera Nacio-
nal por ejemplo, o contra un conjunto de adversarios sucesivos, que su-
man tambin capitales prcticamente ilimitados, tiene una probabilidad
que se acerca a la certeza de arruinarse.
NO JUEGUES TU DINERO!
8.16 MOMENTOS DE UNA VARIABLE ALEATORIA
145
Se llama momento de orden k de la variable aleatoria finita X, a la
esperanza matemtica de x", o sea
En particular Al =L (X). Los momentos centrados se definen de
la ecuacin:
Es particularmente importante el momento centrado de segundo
orden. que da lugar a la siguiente definicin:
Se llama varianza de una variable aleatoria X, al momento centra-
do de segundo orden; se representa por S2 por S2 (X) sea:
El nmero no negativo, raz cuadrada de S2 (X), se llama desvo
tpico de la variable aleatoria X.
Tanto la varianza S2 (X) corno el desvo tfpico S (X), miden la se-
paracin de los valores de X de su esperanza matemtica Al'
Las siguientes relaciones en las cuales a, b son constantes, son im-
portantes. Su demostracin se sale del marco de este texto, por lo que
nos limitaremos a enunciarlas:
L(aX+b)=aL(X)+b
L (X - A.)=O
S2 (X) = L (X
2
) - [ L (X)f
52 (aX + b)=a
2
S2 (X)
8.17 LA DESIGUALDAD OE TCHEBYCHEFF
Sea tHX) una funcin de la variable X que no toma valores nega-
t ivov. o <ea. X (Xi) = O para todos los valores X de X. Sea K> Ouna
'''lhLIIlIL lLida. y 'L'a Xi (i = l , 2, n) los valores de X, y X
a
,,pl-,-II", \.11,,1',-, p ~ l r lo, cuulcs H (X
a):;;;'
K. Tenemos que:
[ H (X)] = L H(Xi) f (Xi);;;' H (X
a
) f (X
a
) ;;;, K f (X
a
)
P"j" I i (X
a)
indica la probabilidad de que H (X) sea igualo ma-
yor que K. Por tanto se tiene:
En particular, tomando H (X) = (X - A
l
) 2 YK = K2 S2. rc-ult a la
llamada desigualdad de Tchbycheff, a saber:
I
P [ IX - A I ;;;, Ka] -zr
Poniendo KS = K , se puede escribir tambin
S2
K
2
I
Esa demostracin tambin es vlida para variables, aleatorias, des-
cuentos y continuas.
EJERCICIOS
147
8.1 Dibuje un diagramapara el experimento de tirar dos dados y calcu-
le la probabilidad de los siguientes eventos:
a) Tirar un par
b) Tirar menos de 7
e) Tirar 11 mds,
8.2 Un psiclogo tiene 100 ratas entrenadas para carrera travs de un
laberinto: 25 fueron entrenadas para correr hacia la izquierda, 50
para correr hacia el frente y 25 para hacerlo hacia la derecha. Su-
poniendo que el psiclogo mete la mano en la jaula y toma una ra-
ta al azar, al soltarla en el laberinto, eudl es la probabilidad de
que corra:
a) hacia la derecha?
b} hacia la izquierda?
e) hacia el frente?
8.3 Se estn estudiando 3 teortas psicolgicas. A partir de la informa-
cin que se tiene, cada una de ellas parece ser un modelo tan bue-
no para una personalidad dada, como para cualquier otra. La teo-
na A predice una probabilidad de depresin de 0.6; la teorta B una
probabilidad de 0.3 y la e una probabilidad de depresin de 0.2.
Si en realidad ocurre una depresin, cul es la probabilidad de
que la teorta B sea la correcta?
8.4 En un colegio de 700 alumnos de Segundo curso de la Secundaria,
150 tienen automvil. De 200 alumnos del curso, que provienen
de otras localidades, 90 poseen autmovil. Encuentra las siguien-
tes probabilidades:
a) Un estudiante residente y posee automvil
b) Un estudiante no residente y posee automvil.
8.5 Indique si son falsas o verdaderas las siguientes proposiciones:
a) Si E es un conjunto vado P(E) = O
bl P(A)=P(A)-l
e) Si E es el espacio muestral, entonces P(S) = O
IX
DlSTRlBUCION NORMAL DEPROBABIUDADES
9.1 DISTRIBUCIONES DEPROBABIUDAD
En el captulo 3 se estudiaron las distribuciones de frecuencia. La
idea de distribucin de frecuencia es paralela a la de distribucin de pro-
babilidad.
La distribucin de probabilidad es una funcin que relaciona me-
diciones con probabilidades. En una distribucin de frecuencias, la
suma de las frecuencias debe ser N, y en una distribucin de probabili-
dades, la suma de las probabilidades debe ser l. As:
En una distribucin de frecuencias: fi = N
En una distribucin de probabilidades: f (xj) =1
Las distribuciones de probabilidades, as como las distribuciones
de frecuencias, se pueden especificar por medio de una lista, o una grfi-
ca. Las distribuciones de probabilidad ms importantes son las distribu-
ciones tericas que se pueden dar mediante una regla.
Las caractersticas bsicas de las distribuciones de frecuencias y de
probabilidades son semejantes, pero con la diferencia importante de
que, por lo general, las distribuciones de probabilidad representan distri-
buciones tericas o hipotticas, y las de frecuencias representan obser-
vaciones obtenidas de experimentos reales. As, una distribucin de pro-
babilidad dice lo que se puede esperar observar en una distribucin de
frecuencias.
149
150
9.2 DISTRIBUCION NORMAL DE PROBABILIDAD
JE5U5 DE LA ROSA
En Pedagoga y Psicologa, los datos empricos nos suelen dar,
normalmente, una curva que tiene forma aproximada de campana.
Se ha buscado la ecuacin de la curva terica que se aproxima a mu-
chos de los datos empricos. Es la "ecuacin de probabilidad". A la
curva correspondiente se le denomina "Curva Normal de Probabili-
dades".
y
03
02
-3
-1
01
o
CURVA NORMAL ESTANDAR
Figura 9./
La "ecuacin de probabilidad" de la curva que aparece en la fi-
gura 9.1, es:
I
Y = v'21r
y =Ordenada correspondiente al punto x =X - X
e = Constante matemtica igual a 2.71828, base de los logaritmos ne-
perianos.
1f = Constante matemtica, medida del crculo con su dimetro igual a
3.1416.
x = Desvro igual a X - X
9.3 OBSERVACIONES DE LA CURVA NORMAL DE
PROBABILIDADES
151
a) La curva normal de probabilidades es la grfica de una ecuacin
matemtica.
b) El adjetivo normal no tiene carcter valorativo, no indica ningu-
na normalidad, es simplemente una denominacin tradicional.
Hay datos en Pedagoga y en Psicologa que no se ajustan a la
curva normal.
e) A pesar de todo. es cierto que muchos datos en las ciencias bio-
lgicas y sociales se distribuyen en arreglo a esa curva.
9.4 PROPIEDADES DE LACURVA NORMAL
La funcin normal de probabilidades: fo(x) = --l-.- e- x
2
/2 est
definida en todo el campo real y viene representada v'h
por una curva de forma campanular (figura 9.1). Las principales propie-
dades de la curva normal son las siguientes:
al l.s una curva uniforme con ordenadas siempre positivas y est de-
finida para toda abscisa real. Es montona, decreciente hacia am-
bos lados del mximo, lo que suele expresarse diciendo que tiene
forma campanular.
b] Es simtrica respecto del eje de las Y, y asinttica con el eje de las
x para x --- ooy x --- para estos valores, la funcin tiende
a cero.
c) Tiene un solo mximo en x = O. En efecto,
(x ) = -r-X f
o
(x)
la cual se anula para el nico valor finito x =O, o para los valores
infinitos ( "'). Para comprobar que en x = Ohay un mximo, halle-
mos la derivada segunda:
(x ) =(x
2
1) fO(x)
(O) = fa (O) < O
lo que prueba que hay un mximo para x = O.
152 JE5US DE LA ROSA
En el punto mximo o modal; f
o
tiene el valor de f
o
= .
0.39894. V 21T
d) fo(x) tiene dos puntos de inflexin para las abscisas l.
En efecto:
r'(x)=(x
2
-1)fo(x)=O
.30
l
-20
20
j
Figura 9.2
da valores finitos, soluciones de x
2
- l = O, que son:
x=l x=-I
9.5 FUNCION DEDISTRIBUCION
La funcin de distribucin correspondiente a la funcin normal es:
Fo (x)
x 2
J e -u {2 du
_ 00
En la grfica de fo(x), viene representada por el rea comprendida
entre el eje de las x, la curva y la ordenada correspondiente a x. El dia-
grama correspondiente a Fa (x) es una curva del tipo ojival (Figura
9.3).
La funcin de distribucin (Fo (x) tiene las siguientes propiedades:
a)
1
Fa (0)=-.,-; Fa (-00) = O; Fa (00) = 1; (x)=f
o
(x)
La propiedad F
o
(00) = I proviene de que
1= t
O
o
2
e-x /2 dx =
Demostracin
En efecto, formemos el cuadrado de esta integral:
Esta integral es igual
k 2 2
lim J I k2 e-(x +y )/2
dx
dy
o o
Haciendo la sustitucin polar x = Q cos u; y = Q sen u, resulta:
En consecuencia, sustituyendo 1
2
, se tiene que:
184
Tabla 11.6
Alumnos Dibujo Imaginacin XY
X
y
I 13 II 143
2 12 14 168
3 lO II 110
4 lO 7 70
5 8 9 72
6 6 II 66
7 6 3 18
8 5 7 35
9 3 6 18
10 2 I 2
Totales 75 80 702
JESUS OE LA ROSA
X'
y'
169 121
144 196
100 121
100 49
64 81
36 121
36 9
25 49
9 36
4 I
687 784
M =80
Y .
702-10(7.5x8)
r = -Y-;::[=6=85=-==1==0=(7=.5=)2=]=[7=8=4=-=1=0=(=8)=2=
r = 702 - 600 = = O76
-J(124.5)(144) 132 .
r=0.76
b) Clculo del Coeficiente de Correlacin cuantitativa lineal simple en
datos agrupados.
Los principios que rigen el clculo del coeficiente de correlacin
en datos agrupados, son semejantes a los del clculo anterior. Unica-
mente las expresiones matemticas estn adaptadas a este tipo de opera-
ciones como el clculo de r en datos sin agrupar. Tenemos varias frrnu-
ESTADISTICA PSICO-DUCATIVA
Fi:. V-3
o
F(x) = - (1) (x)
figura Y.4
I
F(x) =-,- (j! (x )
(x ) = 1'0 (x), para x O
,;. ( x ) = F
o
(X ) - +.pa ra x ;;, O
155
La (x ) representa L'1 arca comprendida entre la ordenada dcl mi-
gen y la ordenada correspondiente a la abscisa Xl y es t al <J Ul' (-- CXl)=

156 JESUS'OE LA ROSA
c) La tabla <P (x) aparece en manuales de matemticas y con ella se
pueden encontrar los valores de Fo(x) mediante las frmulas
1
F
o
(x) =2- <P (x), para x.,;; O
1
Fo (x) =2+<P (x), para x O
d) Se puede verificar fcilmente, como ejercicio, que E(x) = O;
S2(x) = 1 para la funcin de frecuencias f
o
(x).
9.6 D1STRlBUCION NORMAL GENERAL
Se dice que una variable aleatoria X est normalmente distribuida
o que es una variable gaussiana, con esperanza matemtica M y disper-
sin S, cuando la variable reducida.
X-M
U=-.....,.--
S
est distribuida segn la funcin normal tipificada o funcin de Gauss-
Laplace. Es decir, la funcin de probabilidad o funcin oe frecuencia es
f ( )
- 1 (-lf2)[(x-M)/xf
o x - e

Si representamos esta funcin, resulta una curva, campaniforme
con mximo en el punto X = M, Ypuntos de inflexin en las abscisas:
X=MS
Las ordenadas del mximo es:
De esto resulta que la forma de la curva depende del valor de S,
ya que la campana resultar ms o menos alta y estrecha segn que S
sea ms o menos grande.
ESTADISTICA PSICO--EOUCATIVA
151
Podemos, ahora, definir la funcin de distribucin normal me-
diante la frmula:
F(a)=P(X:r;;;a)= l s' e<-1/2) [(X_M)/S)2 dx=FoC a-M)
Y21TS _00 S
F(X) cumple las propiedades siguientes, que resultan de las pro--
piedades anlogas de Fa (x)
F (- 00) = O; F (M) = *;
F ( 00) = l
I(x ) = F' (X) = I e(-lf2)[(x-M)/sI2 = -..L fa (X-M)
vS;S 2 S
158
EJERCICIOS
JESUS DE LA ROSA
9.1 Determinar la ordenada mxima, puntos de inflexin y valores
de M y S, correspondiente a la funcin normal de probabilidades.
9.2 Sabiendo que X estd distribuida normalmente con M =O, S =8,
determinar (a) de manera que
4
PO X I<'a)=-5-
9.3 Siendo la variable X normal con M := 120, S = 14, determine el
valor de X tal que
P[M -a<,X<,M +a=0.75
9.4 En la variable del problema anterior, determinar a, sabiendo que
P (100 <, X <, 100 +a) = 0.90
9.5 Sabiendo que X estd distribuida normalmente con M =50 Y S =6
Cul es la probabilidad de escoger un valor al azar que est por
debajo de 60?
..
x
DISTRIBUCIONES BINOMIALES DE PROBABILIDADES
10.1 EXPERIMENTO BINOMIAL
Un experimento es binomial (o de Bernoulli) s y slo s cumple
las siguientes condiciones:
al En una ejecucin cualquiera hay exactamente dos resultados
posibles, uno de ellos se llama arbitrariamente "xito" y el
otro "fracaso".
b) Hay n ejecuciones, donde n es un nmero entero y positivo fi-
jado de antemano.
el Las ejecuciones son independientes; y
d) La probabilidad de xito para todas las ejecuciones es la misma.
Podemos hacer que casi cualquier experimento satisfaga la condi-
cin (a), seleccionando un espacio muestral de tal manera que cada eje-
cucin contenga exactamente dos elementos. A uno de ellos se le llama
xito y al otro fracaso. Por ejemplo, sea (5 no 5) el espacio muestral
de una ejecucin del experimento "tirar 2 dados"; entonces, tenemos
exactamente dos resultados y a cualquiera de ellos se le puede llamar
xito.
Un experimento que consiste en lanzar un moneda hasta caer cara,
no satisface la condicin (b), puesto que el nmero de ejecuciones no se
ha fijado de antemano.
159
Para un experimento que es, o suponemos que es binomial usa-
mos la notacin:
b(x.n,p)
Para denotar la probabilidad de x xitas en 11 ejecuciones, COII
probabilidad fJ de obtener un xito en alguna.
Un jugador de pelota que tiene un record de haber bateado 10 ho-
me runs en cada 100 veces al bate: cul es la probabilidad de que batee
:2 llame runs en sus prximas 5 oportunidades al bate"
Antes de resolver ese problema, pasaremos a demostrar el siguicn-
te teorema: "Si un experimento consiste de 11 ensayos binomiales. cada
uno con una probabilidad p de obtener un xito y una probabilidad l/
para el fracaso (q '" l - PI, entonces, la probabilidad de x xitos en n
ejecuciones es
n
b(x,n,p)=( x p" qn-'.dol1lkx=0.1.2, ... n
La probabilidad de que los primeros x ensayos sean xitos y los
n-x restantes sean fracasos, es p' qn- x Pero:
s. s, s, ... x,
T
x de ellas
r, f, r, ... r
n-x de ellas
es s610 uno dc los diferentes modos en que se pueden tener x xitos y
n-x fracasos: los x xitos pueden ocurrir para cualquier combinacin
d I
.. I n bi t (n
de x e as n ejecuciones y iay ( x ) com macioncs: por tan o x) mo-
dos diferentes los que se pueden obtener x xitos en n ejecuciones. DI:'
ahqul:'
n!
bex,n,p)=exn)Pxqn-x=(n pXq"-x
-x)! x!
Ahora. resolviendo el problema anterior. la probabilidad de que el
11L'loll'TO batee 2 homc runs en :) oport unid adcx ;11 bate es:
1(0.')' IO.')r'= IU-')I'
1J') 12')
ESTADISTICA PSICo-EOUCATIVA
H51
La funcin b (x, n, p) empleada en determinar la probabilidad de
un numero dado cualquiera de xitos en n ensayos de un experimento
binomial, recibe el nombre de [uncin de probabilidad binomial.
10.2 ESPERANZAMATEMATICA y VARIANZA DE UNA
VARIABLE BINOMIAL
Podemos considerar la variable aleatoria X
B
, llamada variable de
Bemoulli, que solamente puede tomar dos valores XI = 1, con probabi-
lidad p, si el experimento aleatorio resulta xito, y el valor X2 =O, en
probabilidad q, si el mismo resulta un fracaso. Entonces la variable alea-
toria binomial X es la suma de n variables de Bernoulli.
La esperanza matemtica de X
a
es E (X
a
) = p. 1 + O q = P
La esperanza matemtica de x es igual a;
E (x) = E (xa +Xa + Xa .... XB)=E (XB) +E (xa) .... E (xa) = np
Por otra parte, S2 (Xa)=E(XB _ p)l = E p2 =P _ p2 =pq.
10.3 TEOREMA DE BERNOULU
Aplicando la desigualdad de Tchebycheff a una variable binomial.
Siendo E(x) = al = np, S2 =npq, resulta
P[ I x-np
que puede escribirse
P[ 2...._
p
pg .,;; _I_
n n .k
2
Dado un nmero positivo cualquier E, siempre se puede determi-
nar k de manera que sea
KV pq
n
.> E,

162
Por lo que la anterior desigualdad puede escribirse
JESUS DE LA ROSA
Recordemos que x denota el nmero de xitos en una sucesin de
pruebas binomiales, de manera que x/n es igual a la frecuencia relativa
con que aparece el xito en n pruebas. Por consiguiente, observando el
segundo miembro de la anterior desigualdad, el cual tiende a Ocuando
M tiende a infinito, queda demostrado el siguiente terorema fundamen-
tal.
"En una sucesin de pruebas binomiales o de Bernoulli, dado un
nmero positivo E arbitrario, la probabilidad de que la frecuencia relati-
va del xito en n pruebas difiera de la probabilidad p en una cantidad
mayor que E, tiende a cero cuando n tiende a infinito".
Con esa definicin, el teorema de Bernoulli puede ser enuncia-
do brevemente as:
"En toda sucesin de pruebas de Bernoulli o binomiales, la fre-
cuencias relativa x/m converge en probabilidad a p",
Ejemplo: Se lanza una moneda 1000 veces. Se desea una acota-
cin de la probabilidad de que salga cara un nmero de veces compren-
dido entre 450 y 550.
x
1000
= 0.9
o sea, que hay una probabilidad igual o superior al 90'1 de que el
nmero de caras est comprendido entre 450 y 550.
10.4 LEYES DE LOS GRANDES NUMEROS
El teorema de Bernoulli pertenece a un tipo general de teoremas
conocidos con el nombre de "leyes de los grandes nmeros".
Esos teoremas difieren entre si el grado de generalidad, pero son
siempre teoremas lmites que relacionan frecuencias son probabilidades
o con valores medios. Vamos a dar otro ejemplo de ellos.
Consideremos U'1 dado. "?i x es la variable aleatoria que indica los
puntos de sus caras, es E(x) = 3.5. Supongamos que se lanza el dado n
veces y se halla la "media experimental" snfn = suma total de los
puntos obtenidos dividida por n. Cul es la probabilidad de que esta
media experimental difiera de la terica E(x) = 3.5 en menor de un
nmero dado E > O? Estamos ante una situacin anloga a la del
teorema de Bernoulli, slo que a la vez de la probabilidad se trata del
valor medio.
Planteemos el problema en general. Sea Xl, X2, .... X
n
una su-
cesin de variables aleatorias, independientes dos a dos, todos con la
misma distribucin de probabilidad que la variable aleatoria x..
Sea E (Xi) = E (x) = al' S2 (Xi) = S2 (x), Pongamos Zn =Xl +
X2 . o x
n

Tendremos:
E (Zn)=Mal
Z
E(_n_)=
n
Aplicando la desigualdad de Tchebycheff a la variable aleatoria
Zn/n, tenemos
Z s I
P<! ~ l I );;;>k .;;;-n-.;;;----zr-
o bien, poniendo ks/ ~ = E,
Zn S2 :ln
P[ \--a 1;;;. El ';;;--0 bien P(i--- a
n 1 NE
2
n 1
S2
l';;;E);;;>I--
2-
En
Estas desigualdades permiten enunciar el siguiente teorema que es
otra ley de los grandes nmeros.
Dada una sucesin Xl, x
2
. .. '" x
n
de variables aleatorias, inde-
pendientes dos a dos, con una misma distribucin de probabilidad y con
media al y varianza S2 finitas, se verifica para todo E mayor que O".
lim P [1 Znn - al 1;;;> E) = Opara n ----:;-+ 00
donde Zj. v x +x
2
+x
n
En otras palabras: el lmite, con probabilidad, de la media experi-
mental Zn/n, para n - 00, es igual a la media terica al .
10.5 CADENAS DEMARKOV
Son frecuentes los problemas en que la probabilidad de un suceso
depende de la probabilidad de otros sucesos anteriores. Un caso simple
es el de las llamadas Cadenas de Markov, de las que vamos a considerar
un ejemplo simple, pero representativo.
En un determinado lugar, la probabilidad de que si un da llueva
y al da siguiente no llueva es 1/3, y la probabilidad de que si un da
no llueva, tampoco llueva al da siguiente, es 3/4.
Se desea la probabilidad de que, suponiendo que hoy no llueva,
tampoco llueva dentro de n das.
Las probabilidades del enunciado pueden haberse obtenido me-
diante la estadstica de muchos das, durante meses o aos.
Para resolver el problema se construye la llamada matriz de transi-
cin (Pij), donde Pij =probabilidad del casoJ. si en la prueba se ha da-
do el caso i.
En el problema anterior los casos son:
l = no llover;
2 = llover.
Por tanto, la matriz de transicin es:
3 l
31
.iz.
T T
48 48
T=
T
2
=
l 2
.iz
19
3 3 36 36
ESTACISTICA PSICQ---t;;CUCATIVA
165
La probabilidad que no Ilueva.al cabo de dos (2) das es el elemen-
to O, l)de la matriz T
2
, o sea 31/48, puesto que P ~ =Pu . P
u
+P
12
P
21
En general, la probabilidad de que no llueva al cabo de n das es
el elemento (1, 1) de la matriz TR .
Qu pasa para n --+oc?
El limite de P ~ ser la probabilidad de que no llueva un da toma-
do al azar, pues la influencia de que hoy llueva o no desaparece para n
grande. Segn la ley:
p
o p,0-Ip nJI-I P nJI 00-1 P n"-1 P
11 = 11 11 +r12 21, lh ="11 12 +"1.2 22
Si se llama Pal lmite de Ifl y Q al lmite de ~ - 1se tiene el siste-
ma
(PI I -1)P+P
21
Q=O'P
12
P+(P
22
-I)Q=O
Teniendo en cuenta que P +Q = 1, este sistema de ecuaciones da la
solucin de que no llueve un da dado al azar.
10.6 FUNCION DEPROBABILIDAD DEPOISSON
La expresin b (x, n, p) de la funcin de probabilidad binomial po-
dra resultar dificil de calcular directamente para valores un poco gran-
des de x y n. F, cierto que existen tablas apropiadas para su clculo pe-
TO muchas veces es preferible sustituir la expresin b (x, n, p) por otra
de mejor manejo para calculo y suficientemente aproximada en las apli-
caciones.
Un caso en que esto es posible para valores pequeos de p, tales
como el producto np sea relativamente pequeo aun para valores bas-
tantes grandes de n. Planteemos el problema de buscar el lmite de la
funcin de probabilidad binomial para el caso en que p tiende a cero,
al mismo .tiempo que n tiende a infinito, de manera que el valor medio
se mantenga igual a una constante k, o sea,
np=k
Desde luego que se trata de u caso lmite terico, pues la probabi-
lidad p en cualquier experimento tiene un valor fijo y, por tanto, el
producto np crece con n. Sin embargo, el lmite nos dar un valor apro-
ximado de b (x, n, p) para los valores de n y p tales que su producto no
difiera mucho de k.
Se tiene
b
( )
=(n ) pX q" - x =(n ) (--'L)X (1 _ i)" - x
x, n, p x x n n
= n en -l)... (n -; x + 1) (L)X ( 1 _.Ji....t
x! (l - k/n) n n
= ~ (1-I/n)(1-2/n)... (1-(x-l){n (1 _ ~
x! (1 - k{n)" n
Para n - ClO, manteniendo fijo x, el numerador del segundo que-
brado tiende a 1, puesto que es el producto de un nmero finito de fac-
tores, cada uno de los cuales tiende a l. El denominador tambin tiende
al.
El ltimo factor tiende a e- k (vase el nmero e en un texto de
matemticas apropiado). Por tanto queda
k
X
lim b (x, n, p)=-,-e-
k
x.
Donde se supone que n y p estn ligados por la relacin
k =pn
Se tienen as, siempre que k > Ouna nueva funcin de probabili-
dad para una variable aleatoria X que tome los valores O. 1, 2 .
Esta funcin de probabilidad
k
X
Pr=---e-
x
n!
x =0,1,2 .....
Se llama la funcin de probabilidad de Poisson. Una variable alea-
toria que puede tomar los valores x = O, 1, 2.... con la probabilidad Pr,
se llama variable Poisson, La funcin de distribucin de la variable alea-
toria de Poisson ser:
P (r) = 2: Pi
Teniendo en cuenta como ha sido obtenida, resulta que la funcin
Pr (de Poisson) nos da un valor aproximado de b, (x, n, p) (funcin de
probabilidad binomial) para valores pequeos de p. Practicamente se
considera que la funcin es aceptable si p <0.1 y np = K< 5. Por esto
se llama funcin o la ley de las probabilidades pequeas.
Vamos a ilustrar con un ejemplo:
Se tira" dos dados 50 veces. Se desea hallar la probabilidad de que
salgan dos 6 exactamente 5 veces.
La probabilidad de que salgan dos 6 es 1/36.
En el esquema binomial, la probabilidad pedida es:
50!
45! x 5!
Ese valor no es fcil de calcular directamente. Podemos aplicar la
frmula de Poisson ya que p = 1/36 = 0.028 <0.1 y k = pm =0.028 x
50 =1.4 < 5.
Tenemos que:
k
X
Fr=---e-
X
=
x!
5
(1.4) (27)- 1.28 = O011
51' .
Este valor 0.011 es suficientemente aproximado a 0.0099.
Otro ejemplo.
Una fbrica produce ciertas piezas y se sabe que la probabilidad de
que una pieza sea defectuosa es p =0.02.
Se desea hallar la probabilidad de que en un lote de 100 piezas,
no hayan piezas defectuosas y tambin de que hayan a lo sumo, 3 pie-
zas defectuosas.
161
que
JESUS DE LA ROSA
Aplicando la funcin de Poisson para k =np =2; x =0, resulta
P
o=e-
2
=0.135
y la probabilidad de que haya a lo sumo 3 defectuosas ser F(3) =
P(x<3)=P
o
+PI +P
2
+P
3
= ~ e =0.857.....
EJERCICIOS
169
10.1 Dos urnas contienen, cada una, bolas negras numeradas de 1 a 10.
Se saca una bola de cada urna y se suman los nmeros obtenidos.
Cul es el valor medio de la suma?
10.2 Dos urnas contienen, cada una, 5 bolas numeradas de 1 a 5. Si se
saca una bola de cada urna y se multiplican los nmeros obteni-
dos, cudl es el valor medio de ese producto?
'0.3 Cuntas veces hay que lanzar un dado para que, con probabilidad
;;;. 0.9, la frecuencia relativa con que salgael1 difiera de 1/6 en no
mJ de 0.0l?
10.4 Un artillero dispara a un blanco sabe que la probabilidad de acer-
tar es p =-rtm-. Cuntos disparos tendrn que hacer para tener la
probabilidad mayor que 90 %de dar en el blanco por lo menos una
vez?
10.5 Por un punto de una carretera pasa un promedio de 5 automviles
por minuto. Cudl es la probabilidad de que en un minuto no pase
automvil alguno?
PARTE 111
ANAllSIS DE REGRESIOI
yCORRELACIOI
XI
REGRESION Y CORRELACION
11.1 REGRESION.
La regresin estadstica se debe al insigne matemtico y psicolgo
ingls Francis Galton, quien efectu una serie de trabajos, entre los que
se destacan los relacionados con la estatura y la herencia.
Galtn encontr que los hijos de padres altos tienden a tener una
estatura ms baja que la de los padres y viceversa, para concluir en que
existe la tendencia a que todos tengan estatura normal, es decir, la que
se apunta a regresar a la media.
Hoy la regresin se emplea en el sentido de conocer el valor de
una variable a partir del valor de otra. Ejemplo: si la estatura es X,
cul ser el peso?
Regresin es estimar valores de una variable, conocidos los valores
de otra variable. Las variables son dos; la predictor y la predictando. La
primera se llama independiente y la otra, la que se busca, dependiente.
Los datos pueden estar agrupados o no. Cuando tenemos una serie
histrica de datos que nos indican la evolucin del fenmeno que se
puede presentar, la nube de puntos se hace con los datos obtenidos en
la tabla 11.1.
Tabla 11.1
Peso (X) Estatura (x)
50 1.50
60 1.70
70 1.80
173
Para construir una nube de puntos, unimos los puntos resultantes
en el eje de coordenadas de las variables X e Y (vase figura 11.1).
Figura 11.1
---------------1
I
I
I
8.0
1.8
1.6
1.4
1.2
1.0
----------------------,
----------------, I
I I
I I
I I
I I
I I
I I
Ejemplo:
10 20 30 40 50 60 10
X=50
y = 1.50
60
1.70
70
1.80
(peso)
(estatura)
Para hacer una regresin se utilizan las coordenadas, con el fin de
ver qu tipo de regresin es: rectilnea, circular, elipsoide, hiperblica
o parablica.
La geometra analtica nos dice cules son las ecuaciones de cada
curva; vanse las siguientes frmulas:
Ecuacin de la Recta:
Ecuacin del Crculo:
Ecuacin de la Elipse:
Y=a +bx
x' v'
--+---ol- = l
a
2
b
2
2 2
Ecuacin de la Hiprbola: + --7= l
Ecuacin de la Parbola: Y=ax
2
+ bx +c
ESTADISTICA PSICD-EDUCATfVA
175
Por medio de la representacin en el eje de coordenadas, obtene-
mos la lfnea de ajuste, obtenida tambin mediante la ecuacin corres-
pondiente de la recta, o de la parbola, etc.
Cmo se encuentra la lnea de ajuste?
La lnea de ajuste la hallamos por medio de la ecuacin de la recta
(Yo = a + bx); a continuacin procedemos a elaborar las dos ecuaciones
normales de la recta: la primera (a), se obtiene partiendo de la ecuacin
general de la recta (Y =a + bx); se multiplica por, (ll coeficiente de a y
se suma con respecto a las variables. El coeficiente de a, es N, siendo N
el nmero de renglones de intervalos de clase:
=Na + b x (a)
La segunda ecuacin normal (b) es la resultante de multiplicar la
ecuacin general de la recta por el coeficiente de b que es x
Nonnas para hallar la lnea de ajuste o regresin:
Iro. Se elabora la nube de puntos.
2do. Se observa la ecuacin correspondiente.
3ro. Se elabora la tabla 11.2 (x, y, xy, X 2 ).
4to. Se sustituyen los valores hallados en la tabla por las ecuaciones
normales.
Sto. Se resuelve el sistema de ecuaciones.
6to. Se sustituyen los valores resueltos en las ecuaciones anteriores.
7mo. Se tabula la ecuacin sustituida.
8vo. Se representa grficamente.
Ejemplo: Se someti a examen de matemtica a cuatro estudian-
tes, los cuales obtuvieron las siguientes puntuaciones: 50 - 60 - 70 -
80. A esos mismos estudiantes se les someti a una prueba de inteligen-
cia, obteniendo respectivamente, al examen anterior las siguientes pun-
tuaciones: ISO - 165 - 180 - 185. Calcule la lnea de regresin o de
ajuste.
Solucin: I ro. se elabora la tabla 11.2 (x, y, xy, x
2
)
176
JESUS OE LA ROSA
Tabla 11.2
2
X Y XY X N= 4
50 150 7500 2500 X = de cono-
cimiento
60 165 9900 3600 Y = Prueba de
80 185 14800 6400 inteligencia
Total 260 680 44800 17400
2do. Se elabora la nube de puntos (vase figura 11.2)
1.9
1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
50 60 70 80
Figura 11.2
3ro. Se observa la ecuaci6n correspondiente.
Por medio de la nube de puntos observamos que debemos aplicar
las ecuaciones normales de la recta.
~ Y N a b ~ x
~ XY=a ~ X + b ~ x
2
177
4to. Se sustituyen los valores hallados en la tabla 11.2 por las ecuaciones
normales:
680 = 4 a + 260 b
44800 = 260a + 7400 b
Sto. Se resuelve el sistema de ecuaciones:
680 = 4 a + 260 b
44800 = 260a + 17400 b
Multiplicamos la primera ecuacin por 65 y resulta:
44200 = - 260 a - 16900 b
44800 = 260 a + 17400 b
600= 500 b
600
500
a=
Sustituyendo tenemos
a=
680 260 b
4
680 - 312
4
a=92
6to. Se sustituyen los valores resueltos en las ecuacOl1es .anteriores:
y=a + bx
v ==-"92 +1.2 x
7Joo. Se tabula la ecuacin sustituida (Tabla 11.3)
Tahla JI. 3
X Y
30 12X
20 116
10 104
O 92
-la XO
-20 68
--30 56
Ljcmplo: Si damos a x el valor de 30. tenemos:
Y=l)2 + 1.2 dO)
Y = 128
Xvo. Se representa grficamente (vase figura _ ~ 1
160
20
-30 -20 -10 10 20 30
/igll ra JI.."
ESTADISTICA P$ICO-EDUCATIVA
De' l ~ forma hemos elaborado la lmca de regresin.
179
Coeficiente de Regresion Lineal: es aquel que expresa el nmero
de unidades en que vara el valor ms probable de Y por cada unidad de
var iacin dl' X.
Por ejemplo, en la ecuacin anterior:
y =92 + 1.2 x
El coeficiente de regresin es 1.2. Por tanto, 1.2 unidades es lo que
aumenta el valor ms probable de Y por cada unidad de aumento de x.
El coeficiente de regresin de Y sobre X cuando conocemos la
correlacin (r) se establece mediante la siguiente frmula:
r = Coeficiente de correlacin X e Y
sy= Desviacin tpica en distribucin y
sx = Desviacin tpica en distribucin x
Por otra parte la frmula (c ) del coeficiente de regresin expresada
en trminos de las desviaciones x l' y es:
11.2CORRElACION.
La correlacin es una medida que estudia los cambios sucesivos de
dos variables. No se trata de una medida de relacin causalista, sino de
una relacin asociativa. El mtodo de correlacin es uno de los ms im-
portantes en la investigacin psicolgica y educativa.
Por ejemplo, se ha comprobado que a medida que aumenta el
urbanismo, aumentan las enfermedades psquicas; esto es correlacin
entre una cosa y otra. Como veremos a continuacin, se puede medir la
magnitud de la correlacin y clasificar su resultado.
La correlacin se puede clasificar en positiva, si al aumentar una
variable tiende a aumentar la otra, y negativa, si al aumentar una de las
variables tiende a disminuir la otra.
Las c:oodaciones ... altas Y positiwas; y positiwas" OtiUilliaS a
OtiO;.iauaIes a c:ao; altas y neptiYas, y bigas y neptiwu.
Ff&IIRIll.5
__lIIlE. Y ......,--=
...........
11811
El ~ t f e * ~ ICS UIlIIl wb Jliiiliil6iDoJ ~ iiImil::I si
_ ~ <l:l1Iltllru: ~ ~ J' CIIIid acll p-JIldlo * JiIIIOllI1Ii
m 10 lIdEttNiiblJl Se ~ b paII" Jb lIdIa r. ~ b 1lalIbJIa 11.4:
r= n..oo
Ir =1Ol.. '9Jl! ;a llJJ..99
Ir = ll.711111 a 1Ol.99
Ir=1Ol.1O;a llJJ39
I"=(J).OO
1"=-1.00
El coeficiente de correlacin nunca puede ser maY01" de 1, ni me-
nOl" de -l. Su waIor esU comprendido, por tanto, de Oa :t l.
Los mtodos de correlacin podemos dirididos en dos grandes
gtUp05: correlacin cuantitativa lineal simple y correlacin no cuanti-
tativa.
Qu mtodos utilizaremos en determinada investigacin?
Quizs sea esta una de las cosas ms complejas y que en algunos
casos deberamos consultar a especialistas. Sin embargo, a continuacin
citaremos la forma de escoger una u otra correlacin segl1nel tipo de
variables.
SIGNIFICAOO DE TERMINOS.-
Cuantitativ o continua: variable que tericamente puede asumir
un numero Infinito de valores entre dos puntos cualesquiera en determi-
nada escala.
Ejemplo: El peso de las personas.
182
JE5US DE LA ROSA
No cuantitativa o discreta: cosas no rnedibles en unidades raccio-
nadas de cantidad.
Ejemplo: Nmero de hijos en una familia (no se conciben cantidudcs
que expresen, por ejemplo, 2 hijos y medio).
Dicotmica: Serie de dos categoras mutuamente excluyentes o
contrarias.
Ejemplo: Macho y hembra.
La dicotomia puede ser autntica como por ejemplo: sexo mascu-
lino y sexo femenino o artificial como: resistencia y capitulacin a la
presin social.
Tabla 11,5
Variable A
Cuantitativa o
continua
Nmero de orden: terrninos
inferiores a 30, expresados
en rangos
Cuantitativa Dicotmica
Artificial
Cuantitativa o
cualitativa
Dicotmica Artificial
Cuantitativa Dicotmica
autntica
Dicotmica Autntica
Variable B
Cuantitativa o
continua
Nmero de orden:
trminos inferiores
a 30, expresados con
rangos
Continua
Cualitativa
Dicotoma Artificial
Continua
Dicotoma Autntica
Mtodo
Correlacin cuanti-
tativa.Iineal, simple
Correlacin ordinal
Correlacin no
cuantitativa "bise-
rial"
Correlacin no
cuantitativa "con-
tingencia"
Correlacin no
cuantitativa "Te-
tracrica"
Correlacin no
cuantitativa "Pun-
to biserial"
Correlacin no
cuantitativa "Coe-
ficiente fi".
n. 2.1 CORRELACION CUANTlTATIVA LINEAL SIMPLE
183
Este mtodo se refiere solamente a series cuantitativas como, por
ejemplo, los coeficientes de natalidad y mortalidad, etc.
a) Clculo del coeficiente de Correlacin en Datos no agrupados.
Para hallar el coeficiente de correlacin en datos sin agrupar, te-
nemos varias frmulas o expresiones matemticas:
r = xy - NMxM
y
N XY -
J [N - (N Y2
52 yx
- -S-2--
- y
(1)
(2)
(3)
Sin embargo, nosotros aplicaremos la frmula (4), ms utilizada
para el clculo del coeficiente de correlacin de Pearson, que es la si-
guiente:
XY - N Mx My
JO:. - y2 - )
(4)
Ejemplo: aplicamos a los estudiantes de la asignatura una prueba
de dibujo y otra de imaginacin creadora. Nos interesa buscar la correla-
cin que existe entre esas dos variables.
XY = Suma de los productos de los valores correspondientes de las
variables,
N= Nmero de valores de las series que se comparan
M
x
= Media de X
M
y
= Media de Y
ESTADISTICA PSICO-EDUCAnVA 1115
las con las que podemos averiguar r en datos agrupados; he aqu algunas
de ellas:
(5)
(6)
CUy! ) )
N
(7)
Ejemplo: Utilizamos el ejemplo que aparece a continuacin sea-
lando como variable A, las puntuaciones del examen A y como varia-
ble B. las puntuaciones del examen B.
Tabla 11. 7
Examen A
Alumno Puntuacin Alumno Puntuacin
Rosa 15 Patricia 34
Griscl
.,.,
Yolanda 28
Mary 17 Bertilia 21
Sotero 30 Jess 5
Carnejo
.,.,
Altagrucia 10
Pichy 27 Manuel
q
Paulina 18 Luis 12
-----
Virna 20 Domingo 23
Guillermo 14 Lidia 16
Leonor 24 Yolanda 31
186
Alumno
Rosa
Grisel
Mary
Puntuacin
20
17
15
Tabla Jt.
Examen B
Alumno
Patricia
Yolanda
Bert ilia
JESUoS DE LA ROSA
Puntuacin
34
24
14
Sotera
Camejo
Pichy
Paulina
Virna
Guillermo
Leonor
32
20
26
21
18
9
23
Jess
Altagracia
Manuel
Luis
Domingo
Lidia
Yolanda
7
1I
8
19
20
8
30
Para calcular el coeficiente de correlacin, en primer lugar debe-
mos construir un diagrama de dispersin, como aparece a continuacin:
Diagrama de Dispersin
2 2 2
\
! I 1
1 - - - - - - - I - - - - - - - ~ - - l - - _ - - _ I _ - - _ - _ - _ - _ _ - _ _ - _ 1
- _ o I
20 - 2-l 6 6
6 -1 -1
15 - 1'1
- 1 o
I 2 f o o o -3 o
10 - l-l
-2
1
o
1
2 -1 -2 2 -2 2
-1 _1
5-'1
.; -:! --1
2
~ -2 -8 16 -9 18
:\ IH
2
:\'1 1+- --1
i
M" = 18.75
JI, = 20
7 55 -8 39
20
-lB
-H
~
6
'1
J2
2
2
:\
2
o
o
6
o
o
6
18 12 -l
-:1 - ~ -1
--f -:\ O
-6 -6 --l
d,.
Tabla 11. 9
Cmo se construye el diagrama?
1- Se tabulan los datos en intervalos de clases con sus respectivas
frecuencias.
Ejemplo x = (5 - 9) (10 - 14) (15 - 19) .
1- Les iiJm1tlelwlm se * mmlClOOllr iIllDlIliJl}'W. IflIIlIWll:llllltll

3- U rroJlnammm Jf
y
WllIl cqpwe al JIrm;
de clmle llIIdI qe y. (Q) :llC'llI de JI ][1JI1IIIdhIIl al 1l:j::mmpIk.
La 'lIIy SIOOlI JI<; al 0llJIID lIll5-
]pJ'N:1t(Q) al Ja llIIIl'aBim. C.@IIlIIl(Q) m llIIIIIle!ittro ClI.'!lOJ Ja l!IIIIIelllIiii (MrDS.71S1
es IOO!IIIllpremdm ellllttre el! iiJmltlflwJllkNr (DS - Dll}!)). aillD. eJl
(J): lInalciia UJ1IM llI1ll1l1lJllelllJJllllll<lJS a JI!"Idiir dd I y lInairciW al1b.ll!iicD iIl pam1tiiJr dd
-1.
5- La coIumm. f
y
iIy. es el ll1e'IIJIIUado de llIIIlllllltipliic3Jr bt aJImurmim d
y
pm-f
y.
6- La columna f
y
dJ!y. es el n:mItado de multiplirc:-.mr h coIumllIIa dy
porfyd
y
.
1- La coluJD113 }; fxydx, es el remlbdo de sumar los "Cndices'" _
periores, Ejemplo: en el interw)o (5 - 9) tenemos tus c:&IIas
ocupadas por tres ndices" cuya suma es -9.

n
u_lndice
-l
ndice ndice ndice
8-- La columna d y fxydl( es el producto de la columna d
y
por la
columna f
xy
-
9- Los ndice se obtienen de la siguiente manera:
:jI El nmero de mayor tamao que encontrarnos en la casilla in-
1_
1taioIr likII ~ mJIll bs fiemrepci:as: de x e y. Ejemplo en el eje
x ~ t iIII D.te.:mdo de cI;ucs (30- 34) apanxe d ~
el llIIIiiIIIme.ro 3. 5il:'lIldlDl este llIIIImellO el de mayor tamao. Ya su wez"
lira fu:raulll:'.lllrciia de eseiintav.llo.
Abront bien" en el de y. en el inlcnillo (30 - 34). tambin le ro-
lIeSpOIIIlde COIIIIIIO fm:lII.,.,.,-iaesemismo 3. Esto quiere decir que 3 es
la fm:lmeDll:ill (COIll nuestro ejaJmplo)" bbIa II!J. comprendida entre
el m1tawllo x (JO - 34) Y en el de Y (30 - 34). Explicado de otra
lDiIlIlClI3l" 3 es el niimero de was que se remite una puntuacin en
los emrelllii:S A YB (de nuest:rosrejemplosdelas tablas(II.7y 11.8)
Y que esU rromprendido entre los intenalos de dase (30 -34)"
paR x o examen A y (30 - 34) para Y. o examen B.
b) Ese dI1mero de mayor tunano se multiplia por el desvo Y(dy).
Ejemplo 3 x 3 =9 Dese mimero. de tamao inferior se
coIoc:a. con el mg,- 3 lo inferior izquierdo de la cmna ro-
IreSpOIIdiente. As 9 .bail::emos en todas las demjs c'as:iUas,
donde se encuentre la frecueocia o nmero mayor.
e) Tambin ese mimero de mayor tamao. se multiplica por el
desYo de X (bacia abago. dx). Ejemplo: 3 x 2 = 6
Ese otro n11merode tamao inferior. se coloca en el ;Inplo supe-
or derecho de la casilla correspondiente. Asi bac:emo!< en todas las
demS casillas.
10-- Las columnas fx. dx, fxdx. fxdi 1: fxydy, dx 1: xydy. com:spon-
diente al eje de lasx, su aO.culo es semejante al utilizado con el eje
de lasy.
11- Una vez que hemos hallado todos los clculos mencionados del dia-
grama, sumamos las columnas fydy, fyd2 y, 1: f
xy
dx, dy 1: fxdx Y
las correspondientes al eje de las x, como fxdx, f
xd
2
s, 1: f
x
Ydy Y
dx 1: fxydy.
12- Paracomprobar si hemos hechos bien los clculos en el diagrama
'90 JESUS DE LA ROSA
de dispersin, la suma de la columna fydy tiene que coincidir o ser
igual que la suma de la columna fxydy, la de fxydx con la
fxdx Y la columna d
y
fxydx con la dx fxydy.
Una vez elaborado el diagrama de dispersin, sustituimos la fr-
mula 5, como se muestra a continuacin,
1- xy = 39--
(-8) (7)
20
xy = 41.80
2 x
2
= 48-
~ 8 2
20
x
2
= 44.80
3-
4-
R = 41.80
/ O.H6
V 44.8 x 52.55
11.2.2 CORRELACION ORDINAL
El coeficiente de correlacin ordinal se debe a Spcrman. Utiliza-
remos ese mtodo cuando las variables vienen expresadas en nmero de
orden o "ranks", o tambin en trc dos series cuyo numero de trminos
no es superior a 30. El coeficiente de correlacin ordinal se representa
con la letra r.
Su frmula (8) viene representada de la siguiente forma:
(, ~ li
r = 1 ". ,,'2 1 Ui)
" (" )
D = Diferencia numrica entre los nmeros de orden.
N = Nmero de pares dc' observaciones
Ejemplo: Aplicamos a u n grupo de 10 estudiantes dos pruebas A y B.
Segn el resultado obtenido en 1<Is pruebas las clasificamos de
la siguiente forma,
ALUMNO
PRUIB,\ 1\
PRl'IB.\ 11 3
-'
7
<)
10
7
7
10 H
() (,
lO
4
ESTADISTICA PSICO-E DUCATIVA 191
Para calcular el coeficiente de correlacin ordinal entre las dos cla-
sificaciones, preparamos la tabla 11.10.
Tabla 11.10
ALUMNOS PRUEBA(A) PRUEBA (B) D
4
-1
4
2 4
4
4
al La columna )) l'S resultante de restar los nmeros de la prueba A y
B.
h 1 1 a columna c" resultado de elevar la, diferencias al cuadrado.
Sustitu , cndo la frmula S. tenernos:
1 h x 2S
I (1 I 1
r = O.s3
1112
11.2-3. CORRELAOON NO CUANTITAnYA
JESUS DE LA ROSA
0kuI0 del coeficiente de Correlacin Bisertal.
El lculo de correlacin biserial es muy empleado en educacin y
psicologa. Se utiliza cuando tenemos que relacionar una serie cuantita-
tiva con una dicotmica. Una de sus aplicaciones ms importantes es
cuando queremos buscar el poder discriminativo de los items de una
proeba; la correlacin biserial es la ms indicada como mtodo de corre-
lacin. Se expresa con la letra Rbis y su frmula (9) es la siguiente:
Rbis = Y
D
- Y g pq
St -y- (9)
p = Proporcin de casos contenidos en la distribucin correspondien-
te al valor menor de la variable dicotmica.
q = Proporcin de casos contenidos en la distribucin correspondien-
te al valor mayor de la variable dicotmica.
St = Desviacin tpica de la distribucin total,
M
p
= Media de los valores de x (p) para el grupo mayor de la variable
dicotomizada
Me = Media de los valores de x (q) para el grupo menor.
y = Ordenada del punto que divide la curva normal unitaria en las
proporciones p y q con una superficie igual a 1.00.
EJEMPW: Calclese el coeficiente de correlacin biserial con 60
estudiantes que contestaron positivamente o acertadamente (p) un cues-
tionario y 40 estudiantes que lo contestaron negativamente o nulo (q).
l. Comenzamos por construir la tabla 11.11 con las variables tabula-
das y con las columnas correspondientes para calcular el coeficien-
te de correlacin biserial.
f (p) = Frecuencia de P (variable A)
x' (P) = Desviaciones de la media de p expresadas en valores integrales
empezando con cero en la clase donde cae la media de p.
Fx' (p)=Producto de frecuencias por sus desviaciones.
F(q) = Frecuencias de q (Variable B)
x' (q) = Origen arbitrario de las desviaciones de la media de g expresa-
das en valores integrales empezando con cero en la clase don-
de cae la media q.
Px'(q) = Producto de frecuencias por sus desviaciones expresadas en
valores integrales.
F(t) = Frecuencia total o suma de las frecuencias de p y q.
x'
= Origen arbitrario de las desviaciones de E (fp + f
q)
expresa-
das en valores integrales empezando con cero en la clase 'don-
de cae el promedio de las medias de p y q.
fx' (O
= Producto de las frecuencias totales por sus desviaciones ex-
presadas en valores integrales.
Fx,2
= Producto de las columnas x' [desviaciones de E (f
p
+ f
q)
por
la columna f
x'
(t)].
Tabla 1J.J 1
x
f(p) x'p fx'(p) f(q) x'(q) fx'(q) f(t)
-J(-
fx'(t)
fx,2
2S-29 O -7 O O -6 -6 -6 -6 36
30-34 O -6 O 2 -S -10 2 -S -10 SO
3S-39 O -S O 4 -4 -16 4 -4 -16 64
40-44 3 -4 - 12 2 -3 -6 S -3 -15 45
4S-49 4 -3 - 12 3 -2 -6 7 -2 -14 28
50-54 15-2 - 30 5 -1 -5 20 -1 -20 20
SS-S9 10-1 - 10 S O O IS O O O
60-64 lO O O 9 9 19 19 19
6S-69 S S S 2 10 lO 2 20 40
70-74 6 2 12 2 3 12 8 3 24 72
7S-79 4 3 12 2 4 8 6 4 24 96
BO-84 3 4 12 O 5 O 3 5 lS 75
TOTALES - 23 40 - 16 lOO -21 S45
2.- Elaborado el diagrama, calculamos las medias de p y q.
Frmula (10) M(p) = 60
f x'
(10)
M(q) = 52.8
Mp=M ~ -N-)i
M = Media de f(t)
194
M
p
= 60 +( - )5 = 58.10
Asimismo:
I: fx'
Mq=M+( N )i
M
q
=54.8 +( - )5 =52.8
60
P=1O=0.6
40
q=lO=OA
q= 1 - P
JESUS DE LA ROSA
(11 )
3.- Buscamos en la tabla de ordenadas en valores Z (vase apndice D).
Z =0.26
Y=0.3857
4.- La desviacin (Sr) la calculamos mediante la frmula (12):
Sustituyendo tenemos:
0.240
0.3857 )
j 545 - 21 2
Sr =5 lO'() - (-wo)
Sr = 11.60
5.- Una vez que conocemos todos los valores, sustituiremos estas en la
frmula (9).
R . = ( 58.1 - 52.8 ) (
bIS 11.6
Rbis=0.28
ES,ADISTICA PSICO-EDUCATlvA
'95
Cdlculo del Coeficiente de Contingencia.
Este clculo se utiliza cuando tenemos 3 variables o cuando la
variable A es cuantitativa o cualitativa, y la variable Bcualitativa nca-
mente.
Se representa con la letra C y su frmula, viene expresada de la
siguiente manera:
(12)
x' = Chi cuadrado
N =Datos
Ejemplo: Se seleccionaron 500 personas para ver su grado de in-
troversin, en las clases baja, media y alta, en la capital, cabecera de pro-
vincias y municipios.
1- Elaboramos la tabla 11.12 de la siguiente manera:
BAJA MEDIA ALTA TOTALES
CAPITAL 5 45 50 Fe 100
20 60 20 Ft
CABECERADE PROY. 50 110 40 Fe 200
40 120 40 Ft
MUNICIPIOS 45 145 10 Fe 200
40 120 40 Ft
TOTALES 100 300 100 500
En la tabla 11.12 encontramos quizs dos trminos o smbolos
desconocidos: Fe y Ft. Pues bien, Fe es la frecuencia emprica y ya nos
viene dada en el ejemplo. Eso quiere decir que 5 es el numero de
personas de las 500 que seleccionamos de llt clase baja en la capital. La
frecuencia emprica siempre viene dada al formular un problema. El
smbolo Ft es la frecuencia terica y se calcula a partir de los totales de
cada una de las columnas, tanto vertical como horizontalmente.
Veamos: Para calcular Ft de la casilla baja-capital, multiplicamos
100 x100 y dividimos ese resultado entre 500; esto nos d 20, que es
Ft, En el caso de la casilla, media-capital, multiplicamos 100 x 300
y dividimos ese resultado entre 500 (suma total de Fe); esto nos d 60
que es la Ft de 45. As continuamos el clculo de las frecuencias teri-
cas en las dems casillas.
Una vez calculadas las frecuencias tericas, restamos las empri-
cas de las tericas (Fe - Ft).
5 - 20 = - 15
50 -40 = 10
45 - 40= 5
Fe - Ft
45 - 60 = - 15
110 - 120 = - 10
145 - 120 = 25
5 - 20 = 15
40 - 40 = O
10 - 40=-30
Despus la diferencia entre (Fe - Ft) la elevamos al cuadrado
(Fe - Ft)2
(-15)2 = 225
10
2
= 100
(- 5)2 = 25
(Fe - Ft)2
(-15)2 = 225
(-10)2 = 100
(25)2 = 625
(30)2 = 900
0
2
= O
(-30)2 =900
Esas diferencias al cuadrado la dividimos entre su frecuencia te-
rica (Ft) y sumamos los resultados.
(Fe - Ft)2
Ft
225/20 = 11.25
100/40 = 2.50
25/40 = 0.62
Totales = 14.37
225/60 =3.75
100/120=0.83
625/120 = 5.20
=9.78
900/20 = 45.00
0/40 = 0.00
900/40 = 22.50
=67.50
x' = 14.37 +9.78 +67.50=91.65
Sustituimos en la frmula 12:
197
C=
91.65
500 + 91.65
El coeficiente de contingencia (C) tiene el defecto de que sub-es-
tima la magnitud real de la correlacin, en razn inversa del nmero de
casillas del cuadro. Existen correcciones apropiadas para paliar el proble-
ma cuyos fundamentos escapan al contenido de este texto.
CALCULOS DE LA CORRELACION TETRACORlCA.
Cuando dos variables son dicotmicas y siendo N mayor que 100,
debemos utilizar el mtodo de la correlacin tetracrica.
Cuando hablamos de variables dicotomizadas, la variable A tiene
dos valores: X y (-X); la variable B tiene dos valores Y y (-Y). Cada
elemento se clasifica en una de las' cuatro categoras (X, Y) (X, -y),
(- X, Y) (- X, -Y). La correlacin tetracrica se debe a Cherire,
Saffir y Thurstonc. Se representa con la letra rt y su frmula 13,
viene expresada de la siguiente manera:
rt =_1_ [1 __1_ j N2 _ 2hk (bc - ad)
hk N H.K
rt =Correlacin tetracrica
X In 2n
h =Es el valor de Sen 0.5 0.5-
N
X nI n2
K=Es el valor de - en O5 - -- O5 --
S . N . N
H=Es la longitud de la ordenada en h
K=Es la longitud de la ordenada en k
]
(13)
Los sfmbolos restantes se encuentran en la tabla 11.13.
Ejemplo: En el departamento de orientacin de la U.A.S.D. se han
entrevistado 24 veces 3 64 personas, 36 veces, l 2; y no se han entrevis-
tado 56 veces 3 4 personas, ni 34 veces I 2. Calclese el coeficiente
de correlacin tctrucrica.
198
1, Elaboramos la Tabla 11.13.
Tabla 11.13
JESUS DE LA ROSA
Nnmero de Personas Entrevistadas No entrevistadas Total-.l!L
N
364 a b
Personas 24 56 1" 80
162 e d
Personas 36 34
,n
70
ni n2
TOTAL 60 90 N 150
0.60
n
2
N
2.- Buscamos H y K
0.5 - 0.533 =0.033
0.5 -0.600=0.100
Para calcular H y K encontramos en la representacin 5 del apn-
dice, en la columna de las ordenadas, podemos comprobar que
0.08 es igual aH =0.3976 YK =0.3866.
4. Como ya tenemos todos los datos, sustituimos estos por la frmula
13
rt =0.08 x 0.25 [1 --do
2 2xO.08 x 0.25(56x36-14x34 )]
(150) - (0.3976)(0.3866) J
rt =0.40
De esta forma concluimos el apartado correspondiente a los meto-
199
dos de correlacin, enfatizando el cuidado que hay que tener al
aplicarlos y sealando, una vez ms, la importancia que han ad-
quirido en los campos investigativos de la sociologa, educacin y
psicologa.
5.3 Prediccin y Estimacin.
El empleo de la prediccin o estimacin en psicologa o educa-
cin constituye un recurso muy utilizado sobre todo en los textos
o pruebas.
Para explicar mejor este punto, subrayamos que hemos aplicado
conjunto de pruebas de aptitud y conocemos su correlacin, con
el rendimiento acadmico de los alumnos de segundo ao de psico-
loga. A partir de la ecuacin de regresin lineal por la frmula 14.
rpb =
Mp-Mg
t V q
(14)
Podemos predecir al comenzar el nuevo perodo acadmico, el
rendimiento de cada alumno a partir de su puntuacin en la prue-
ba de aptitud.
Las frmulas 15 y 16, pronostican o predicen directamente una
puntuacin en una de las variables, conociendo la puntuacin de la
otra variable. Sabemos que x =(X - Mx) y y =(Y-My), por tan-
to,
_ Sx
x = r --(Y- M
y
) + M-
x
Sy
y = r *(X - Mx) + My
(15)
(16)
Ejemplo: Utilizaremos a modo de ejemplo la tabla 11.14, que apa-
rece ms abajo, correspondiente a 10 estudiantes a quienes les fueron
aplicadas, dos pruebas, una de dibujo y otra de imaginacin:
200
JESUS DE LA ROSA
Tabla 11.14
Alumnos Dibujo Imaginacin
X
y
XY X
2
y
2
1 13 11 143 169 121
2 12 14 168 144 196
3 10 11 110 100 121
4 10 7 70 100 49
S 8 9 72 64 81
6 6 11 66 36 121
7 6 3 18 36 9
8 S 7 35 25 49
9 3 6 18 9 36
10 2 1 2 4 1
Totales 75 80 702 687 784
x= Estimado de X
y = Estimado de Y
Mx = Media de x
My = Media de y
r = Correlacin x e y
Sx = Desvro tpico de x
Sy = Desvfo tpico de y
X=Variable x
y =Variable y
x=?
y=?
Mx=7.5
My =8.0
r =0.76
Sx =3.5
Sy =3.0
X= cualquier puntuacin
Y= cualquier puntuacin
Sustituyendo las frmulas 1S Y 16
X=0.76 ( ) (Y - 8.0) + 7.5
y=0.76 ( ) (X - 7.5) +8.0
Por tanto, si deseamos predecir la puntuacin de un individuo
en la variable X (Prueba de dibujo), sustituiremos la puntuacin corres-
pondiente a Y. Ahora bien, las predicciones estn sujetas a un error
de estimacin, llamado error tpico de estimacin. Se representa con
las frmulas:
Sestim. y = Sy jI - (rxy)2
Sestim. x = Sxjl - (rxy)2
(17)
(18)
Sustituyendo en nuestro ejemplo tendramos:
Sestim.x=3.5JI-(0.76)2 =2.225
Sestim. y = 3.0J I - (0.76)2 = 1.95
El error tpico de estimacin es menor cuanto mayor sea la corre-
lacin y menor la desviacin tpica de la variable que se utiliza para ha-
cer las estimaciones.
202
EJERCICIOS
JESUS DE LA RDSA
11.1 Calcule el coeficiente de correlacin de Pearson para el siguiente
caso de puntuaciones obtenidas en los textos 1 y 2 respectivamen-
te.
Sujeto Test I Test 2
A 50 22
B 54 25
e 56 34
D 59 28
E 60 26
.
62 30
G 61 32
H 65 30
1 67 28
J 71 34
K 71 36
L 74 40
11.2 Diga cuales de estos cocticientes expresan una correlacin per-
fecta.
r=O.38
r = I
r = o. 84
r = - 1
r=O
r=O.50
11.3 /Jiga cudl de los anteriores coejicicntcs de corrclacion imperfecta
est ms proxinu a la perfecta.
1lA Un ulumno reuli:u 1111 test de 70 cuestiones de tipc) verdadero adivi-
IIl1J/(lo las respuestas de cada IIl1a. Obtiene una puntuacion de 45.
ES;ADISTlCA PSICO-EDUCATlVA 203
Difiere este resultado significativamente del que se esperaria
por efecto del azar 1.
11.5 A continuacin una tabla de Datos
Calificaciones Calificaciones
Estudiantes en Estadstica en Matemticas
A 95 92
B 51 57
C 49
54
D 27 30
E 42 46
F 52 56
G 67 70
H 48 50
Calcule:
Correlacin entre la calificacin en Estadistica .r Calificacin en
Matemticas.
XII
ANALISISDECORRELACION PARCIAL y MULTIPLE
12.1 GENERALIDADES
Hemos estado considerando hasta ahora la forma de relacionar dos
variables. Cuando hay ms de dos variables se presentan dos problemas:
1.- Hallar la correlacin entre dos variables, eliminando la influencia
que ejerce sobre ellas otra u otras variables. Este es el caso de correla-
cin parcial.
2.- Hallar la correlacin entre una variable y un grupo de ellas. Este es
el caso de una correlacin mltiple .
Ejemplo del primer caso: queremos hallar la correlacin entre la
inteligencia y la memoria de un grupo de muchachos comprendidos en-
tre S y 14 aftoso Supongamos que la correlacin entre inteligencia y me-
moria es, en este grupo elevado, No se deber 'a la influencia de la
edad? No ser qu, anque en igualdad de circunstancias a mayor in-
teligencia no corresponde mayor memoria, sin embargo en nuestro
grupo se da esa correspondencia porque hay grandes diferencias en edad
y por ello el de ms edad tiene ms inteligencia y ms memoria?
Para contestar a las preguntas podemos hacer dos cosas:
1.- Hallar la correlacin de cada grupo de una misma edad.
2.- Utilizar todas las edades, usando el mtodo de la correla-
cin parcial.
Ejemplo del segundo caso: en la industria se presenta con mucha
205
206 JESUS DE LA RDSA
frecuencia el tener que seleccionar entre un grupo de candidatos aque-
llos ms aptos para una cierta tarea, con una serie de tests tratamos
de pronosticar la actitud de esos individuos para la tarea que se les va
a encomendar y correlacionamos esos resultados con el xito o fracaso
en la profesin. En ese caso el grupo de variables sera la batera de tests
que correlacionamos. La correlacin entre el xito y el conjunto de va-
riables selectivases una correlacin mltiple.
La correlacin parcial del primer grado (r12.3) Cundo se em-
plea? Cuando queremos averiguar la correlacin que hay entre dos varia-
bles, eliminando de ellas -la correlacin- la influencia que ejerce otra
u otras variables, cmo se calcula la correlacin parcial? La correla-
cin entre dos variables I y 2, cuando la tercera se mantiene constan-
te, se calcula aplicando la frmula (a):
donde rI 2' rI 3 Y r23 son las correlaciones de Pearson que existen entre
las variables 1-2, 1-3,2-3. Ejemplo: supongamos que tenemos un grupo
de muchachos comprendidos entre los 12 y 19 aos de edad, en los
cuales hemos medido las variables 1 (estatura), 2(peso) y 3(edad).
Sea la correlacin entre las variables 1 y 2 (estatura y peso)=
r12= 0.7; la correlacin entre las variables 1 y 3 (estatura y edad)
=r
13
= 0.52; Y entre las variables 2 y 3 (peso y edad) =r23 = 0.54.
Queremos calcular qu relacin hay entre estatura y peso, cuando
se elimina la influencia de la edad.
Podramos seleccionar muchachos que tengan la misma edad y
hallar la correlacin existente entre la estatura y el peso, pero esto
nos reducira mucho el tamao de la muestra y entonces lo que ha-
cemos es tratar de eliminar automticamente la influencia que puede
tener la edad sobre la estatura y el peso de los individuos, para lo cual
aplicamos la frmula (a).
rl2 - r
13
. r:23

0.78 - 0.52 x 0.54 069
rH = J (1-0.52
2)(1-0.542
) .
r
1
2 . 3 =0.69
207
Donde vemos que la correlacin ha bajado un poco al restar la
influencia que ejerce la edad sobre la estatura y el peso.
Otro ejemplo. Supongamos que en el mismo grupo anterior te-
nemos otra variable ms: la variable 4 = fuerza, que hemos obtenido
metiendo a los muchachos a una prueba en un dinammetro. Las re-
laciones de Pearson entre las variables l y 4 (estatura y fuerza) y entre
2 y 4 (peso y fuerza) han sido: r4= 0.54 y r24 =0.72. Queremos cal-
cular la correlacin que hay entre la estatura y la fuerza (variables l y
4) cuando eliminamos la intervencin de la variable 2 (peso), para la
cual aplicamos la frmula:
0.58 - 0.78 x 0.72 004
r
14.2
= J (1-0.78
2)(1-0.722
)
Luego vemos en este caso que entre el grupo de muchachos
elegidos no hay correlacin entre estatura y fuerza cuando eliminamos
la influencia peso.
Hay otros ndices de correlacin parcial, llamados de segundo gra-
do, que se calculan por frmulas especiales parecidas a (a) pero son
complicadas. Por ejemplo:
r2'3 -rI43 .r24.3
J
(bY
La frmula (b) nos da la correlacin parcial de segundo grado en-
tre la estatura y el peso (variables 1 y 2), cuando se elimina la influencia
de la edad y la fuerza (variables 3 y 4). Para hallar esa correlacin es
evidente que hay que hallar previamente tres coeficientes de correlacin
de primer grado.
208 JES\JS DE LA ROSA
En general debe advertirse que cuando se quiere eliminar la influen-
cia de ms de una variable en la correlacin entre otras dos, se puede
emplear la correlacin parcial, pero no es conveniente, porque se acu-
mulan los errores de imprecisin. Es preferible eliminar esas influencias
experimentalmente o por otros mtodos como el anlisis de varianzas.
12.2 CORRELACION MULTIPLE
Hasta ahora hemos considerado tan slo la correlacin entre dos
variables. Ms interesa estudiar el caso en que una variable depende o se
relaciona al mismo tiempo con otras dos o ms. Este es el caso general
en Pedagoga y Psicologa. Veamos:
El-xito escolar de un alumno no depende tan s610 de su inteli-
gencia abstracta, sino de sus diversas aptitudes, de su carcter, etc. In-
teresa, pues, si poseemos medidas de todas esas variables, saber cul es
la correlacin entre el xito escolar por una parte y todas las dems to-
madas en conjunto y al mismo tiempo. La correlacin entre una variable
y dos o ms tomadas simultneamente, se llama Correlacin Mltiple.
La correlacin mltiple entre la variable 1 y las variables 2, 3, 4...se
denomina Rl.234...
La correlacin mltiple no es la suma de las correlaciones por se-
parado. Porque depende no s6lo de la correlacin de cada variable con
la dependiente, sino tambin de las intercorrelaciones entre las diver-
sas variables independientes.
Vamos a un problema concreto.
La tabla 38 contiene las intercorrelaciones entre cinco variables.
Tabla 12.1
Variables X
2
X
3
X
4
X
s
Xl
X
2
0.562 0.401 0.197 0.465
X
3
0.562 0.396 0.215 0.583
X
4
0.401 0.396 0.345 0.546
X
s
0.197 0.215 0.345 0.365
Xl
0.465 0.583 0.546 0.365
X 19,7 49.5 61.1 29.7 73.8
$X
5.2 17.0 19.4 3.7 9.1
ESTADISTICA PSICO-E DUCATIVA
X
2
: Test de Aritmtica
X
3
: Test de Inteligencia
X
4
: Nota media en Bachillerato
XI : Nota media en el primer semestre en la UASD
209
Veamos con estos datos cul es la correlacin mltiple entre el
xito en la Universidad y la Inteligencia, la habilidad aritmtica, la am-
plitud de intereses y el xito en la enseanza medial. Veamos primero,
por ejemplo, cul es la correlacin mltiple entre la variable dependien-
te y las variables 3 y 4.
r ~ 3 +Ti 4 - 2r I 3 r14 r34
1 - r ~ 4
(0.583)2 + (0.546)2 v- 2 (0.583)(0.546)(0.396)
1 - (0.396)2
2
R
I
.
34
=0.457666; R
I
.34 = 0.677
20.3 INTERPRETACION DEL COEFICIENTE DE CORRELAClON
MULTIPLER
R ~ '34 es llamado el coeficiente de determinacin mltiple. Es
uno de los ndices que ms luz arrojan sobre la interpretacin de R, en
mltiples caso. R ~ .34 es la proporcin de la varianza de XI, que de-
pende o est asociada con X
3
y X
4
combinada. R
2
es en nuestro ejem-
plo 0.45766, o sea que el 46 t de la varianza de X es explicada por las
variables X
3
y X
4.
Veamos que rl3 = 5 8 ~ o sea rl3 =33.64 %de la
varianza de Xl es explicada por X
3
cuando este se usa slo. Y rl4 =
0.564, ri 4 es igual a 29.81 t de la varianza de X es explicada por X
4
ste se utiliza slo. La unin de ambos X y X
4
no explican la suma de
sus determinaciones 45.8 = 33.64 +29, sino menos, ya que X
3
y X
4
se
correlacionan (r34 = 0.396) Y por tanto, parte de lo que predice una
lo predice tambin la otra.
210
EJERCICIOS
JESUS DE LA ROSA
12.1 A continuacin una tabla que muestra las cantidades de ventas
(Xl) hechas por un grupo de 8 vendedores durante un periodo
dado, los aos de experiencia en ventas (X2) Y las calificaciones
de una prueba de inteligencia (X
3
) de cada vendedor.
Vendedor Cantidad de Anos de expe- Calificaciones en
ventas riencias pruebas de inteli
sen
cia
A 9 6 3
B 6 5 2
C 4 3 2
D 3 1 1
E 3 4 1
F 5 3 3
G 8 6 3
H 2 2 1
A)
Calcule R
2
Xl' X
2
X3 y RXI X
2
X3
B)
Calcule R
2
X
2
Xl X3 Y R X
2.X1
X3
C)
Calcule R
2
X
3
Xl' X
2
y R X
2
.X3 x
2
12.2- A continuacin Tabla de Datos
Estudiantes Calificaciones Calitcaciones Calificaciones
Estadstica Econmica Matemtica
A 95 88 92
B 51 70 57
e 49 65 54
D 27 50 30
E 42 60 46
F 52 80 56
G 67 68 70
H 48 49 50
Calcule:
211
a) Correlacin entre la calificacin en Estadstica y las calificaciones
en Matemticas y Economa juntas.
b) Correlacin entre las calificaciones en Economa y las calificacio-
nes en Estadtsticas y Matemticas.
PAlIIIV
EI'lltSflel IIfE.1C11l
XIII
MUESTRAS Y MUESTREO
13.1 ESTADISTICA DESCRlYI1VA y ESTADISTICA MUESTRAL
La estadstica se divide, como apuntamos en la primera parte
de este texto, en descriptiva y muestra!. La Estadstica Descriptiva
se ocupa de ordenar los datos obtenidos en una muestra y de repre-
sentarlos por medio de los valores estadsticos ms caracterizados:
medias, medidas de dispersin y correlaciones. La Estadstica Mues-
tral trata de resolver problemas acerca de las poblaciones que esas
muestras representan. Por ejemplo, queremos averiguar si en la
adolescencia los varones son ms inteligentes que las hembras.
Escogemos la edad de 13 aos, Aplicamos un test de inteligencia
a los varones, y a las hembras de esa edad y observamos el resulta-
do. Esto tericamente. Prcticamente es imposible examinar a todos
los nios y nias. Hemos de contentarnos con examinar un grupo
de ellos y comparar la puntuacin media obtenida por los nios y
nias de ese grupo. Pero este proceder plantea muchas interrogantes:
Hasta qu punto representa esa muestra de nios a la poblacin total
de nios y nias de 13 aos? Cmo elegir las muestras para que sean
representativas de la poblacin? Hasta qu punto corresponden las
medidas de la muestra a las medidas de la poblacin? Qu podemos
decir acerca de la poblaci6n a partir de la informacin que nos sumi-
nistran las muestras obtenidas de ellas? Tales son las cuestiones que
estudia 'la estadstica muestra!.
La ms importante de las cuestiones que plantea la estadstica
muestral se refiere al error muestra!. Haremos una breve exposicin
de la tcorta del error rnuestral, y, basndonos en ella, --la teora-, con-
sideraremos los problemas de la significaci6n y fiabilidad de los va-
215
lores estadsticos fundamentales. Despus, enfocaremos el proble-
ma de la estimacin del tamao de la muestra y la teora del error
muestra! cuando las muestras son pequeas, como ocurre con fre-
cuencia en materia de psicologa escolar, finalmente, el concepto de
"chi cuadrado" y el mtodo del anlisis de varianza, de considerable
utilidad prctica, el primero, y uno de los ms empleados y fecun-
dos en la metodologa estadstica, el segundo.
13.2 POBLACION y MUESTRA
Poblacin. Es el conjunto de casos que reunen ciertas caracters-
ticas y que pueden ser estudiadas.
Muestra. Es un grupo de casos extrados de la poblacin.
El objeto de la teora de las muestras es obtener, por camino
inferencial, conclusiones vlllidas para una poblacin numerosa, par-
tiendo de la obsereacion del comportamiento de una parte, en gene-
ral pequea, llamada muestra.
Nuestro conocimiento, nuestras actitudes, y nuestras acciones
e s ~ basaaas, en gran parte en muestras. Esto es cierto en la vida
cotidiana y en la investipcn cietttifl(;a. Por ejemplo, la opinin de
UN persona sobte maestra a ~ estll, por lo regular, detcnni-
nada por uno o 40s cllCUeAh'OS que eita persona ha tenido con algn
penona,ie de nuestra An. Nater. en el carso de varios aos. Los
4ialftsticos de laboratorios sobre d edado de nuestra salud son rea-
lizados en basca U$\a$ cuanta.s IOtas de sangre. Este procedimiento
estll basado en la suposicin ele que, en el torrente circulatoria, la sangre
esti bien mezclada y que una IOta cuenta la misma historia que lasdems.
Pero ocurre, mllCus veces, ~ el material est lejos de ser uni-
forme, y entOMes resulta crttico el mtodo mediante el cual fue toma-
da la muestra y el estucho delas t6c:Ricas, que ilseguren la confiabilidad
de la muestra, se welve importante.
En este captulo intentamos una descripcin de la teora de mues-
treo, construida para proporcionar un soporte de los buenos mtodos
de muestreo.
13.3 VENTAJAS Y DESVENTAJAS DEL USO DEL MUESTREO
Podemos sealar las siguientes ventajas y desventajas del uso del
105TADI5TICA P5ICO-EDUCATIVA 217
muestreo, frente a la indagacin de toda la poblacin o censo, que
exige la observacin completa del comportamiento de la poblacin.
VENTAJAS:
a) Un censo -indagacin estadstica de toda la poblacin- hace
necesario un largo trabajo de compilacin que requiere a veces aos
de labor; el trabajo de gabinete para el clculo de los resultados mues-
trales es expeditivo. Hay pues, adems de la economa del esfuerzo y
gastos, la economa de tiempo, que permite obtener los datos en opor-
tunidad, cosa que habitualmente no sucede en los censos.
b) Un censo requiere para la captacin de los datos la moviliza-
cin de una gran masa de colaboradores, mientras que en una muestra
solamente intervienen unos cuantos expertos. Hay pues, economa
de personal.
e) Como el trabajo de captacin de una muestra es pequeo.
puede realizarse con personal especializado, utilizando mtodos
apropiados para lograr una precisin conveniente. A su vez, la teora
muestral proporciona mtodos matemticos que permiten determinar
el grado de precisin de la estimacin.
DESVENTAJAS
La existencia del error de muestreo, es decir. la diferencia cuanti-
tativa que presentan las estadsticas que proceden de la poblacin y
los errores pendientes que proceden de la muestra.
13.4 LA TECNICA DE MUESTREO
Muestreo es una tcnica empleada en la seleccin de una parte
de la poblacin llamada muestra que podra presentar todas las
caractersticas de la misma.
Los valores atribuidos a la muestra se llaman estadsticos. Los va-
lores atribuidos a la poblacin se llaman parmetros.
13.5 TIPOS DE MUESTREO
El primer problema que se presenta en el diseo de la muestra
es la eleccin de los individuos que han de formularla. I::.s muy irnpor-
218
JESUS DE LA ROSA
tante ya que esto constituye la base sobre la cual ha de sustentarse
todo trabajo. Trataremos primeramente del diseo y la eleccin,
cuando se trata de una poblacin homognea.
Decimos que una poblacin es homognea respecto de un atri-
buto, cuando del conocimiento que tenemos de ella, surge la convic-
cin de que existe simetra de posibilidades en el comportamiento
de todos lo individuos respecto de dicho atributo, es decir, no se desta-
can, a priori, diferencias sistemticas notables.
En los casos que nuestros conocimientos previos no nos per-
miten asegurar la homogeneidad, se harn pruebas de sondeos ten-
dientes a comprobar o descartar dicha homogeneidad. La naturaleza
de dichas pruebas no es material de este curso. Asegurada la homogenei-
dad, el mtodo recomendable para efectuar la eleccin de la muestra es
el llamado aleatorio o al azar.
13.6 MUESTREO ALEATORIO O MUESTREO AL AZAR.
EN QUE CONSISTE?
Veamos:
Se parte de un listado o nmina completa de los individuos y
se realiza una eleccin por sorteo (al azar) de aquellos nmeros corres-
pondientes a los individuos que han de formar la muestra. De esta ma-
nera satisfacemos el concepto de eleccin al azar que supone que ta-
dos los individuos del universo. a priori, tienen idnticas probabilidades
de ser elegidos. El problema prctico de elegir una muestra casual pre-
senta algunas dificultudcs, cuando se trata de una poblacin numerosa;
hay dos caminos principales para resolverlo, el sorteo, por mtodos me-
cancos, y el empleo de tablas de nmeros aleatorios.
13.7 METODOS MECANICOS
Los mtodos mecnicos consisten en el uso de un !lobo u otro
mtodo an.ilogo. en la forma que lo hacen las loteras. El procedimiento
ms usado es el de colocar tantos bolos como cifras tenga el nmero
\: de individuos de la poblacin: cada bolo tiene los nmeros dgitos
incluyendo el cero. un bolo corresponde a las unidades. otro a las de-
cenas y as sucesivamente. Agitando previamente los bolos. se extrae
ESTADISTICA PSICO-EDUCAnVA
219
un bolo de cada uno, formando as el nmero sorteado. Se procede
en esta manera hasta completar los nmeros que formarn la muestra.
13.8 METODO DELASTABLAS DENUMEROS AL AZAR
Ms usado en estadstica, por su simplicidad y perfeccin, es el
mtodo de las tablas de nmeros al azar, o nmeros aleatorios, de los
cuales son ejemplos muy breves las tablas e Fisher y Yates, as como
la de Tiffet y otros.
Esas tablas fueron construidas y sometidas a severas pruebas
de control. Contienen listas de nmeros al azar, distribuidos por colum-
nas y filas. Para elegir una muestra se procede de la manera siguiente.
Supongamos que se trata de una poblacin N '" 5000 Yse desea elegir
una muestra n =25. En un listado 'de la poblacin se numeran los indi-
viduos del 1 al 5000. En una cualquiera de las pginas de la tablas de
nmeros aleatorios, por ejemplo, la pgina segunda de la tabla de Fis-
her y Yates, se eligen filas de dgitos (en nuestro ejemplo los cuatro
de la derecha) y se toman los nmeros formados hasta completar
los n valores exluyendo los mayores que remiten en cualquier caso:
3809 4173 1-522 3252 2694
1227 1161 3911 3800 0809
1928 0825 1944 2744 1106
4921 4675 0872 2177 2539
3907 4876 3996 2498 0735
Si no hubiera suficientes nmeros menores que 5000 en las cuatro
ltimas columnas de la pgina segunda, pasarn a la pgina tercera.
hasta completar
Tambin es posible todos los nmeros sin exclusin, para ello.
si el nmero de la tabla fuera mayor de 5000 se le resta 5000 resulta
as::
3809 9103 9864 4675 5248
8119 1227 6427 4876 3911
7807 1928 4273 6116 71H\6
8535 4921 1161 8892 1944
6075 3907 0825 1522 OH72
220
de donde sale la muestra:
JESUS DE LA ROSA
3809 4103
3119
1227
2807 In8
1525 4129
1075 3907
4864
1427
4273
1161
0825
4675
4876
1116
38n
1522
0248
3911
0886
1944
0892
Debemos excluir los nmeros repetidos.
13.9 MUESTREO ESTRATIFICADO
En muchos casos la hiptesis de homogeneidad de la poblacin,
respecto del atributo que se estudia, no es aceptable, existiendo una ma-
nera de clasificar la poblacin de tal modo que en cada uno de los gru-
pos o estratos que resultan de la clasificacin, sea aceptable 1:1 hiptesis
de homogeneidad. En este caso se efecta lo que se llama una muestra
estratificada, es decir, una muestra compuesta por tantas muestras al
azar como estratos haya. Por ejemplo, si deseramos estudiar presu-
puestos de gastos familiares en una ciudad, lo ms lgico es dividir la
poblacin en estratos por niveles de ingreso, y efectuar un muestreo
al azar, en cada uno de los estratos, y luego combinar los resultados me-
diante promedios ponderados, en la forma que indicaremos ms ade-
lante. En este mismo ejemplo, si se desean obtener resultados aun ms
detallados, a veces no basta la clasificacin por ingresos y se hace OCCL'-
saria otra clasificacin, por ejemplo, por profesiones o por provincias
o ciudades dentro de un pas.
Se tienen. entonces. dos estratificaciones o ms. lo que hace
algo ms laborioso el trabajo. pero suministra una informacin ms
completa.
13.10 MUESTREO PORAREA
Dentro de las estratificaciones. merecen especial rncncron las
llamadas muestras por reas; ellas se originan en la siguiente forma: el
caso en que el motivo de la estratificacin est ligado al lugar geogrfico
en que hahitan o estn situados los individuos (personas. fbricas,
comercios. etc .. ) que constituyen la poblacin a la que refiere el estudio
suelen hacerse los muestreos por arcas. Difieren de los otros muestreos
en que la seleccin no se hace mediante patrones de individuos sino
221
por una relacin de tipo geogrfico. Por ejemplo, si queremos efectuar
una encuesta de mercado para un determinado producto en una ciudad,
podramos proceder dividiendo el mapa en reas, de manera que cada
una presente un grado de homegeneidad econmica; en cada una de
estas reas se eligen las manzanas al azar, y dentro de cada manzana
se eligen los casos o departamentos con algn criterio objetivo, por
ejemplo, el orden de colocacin, el nmero de la casa u otro criterio.
Anlogamente, si se quieren efectuar encuestas econmicas, por
ejemplo, sobre pronsticos de produccin o rendimientos de explota-
ciones agropecuarios, se hace la divisin del pas o provincia en regio-
nes geogrficas que tengan un grado de homogeneidad aceptable. En
cada zona se eligen los establecimientos al azar, hasta formar la mues-
tra deseada.
En muchos casos la estratificacin de reas debe combinarse con
otra, por niveles econmicos, por especialidades, etc. En este caso se
hace la clasificacin y seleccin al azar en cada estrato de cada rea.
13.11 MUESTREO POR CONGLOMERADO
Es un mtodo especial de efectuar la estratificacin donde a
cada encuestador se le asigna una proporcin entre los tipos de indi-
viduos a los que debe interrogar. Por ejemplo, en una encuesta en f-
bricas o comercios se pide que cada encuestador interrogue a tantos
dirigentes, tantos empleados, tantos tcnicos, tantos obreros, etc.
Esta forma de encuestas difiere de la corriente de estratificacin, en
que no se hace la seleccin al azar en cada estrato, sino que la hace
cada encuestador. Este mtodo puede ser muy prctico, en algunos
casos, como complemento del muestreo por reas.
13.12 MUESTREO SISTEMATlCO
En el muestreo sistemtico la seleccin de los individuos de la
muestra se hace mediante una regla sistemtica o mediante una selec-
cin racional. Veamos primeramente un ejemplo de seleccin sistem-
tica: si de una poblacin de N individuos se desean determinar si para
tomar la muestra (suponemos la poblacin numerada della N y sea
K el entero ms prximo a N/n), la seleccin se hace tomando como
primer individuo de la muestra el K/2 (K + 2) 12, segn sea K, par o
222 JESUS QE LA ROSA
impar. Los sucesivos individuos de la muestra se obtendrn del primero
sumando K, 2K, 3K... Este tipo de muestreo es utilizado cuando es
aceptable la hiptesis de variacin de la variable en forma continua.
Una de las variantes de este mtodo consiste en elegir el primer indivi-
duo al azar entre los primeros K y luego, para los siguientes, los que
tengan el orden del primero ms 2K, 3K, etc.
13.16 ETAPAS PRINCIPALES DE UNA ENCUESTA
POR MUESTRA
Como una introduccin a una discusin sobre el papel que juega
la teora en una encuesta por muestreo, es til sealar brevemente los
pasos involucrados en la planeacin y la ejecucin de una encuesta.
Las encuestas varan considerablemente con su complejidad. Es una
tarea fcil el tomar una muestra de 5000 tarjetas cuidadosamente
arregladas y numeradas en un archivo. Pero la situacin es otra si se
trata de los residentes de una regin de no fcil acceso, sin mapas y
donde los habitantes son recelosos con el extrao inquisitivo. Los
pasos principales en una encuesta estn agrupados ms o menos ar-
bitrariamente bajo 11 encabezados.
a) Objetivo de la encuesta.
Una exposicin clara de los objetivos es lo ms til. Sin esto, es
fcil, en una encuesta compleja, olvidar los objetivos principales acordes
con los detalles de la planeacin, y tomar decisiones distanciadas de los
objetivos.
b) Poblacin bajo la muestra.
La palabra poblacin se emplea, como dijimos, para denominar
el conjunto del que se elige la muestra. La definicin de poblacin
puede no presentar problema, como cuando se est muestrando un gru-
po de nios de edades comprendidas entre los 10 y 13 aos con el fin
de estimar el coeficiente de inteligencia promedio. Por otra parte, en
el muestreo de una poblacin agrcola, por ejemplo, se deben fijar reglas
fijas para defmir lo que es un rancho o una hacienda, y surgen muchas
dudas al tratar de hacer una delimitacin exacta. Estas reglas deben ser
aplicables a la prctica: el encuestador debe ser capaz de decidir en el
campo, sin mayores problemas, si un caso dudoso pertenece o no a la
poblacin.
e) Datos que deben ser obtenidos
223
Es bueno ratificar que todos los datos son relevantes para los
pronsticos de la encuesta y que no ha sido omitido ningn dato
esenciaJ.A menudo existe una tendencia, particularmente con las po-
blaciones humanas, de preguntar demasiadas cosas, algunas de los cua-
les nunca sern analizadas posteriormente. Un cuestionario demasia-
do largo baja la calidad de la respuesta tanto a las preguntas importan-
tes como a las de poca importancia.
d} Nivel de precisin deseado.
Los resultados de las encuestas por muestreo' estn siempre sujetos
a cierta incertidumbre debido a que slo una parte de la poblacin ha
sido investigada y a los errores de medicin. Esa incertidumbre puede
ser reducida, tomando muestras ms grandes y usando mtodos de
medicin adecuados. Esto, por lo general, cuesta tiempo y dinero; en
consecuencia, es un paso importante la especificacin del nivel de pre-
cisin deseado. Este paso es la responsabilidad de la persona que va a
usar los datos.
e) Mtodos de medicin
La encuesta puede emplear un cuestionario auto-administrativo,
o un proceso de entrevistas que permita emplear la forma y el orden
de las preguntas. Una parte principal, del trabajo preliminar, es la
construccin de las formas de registro en las cuales se van a colocar
las respuestas, es decir, colocarlas de tal manera, que puedan ser rutina-
riamente transferidas a un equipo mecnico. De hecho, para la construc-
cin de buenas formas de registro es necesario visualizar la estructura de
las tablas resmenes que van a ser usadas para obtener las conclusiones.
f) El marco de la muestra
Antes de la seleccin de la muestra, la poblacin debe ser dividi-
da en partes que son llamadas unidades de muestreo. Estas unidades
de muestreo deben contener la totalidad de la poblacin y no se deben
sobreponer, en el sentido de que todo elemento en la poblacin perte-
nezca a una, y solo a una unidad.
La construccin de la lista de unidades de muestreo, llamada mar-
ca, es con frecuencia uno de los principales problemas prcticos. Deb-
do a experiencias amargas, los tcnicos tienen una actitud crtica de
listas que han sido recolectadas rutinariamente para algn propsito.
A pesar de que se asegura lo contrario, tales listas con frecuencia se
encuentran incompletas, parcialmente ilegibles o contienen una can-
tidad desconocida de datos duplicados.
Un buen marco puede ser difcil de obtener cuando la pobla-
cin es especializada, como las poblaciones de educadores, editorialis-
taso etc.
s) Seleccin de la muestra.
Existe, actualmente, una gran variacin de formas de seleccionar
una muestra. Porcada forma considerada se puede hacer, a grosso modo,
estimaciones del tamao de la muestra, partiendo de un conocimiento
del nivel de precisin deseado. Los costos relativos y el tiempo involu-
crado para cada plan son tambin comparados antes de tomar una de-
cisin.
h] Prueba del cuestionario
Se ha encontrado de gran utilidad el probar el cuestionario y los
mtodos de campo en pequea escala. Esto casi siempre da como resul-
tado mejoras en el cuestionario y puede revelar otros problemas que se-
ran serios en escala mayor, por ejemplo, que el costo del trabajo
fuera mayor que el esperado.
i} Organizacin del trabajo.
En encuestas extensas se encuentran muchos problemas de orden
administrativo. El personal debe recibir un entrenamiento en relacin
al propsito de la encuesta y de los mtodos de medicin que se em-
plearn. Debe adems ser adecuadamente supervisado en su trabajo.
Procedimiento de verificacin anticipado sobre la calidad de las respues-
tas es indispensable. Se deben hacer planes para manejar las no-respues-
tas, es decir, la falla del enumerador para obtener la informacin de
ciertas unidades de la muestra.
j) Resumen y andlisis de los datos.
El primer paso despus de realizar la encuesta es revisar los cues-
tionarios obtenidos, con la esperanza de corregir errores o cuando me-
nos desechar los datos que obviamente estn equivocados. Se necesitan
tomar decisiones acerca del procedimiento de tabulacin, en los casos
en donde las respuestas a ciertas preguntas fueron omitidas por algunos
de los entrevistados, o fueron desechadas en el proceso de.revisin. De
ah en adelante se hacen las tabulaciones que conducirn a los estimado-
res. Hay diferentes mtodos disponibles de estimacin para la misma
informacin. En la presentacin de los resultados, es una buena prcti-
ca repartir la cantidad de errores esperados en los estimadores ms im-
portantes.
13.13 MUESTREO ESTRATIFICADO
Como apuntamos, cuando la poblacin presenta signos visibles
de falta de homogeneidad, con respecto a cierta caracterstica, se trata
de dividir la poblacin en partes o estratos de tal manera que en cada
uno de los grupos o estratos que resulten de la divisin sea aceptable
la hiptesis de homogeneidad.
Por ejemplo, cuando se estudian niveles econmicos de estudiantes,
es lgico estratificar la poblacin respecto a los niveles de ingresos, su-
puestos en los padres, en estudiantes de colegios privados y estudiantes
de los liceos secundarios.
En la estratificacin se consigue una representacin ms de acuer-
do con la naturaleza de la poblacin y, por tanto, una mayor precisin
en la estimacin que se desea realizar en la muestra.
Sea NI N
2
, .... N
k
, las poblaciones de los estratos y N igual a
NI + N
2
+ N
k,
la poblacin total. Indicamos con ni, n2 .
nk las poblaciones de las muestras en los respectivos estratos y n igua]
a ni + n
2
....... + nk el tamao de total de la muestra. Sean Yhi con
h igual a 1,2, 3.... K, i = 1,2,.... nh' los valores de los atributos que
pertenecen al estrato h.
La media de la poblacin ser:
Siendo rnj, la media poblacional del estrato h.
226
JESUS DE LA ROSA
Si indicamos con Yn la media muestral del estrato h, la expresin
Y= ---.&.... Y
n
h=1 N
Es una estimacin de la m de la poblacin. Podemos ver que la
ponderacin de la media poblacional N
h
es la misma ponderacin
que la media muestral N
Para obtener la varianza en cada estrato, se forma la expresin
N
h
(Y
hi
- y
n
) 2
= l
Resultando la varianza del estrato h:
2
Syh
y la varianza total de Y es
13.14 TAMARO DELOS ESTRATOS
El primer problema que se nos presenta al planear un muestreo es-
tratificado es como distribuir los n individuos de la muestra entre K es-
tratos. Es decir como determinar los tamaos de las muestras de cada
estrato.
Hay varios criterios para efectuar las determinaciones de los ni (ta-
mafia de las muestras en cada estrato); supondremos para ello conoci-
das los NI, N
2
, N
k
que son las poblaciones correspondientes
a los distintos estratos y tambin N la poblacin total; este conoci-
miento proviene de algn censo anterior, y hasta que estos valores
sean aproximados en el frente. Hay varias formas de determinar los ta-
mafias de ni, n2..., nk de los estratos. El ms usado es el proporcional,
del que nos ocuparemos a continuacin.
N
nh= n_
h_
N
13.15 LA ESTIMACION DEL TAMAO DE LA MUESTRA
PLANEAMIENTO DE LA MUESTRA
Al planear un trabajo muestral, debemos tomar una decisin acer-
ca del tamao de la muestra. La decisin es muy importante. Una
muestra demasiado grande implica un desperdicio de recursos y una
muestra demasiado pequea disminuye la utilidad de los resultados. La .
decisin no siempre puede ser satisfactoria ya que con frecuencia no
poseemos suficiente informacin para asegurarnos de que nuestra elec-
cin de tamao de muestra es el mejor.
La teora del muestreo proporciona un planteamiento general
dentro del cual puede pensarse inteligentemente en relacin con el
problema.
Las principales consideraciones en la eleccin de un tamao de
muestra son las siguientes:
1.- Debe haber una indicacin relativa a lo que es esperado en la
muestra. Esta indicacin puede estar en trminos de los lmites
de error deseado, o en trminos de alguna decisin que se va a
hacer o accin que se va a tomar cuando los resultados de la
muestra sean conocidos. La responsabilidad para enmarcar la
indicacin descansa principalmente sobre las personas que van
a utilizar los resultados de la encuesta, aunque con frecuencia
necesita del concurso del estadstico para poner sus deseos en
trminos numricos.
~ Se debe encontrar alguna ecuacin que conecte a n con la preci-
sin deseada. La ecuacin variar de acuerdo a la indicacin sobre
la precisin y al tipo de muestreo que se est considerando.
3.- Esta ecuacin contendr, como parmetros, ciertas propiedades
desconocidas de la poblacin. Esto debe ser estimado con el
[m de dar resultados especficos.
4.- Usualmente es medida ms de una caracterstica en una encuesta
por muestreo. Algunas veces el nmero de caractersticas es gran-
de. Si se especifica el grado de precisin deseado para cada carac-
terstica, los clculos llevan una serie de valores conflictivos de
n, uno para cada caracterstica. Se debe encontrar algn mtodo
para reconciliar esos valores.
5.- Finalmente, el valor elegido de n debe ser considerado para probar
si es consistente con los recursos disponibles para tomar la mues-
tra. Esto demanda una estimacin del costo, trabajo, tiempo y
materiales requeridos para obtener el tamao de la muestra pro-
puesto. En algunas ocasiones es aparente que n deba ser reducida
drsticamente. En estas circunstancias se debe hacer frente a una
decisin de proceder con un tamao de muestra mucho ms pe-
queo, reduciendo entonces la precisin o abandonar el trabajo
hasta que se puedan encontrar mayores recursos.
13.16 LA FORMULA PARA (n) EN EL MUESTREO PARA MEDIAS
Debemos, ante todo, buscar una ecuacin que ligue a (n) con la
precisin deseada.
Decidimos trabajar a un nivel de confianza de un 95'&. Sabemos
que el error muestral E es igual a 1.96 Si.
E = 1.96 Si
S
V--;
S
E = 1.96--
yn;
229
n =
1.96 S
E
1 . 9 6 ~ S2
E2
tiende a
n =
Ahora resulta que aparece una dificultad que es comn en todos
los problemas de la estimacin del tamao de la muestra: se ha obte-
nido una frmula para n, pero n depende de alguna propiedad de la
poblacin que va a ser muestreada. En este caso la propiedad es la
cantidad E que deseamos admitir como error.
Ejemplo: De qu tamao debe ser la muestra? si se quiere saber
el costo de funcionamiento promedio por escuela de 5000 escuelas. No
se permite un error en la estimacin mayor de $2.00 con una confianza
de 9 S ~ sabiendo que S2= $16.00.
Siendo S2 = 16 E = 2 (mximo error tolerable)
4 x 16 =16
4
La muestra deber poseer 16 unidades.
Nos preguntamos: cmo sabemos que es admisible tolerar un
error de 2? Por qu no de 8? Ese margen de error tiene que necesaria-
mente estar fundamentado en algn conocimiento de la poblacin que
va a ser muestreada.
13.17 LA FORMULA PARA (ti) EN EL MUESTREO
PARA PROPORCIONES
Si se tratara de muestra de porcentaje, podemos partir de la fr-
mula:
PO
n
Q=I-P
230
E =VPQ (196)
n .
JESUS DE LA ROSA
(a un nivel de confianza del 95%
n =
n E2 = PQ (1.96)2
P Q(1.96)2
tiende a
P (1 - P) 4
E2
por cierto que no conocemos exactamente P es necesario disponer de
una aproximacin de este valor, haciendo una muestra previa o esti-
mando P por otro camino. La determinacin de n es bastante segura
si P y (1- P) son superiores a 0.1 ; en cambio, se hace ms dudosa cuan-
do P 6 (1 - P) es inferior a 0.1; requiriendo un nmero n muy grande
para asegurar el nivel de confianza.
EJERCICIOS
13.1 Conteste el siguiente cuestionario:
a. Qu es una muestra?
231
b. Cmo se planea una muestra en una poblacin aproximadamente
homognea?
c., Diga en qu consiste una muestra estratificada y cmo se planea.
d. Cmo se determinan las caractertsticas en una muestra estrati-
ficada y cmo se hace la determinacin del tamao de los estratos
y de la muestra?
13.2 Suponga que est usando el muestreo paraestimar el nmero total
de palabras de un libro que no contiene ilustraciones.
a) Hay algn problema parala definicin de la poblacin?
b) Cudles son los pros y los contras de: l) pgina, 2) la linea
como unidad de muestreo.
13.3 Si se va a tomar una muestra de una lista de nombres que estn
en tarjetas numeradas consecutivamente las cuales se encuentran
en un archivo. Cada nombre tendr la misma oportunidad de ser
incluido en la muestra. Cules problemas surgen de las situa-
ciones comunes?
a) Algunos de los nombres no pertenecen a la poblacin objeto,
a pesar de que este hecho no puede ser verificado para ningn
nombre hasta que no sea seleccionado.
b) Algunos nombres aparecen en ms de una tarjeta, todas las
tarjetas con el mismo nombre, llevan nmero consecutivo y,
por lo tanto, aparecen juntas en el archivo.
e) Alguno nombres aparecen en ms de una tarjeta, pero las
tarjetas que lleva'! el mismo nombre pueden ser colocadas en
cualquier lugar dentro del archivo.
13.4 Precise el concepto de distribucin de una estadtstico muestral.
13.5 Si puede conestar las interrogantes planteadas ms arriba pro-
ceda Ud. a planear una muestra estratificada con miras a saber
el nmero de muieres que cursan estudios en la UASD.
Reflexione sobre:
a) Cmo calcular el tamao de la muestra total (n}
b} Cmo calcular el tamao de la muestra en cada uno de los
estratos.
XIV
INFERENCIA ESTADISnCA
TEORIA DEL ERROR MUESTRAL
14.1 ERROR MUESTRAL
El Error Muestral es la diferencia entre un estadstico y su par-
metro correspondiente.
14.2 PRECISION y FIABILIDAD
Cuando estudiamos un problema pedaggico o psicolgico desea-
mos saber lo que significa en la poblacin total. As, por ejemplo, si
queremos averiguar la inteligencia media de los nios capitaleos, de-
seamos, en efecto, saber la inteligencia media de todos ellos. En la prc-
tica esto no puede ser conseguido directamente. No podemos examinar
a todos los nios capitaleos de \O aos. No podemos averiguar el par-
metro medio de esa poblacin. Tenemos que contentarnos con exami-
nar tan slo a una muestra de nios de 10 aos, o varias muestras. Lo
que en realidad obtenemos son medidas logradas en muestras o estads-
ticos, necesitamos, partiendo de ellas, calcular parmetros.
Precisin es la exactitud con que un estadstico representa a un
parmetro. Decimos que un estadstico es preciso cuando su valor se
acerca mucho a su parmetro. Es impreciso en caso contrario. Si la me-
dia de todos los nios capitaleos con test de inteligencia es 37, y la me-
dia obtenida con una muestra de 500 nios de esa poblacin, es de 36,
el error muestral es 1. El error muestra! indica la precisin del estads-
tico examinado. Un estadstico ser tanto ms preciso cuanto menor sea
su error muestra\.
Hasta aqu todo parece claro. Sin embargo, surge enseguida una
233
234
JESUS DE LA ROSA
pregunta: Cmo calcular el error muestral? Porque evidentemente,
no podemos calcularlo hallando la diferencia entre el valor estad stico
y su parmetro, ya que, en general, desconocemos el valor de ste, Por
esa razn, en lugar de precisin se emplea otro concepto para indicar
el valor representativo del estadstico, a saber la fiabilidad. Fiabilidad
de un estadstico es la medida de una constancia cuando se obtiene
en varias muestras de un mismo tipo,
Por ejemplo: queremos calcular la inteligencia media de los nios
capitaleos de 10 aos. Supongamos que en una muestra de 318 nios
de esa poblacin se obtiene, en un test de inteligencia, una media igual
a 36. A partir de estos datos, qu podemos decir acerca de la inteligen-
cia media de la poblacin total? Podemos hacer las siguientes observa-
ciones:
1) Que 36 es, exactamente y sin error, la media de 1<.1 muestra;
2) Que a partir de los datos que tenemos, 1<.1 mejor estimacin
que podemos hacer de la media de la poblacin es que su valor es
probable y aproximadamcnte igual a 36. Pero tambin queda por
preguntar es muy probable o muy poco? Es aproximado o poco
aproximado ese valor') Una primera contestacin a esas preguntas
puede obtenerse cxurninundo la !;,hilid<.ld de la media obtenida, es de-
cir, su constancia de muestra a muestra, Cosa que, tericamente, se
podr ian hacer de la siguiente manera: obtenemos al azar de la misma
poblacin de nios cupit alcos de 10 aos, otra muestra. y luego otra.
y as un gran nmero de ellas y averiguamos en cada caso la media.
Si todas estas medias varran muy poco entre sr, cualquiera de ellas
representa bien a todas las dems, lo cual nos indica que nos podemos
fiar de su valor, que son fiables. que tienen alta fiabilidad. Y. como no
hay ninguna razn para que estas medias se aparten sistemticamente dc
la media de la poblacin total, esta fiabilidad o constancia indica in-
directamente una cierta precisin, es decir. seala que en general I<.IS
medias no se apartan mucho de 1<.1 media verdadera o parmetro. Si
las medias de las distintas muestras varan mucho entre s, no nos po-
demos fiar de ellas como valores que representan a un mismo paramc-
tro. son poco fiables: tienen baja fiahilidad y seguramentc algunas
de ellas, no sabemos cules, sern muy imprecisas.
14.3 ERRORES MUESTRALES: ERRORES DE SESGO
Y ERRORES ALEATORiOS
Vemos. pues. que, al no podrr examinar a toda la poblacin y t c-
ESTADiSTICA PSICO-EDUCATIVA
235
ner que contentarnos con estudiar muestras de ella, cometemos errores,
Est9S errores, cuando se deben a que, en lugar de estudiar toda la po-
blacin, hemos estudiado una muestra de ella, reciben el nombre de
errores muestrales.
Los errores muestrales ms importantes son dos: los de sesgo y
los aleatorios. Errores de sesgo son los que debido a que la muestra
de donde se han obtenido no representan a la poblacin, sino que ha
sido elegida de sta con cierto sesgo o parcialidad. Por ejemplo, si
examinamos tan solo a los nios de 10 aos de dos o tres colegios de
primera categora, vamos a decir del Colegio Santa Teresita, del Co-
legio Santo Domingo, del Colegio Vritas, no podramos tomar esta
muestra como representativa de los nios de 10 aos, porque sabe-
mos que en esos colegios no estn incluidos muchos nios de esa edad:
los no escolarizados, los de clases econmicamente inferiores, cte. Si
tomamos la media obtenida de esos nios, como estimacin de la
media dc todos los nios de l O aos de Santo Domingo, cometeremos
un error muestral de sesgo. Esos errores son los peores, ya que no
podemos estimar su cuanta.
Los errores aleatorios se deben al mero azar, estn constiturdos
por las diferencias entre los parmetros de ciertas poblaciones y las
estadsticas de muestras extradas al azar, su media, por ejemplo, ser
seguramente distinta a la media de la poblacin, pero esto no scr
debido a ningn sesgo o parcialidad, sino a la pura casualidad. Por eso
se llama error aleatorio. Su cuanta puede ser estimada aplicando las
leyes de la fiabilidad.
Los mtodos para estudiar la fiabilidad y significacin de las
estadsticas varan segn el mtodo de muestreo empleado. Aqu i' so-
lo vamos a considerar los mtodos que se refirieron al aleatorio. por
las razones siguientes:
l. Porque no podemos estudiarlos todos en un texto del alcance de
este libro y conviene estudiar el ms general. El mtodo para estudiar
la fiabilidad y si!I1ificacin del muestreo por azar se puede aplicar
a los dems casos dl' muestreo con la salvedad de que es cxccsivumcntc
riguroso en los casos de muestreo cstra tit'icado y dirigido. h decir. que
si al aplicar el mtodo que vamos a describir a muestras cstru t ificadus.
obtenemos resultados si1!nt'ilativos. ms signitkativos an lo Sl'l(all si
aplicsemos los mtodos' corrcsponclicntvs a esas mues! ras, los nieto-
236
JESUS DE LA ROSA
dos de significacin y fiabilidad aplicados al muestreo por azar. As,
podemos pecar de excesivamente exigentes y cautelosos, no de lo
contrario.
2. El mtodo es ms sencillo y para comprender los dems es preciso
haber comprendido ste de antemano.
14.4 LA DISTRIBUC10N MUESTRAL
Supongamos que queremoscalcular la inteligencia media de los
nios capitaleos de 10 aos. Para ello, hemos elegido al azar una mues-
tra de 318 nios, les hemos pasado un test de inteligencia, y hemos
obtenido .los resultados siguientes: X=26 YSj{ = 12. Deseamos conocer
la fiabilidad de la media, es decir, hasta qu punto nos podemos fiar
de ella. Deseamos saber tambin algo sobre la media verdadera o pa-
rmetro de la poblacin total, Hay varios mtodos para averiguar esto.
Aqu vamos a exponer algunos de los conceptos bsicos de la lgica de
estos mtodos. El primero y fundamental es el de distribucin muestral
que explicamos a continuacin.
Obtengamos un nmero infinito de muestras de 318 nios. Cada
una de estas muestras tendr urn media en el test de inteligencia ms
o menos diferente. Hagamos la distribucin, la llamamos distribucin
muestral de las medias. Vemos, pues, que dada una muestra aleatoria de
una cierta poblacin, se llama distribucin muestral de un estadstico
cualquiera de una muestra, a la distribucin de frecuencias de los valo-
res que el estadstico toma en un nmero infinito de muestras del mis-
mo tipo y tamao que la primera.
La distribucin muestral de las medias de una muestra de 318 ca-
sos, es la distribucin de frecuencias de las medias obtenidas en un n-
mero infinito de muestras de 318 casos cada una, obtenidas todas por
muestreo aleatorio simple a partir de la misma poblacin.
Si presentamos la distribucin muestral de la media, veremos que
es la figura 14.1:
1.- Adopta la forma de la curva normal
2.- La media de la distribucin muestral es la media verdadera de la
poblacin.
3.- La distribucin es ms o menos variable.
ESTADISTICA PSICO-EOUCATIVA
Distribucin muestral de la media
FIGURA 14.1
237
Este ltimo dato es muy importante. Si la distribucin muestral
vara mucho, es decir, si tiene una sigma muy alta, las medias difieren
mucho entre s, son pocos fiables.
Si la distribucin muestral vara poco, es decir, si su sigma es
baja, las medias difieren poco entre s, es decir son fiables.
En resumen, para averiguar la fiabilidad de un estadstico hay que
estudiar la variabilidad de su distribucin muestral. Y como la variabili-
dad viene indicada por la desviacin tpica, tendremos que una medida
de la fiabilidad de un estadstico ser la desviacin tpica de su distri-
bucin muestral.
A la desviacin tpica de la distribucin mucstrul de un estads-
tico se le llama error tpico de la distribucin muestral del mismo. Se
le designa mediante el signo S.
14.5 NIVELES DECONFIANZA Y COEFICIENTES DE RIESGO
Hemos visto lo que significa la distribucin muestral y el arar
tpico. Vamos a ver ahora cmo se emplean esos conceptos para cxa-
minar la fiabilidad de los estadsticos y apreciar hasta qu punto re-
presentan a los parmetros.
238
JESUS OE LA ROSA
Sigamos con el ejemplo anterior. Tenamos una muestra de 318
nios capitalcos de 10 aos, con X= 36 y Si = 12, en un test de inte-
ligencia. Qu podemos decir, a partir de estos datos, acerca de la inte-
ligencia media de toda la poblacin de nios de 10 aos? Veamos.
Supongamos que hemos averiguado la distribucin muestral de
las medias de nuestra muestra. Calculamos la desviacin t rpica de esta
distribucin muestral. Tal desviacin tpica es el error tpico. Sea ste
(ya veremos ms adelante cmo se calcula) igual a 0.67.
Sabemos que:
1.- Que la distribucin muestral de la media es normal.
2.- Que tiene una desviacin t rpica igual a 0.68
3.- Que la media de la distribucin muestral (m) es el parmetro o me-
dia verdadera de la poblacin.
4.- Que la media de nuestra muestra X= 36, es una media cualquiera
extrada al azar de la distribucin mucstral de la media.
Sj(=0.67
Figura 14.2
Sabido esto, podemos hacer juicios de probabilidad acerca de la
media verdadera. El razonamiento es el mismo que explicamos cuando
exponamos la funcin normal de probabilidades.
En efecto, si tenemos en un globo 99 bolas negras y una blanca,
podemos pronosticar que al sacar una bola al zar sta ser negra. No lo
ESTADISTICA PSICQ-EDUCATIVA 239
diremos con absoluta seguridad. Lo diremos con cierto riesgo de equi-
vocarnos. Exactamente con cl riesgo del 1%. Si hacemos muchos prons-
ticos de este tipo, nos equivocaremos a la larga el 1% de las veces. En ca-
da caso tenemos una probabilidad de un 99% de acertar y del 1% de
errar. Cuando hacemos esta clase de juicios, decimos que procedemos
un nivel de confianza del 1%. Si en el globo hubiera 95 bolas negras y 5
blancas, al afirmar que saldr al azar una negra, admitiremos un juicio
al-nivel de confianza del 5% con un coeficiente de riesgo del 5%.
De igual manera, sabemos que en una distribucin normal, el
95% de los casos se encuentran entre 1.96 sigmas por debajo y por
encima de la media. Luego podemos afirmar que el nivel de confianza
del 5% en un caso elegido al azar de una distribucin normal no se apar-
tar de la media en ms de 1.96 sigmas. En el ejemplo anterior, la dis-
tribucin muestral de las medias tena una Si' = 0.67. Por consiguiente,
podemos decir que una media conseguida en la muestra no se aparta
en ms de (1.96)(0.67) = 1.31 de la media verdadera. Esto lo diremos
a un nivel de confianza del 5%, que una media escogido al azar de la dis-
tribucin no tendr un error muestral (E) mayor que 1.31.
Ahora bien, nuestra media es precisamente la media obtenida
en una muestra que ha sido elegida al azar de la poblacin, es pues una
media obtenida de la distribucin muestral de las medias. Por con-
guiente, podemos afirmar, al nivel de confianza del S, que no se aparta
de la media de la poblacin en ms de (1.96) (0.67) = 1.31.
Vemos, pues, cmo podemos estimar la cuanta muestral de un
estadstico. No lo podemos estimar con absoluta certeza, sino con
cierta probilidad.
Del mismo modo pueden establecerse otros niveles de confianza
por ejemplo del 1%. Sabemos que entre 2.58 sigmas. por encima y por
debajo de la media de una distribucin normal estn comprendidas el
99% de las frecuencias. Por consiguiente, podemos afirmar a un nivel
de confianza del 1% que un caso elegido al azar de una distribucin
normal, no se apartara de la media en ms de 2.58 sigmas. Como el
error tpico de nuestro ejemplo era de 0.67 resultara que podemos
afirmar, a un nivel de confianza del 1% que no se aparta la media del
ejemplo de la media de la poblacin conmsde(2.58)(0.67)=1.73).
En resumen: si llamamos E al error muestral de las medias y
240
JESUS DE LA ROSA
Si el error tpico de la distribucin muestral de las medias, podemos
afirmar a un nivel de confianza del 1%, que el error muestral de la me-
dia es igualo menor que 2.58 veces el error tpico, o sea: E";;;; 2.58 Sj(.
De la misma manera podemos afirmar a un nivel de confianza de
un 5% que el error muestral ser menor que 1.96 veces el error tpico
de esa distribucin.
E";;;; 1.96 Si
14.6 INTERVALOS CONFIDENCIALES
Sabemos que la media de una muestra obtenida al azar no se apar-
ta en ms de 1.96 veces su error tpico de la media verdadera. Esto lo
sabemos al nivel de confianza del 5% . Sabemos, pues, a ese nivel de con-
fianza, que el error muestral mximo que puede afectar nuestra media es
1.96 veces el error tpico de esa muestra. Si sumamos y restamos
de la media ese error muestral mximo, tendremos dos valores, uno
se encuentra la media verdadera, no con absoluta seguridad, sino con
un coeficiente de riesgo del 5%. Estos valores limitan lo que se llama el
intervalo de confianza o intervalo confidencial. As para el ejemplo an-
terior el intervalo confidencial del 5% es el limitado por los valores.
X:t 1.96 SR = 36 :t 1.31
{
37.31
34.69
Si queremos precisar ms, podemos averiguar el intervalo con-
fidencial del 1o. Este sera en nuestro caso:
X :t ::!.58 Sx = 36 1.73
= [ 37.73
34.::!7
Podemos afirmar. al nivel de confianza del 10 que la media vcrda-
era est comprcnd ida entre 34.::!7 y 37.73.
eSTADISTICA PSICO-EDUCATIVA 241
14.7 COMPROBACION DEHIPOTESIS ACERCA DE PARAMETROS
Mediante los conceptos anteriores, se comprender fcilmente
que, o n o ~ i o un estadstico y las caractersticas de su distribucin
muestral, podemos someter a prueba hiptesis distintas acerca del va-
lor de su parmetro.
Sea, por ejemplo, el caso anterior. Tenamos una media de X=36,
la cual vena afectada por un error tpico Sx = 0.67
Nos preguntamos si estos datos son compatibles con la hiptesis
de que el verdadero valor del parmetro, es decir la media de la pobla-
cin total a que esa muestra pretende representar sea m= 38.
Como vemos, la diferencia entre la media estadstica y el par-
metro hipottico es d = IX- mi"" 2.
Segn el razonamiento anterior, el problema que ahora se plan-
tea es que probabilidad hay que de unas distribucin que tiene 38
de media y 0.67 sigma, se extraiga por azar un caso que se aparte
en 12 unidades de la media. Para averiguar esto calculamos cuntas
desviaciones tpicas se separaran de la media verdadera la media emp-
rica:
oi? =3 sigmas, es decir, si fuera verdad la hiptesis, habramos
obtenido al azar un valor que se aparta tres sigmas de la media de una
distribucin normal. Las tablas de la curva normal nos dicen que esto
tiene un probabilidad menor de 1% de ocurrir al azar. Por consiguiente,
podemos hacer una de estas dos cosas; O admitir que de hecho ha suce-
dido por mero azar algo que solo sucede menos del 1% de las veces,
y admitir, as, que nuestros datos son compatibles con la hiptesis
de que la verdadera media sea 38; o pensar que no es razonable admitir
que haya ocurrido por azar algo que tan baja probabilidad tiene, sino
que la diferencia ente nuestra media y la hipottica es tan grande por-
que de hecho la hiptesis no es correcta; afirmaremos en este caso,
a un nivel de confianza superior al 1%, que nuestros datos no son com-
patibles con la hiptesis de que la media verdadera sea 38.
En resumen, cuando queremos comprobar una cierta hiptesis
242 JESUS 01: LA AOSA
acerca de un parmetro, por. ejemplo, la media, procederemos como
sigue:
1.- Averiguamos la diferencia, (d), entre la hiptesis y .el estadstico
d=IX-ml.
2- Dividmesesta diferencia por el error tpico del estadstico
d
--=
Sx
IX-mI
S
3.- Si este cociente es igualo inferior a 1.96, rechazamos la hip-
tesis al nivel de confianza del 5%. Si no llega a1.96, no podremos re-
chazar la hiptesis de confianza del 5\.
14.8 LIMITES FlDUClALES
Se llaman limites fiduciales a los del 5% y del 1t. Son los ms
usados. Han sido aceptados por tos estadsticos como suficiente-
mente significativos. El nivel del 51. es el ms usado en pedagoga y en
psicologa. Cuando hacemos un juicio a ese nivel, tenemos la probabi-
lidad del 95\ de acertar, y corremos adems un riesgo de 5% de error.
Esto parece suficiente garanta. Cuando ms rigurosos seamos y exija-
mos niveles ms altos de seguridad, como el 1%, el uno por mil menos
riesgo correremos de admitir como significativo algo que en realidad no
sea. El nivel del 5% suele adaptarse cuando el problema que se estudia
no implica grave responsabilidad: riesgo para alguien, costo excesivo,
etc. Cuando mayor responsabilidad implica el problema, ms seguridad
desearemos tener y mayor nivel de confianza exigiremos para admitir
juicios.-
~ S T D I S T C PS/CO_EDUCATIVA
EJERCICIOS:
14. J Explique la diferenci4 entre:
(1) un estadtstico y un ptumetro
b) un error ttpico y un errormuestral.
14.2 Explique brevemente:
a) muestreo aleatorio:
b muestreo por duo,
e) muestreo es/ratificado.
243
14.3 Suponga que un inspector escolar desea seleccionar 10 estudian-
tes de una escuela de 200 estudiantes paraindagarsobre el apro-
vechamiento en matemtica. Cmo deberd usar 14 tabkz de n-
meros aleatorios paraseleccionar los 10 estudiantes?
14.4 El promedio de los 15 1I1JJeStros ahorrantes en 14 cooperativa de
maestros en unil fecha dada es de $325 y la desviacin ttptca.de
los deposuos es de $20 :
a) Cudl es la probabilidad de que el promedio verdadero de los de-
psitos sea de $400?
b) Cudl es la probabilidad de seleccionar una muestra aleatoria sim-
ple de 200 depositantes con un depsito promedio entre $320 y
$330?
xv
SIGNIFICACION y FIABILIDAD DELOS PRINCIPALES
VALORES ESTADlSTICOS
15.1 SIGNIFlCACION y FIABILIDAD DE LAMEDIA
Se dice que un estadstico es significativo a un cierto nivel de
confianza, cuando a ese nivel puede afirmarse que es distinto de
cero. As, por ejemplo', se dice que la diferencia entre dos medias es
estadsticamente significamente al nivel del 5%, cuando podemos
afirmar, a ese nivel de confianza, que la diferencia no es nula.
La fiabilidad es un concepto que ya conocemos. Se refiere
a la constancia de un estadstico cuando es hallado en muchas
muestras del mismo tipo. Suele expresarse mediante juicios que
indican que podemos afirmar, a un cierto nivel de confianza, que
el parmetro est comprendido entre los valores determinados.
La significacin de la media se refiere, pues, al problema de
si la media es o no estadsticamente distinta de cero. La fiabili-
dad de la media se refiere al problema de entre qu valores pode-
mos afirmar que se encuentra la media verdadera de la poblacin.
En todos los casos de este tema suponemos que las muestras
han sido obtenidas por muestreo aleatorio simple y que el nmero
de casos de cada muestra es grande, por ejemplo, no inferior a 100
como mnimo.
Conviene comprender con todo rigor y pormenor la lgica del
mtodo que vamos a emplear para estudiar la significacin y fiabi-
245
JESUS CE LA ROSA
lidad de la media, porque es exactamente la misma lgica que se
emplea para estudiar la significacin y fiabilidad de todos los valo-
res estadsticos.
15.2 SIGNIFICACION DELAMEDIA
Supongamos una muestra con los siguientes datos: n = 101;
X=4O;Sx = 12. Sean, por ejemplo, 101 los sujetos que han obtenido
las mencionadas medias y sigmas en un test. Queremos saber si la
media es realmente distinta de cero. Claro est, que una media tan
grande como 40, obtenida de una muestra que tiene una variabili-
dad relativamente pequea indicada por una sigma de 12, es eviden-
temente distinta de cero. No se trata de comprobar este caso parti-
cular. Se trata de exponer la lgica de estas comprobaciones, vale-
dera para cualquier caso.
Pues bien, supongamos que esta muestra ha sido obtenida al
azar de una cierta poblacin. Nos preguntamos si la media M =
40, es distinta de cero. Esto quiere decir, hablando con exactitud,
que nos preguntamos hasta qu punto podemos estar seguros que la
media de la poblacin no sea cero, a pesar de que la media de una
muestra de esa poblacin, obtenida al azar, haya resultado ser 40.
El problema as formulado nos indica que lo que tenemos
que averiguar es qu probabilidad hay de que de una poblacin que
tiene cero de media, surja una muestra al azar que tenga una media
de 40. Si la probabilidad de que esto suceda es considerable, no po-
dramos rechazar la hiptesis de que la poblacin tenga, en efecto,
una media igual cero (M = O). Si la probabilidad es poca. por
ejemplo, del 5\ o menor, podemos rechazar la hiptesis de que
M=O. por lo menos al nivel de confianza del 5'1,.
Para averiguar esta probabilidad tenemos que recordar los con-
ceptos de distribucin muestral y error tpico.
Supongamos que la poblacin de donde ha SIdoextrada nues-
tra muestra tiene una media igual a cero. Entonces, si extraemos al
azar muchas muestras como la nuestra, de \01 individuos, a partir
de esa poblacin, y hallamos la media de cada una de ellas. obten-
dremos una distribucin muestral como la de la figura de ms aba-
jo, que tendr de media la de la poblacin, es decir, M=0, y cuya
ESTADISTICA f'SICO-EDUCATIVA
247
desviacin tfpica indica el error .tpico de la media de cualquier
muestra de esa distribucin.
M=O
FigUra 15.1
Este error tpico se halla mediante la frmula:
Si =
<?Pobo
-rz:
donde q,ob. significa la desviacin tpica de toda la poblacin.
Como esta sigma nos es desconocida, se sustituye por la sigma de
la muestra, y entonces la frmula para hallar el error tpico de la
media es:
s
Sx ='" n - 1
donde S es la sigma de la muestra. En nuestro caso:
Si( = 12 _1_2_= 1.26
V99 9.45
Ahora ya podemos averiguar qu probabilidad hay de que una
distribucin normal, como es la desviacin muestral de la media,
representada en la figura 15.1, que tiene una media igual a cero y
una sigma igual a 1.26 se extraiga por azar un valor X= 40, distan-
te de M=O, en 33 sigmas.
Ahora bien, sabemos que un caso que se aparte de la media
2.58 sigmas tiene slo 1\ de probabilidad de surgir al azar; por
tanto, un caso que se aparte 33.33 sigmas tiene una probabilidad
mucho menor. Podemos afirmar a un elevadsimo nivel de confian-
za que nuestra media X= 40 no ha surgido por azar en una pobla-
cin cuya media verdadera sea cero. Decimos, pues, que nuestra
media es significativa a elevadsimo nivel de confianza, muy por
encima del 1%. En resumen, para haIlar la significacin estadstica
de la media se procede como sigue:
Iro. Se decide a qu nivel de confianza vamos a trabajar, sea el
5% al 1%.
2do. Se halIa el error tpico de la media.
S
S-=----
x
3ro. Se halla el cociente entre el error tpico y la media.
S
X
4to. Si este cociente es igual o mayor que 1.96 se afirma que la
media es estadsticamente significativa al nivel de confianza del
5%.
Si es igual o mayor que 2.58 se afirma lo mismo al nivel del

o
Nos queda solamente por ver a qu se debe que la frmula
del desvo tpico de la distribucin muestral de las medias sea:
Sx = o'ob
y''''''n---I-
La frmula Sx =
Ji,ob . deci
quiere ecir:
que el error tpico de la media, o sea la desviacin tpica de su dis-

tribucin muestra!, es universalmente proporcional al nmero de
casos de la muestra. Lo cual es fcil de comprender. Es claro tam-
E5TADI5T1CA P5ICO-EDUCAT1VA 249
bin que cuanto ms varen entre s los casos de poblacin general
(cuando mayor sea el desvo tpico de la poblacin) ms variarn
entre s las medias de las muestras extradas de esa poblacin y por
tanto ms grande ser el error tpico de la media (la sigma de la dis-
tribucin muestral). En segundo lugar, es fcil comprender tambin
que cuanto mayor sea el tamao de la muestra (n), menor ser la
variabilidad de las medias obtenidas en ellas. Vemos la distribucin
de las figuras que aparecen a continuacin:
CASO A
Ss = 20
Figura 15.2
CASOB
Si{ = 20
Figura 15.3
CASO C
S; = 10
Figura 15.4
Figura 15.5
250
JESUS DE LA ROSA
El caso A, muestra la distribucin de todos los casos de la po-
blacin. Supongamos que el desvo tpico para el caso A sea igual
a Si =20.
El caso B, representa la distribucin muestral de las medias de
muestras de n =l. Es decir, hemos obtenido de esa poblacin mues-
tras de I caso cada una, hemos hallado la media de cada muestra
que coincide naturalmente con el valor del nico de que consta,
y hemos hecho la distribucin de frecuencias de esas medias. Es
evidente que la distribucin resultante ser exactamente la misma
que en el caso anterior y el desvo tpico ser de nuevo SiC = 20.
Esta sigma es ahora el error tpico de la distribucin muestral de
las medias para n = l.
Obtengamos ahora, muestras de n = 4 casos cada una. Se com-
prender que las medias de estas muestras variarn menos entre si
que los casos individuales tomados uno a uno. En efecto, si toma-
mos un caso al azar puede salir; por casualidad, muy alto, muy des-
viado hacia el extremo de la distribucin. Si tomamos otro con el
azar Y,3 hay menos probabilidad de que salga tan desviado como el
caso anterior. La media de los dos estar menos desviada de la me-
dia general que lo que estaba el valor del caso ms extremo. Sito-
mamas 4 casos al azar, la media de los 4 estar menos desviada que
el ms extremo de los 4 casos. Y as las medias de las muestras de 4
casos cada una se diferenciarn menos entre s que los valores de los
casos cuando se toman uno a uno. Est claro, pues. que la sigma de
la distribucin de estas medias ser menor que la sigma de I; pobla-
cin total que lo que indica el caso C. Por donde vemos que, efecti-
vamente. cuando mayor sera el nmero de casos de la muestra. me-
nor es el desvo tpico de la distribucin mucstrul de esa media. es
decir. menor es el error tpico de la media. que es lo que queramos
comprender.
La relacin exacta entre el error t pico, el desvo t fpico de la
poblacin y el tamao de la muestra viene indicada por la relacin
antes mcncionda,
15.3 FIABILIDAD DELAMEDIA
251
Si se ha comprendido lo anterior se entender fcilmente todo lo
que sigue:
Examinemos el ejemplo anterior n = 101, X = 40, Sx = 12.
Nos preguntamos ahora por la fiabilidad de la media, es decir,
hasta qu punto es variable o constante; hasta qu punto nos podemos
fiar de su valor, qu cuanta tiene su error muestral; entre cules lmi-
tes podemos afirmar que est comprendida la media verdadera.
Para contestar a estas preguntas procedemos como sigue:
1.- Decidimos a qu nivel de confianza vamos a trabajar. sea el ~
") Hallamos el error tpico de la distribucin muestral de las medias.
Sx =_S_= -,:::12==-
~ v'IOI-1
...lL=1.2
10
3.- Calculamos el error muestral mximo que estamos dispuestos a ad-
mitir por mero azar. al nivel de confianza del 5'l,.
E =1.96 Si =(1.96)( U) =2.352
Ya podemos afinuar el nivel de confianza del ~ que nuestra me-
dida no viene afectada por un error muestral mayor de 2.352 unidades.
M = X 1.96 S( =X 2.352 =40 + 2.352
42.352
37.648
Podemos afirmar. al nivel de confianza del 5'l,. que la media vcrda-
dera est comprendida entre 37.64H Y 42.532. Estaremos en lo cierto.
si hacemos este juicio. a menos que haya ocurrido algo que al azar slo
ocurre el 5% de las veces.
El mismo procedimiento se sigue si adoptamos el nivel de confian-
za del 1'),.
l. ~ Adoptamos el nivel 1';
252 JESu's DE LA ROSA
2.- Hallamos:
S
Sj(=_-=:""-
vn=I
3.- Hallamos el error rnuestral (E) mximo, al 1%
E = 2.58 Sj( = (2.58)(1.58) (1.2) = 3.096
Afirmarnos, al 1% de confianza, que nuestra media no viene afecta-
tada por un error muestral superior a 3.096.
4.- Hallamos el intervalo de confianza del 1%:
M =X 2 58 S- =40 3096 = { 43.096
. x . 36.904
Afirmamos, al nivel de confianza del 1%, que la media verdadera
est comprendida entre 36.904 y 43.096. En lo cual habremos acertado
a menos que haya ocurrido en nuestro caso algo que slo ocurre el 1%
de las veces.
15.4 SIGNIFICACION DE LAS DIFERENCIAS ENTRE MEDIAS DI"
MUESTRAS INDEPENDIENTES
Sea el caso del cuadro siguiente:
Tabla 15.1
1 2 d
n
318 197
X 36 37
S 12 13
Supongamos que hemos dado un mismo test de inteligencia a 318
nios y a 197 nias extradas al azar de sus poblaciones respectivas de
10 aos. El grupo de las nias tiene una media superior en I punto al
grupo de los nios. Tratamos de ver si estadsticamente esa diferencia es
E57ADI5T1CA P5ICO-EDUCATIVA 253
significativa. Es decir, si es distinta de cero o si es, por el contrario,
compatible con la hiptesis de que la verdadera diferencia sea cero, pero
que, por azar, haya resultado igual a 1.
Para averiguar esto procedemos como en el caso antes examinado,
de la significacin de la media. Empezamos por establecer la hiptesis
de que la diferencia verdadera sea cero. A esta hiptesis se le llama en
estadstica hiptesis nula. Y, despus, vemos si nuestros datos nos per-
miten rechazar la hiptesis nula y a qu nivel de confianza nos permite
rechazarla.
Iro. Decidimos a qu nivel de confianza vamos a trabajar. Sea el del
5%.
2do. Averiguamos el error tpico de la diferencia entre las medias.
3ro. Hallamos el cociente entre la diferencia. d. y su error tpico.
d IX
I
~ X
2
I
R
c
= s c t = V ~ + ~
XI X2
A este cociente le llamamos razn critica o razon de significa-
ci6n.
d
R
c
=SJ=Razn Crlica o Razn de Significacin
4to. Si R
c
;;;. 1.96 rechazamos la hiptesis nula al nivel de confianza
del 5%, Y afirmamos, en consecuencia. al nivel del 5'0. que la dife-
rencia es significativa.
Si R
c;;;'
2.58, hacemos lo mismo al nivel del 1%.
En nuestro caso particular
264
13
Vi96
JESUS DE LA ROSA
Sd =J (0.67)2 +(0.93)2 = 1.14
d _.;;...1_
c ~ 114
0.88 ~ 1.96
Sto. Como la razn crtica (Re> es menor que 1.96 no podemos recha-
zar la hiptesis nula al nivel del 5%. Hemos de afirmar que la dife-
rencia no es estadsticamente significativa. Lo que quiere decir que
no podemos tener suficiente confianza de que se aparte de cero, o.
con otras palabras, que nuestros datos son compatibles con la hi-
ptesis de que la diferencia hallada se deba puramente.al azar, a los
errores muestrales aleatorios, aunque, de hecho, la diferencia entre
las dos poblaciones sea nula.
La lgica en que se basa este procedimiento es exactamente la
misma que la ya expuesta cuando examinamos la significacin de
la media. Recordmosla, brevemente, aplicada al caso actual.
Tenemos dos poblaciones: una de varones de 10 aos, otra de
nias de 10 aos. De cada poblacin hemos extrado al azar una
muestra y hemos hallado que la diferencia entre las medias de estas
dos muestras es igual a l. Extraigamos otras dos muestras del mis-
mo tamao de las anteriores; seguramente nos saldrn, por azar,
dos muestras algo distintas que las que obtuvimos anteriormente,
y que la diferencia entre ellas ser ahora tambin distinta que an-
tes. Escojamos al azar un gran nmero de pares de muestras. Cada
par tendr una diferencia, que ser por puro azar ms o menos
distinta de la de otros pares. Si hacemos la distribucin de frecuen-
cia de estas diferencias tendremos la distribucin muestral de la
diferencia entre muestras del mismo tamao que las usadas como
se indica en la figura 15.6.
ESTADISTICA PSICO-DUCATIVA
Sd =1.14
Figura 15.6
255
Esta distribucin muestral es normal, su media es la diferencia
entre las medias de las dos poblaciones (MI - M
2
) , es decir la diferen-
cia verdadera y su desviacin tpica es el error tpico de la distribucin
muestral de las diferencias entre medias.
j
2 1
Sd= SX +SX2 =1.14
Al plantear la hiptesis nula MI - M
2
=0, es decir, que al afirmar
no hay diferencia entre las dos poblaciones, en lo que al test de inteli-
gencia respecta, las dos forman una sola poblacin, y cada par de mues-
tras extradas al azar de una misma poblacin de datos. Si esto fuera
as, la diferencia entre cada dos muestras sera slo al azar, habra mu-
chas diferencias nulas, otras seran pequeasy slo muy pocas, por me-
ro azar, resultaran altas. La distribucin en ese caso sera como la indi-
cada.
31%
Sd = 0.88
Figura 15.7
Ahora bien, sabemos que la diferencia obtenida en nuestro caso es
d = 1 Yque es una de las diferencias que forman parte de la distribucin
de la figura 15.6 extrada al azar de ella. Nos preguntamos qu proba-
bilidad hay de que, siendo la verdadera diferencia igual a cero, surja
por azar una diferencia tan grande o mayor que I?
En efecto, esa diferencia se aparta de la media en 0.88 sigmas.
La. tabla de la curva normal nos muestra que entre la media y 0.88
hay el 31% de los casos, luego, por encima de 0.88 hay 19%, y por
debajo de -0.88 sigma hay otros 19% de casos.
Esto quiere decir que existe una probabilidad de 38% de que un
caso elegido al azar de esa distribucin cuya media verdadera es cero se
aparte de la media en ms de I unidad.
Como existe esa gran probabilidad no nos atrevemos a rechazar
la hiptesis de que esa diferencia haya aparecido por pura casualidad y
decimos que la diferencia no es significativa para afirmar que tenga
5%, de probabilidad de surgir al azar de una poblacin cuya distribucin
muestral es la diferencia entre medias escogidas al azar fuera O.
Esto es lo que significa rechazar la hiptesis nula al nivel de con-
fianza del 5%. En este caso la razn crtica, R
c
= 0.88.
IS.s SIGNIFICACION DE LAS DIFERENCIAS ENTRE MEDIAS
RELACIONA DAS
Supongamos los datos siguientes:
Tllhfll 15.2
::
X 36 37
S 12 13
n 31H 31X
Hemos elegido 31 H pares de hermanos. de distintos sexos; el grupo
de varones han dado 36 de media y el grupo de las hembras 37 en un
test de inteligencia y deseamos comprobar si esta diferencia de I punto
es estadsticamente significativa. Pero ahora hemos de tener en cuenta
que las muestras no son independientes con respecto a la inteligencia.
Pues es sabido que los hermanos se parecen mds entre s en inteligencia
que los dems individuos cualesquiera de la poblacin general. Suponga-
257
mas que la correlacin entre los dos grupos es de 0.90 en un test dado.
Para comprobar la significacin de la diferencia entre medias procede-
mos como sigue:
1ro. Adoptamos un nivel de confianza, sea ste del orden del 1%.
2do. Hallamos el error tpico de la diferencia, que, en el orden de me-
dias relacionadas es:
J 2 2
Sd = S- + S-
x I Xl
En nuestro caso:
12
Sj{ 1 = -J 317 = 0.6
7
13
Sjh = .; 31t
O. 69
Sd=J(0.67)2 +(0.69)2 -2(0.9)(0.67)(0.69)=0.32
3ro. Hallamos la R
c
d l
Rc=----sd= 0.32 =3.12
4to. Como la razn crtica es mayor que 2.58 sigmas, es decir, como la
diferencia de l unidad se aparta de la supuesta media nula en ms
de 2.5H sigmas, rechazamos la hiptesis nula por encima del nivel
de confianza del I Y afirmamos que la diferencia entre las dos
muestras es significativa por encima del nivel de confianza del 1%.
Como se ve, la misma diferencia de l unidad no era estadstica-
mente significattva en el caso de muestras independientes, y lo es en el
caso que ahora examinamos, de muestras relacionadas. Ello es debido a
que en este ltimo caso el error tpico de la diferencia es mucho menor
en el caso anterior y as la razn crtica resulta mucho mayor. Lo cual
se comprende fcilmente si se tiene en cuenta que la variabilidad de las
diferencias entre pares de muestras relacionadas que en el caso de mues-
tras independientes. Pues si las muestras son independientes es posible
que en algunos casos una resulta compuesta por azar de sujetos muy
inteligentes y la otra, tambin por azar resulta formada por sujetos
muy inteligentes y la otra, tambin por azar resulta formada por sujetos
:158 JESUS DE LA ROSA
muy torpes, mientras que si las muestras se relacionan. cuando, por
azar, una contenga muchos sujetos inteligentes, la otra tender tambin
a contener muchos sujetos inteligentes.
15.6 OBSERVACIONES
Para la justa interpretacin de la significacin estadstica de dife-
rencias, tngase muy en cuenta lo siguiente:
l ro. Cuando decimos que una diferencia es estadisticamente significa-
tiva, afirmamos tan slo eso, a saber que podemos tener cierta
confianza en que hay diferencia real. Ello no quiere decir que esta
diferencia sea significativa desde otros puntos de vista, como el
pedaggico, el industrial, el clnico, cte. En el ltimo caso exami-
nado, podemos afirmar que la diferencia en el test de inteligencia
entre hermanos es significativa, es decir, estadsticamente hablan-
do, las hembras de 10 aos, de la poblacin estudiada, son superio-
res en inteligencia a sus hermanos. Pero esta superioridad de I
punto en un test de inteligencia es psicolgicamente significativa.
Merece la pena tenerla en cuenta al trazar por ejemplo, un cierto
programa de enseanza? Estas son cuestiones que el investigador
ha de decidir en funcin de sus fines y conocimientos generales.
Lo que aqu indicamos es que no pueden considerarse ya resuel-
tas al averiguar que la diferencia entre las muestras es estadstica-
mente significativa.
2do. Cuando decimos que una diferencia es estadsticamente significati-
va, afirmamos, a un cierto nivel de confianza. que no es debida al
azar. Pero no sabemos a qu es debida. Esto slo puede saberse
considerando las circunstancias totales del caso. En el ejemplo an-
terior, afirmamos que la diferencia entre hermanos no se debe al
azar. A qu se debe? Eso lo averiguaremos examinando todos los
datos de la poblacin: si las hembras han sido educadas en un am-
biente menos favorable que los hermanos podrfa deberse a eso. Si
las hermanas proceden de una poblacin en la cual las nias tienen
que abandonar antes la escuela que los nios para dedicarse al tra-
bajo domstico, y el test de inteligencia es de carcter verbal y es-
colar, eso podra explicar la diferencia.
Si todas estas circunstancias y otras similares han sido debidamen-
te "controladas", la diferencia puede reflejar una autntica diferencia
259
en inteligencia y ser referida en buena parte a caracteres hereditarios.
En todo caso, la significacin estadstica de una diferencia 5619prueba
que la diferencia no se debe al azar. Para averiguar a qu se debe, el in-
vestigador ha de recurrir a otros procedimientos.
U.7 SIGNIFICACION y FIABILIDAD DE LA MEDIANA
La frmula para hallar el error tpico de la distribucin muestral
de la mediana es:
Smd = 1.25 Si(
Para comprobar la fiabilidad de la media se procede como sigue:
I ro. Determinarnos el nivel de significacin a que vamos a trabajar.
Sea el 1%.
2do. Hallamos Smd, mediante la frmula anterior.
3ro. Hallamos el error muestral mximo que estamos dispuestos a admi-
tir por mero azar.
E=2.5S Smd
4too Hallamos el intervalo confidencial del 1%.
MdnE
Ejemplo:
2
n= 101; X=50; Mdx=54;
S 20
Sx =v'n- I =v'100
4to. Hallamos el error E:
S=20
E =2.58 Smdx =(2.58) (2.50) =6.45
Podemos afirmar, al nivel de confianza del 1% que nuestra mediana,
no est afectada por un error muestral mayor que 6.45 unidades:
260
Mdx =mdx 2.58 Smdx =54 6.45 =
JESUS DE LA ROSA
r 60.45
\ 47.55
Afirmamos, al nivel de confianza del 1'1, que el valor muestra me-
diana est comprendida entre 47.55 y 60.45.
En cuanto a la desviacin tfpica, el procedimiento es el mismo. A
continuacin ofrecemos el error tpico de la distribucin muestra) de
los errores tpicos.
s = 0.707 Si(
El error tpico de la distribucin muestral de las desviaciones U-
picas es igual a 0.707 multiplicado por el error tpico de la distribu-
cin muestral de las medias.
15.8 SIGNIFICACION y FIABILIDAD DE LAS
PROPORCIONES
Pongamos un ejemplo: queremos saber con qu frecuencia va al
cine universitario cierta poblacin de estudiantes. Elegimos )00 al azar
y resulta que 65 de eUos declaran que van al cine universitario por lo
menos una vez o ms por semana. Segn la muestra examinada parece
que los estudiantes en cuestin van al cine al menos una vez por semana
en la proporcin 0.65, es decir, 65 de cada 100. Cul es la fiabilidad de
esta proporcin? Porque, est claro que si elegimos otros 100 estudian-
tes al azar, la proporcin de los que van al cine una o ms veces por se-
mana ser posiblemente algo distinta, cul juicio podemos hacer acer-
ca de la verdadera proposicin?
Para contestar a estas preguntas procedamos como en los casos
anteriores.
1ro. Adoptamos un nivel de confianza. Sea del 5'1, .
2do. Hallamos el error tpico de la proporcin. La frmula es:
N: Poblacin total
Sp; error tpico de la distribucin muestral de las proporciones empri-
cas.
Ppob =proporcin verdadera de sujetos que van al cine una o ms veces
por semana en toda la poblacin de la que se ha escogido la mues-
tra.
Qpob. = 1 - Ppob. Proporcin verdadera de sujetos que no van al cine
una o ms veces por semana en toda la poblacin de la que se ha
escogido la muestra.
Como desconocemos "Ppob." podemos, en ciertos casos que, lue
go diremos, emplear p de la muestra en su lugar. As:
p= j --ll-
n
p =proporcin de los que van en la muestra.
q = 1 - p: proporcin de los que no van en la muestra.
En nuestro caso:
= 0.048
3ro. Hallamos el error muestral mximo a nivel del 5%.
E =1.96 Sp =(1.96)(0.48) =0.094
4to. Hallamos el intervalo confidencial del 5%
P =p 1.96 Sp =0.65 0.094 =
{ 0.744
0.556
Con lo cual podemos afirmar que la proporcin hallada de 0.65
no se aparta. de la verdadera en ms de 0.094 unidades, o sea, podemos
asegurar, al nivel de confianza del 5% que la verdadera proporcin de
sujetos de la poblacin estudiada que van al cine una o ms veces por
semana est comprendida entre 0.556 y 0.744, es decir, entre un 56%
y un 74% aproximadamente.
15.9 INCONVENIENTES DEL USO DEL l\IETOOO DESCRITO
PARA IETERMINAR INTERVALO CONFIDENCIAL EN EL
CASO DEPROPORCIONES
El mtodo descrito ms arriba no siempre se puede emplear.
Cuando (n) es muy pequeo, es claro que la proporcin y los por-
centajes son pocos fiables; adems, cuando la misma proporcin halla-
da es muy grande, por ejemplo, "p" = 0.90, o muy pequea, por ejem-
plo "p" = 0.05, las frmulas anteriores no sirven por varias razones
la ms importante de las cuales es que cuando "p" tiene valores extre-
mos, la distribucin muestral de la proporcin no es normal sino asim-
trica.
Los autores recomiendan que slo se use la frmula:
pq
N
utilizando en el radical "p" de la muestra, cuando pn y qn sean mayo-
res que 10. En nuestro caso n = 100; p = 0.65; q = 0.35.
pn= IOOxO.65=65> 10
qn =100 x 0.35 =35> 10
Cuando np Onq sean menores que 10, es decir, cuando la muestra
n sea pequea y la proporcin sea extrema, conviene empicar el mto-
do que a continuacin explicamos, el mismo puede aplicarse con todo
rigor a todos los casos.
Supongamos el caso siguiente: estamos investigando el desarrollo
del miedo a la oscuridad entre los nios. Supongamos que, como parte
del programa deseamos saber con qu frecuencia se manifiesta el miedo
a la oscuridad en las sucesivas edades. Para averiguarlo en la edad de 4
aos, hemos escogido 100 nios al azar de la poblacin de barrios capi-
taleos de clase media. Y hemos encontrado que 14 de ellos tienen mie-
do a la oscuridad. Deseamos saber si los nios de otros ambientes tienen
miedo en igual o diferente proporcin. Pero ante todo queremos ver
hasta qu punto nuestros datos son fiables. Para ello procedemos corno
263
2.58
sigue: sabemos que el error tpico exacto de una proporcin viene dado
poda frmula:
s = j Ppob. Qpob.
p n
y que, para fijar el intervalo, confidencial del 1 por ejemplo, tenemos
que dar a la proporcin valores x tal que
X-p
Sp
Si llamamos "x", como hemos dicho, a los valores que limitan el
intervalo confidencial del 1% o del 5 ~ para averiguar cuales son esos
valores no tendremos ms que resolver la ecuacin
x - p
Sp
= 2.58
donde sabemos que p = 0.14. En nuestro ejemplo resolvemos, pues esta
ecuacin:
X-p
Sp;
= ~ S 8
X-p
------ =:!.58; X - 0.14 =2.58 Sp
Sp
Sustituyendo ~ p por su expresin equivalente:
Ppob. Qpob.
n
y teniendo en cuenta que el valor Ppob que estamos buscando es X, que
limita el nivel del It:
j
X(I - X)
X-0.14= n
264
JESUS DE LA ROSA
Elevando al cuadrado, y teniendo en cuenta que n = 100
X2 + (0.14)2 _ (2)(0.14) X = - x
2
)
multiplicando por 100 ambos miembros
100 x
2
+ 100 (0.14)2 - (lOO) (2)(0.14) X = (2.58)2 X - (2.58)2 X
2
Realizando algunas operaciones:
100X
2
+ 1.96 - 28X = 6.66X - 6.66X
2
Pasando todos los trminos al primer miembro
I06.66X
2
- 34.66X + 1.96 = O
que tiene forma general de una ecuacin de segundo grado con una
incgnita. El valor de x se halla, como es sabido mediante la frmula:
- b /b
2
_ 4 ac
X=---l<.-----
2a
En nuestro caso:
34.66.r-(3-4-.6-6-?---4-(-1-06-.-66-)-(-1.-96-)
X = 2 (106.66)
X =0.25 0.07
Lo cual quiere decir que los lmites entre los cuales podemos afir-
mar, a nivel de confianza del 1%, que se encuentra la verdadera propor-
cin buscada, son 0.07 y 0.25. Cuando en 100 individuos obtenidos al
azar de una poblacin hallamos el 14% tiene cierta caracterstica, esto
quiere decir que podemos asegurar, con bastante confianza (del 1%),
que entre un 7% y un 25% de los individuos de esa poblacin poseen esa
caracterstica.
Como se ve, este juicio no parece indicar mucha precisin. Lo cual
nos ensea:
265
Iro. A. no fiarse mucho de los resultados cuantitativos, sino por el con-
trario. procurar siempre tener una estimacin de su precisin y
fiabilidad. y
2do. A emplear siempre que sea posible un gran nmero de sujetos en
nuestros estudios y hacer comprobaciones pues cuanto mayor sea
el nmero ms fiables son los resultados ya que hay menos proba-
bilidades de que por mero azar se aparten mucho de la realidad ni
varen mucho de un estudio a otro.
Quiz convendra agregar que dentro de la ciencia experimental
an no se ha alcanzado el verdadero nivel cientfico cuando ni siquie-
ra podemos establecer estimaciones cuantitativas en los problemas que
estudiamos.
Lo cual no significa que no existan otros mtodos y modos de
conocer, distinto del experimental y cuantitativo, que por otras razo-
nes y otros sentidos puedan llamarse tambin cientficos.
15.10 DIFERENCIAS ENTRE PROPORCIONES
Supongamos que hemos dado un cuestionario a 400 hombres y
400 mujeres. En este cuestionario figuraban las palabras "explorar" y
"sinfona". Los sujetos han declarado si les eran agradables o no estos
conceptos. Los resultados figuran en la tabla siguiente:
Tabla 15.3
explorar sinfona r difer. d
Re
Hombres 0.8775 0.6850 0.342 0.1925 0.0234 8.23
Mujeres 0.8700 0.8875 0.495 0.0175 0.0175 0.97
Diferencia 0.0075 0.2025
d 0.0235 0.0281

0.32 7.21
266
JESUS DE LA ROSA
El procedimiento a seguir es el mismo de siempre. teniendo cn
cuenta que el error upico de la diferencia entre proporciones viene
dado por la frmula:
Adaptando el nivel de confianza del 1
(O.X775I (0.1225)
400
=j---
(O.tJX50) (0.3150)
400
R 2 = 0.342
Ampliando la frmula a l'stos valores rcsultu
~ = 0.0234
l' <1 O.ltJ25
'c - \1 - 0.0234
Como la razn critica es superior a 2.5X podemos afirmar que
la diferencia entre las dos proporciones es significativa al nivel del 1';,.
Del mismo modo se comprobara la significacin cstudrsticu de
a diferencia entre los otros tres pares de proporciones, uhtcnindosc
os resultados que figuran en el cuadro anterior. que el alumno debe
;onfrontar.
15.11 SIGNIFICACION y FIA8IUDAD DEL COEFICIENTE DE
CORRELACION DE PEARSON
Los problemas de csladslic;1 muestra) que hemos examinado en
ESTADISTICA I"SICD-EDUCATlVA 267
lecciones anteriores se plantean tambin con respecto al coeficiente
de correlacn,
Supongamos que la correlacin entre un test de amplitud mec-
nica y la eficacia de un trabajo de torno sea r = 0.60. Qu significa
esto? Desde luego, no significa que la correlacin entre ese test y la
eficacia en trabajo de torno sea siempre y con cualesquiera sujetos 0.60.
Lo que significa es que en el grupo de sujetos que hemos examinado
hay tal correlacin. Si hubiramos tomado otro grupo. hallaramos pro-
bablemente otra correlacin, incluso si tomamos el mismo grupo en
otra ocasin. Lo que nos interesa saber es hasta qu punto representa
ese coeficiente al verdadero que obtendramos examinando a toda la
poblacin que realiza o aspira a realizar esa clase de trabajo. Suponga-
mos que de esa poblacin hemos tomados 100 sujetos al azar y los he-
mos examinado con el test y luego, despus de cierto aprendizaje hemos
comprobado su influencia en el trabajo obtenido entre el test y el tra-
bajo una correlacin = 0.60. Y ahora nos hacemos las preguntas de
siempre: es esta correlacin estadsticamente significativa'? Cul
es su fiabilidad?
Para contestarlas seguimos el mismo procedimiento que ya cono-
cemos:
Significacin de r
I ro.- Adoptamos el nivel de confianza deseado. Sea el ~
::!do. Hallamos el error t (pico de la distribucin muestra! de las
correlaciones.
Donde R
pob
es el verdadero coeficiente de toda la poblacin. Co-
mo desconocemos ste, ponemos en su lugar el coeficiente de I; mues-
tra:
.10.69 )2
ViGO
3ro.- Hallamos la razn crtica
9.39
0.60
0.064
R
c
=_r_=_-""'=_
Sr
Como la razn crtica es mayor a 1.96, podemos afirmar, muy por
encima del nivel del 5%, que la correlacin hallada es estadsticamente
significativa, es decir, que no se debe al azar, sino que indica una efecti-
va correlacin entre las dos variables.
Fiabilidad de r
l ro.- Nivel de confianza. Sea el del 5%.
2do.- Sr ~ = =
1-(0.60)2
YT60
3ro.- E =(1.96)(0.064) =0.125
4to.- Intervalo confidencial del 5%
R= r + 1.96 Sr = r E = 0.60 0.125 = { ~ ~ ~ ;
Podemos afirmar, al nivel de confianza del 5%, que la verdada co-
rrelacin se encuentra entre 0.475 y 0.725.
Ambos procedimientos, el de la significacin y el de la fiabilidad,
se basan en las propiedades de la distribucin muestral de "r", que es,
como sabemos, la distribucin de los coeficientes "r" obtenidos en mu-
chas muestras como la examinada. Cuando la distribucin muestral es
normal (tiene como media "R" de la poblacin y como sigma el error
tpico de r) estn justificados los procedimientos expuestos.
Pero la distribucin de r no siempre es normal. Es aproximada-
mente normal cuando n es grande, digamos mayor que 50, y cuando
"r" no tiene un valor extremo, sin medio, por ejemplo, n =60 y r =0.65
en este caso se puede usar el procedimiento anterior.
Cuando n no es grande y r es extremo tenemos que usar un proce-
dimiento fuera del alcance de lo contemplado por este texto. Por el
momento anotamos que, frecuentemente lo que mas suele interesar
cuando se emplean coeficientes de correlacin, es saber si son o no sig-
nificativos, si indican una efectiva y real correlacin entre las variables
examinadas. En este caso, y con tal que n sea 30 o ms, se puede siem-
pre resolver el problema con toda facilidad y prontitud, recurriendo a la
hiptesis nula.
Significacin de otros ndices de correlacin
Se procede a la misma forma, a continuacin ofreceremos el error
muestral para cada caso.
Correlacin Ordinal (e)
S =
e
Correlacin biserial, rb
En el caso de la hiptesis nula (rb = Ol. la frmula es
Correlacin biscrial puntual rbp
Correlacin tctracrica rt
270
JEf:U; DE LA ROSA
15.12 H1POTESIS ESTADISTICAS: Toma de Decisiones
Muy a menudo, en materia de Estadstica, se tienen que tomar
decisiones sobre poblaciones partiendo de. informaciones muestrales de
las mismas. Por ejemplo, se puede desear decidir, a partir de los datos
encontrados en la muestra, si talo cual mtodo pedaggico ofrece mejo-
res resultados que otro: si la fiabilidad de tal prueba psicolgica es ma-
yor que otra. etc.
Claro est que para llegar a tomar decisiones, debemos partir de
supuestos () conjeturas acerca de las poblaciones que se estudian. Tales
supuestos pueden ser o no ciertos. Esos supuestos reciben el nombre
de hiptesis estadsticas.
En muchos casos resulta prctico formular hiptesis estadsticas
con el slo propsito de rechazarlas o invalidarlas. Por ejemplo, si se
quiere decidir. en base a la diferencia encontrada en una muestra, si los
nios son ms inteligentes que las nias, se formulan la hiptesis de
que no existe diferencia entre la inteligencia de los varones y la inteli-
gencia de las hcm bras. Anlogamente, si se quiere decidir sobre si un
mtodo es mejor que otro, se formula la hiptesis de que son iguales, es
decir, que cualquier diferencia observada se debe meramente a fluctua-
ciones en el muestreo de la misma poblacin. Tales hiptesis se llaman
hiptesis nulas y se denotan as: H
O'
Cualquier hiptesis que difiera de una hiptesis dada se llama hip-
tesis alternativa. Por ejemplo, si una hiptesis p =0.5, una hiptesis al-
ternativa sera p =0.8; si p = 5 se plantea como hiptesis, p = 3 sera
la hiptesis alternativa. La hiptesis alternativa de la hiptesis nula
(H
O)
se denota H
i.
En general, el problema de la verificacin de la verdad o falsedad
de una hiptesis referente a parmetros de una poblacin, mediante la
inferencia muestral, se presenta de la manera siguiente: Se tiene una hi-
ptesis (H) referente a un parmetro de una poblacin, de la cual
se dispone de una determinada muestra. Se trata de establecer, por
camino inferencial basndose en los datos muestrales, si H resulta com-
probada o rechazada. Sea H la hiptesis que deseamos verificar. Vamos
a suponer que la hiptesis sea H: M=a. Para ello fijamos un margen
de riesgo, vamos a decir un 5%, es decir, nuestros resultados tendran
una probabilidad de un 95%de estar acertados.
Se efecta una muestra al azar tic' 11 individuos y resulta una media
mucstrul X. Deseamos saber si este resultado confirma o rechaza la hip-
tesis: M=a.
Para ello, nada ms Iacil que dividir el campo de variabilidad de
X en dos regiones una de aceptacin y la otra (Ic' rechazo. El problema
quedar reducido a una simple verificacin de si Xcae en una u otra
re,gin.
En nuestro planteamiento H: M=a, es decir X= a, los 1mites
de la aceptacin se determinan por la condicin:
a-l.96 S X{a+l.lJ6Sx
x
1
flEGION
,
qE
ACEPTACION
Figura 15.8
REGlaN
DE
RECHAZO
Esos lmites envuelven el 95% de todos los casos. Como se indica
en la figura, se puede contar con un 95% de confianza de que. si la hip-
tesis es cierta, l'I valor t ipico obtenido de una muestra real se encontrar
entre -1,96 Si( y 1.96 Si(, lo que quiere decir que es un suceso con
probabilidad de solamente 5% de no ocurrencia.
Vamos a ilustrar con un ejemplo.
Se supone que la nota promedio alcanzada en matemtica por una
tanda de clase es de 70 puntos. Se procede a verificar la hiptesis. Para
ello se toma una muestra de 101 estudiantes. En la misma se registraron
los datos siguientes: X=72 Sj( = 10. Para verificar la hiptesis M =70
en base a lo encontrado en la muestra, procederemos de la manera si-
guiente: 1) Establecemos un cierto nivel de confianza, vamos a decir un
95%, 2) Calculamos Si( (desvo tpico de la distribucin muestral de las
medias).
272
JESUS DE LA ROSA
Sj( = _S_=-1-= \
v;;-:-\ y'QQ
3.- Procedemos a establecer las reas de aceptacin y rechazo,
Vemos que 72 en medida tpica es igual a:
Medida sta, que se encuentran dentro de la zona de reckllo. In
base a lo encontrado en la muestra concluimos que la mr dia tic' la po-
blacin no es 70.
- 1.96 S; = 1,96 70 1.96. ~ = 1,96.
tigura 159
Adelnjs dc plant car la hiptesis 11: M = a. podemos plantear las
hiptesis H' m) a.\'xisk un valor mnimo M=a.
Si ~ : M;:;' a, existe un mnimo M = a.
I.n este caso, el cstadrstico muestra! X deber tener una distri-
bucin normal con media y un desvo tpico igual a S-" .
Con un lmite interior L = a 1 6 ~ Si(. siendo 1Jli\ el valor que nos
da la tahla dc' la funcin de distribucin normal para qUL' se verifique
P (x ;:;, 1.6X 1 = I l.: para el caso concreto de ser l. (coeficiente de
riesgo) igual aS",.
De lo dicho resulta que para 2'5% de confianza X ~ a - 1.645 Si '
es la regin de aceptacin, siendo X E;;; a - 1.645 Si. la regin de recha-
zo.
~
1.645 Si(
Figura 15.10
Para el caso de H: M < a, la regin de aceptacin viene dada por
XE;;; L; L =a + 1.645 Si(, grficamente.
REGION DE RECHAZO
Figura 15.11
En resumen:
Hiptesis
H:M =a
M ~ a
H: ME;;; a
Confianza
95%
95%
95%
Regin de Aceptacin
-1.96 Sj a .196 Sx
de -1.68 Sx en adelante
de menos infinito a 1.68 Si
15.13 ERRORES EN LA VERIFICACION DE HIPOTESIS
En la comprobacin de una hiptesis caben los siguientes casos:
1.- Que H sea verdadera y que X caiga en la zona de aceptacin.
274
2.- Que H sea falsa y que X caiga en la de rechazo.
JESUS DE LA ROSA
3.- Que H sea verdadera y que Xcaiga en la zona de rechazo
4.- Que H sea falsa y que X caiga en la zona de aceptacin.
En los casos I y 2 no habremos cometidos ningn error. En el
caso 3 y 4 hemos cometido errores. En el tercer caso, hemos puesto de
manifiesto la eventualidad de que algo verdadero sea pasado como fal-
so. Esa eventualidad suele llamarse riesgo del productor o error tipo 1.
En el cuarto caso, hemos puesto de manifiesto la eventualidad de que
algo falso pase como verdadero, producindose el llamado error tipo 11
o error del consumidor.
15.14 ENSAYOS BILATERALES Y UNILATERALES
En prrafos anteriores, hemos atendido a valores extremos de es-
tadsticos y sus signos a ambos lados de la media as como tambin de
valores extremos a un s610 lado de la media. Los primeros reciben el
nombre de ensayos de dos colas o bilaterales y los segundos, ensayos
de una cola unilaterales.
Los ensayos bilaterales presentan una regin crtica o de rechazo
con dos reas -una a cada lado de la media-; mientras que los ensayos
unilaterales, su regin crtica o de rechazo comprende una sola rea si-
tuada en uno, de ambos lados de la media.
A continuacin presentamos una tabla con los valores crticos de
S para ensayos uni y bilaterales a distintos niveles de significacrn.
Tabla 15.4
Nivel de Significacin 0.10 -1.645 0.01
Valores crticos de S 1.28 -1.645 - 2.33
6
(Unilateral) 1.28 1.645 2.33
Valores crticos de S 1.645 - -1.96 - 2.58
y y y
(Bilaterales) 1.645 1.96 2.58
15.15 NIVEL DESIGNIFlCACION
275
La probabilidad mxima con que en el ensayo de una hiptesis se
puede convertir un error del tipo 1 se l1ama nivel de significacin del en-
sayo. Esa probabilidad se fija antes de la extincin de las muestras, ha-
ciendo, el tamao de las mismas, funcin de ese valor, de tal modo que
los resultados obtenidos no influyen en la eleccin.
En la prctica se acostumbra a utilizar niveles de significacin de
0.05 a 0.01, aunque, claro est, puedan emplearse otros valores. As,
por ejemplo, si se elige un nivel de significacin de un 5% al disear un
ensayo de hiptesis; entonces hay aproximadamente 5 ocasiones en 100
en que se rechazara la hiptesis cuando debera ser aceptada, es decir,
se est con un 95% de confianza de que se tome la decisin adecuada. En
tal caso se dice que la hiptesis ha sido rechazada al nivel de significa-
cacin del 5%, lo que significara que se puede cometer error con una
probabilidad de un 5%.
A continuacin ofrecemos algunos problemas resueltos, comple-
mentarios de aspectos tericos empleados en este captulo, que servi-
rn para esclarecer y ampliar 10 expuesto, en 10 tocante a aquellos pun-
tos ms crticos y de ms difcil comprensin.
Ejemplo 1
Los registros conocidos indican que la calificacin media de los
estudiantes de economa es de 65 puntos con una desviacin tpica de
16 puntos. Para ensayar un nuevo mtodo de enseanza se selecciona
una muestra al azar de 64 estudiantes, y se encuentra que la media es de
69 puntos. Se pregunta, existe una diferencia real entre 65 puntos y la
media de la muestra de 69 puntos?
Ha : u =65 puntos
H : u;;;' 65 puntos
S- =_s_= 16 =2
x V;=-l V64
69-65
--=2
2
276
JESUS OE LA ROSA
Estableciendo los limites de aceptacin:
1.96 Si(
65 1.96 Si(
Figura 15.12
Vemos que 2 cae dentro de la zona de rechazo, a un nivel de sig-
nificacin de un 51,. Es decir, entre la media de la poblacin y la media
encontrada en la muestra hay diferencia significativa. Ello, apoya la pre-
tencin de que el nuevo mtodo de enseanza puede mejorar el nivel de
conocimiento de los estudiantes de economa.
Ejemplo 2
Investigaciones previas indican que el 20\ de las familias de una
ciudad estn suscritos al peridico K. Hay ~ t v s para creer que en los
nltmos tiempos ha disminuido la tasa de suscripcin.
1.64 x 0.04 20
Figura 15.13
1.64 Sp
Para comprobar si en realidad ha habido algn cambio, se torrna
una muestra al azar de 100 familias y se observa que la proporcin en-
encontrada en la muestra es que el 16\ estarn suscritos al mismo peri-
'dico. Se desea comprobar si hubo o nO,una disminucin en la suscrip-
cen. Consideremos, en principio, que no hubo aumento o todo se que-
d como estaba. es decir, trataremos de comprobar la hiptesisH:M ~ a
es decir, p;' 20. Establecemos un lmite de confianza, vamos a decir un
20\.
Sp= j ;q = j ~ 8
Sp=O.04%
277
La zona de aceptacin est desde 20% - 1.64 Sp = 14% en adelan-
te. Esto nos inclina a afirmar que no hay diferencia signifiativaque el
%de suscritos permanece igual.
Ejemplo 3
En enero el 40% de 2000 comerciantes comunican que van a in-
crementar su demanda de lavadoras; en marzo se puede pensar que ya
debe haberse realizado el incremento. Para comprobarlo se toma una
muestra al azar de 400 comerciantes y se comprueba que la propor-
cin de muestra es p = 46% . Ha sido significativo el aumento de la
demanda?
Vamos a plantear la hiptesis de que no hubo aumento, es decir,
que H: 1!! = a = 0.40. Para ello establecemos la zona de aceptacin.
1.96 Sp 0.40
1.96 Sp
Figura 15.14
Sp= jP(1- p)
N-n 0.4 x 0.6 2000 - 400
N-I 400
x
2000 - 1 n
Sp =0.02
S =
0.46 ~ 0.40 0.06
= 33 Cae en la zona de rechazo.
0.02 0.02
278
JESUS DE LA ROSA
Rechazarnos la hiptesis nula, existe diferencia significativa. Quie-
re decir con ello, que efectivamente los comerciantes incrementaron su
demanda de lavadoras.
15.16 TEORlA DE LAS MUESTRAS PEQUEAS
Hasta ahora en la estimacin del error muestral hemos utilizado
la curva normal, porque las distribuciones muestrales de los valores esta-
dsticos son, excepto en algunos casos, normales.
Cuando la distribucin muestral de un estadstico X es normal, sa-
bernos que 1.96 sigmas a un lado y otro de la media de esa distribucin,
comprende el 95'1, de los casos. Por eso podernos afirmar, en ese caso,
que el estadstico en cuestin no se aleja de su parmetro en ms de
1.96 errores tpicos. Esto no lo afirmarnos con toda seguridad sino con
un coeficiente de riesgo del 5'1" corno dicen los matemticos, a un nivel
de confianza del 5'1,
Ahora bien, esto no sucede ms que en el caso en que las muestras
sean grandes, por ejemplo, cuando n = 1000. Cuando las muestras son
pequeas, por ejemplo, cuando n = S, la distribucin mucstral de los
estadsticos no es normal. Si tenemos una muestra de n = 200, con
una media de un test X =40, sabernos que la distribucin muestral
de esa media es una curva normal que tiene como media la media
verdadera de la poblacin y como sigma el valor:
S
Si( = ~ ; = = =
v' 200 - l
donde S, es la sigma de la muestra. Pero si esa media X = 40 se ha ha-
llado de una muestra aleatoria de n =S sujetos, la distribucin mues-
tral de la media no es normal, sino la platictica, es decir, ms aplas-
iada que la curva normal. En la figura la curva A es normal, la curva B
es platicrtica.
e
M
Figura I5.15
La caracterstica que ms nos interesa ahora de las curvas plati-
crticas es que los extremos de la curva estn ms levantados que los
de la curva normal, de modo que, siendo ambas curvas simtricas, un
mismo punto e de las abscisas limita con la media una porcin de ms
casos en la curva normal que en la platicrtica. En efecto, por debajo
de la media quedan, como se ve en la figura, ms casos en la curva B
que en la A: por lo tanto, entre el punto e y la media quedan menos
casos en la curva B que en la A. Supongamos que el punto e es igual a
-1.96 sigma, es decir, que est al. 96 errores tpicos por debajo de la
media en ambas curvas. Entre M ms o menos e, es decir, entre M
1.96 Si( sabemos que queda el 95% de los casos en la curva normal
(curva A); por eso este punto indica el lmite del nivel de confianza
del 5%. Pero es evidente que en la curva B, M e =M -t 1.96 Sjf no
comprende el 95% de los casos, sino menos. Para comprender el 95%
de los casos habremos de separarnos ms de la media por ambos lados,
supongamos, por ejemplo, que 2.08 Si(. Entonces, en la Curva B, habr
que averiguar los valores M 2.08 Si( para fijar el intervalo de confian-
za del 5%.
Pues bien. cuando n es pequeo, las distribuciones muestra1es de
los diversos estadsticos son del tipo platicrtico. Se llaman entonces
distribuciones de "t ".
280
JESUS DE LA ROSA
En realidad "t" no es ms que la razn crtica cuando el nmero
de casos de la muestra es pequeo.
Cuando n es grande, decamos que R
c;;'
1.96 para ser significativa
al 5% de confianza. Cuando R
c
se halla en muestras pequeas, se llama
"t", y entonces diremos que "t" es significativo al nivel del 5% cuando
tenga un valor que se aleje de la media en tantos signos como sea nece-
sario para comprender el 95% de los casos. Ese valor depender, claro
est, de la forma de la distribucin de "t" ser muy prximo a 1.96 si
la forma es prxima a la normal, ser tanto ms alejado y mayor que
1.96 cuando ms platicrtica sea la curva de "t" y ms se aleje, por
consiguiente de la normal.
Afortunadamente los matemticos han averiguado la forma exacta
de la distribucin de "t" en muchos casos, y han construido tablas que
nos dan los valores que "t" ha de alcanzar para ser significativa a los
diversos niveles de confianza. Para utilizar estas tablas slo hay que sa-
ber cuantos son los grados de libertad de la "t" que estamos emplean-
do. Porque la forma de la distribucin de "t" slo depende de estos
grados de libertad,
Antes de examinar los mtodos correctos del uso de "t" conviene,
pues, tener una idea clara de estos dos conceptos: "muestra pequea"
y "grado de libertad".
Se dice que una muestra es pequea cuando la distribucin mues-
tral de sus estadsticos, debido al poco nmero de casos, se aleja de la
kurtosis normal.
La distribucin normal de los estadsticos comienza a alejarse de
la kurtosis normal cuando n < 100, se va acentuando muy lentamente
y llega a ser de importancia cuando n ..;; 30.
En adelante diremos que una muestra es pequea cuando n <30.
En este caso habr que utilizar la tabla "t" cuando queramos apreciar
la significacin o fiabilidad de los estadsticos. Cuando n >30 conside-
raremos que la muestra es grande y utilizaremos la tabla normal para
resolver esos problemas. Advirtase que esto se refiere tan slo al pro-
blema general de cuando utilizar la tabla normal y cuando la tabla "t",
no quiere decir que basta siempre con emplear 30 sujetos para obtener
resultados suficientemente representativos y precisos. Es evidente que
ESTADISTICA PSICO-EOUCATlVA
281
30 sujetos son pocos sujetos si con ellos queremos, por ejemplo, repre-
sentar una poblacin de varios miles. No obstante, no diremos que es
una muestra pequea, porque para apreciar la significacin y fiabilidad
estadstica de sus resultados, no basta con utilizar la tabla normal, la
cual nos dir que, en efecto, los resultados obtenidos en muestras de
ese tamao son poco fiables. Ya hemos advertido, por otra parte, que
muchos valores estadsticos, por ejemplo, las proporciones y los por-
centajes, las correlaciones, etc., son muy poco fiables a menos que se
empleen muestras de 200 sujetos o ms.
Quede, pues, en claro que slo consideramos que una muestra
es pequea cuando n < 30. Pero que esta no tiene nada que ver con el
problema de cuntos casos hemos de utilizar para que los resultados
sean suficientes estables y precisos. Slo indica que cuando n < 30
tenemos que recurrir a "t".
En segundo lugar, decamos que la forma de la distribucin de
"t" depende de los grados de libertad.
Se llaman grados de libertad al nmero de datos que puedan variar
independientemente. Por ejemplo, si decimos: frmese un conjunto de
tres nmeros cualesquiera. Ese conjunto tiene tres grados de libertad,
porque hay tres datos que pueden variar independientemente. As,
puede formar el conjunto: { 1,2, 3} el conjunto: {lO, 20, 50},
u otro cualquiera, pudiendo variar a capricho los tres datos.
Si se trata de un conjunto de tres datos que tiene que sumar 40,
entonces ese conjunto slo tiene dos grados de libertad, porque slo
pueden variar independientemente dos datos, ya que el tercero viene
determinado por la condicin de que entre los tres sumen 40. As, los
tres datos pueden ser 10, 18 Y 12, podemos variar a voluntad dos de
esos datos, por ejemplo, poner 20 en lugar de 10 Y 3 en lugar de 18,
pero entonces no podemos variar de cualquier modo el tercer dato,
sino que est determinado por los otros dos, que ha de ser necesaria-
mente 40 - (20 + 3) =17.
En general un conjunto de datos tiene tantos grados de libertad
como dimensiones en las que sus datos pueden variar independiente-
mente. A veces no es fcil saber exactamente el nmero de grados de
libertad que tienen los datos de un problema concreto. Afortunada-
mente los matemticos han resuelto estas cuestiones en la mayora
B ~ JESUS DE LA ROSA
de los casos concretos que se pueden presentar en Psicologa. En los
sucesivos, daremos los grados de libertad que corresponden a cada uno
de los problemas que vamos a tratar.
15.I 7 SIGNIFICACION y FIABILIDAD DE LA MEDIA DE UNA
MUESTRA PEQUEA
Significacin
En este caso, salvo pequeas variaciones, el procedimiento es el
mismo que el utilizado con muestras grandes. Slo se diferencia en dos
cosas:
1) Hay que tener en cuenta los grados de libertad (gl): y
2) Hay que consultar la tabl a "t".
Pues bien, en el caso de la media, los g.l. son n- 1, es decir, el
nmero de casos de la muestra menos l.
Resolvamos un ejemplo:
Sea una muestra n = 10, que han obtenido en un test una media
X =II y S=3.6.
Significacin.
1) Adoptamos un cierto nivel de confianza vamos a decir un 5 ~
2) Hallamos el error tpico de la media
s
s; = --====--
V;--I
3) Hallamos "tOO
3.6
----=1.2
..<)
X
s;
_1_1_=91
1.2 .
4, Consultamos la tahla '" 'o y Yl'IllOS el valor que corresponde a la
columna 5 ~ y a la fila (). Es decir, averiguamos el valor que ha
eSTADISTICA PSICO-EDUCATIVA
283
de alcanzar t para ser significativa al nivel del ~ cuando se ha
hallado en un grupo de n = 10 sujetos y que, por tanto tiene 9
grados de libertad. En la tabla vemos que, para 9 g.l. t =2.262 para
ser significativa al ~
5. Luego como muestra t =9.1 ~ s mayor que 2.262, afirmamos al
5% de confianza que la media X= II es significativamente distinta
de cero.
Fiabilidad.
Sea el mismo ejemplo anterior:
1.- Adoptamos un nivel de confianza; 5%
2.- Hallamos Si( =1.2
3.- Hallamos en la tabla "t" cual es el valor que ha de tener "t" para
n - I =9 g.l. para ser significativa al ~ de confianza. Este valor,
ya lo hemos visto antes, es t =2.262. Lo cual significa que en esta
distribucin "t" hay que ir 2.262 sigmas a uno y otro lado de la
media para comprender el 95% de los casos, en lugar de 1.96 Si(
como ocurrira en la curva normal. Recuerden que esto se debe a
que la curva de "t" es platicrtica y tiene sus extremos ms levan-
tados que la curva normal.
4.- Hallamos el error muestral mximo que estamos dispuestos a ad-
mitir el 5% de confianza. En la curva normal este error era, al nivel
del 5%, 1.96 Si(: en la curva "t", para 9 g.l. ser 2.262 Sj( por tan-
to
E = 2.262 Sj( = (2.262) (1.2) = 2.
7
144
Afirmamos, pues, al nivel de confianza del 5% que nuestra media
X = 11, no viene afectada por un error mucstral superior a 2.7144
unidades.
5.- Determinar el intervalo confidencial del 5'".
- -
M= X 2.262 S =X + E = I l + 2.7144 =
13.71
H.2H
284
JESUS DE LA ROSA
Afirmamos, al 5% de confianza, que la media verdadera se encuen-
tra entre 8.28 y 13.71.
15.18 SIGNIFICACION DE LA DIFERENCIA ENTRE LAS MEDIAS
DE OOS MUESTRAS PEQUEAS E INDEPENDIENTES.
Los grados de libertad de "t" son en este caso (n l + n
2
) - 2. La
mejor manera de calcular "t" en este caso es la indicada por Fisher, a
saber:
Sabido esto, para comprobar la significacin de la diferencia XI -
X
2
entre dos medias XI y X
2
hacemos lo siguiente:
1.- Adoptamos un cierto nivel de confianza. Por ejemplo del 5%
2.- Averiguamos "t"
3.- Comparamos el valor "t" averiguando con el que nos dan las tablas
para g.l. = (ni + n2) - 2 Y el nivel del 5%. Si aquel es igualo ma-
yor que ste, concluiremos, al nivel de confianza del 5% que la di-
ferencia es- significativa,
Por ejemplo:
Sean los datos del cuadro siguiente:
Tabla 15.5
2
X
S
n
19.50
2.65
5
15.13
3.20
11
1.- Adaptamos el nivel de confianza del 5%
2.- Calculamos "t"
19.50 - 15.13
5 (2.65) + 11 (3.2WJ [5 + 11
(5+11)-2) . J l(S)(I1)
285
3.- En la tabla "t" vemos que para ni + n
2
- 2 = 5 + II - 2 =
14 g.l., t = 2.145 para ser significativa al 5%. Como nuestra t =
2.49 es mayor que 2.145 podemos afirmar, al nivel de confianza
del 5% que la diferencia entre las medias es significativa.
15.19 SIGNIFICACION DE LA DIFERENCIA ENTRE MEDIAS DE
MUESTRAS PEQUEAS RELACIONADAS
Lo mismo que ocurna en el caso de las muestras numerosas, cuan-
do estn relacionados el error tpico de la diferencia entre sus medias
es menor que cuando son independientes. Por eso no se puede aplicar el
procedimiento anterior.
Este caso es muy importante en la prctica, pues a menudo usamos
un mismo grupo de sujetos, o dos grupos relacionados, para averiguar la
diferencia entre ellos con respecto a algunas caractersticas, As, por
ejemplo, si queremos averiguar cul de los dos mtodos de enseanza es
mejor, conviene aplicarlos en dos grupos de sujetos, pero es evidente
que estos dos grupos deben ser iguales en todo lo que pueda influir en
los resultados: inteligencia, educacin previa, ambiente econmico, am-
biente familiar y social, motivacin. cte.
Supongamos que elegimos 8 pares de sujetos. de tal manera que
286
JESUS DE LA ROSA
cada par est compuesto por 2 individuos que sean aproximadamente
iguales en las mencionadas caractersticas. Aplicamos, a continuacin,
un mtodo de enseanza a cada grupo, y, despus, observamos los resul-
tados del aprendizaje de ambos grupos mediante un test de rendimiento.
Sean los datos obtenidos los que figuran en la tabla siguiente:
Tabla 15.6
Par Muestra! Muestra 2 nr. X X
2
l 20 16 4 I I
2 34 35 - I -4 16
3 24 22 2 - I I
4 37 29 8 5 25
5 23 24 - I -4 16
6 35 30 5 2 4
7 30 27 3 O O
S 29 25
4 I I
Xl =232 X
2
= 208 X
2
= 64
XI = =29
X
2
= 20S = 26
8
rif
Sd = -S- =2.82S
Sxd =
2.828
1.07; g.l. = 7
v8=T
Es evidente que en este caso, aunque los dos grupos estn iguala-
dos en inteligencia, por ejemplo, los individuos ms inteligentes tende-
rn a beneficiarse ms de cualquier mtodo y por lo tanto habr una
correlacin entre las puntuaciones obtenidas por los dos grupos en el
test final. Esta correlacin, como ya sabemos, rebaja el error tpico de
la diferencia entre las medias. Hay, pues, que tenerlo en cuenta.
ESTADISTICA PSICQ-EDUCATlVA
287
Uno de los modos de tenerlo en cuenta es calcular la "t" de la dife-
rencia entre los dos grupos, de la manera siguiente:
"t" =__d__ = IX. - X2 '
Sd Y ~ +x - 2 r
n
Sx Sx
es decir, hallando el error tpico de la diferencia, como ya sabemos, por
la frmula que aparece en el denominador. Pero para ello tendramos
qu calcular los errores tpicos y la correlacin, y el resultado no sera
adecuado porque las muestras son pequeas.
Hay otro mtodo ms breve y sencillo, que es el que aconsejamos,
por ser, adems, el nico correcto con muestras pequeas.
Escrbanse, como se hace en la tabla anterior, los pares de sujetos
en dos columnas paraleas. Hllense luego la diferencia entre los dos su-
jetos de cada par, Las meQias d ~ estas diferencias Xd ser igual a la di-
ferencia entre las medias X - X. En nuestro caso Xd = 3. Ahora slo
falta hallar si esta media es o no significativamente distinta de cero, para
ello procederemos como siempre:
\.- Adoptamos un nivel de confianza de 5%
2.- Hallamos el error tpico de la media: Sx que ser igual a la sigma
de la distribucin de diferencias.
Sd=j--
64
-8-
= 2.828 dividida por p
d
Sx d = ----'''---
v"Il=l
3.- Hallamos "t"
2.828 =1 07
~
d 3
t = s; =1":07=2.8
4.- Consultamos en la tabla "t", cual es el valor de "t" significativo al
nivel del 5% con n - I =8 -1 == 7 grados de libertad, este valor es
de 2.365.
2BB JESUS DE LA ROSA
Afirmamos pues, al nivel del 5% de confianza que hay diferencias
significativas, lo cual indica que el primer mtodo de enseanza es
mejor que el segundo siempre que los dos grupos examinados sean igua-.
les en todo lo dems.
15.20 SIGNIFICACION y FIABILIDAD DEL COEFICIENTE DE
CORRELACION (r) CON MUESTRAS PEQUEAS
La frmula de t es la siguiente:
n-2
donde r es el coeficiente de correlacin de la muestra utilizada y n el
nmero de sujetos.
Los grados de libertad de esta "t" son n - 2.
Por ejemplo: En un grupo de 20 sujetos hemos hallado una corre-
lacin r =0.30 entre un test y un criterio. Deseamos saber si esa corre-
lacin es significativa al 5%.
18
I ~ 0.09 = 1.355
t =0.30 j _ : ~ c ; ;
En la tabla de "t" vemos que sta ha de alcanzar el valor t = 2.101
con 18 g.l. para ser significativa al 5%. Como nuestra t es igual a 1.335,
no llega a ese valor, no podemos rechazar la hiptesis nula y por lo tan-
to concluimos que la r = 0.30 no es, en este caso significativa.
Es fcil calcular los valores a que tiene que llegar r para alcanzar
los niveles de significacin del 5% Ydel 1% con diversos n. Estos valores
figuran en la tabla que aparece en el anexo correspondiente. As, por
ejemplo, vemos en dicha tabla que, para n = 20. como succdfa en el
caso anterior, t tiene que ser igualo mayor que 0.444 para ser significa-
tiva al 5% y ser igualo mayor que 0.561 para serlo al 1%.
Dado un. coeficiente de correlacin r cualquiera y el nmero de
288
JESUS DE LA ROSA
Afirmarnos pues, al nivel del 5% de confianza que hay diferencias
significativas, lo cual indica que el primer mtodo de enseanza es
mejor que el segundo siempre que los dos grupos examinados sean igua-.
les en todo lo dems.
15.20 SIGNIFICACION y FIABILIDAD DEL COEFICIENTE DE
CORRELACION (r) CON MUESTRAS PEQUEAS
La frmula de t es la siguiente:
donde r es el coeficiente de correlacin de la muestra utilizada y n el
nmero de sujetos.
Los grados de libertad de esta "t" son n - 2.
Por ejemplo: En un grupo de 20 sujetoshemos hallado una Corre-
lacin r = 0.30 entre un test y un criterio. Deseamos saber si esa corre-
lacin es significativa al 5%
1.355
18
I - 0.09
t =0.30 j . ~ ~
En la tabla de "t " vemos que sta ha dealcanzar el valor t =2.10 I
con 18 g.l. para ser significativa al 5%. Como nuestra t es igual a 1.335,
no llega a ese valor, no podemos rechazar la hiptesis nula y por lo tan-
to concluimos que la r =0.30 no es, en este caso significativa.
Es fcil calcular los valores a que tieneque llegar r para alcanzar
los niveles de significacin del 5% y del )%condiversos n. Estos valores
figuran en la tabla que aparece en el anexo correspondiente. As, por
ejemplo, vemos en dicha tabla que, para n =20. como suceda en el
caso anterior, t tiene que ser igualo mayor que0.444 para ser significa-
tiva al 5'1, y ser igualo mayor que 0.561 paraserlo al 1%.
Dado un. coeficiente de correlacin r cualquiera y el nmero de
290
2.- Hallamos "t":
JESUS DE LA ROSA
t = (0.77 - 0.68) (J 147 - 3) (J l +0.84) 3
fi .. 1 - (0.68)2 - (0.77)2 - (0.84)2 + 2 (0.68) (0.77) (0.84)
3.- En la tabla t vemos que para 144 grados de libertad t =2.58 pues-
to que n ~ 30, la tabla "t" coincide prcticamente con la tabla de
la curva normal para ser significativa al 1%. Como nuestra "t" es
igual a 3 y, por tanto, mayor que 2.58 afirmamos que la diferen-
cia entre las correlaciones de los dos test con el criterio es signifi-
cativa al nivel del 1%.
Advirtase que si hubiramos seguido el mtodo que expusimos
en la leccin anterior, convirtiendo los r en valores y comprobando la
significacin de la diferencia entre los valores z, esta diferencia no hu-
biera resultado significativa ni al 10% de confianza. Comprubese sto,
como ejercicio. La razn es que el mtodo de los "z" slo era aplicable,
como dijimos, en caso en que las muestras fueran independientes.
lS.22 SIGNIFICACION DE LA DIFERENCIA ENTRE LA
VARIABILIDAD DE DOS MUESTRAS PEQUEAS.
PRUEBA DE"F"
Ya sabemos que la significacin entre la diferencia entre las des-
viaciones tpicas de dos muestras numerosas se halla por la frmula:
Re = _d_= ~ l S:::1=-=S::2=1-=.
Sd y si + S ~
Pero este procedimiento no puede emplearse cuando n .,;; 30 por-
que la distribucin muestral de la sigma de muestras pequeas no es
normal.
Vamos a exponer a continuacin un mtodo aplicable a este caso,
que despus tendremos ocasin de analizar cuando tratemos el anlisis
de varianza.
291
S ~
F=--
S ~
Sean dos muestras de variables diferentes, deseamos saber si la di-
ferencia es significativa. Pues bien llamamos "F" a la razn entre dos
varianzas.
Donde Si es la varianza de la muestra 1 y S ~ es la varianza de la
muestra 2.
Lo que deseamos saber es si una razn "F", tal y como la halla-
da entre dos muestras determinadas, es compatible con la hiptesis
de que ambas muestras procedan por azar de una nica poblacin y,
por lo tanto, que sus variabilidades sean estimaciones de una misma
variabilidad y slo difieren entre s por azar.
~ x ~
n
S ~ = _=--:::..L__
xi
n
si =
Cuando se comparan las varianzas de dos muestras, la razn F se
calcula poniendo en el numerador la mayor de las dos varianzas.
Por ejemplo: Sean dos muestras. En la primera hay 9 casos y
si = 42.1 yen la segunda 5 casos y S ~ = 6.3.
Queremos saber si ambas variabilidades (varianzas) son significa-
tivamente distintas.
Calculamos F2:
42.1
6.3
F
2
= . ; ~ = 6.68
Ahora lo nico que tenemos que averiguar es qu probabilidad hay
que en una poblacin surjan por azar dos muestras cuyas variabilidades
den una razn F igualo mayor que 6.68. Si esta probabilidad es grande,
no podremos rechazar la hiptesis nula, es decir, no podremos rechazar
la hiptesis de que ambas muestras proceden de una nica poblacin o
de dos poblaciones con la misma variabilidad. Pero si la probabilidad es
pequea, por ejemplo, menos del 5%, podremos rechazar la hiptesis
nula a un cierto nivel de confianza, por ejemplo al nivel del 5%, y afir-
mar por consecuencia, a dicho nivel, que las dos variabilidades son dis-
tintas.
292
JESUS DE LA ROSA
Los estadsticos Fisher y Snecor han preparado tablas para averi-
guar esta probabilidad. Las ms sencillas y tiles son las tablas de Sne-
cor, en la que vienen datos de los valores que, n ha de alcanzar en cada
caso, F para ser significativa al ~ y al 1%.
La tabla de F es muy extensa y no fcil de reproducirla. Se puede
consultar en algunos libros de Estadstica. Es una tabla de doble entra-
da. Las columnas corresponden a los grados de libertad de la varianza
mayor (el numerador), y las filas a los grados de libertad de la varianza
menor (el denominador). Estos grados de libertad son siempre n - 1,
en nuestro caso 9 - I = 8 y 5 ..c. I == 4.
En el ejemplo tenemos una F =6.68 hallada en los muestrados de
9 y 5 casos respectivamente, es decir, con 8 y 4 grados de libertad.
La tabla F nos indica que para 8 y 4 g.l., la F ha de de ser igualo
mayor que 6.04 para ser significativa al ~ Como nuestra F es en efec-
to mayor que 6.04 concluimos, al nivel del 5%, que las dos variabilida-
des son distintas y que no proceden por azar de una poblacin nica.
15.22 X
2
("Cut" CUADRADO)
En general, X
2
("Chi" cuadrado) es un estadstico que indica la
discrepancia entre ciertas frecuencias empricas y las que se hallaran
de ser cierta una determinada hiptesis.
Supongamos, por ejemplo, que hemos elegido al azar 90 estudian-
tes de la Universidad Autnoma de Santo Domingo, concretamente
de la Facultad de Humanidades, y hemos averiguado a cul de estos
tres profesores prefieren: profesor Daz Castillo, profesor Enerio Ro-
drguez Arias y profesora Zoraida Suncar. Los resultados indican que
27 prefieren a Daz Castillo, 35 a Enerio Rodrguez Arias y 28 a Zo-
rada Suncar. Esto parece indicar que entre los estudiantes de la Facul-
tad de Humanidades tiene ms aceptacin el profesor Enerio Rodrguez
Arias. Pero esta conclusin puede objetarse bajo el alegato de que qui-
zs las diferencias entre las frecuencias sean debidas al azar y que es
posible que, en realidad, la poblacin de estudiantes sea homognea
con respecto a sus preferencias por los tres profesores. De ser verdade-
ra esa hiptesis, las frecuencias seran 30, 30 y 30 para cada profesor.
Cmo podemos poner a prueba esa hiptesis?
Dei mismo modo que en las lecciones antciores. Primero hay que
293
emplear un estadstico que exprese la discrepancia entre los datos em-
pricos y la hiptesis. Luego, hay que averiguar la distribucin mues-
tral de ese estadstico para ver la probabilidad que tiene que surgir al
azar una discrepancia tan grande o mayor que la observada en nuestro
caso. Este estadstico es X
2
("chi" cuadrado).
Se halla as:
Donde fe es cada una de las frecuencias empricas obtenidas en la
muestra, y ft es la frecuencia terica que le correspondera de ser verda-
dera la hiptesis que consideramos.
En el ejemplo anterior:
Tabla 15.7
Profesor
fe ft fe-ft
(f
e-ft}2
(fe - ft}2
ft
Daz Castillo 27 30 -3 9 0.300
Enerio Rodrguez 35 30 5 25 0.833
Zoraida Suncar 28 30 -2 4 0.133
90 90 X
2
= 1.266
Como se ve X
2
es una medida de la discrepancia entre unos datos
empricos y una determinada hiptesis.
Si cada frecuencia emprica fuera igual a su correspondiente fre-
cuencia terica, X
2
("chi" cuadrado) sera cero. Cuanto ms se aparten
las frecuencias empricas de las tericas, ms grande sern X
2.
Lo que
nos interesa saber de cada caso es la probabilidad que tiene esa discre-
pancia de surgir por azar en una muestra aleatoria elegida de una pobla-
cin que se distribuya segn la hiptesis. Si la probabilidad de una dis-
crepancia tan grande o mayor que la encontrada es muy elevada, no
podramos rechazar la hiptesis. Si la probabilidad es pequea, por
ejemplo, del orden de un 1%, podremos rechazar la hiptesis al 1% de
confianza y afirmar, a ese nivel, que la discrepancia entre los hechos y
la hiptesis es significativa.
Hemos calculado Xl del ejemplo, con respecto a la hiptesis de
que las frecuencias tericas fueran iguales. Lo mismo podemos hacer
con respecto a cualquier otra hiptesis. Por ejemplo, podemos poner a
prueba la hiptesis de que los profesores Daz Castillo, Enerio Rodrguez
Arias y Zoraida Suncar son preferidos en la poblacin por el 20%, el
60% y el 20% respectivamente de los sujetos. De ser cierta esa hiptesis
en nuestra muestra de 90 sujetos, los profesores Dfaz Castillo, Enerio
Rodrguez Arias y Zoraida Suncar, seran preferidos por 18, 54 Y18 su-
jetos respectivamente. Tambin podemos calcular Xl en ese caso, y nos
indicara, como en el caso anterior, la discrepancia entre los hechos y
esa segunda hiptesis.
En realidad x- nos sirve para expresar la discrepancia entre las
frecuencias empricas las frecuencias tericas de cualquier grupo de 3
frecuencias con tal que stas sumen 90 casos en total. Esto quiere decir
que al hacer una hiptesis podemos asignar los valores que queramos a
dos de estas frecuencias, pero el valor de la tercera viene ya determina-
do por el hecho de que entre las tres tienen que sumar 90. Por lo tanto
decimos que en el caso de tres frecuencias, hay dos grados de libertad.
El concepto de "grado de libertad" es importante porque la
forma de distribucin de Xl ("chi" cuadrado) depende frecuentemen-
te de los grados de libertad de la tabla de frecuencias en que se halla.
15.24 GRADOS DELIBERTAD
Antes de explicar la distribucin de Xl (vch" cuadrado) conviene
dar algunas reglas practicas para determinar los grados de libertad de los
diferentes casos.
En general, los grados de libertad de un conjunto de datos estn' fi-
jados por el nmero de datos que puedan variar independientemente.
El nmero de grados de libertad de una tabla de frecuencias ser
el nmero de frecuencias a los cuales podemos asignar libremente los
valores que queramos, cumpliendo las condiciones externas impuestas
a la tabla. Por ejemplo, cuando la nica condicin que se impone es que
las frecuencias sumen un cierto total,. el nmero de grados de libertad es
uno menos el nmero de frecuencias. Es el caso del ejemplo anterior,
donde tenamos 3 frecuencias y 2 grados de libertad. En otros casos se
imponen ms condiciones a la tabla de frecuencia y se reducen, por tan-
tOo ms considerablemente los arados de libertad.
Por ejemplo, sea la siguiente una tabla de frecuencia:
Tabla 15.8
Solteros Casados Total
Aprobados 186 758 944
Suspendidos 936 120 1,056
Total 1,122 878 2,000
Frecuencias de un grupo de estudiantes solteros y casados, segn
xito en el estudio.
Acabamos de presentar 4 frecuencias, divididas en dos filas y dos
columnas, tales que cada fila y cada columna tienen un cierto total o
suma. Si imponemos la condicin de que las sumas de las filas y las
columnas se mantengan siempre iguales, en el ejemplo anterior slo se
da un grado de libertad.
En efecto, es fcil ver que podemos hacer muchas combinaciones
de 4 frecuencias tales que cumplan esa condicin (que las sumas de las
filas y las columnas se mantengan siempre iguales), por ejemplo, las dos
combinaciones siguientes:
Tabla 15.9
100
844 944
1022
34 1056
1122 878 2000
296
JESUS DE LA ROSA
Tabla 15.10
200
744 944
922
134 1056
1122
878 2000
Pero al escribir estas frecuencias se observa que slo podemos va-
riar a voluntad una de las cuatro, las otras ya vienen determinadas por
las sumas de las filas y columnas. Si escribimos 100 en la primera casi-
lla de la primera fila, no tenemos ms remedio que escribir 844 en la
segunda casilla de la primera fila para que la fila entera sume 944. As
mismo hemos de escribir 1022 en la segunda casilla de la primera co-
lumna, para que el total de esa columna sea 1122. Finalmente hemos
de escribir 34 en la ltima casilla de la segunda fila para que las sumas
de las segundas las y la segunda columna sean respectivamente, 1056 Y
878.
Igualmente, si en la otra tabla escribimos 200 en la primera casilla,
hemos de escribir 744, 922 Y 134 en las otras tres para mantener inva-
riables las sumas de las filas y columnas. Vemos pues, que en esta tabla
Ie frecuencia slo hay un dato que puede variar independientemente y
'ibremente. Slo hay un grado de libertad. En general, en una tabla de
frecuencias de doble entrada, los grados de libertad son iguales al pro-
dueto de (f - 1) (c - 1), donde "f" es el nmero de filas y "e" es el
imero de columnas.
Para el caso de 2 filas y 2- columnas;
Grados de libertad = (f - 1) (e - 1) =(2 - 1)(2 - 1) =1
La tabla de "chi" cuadrado es una tabla de doble entrada, por un
lado tiene grado de libertad y por otro los diferentes niveles de confian-
za. Por ejemplo si tenemos 5 grados de libertad, vemos los diferentes
valores de X
2
("chi" cuadrado) a distintos niveles de confianza. Vemos
que X
2
("chi" cuadrado) es superior a 6.064 en el 30% de las muestras
aleatorias, de ser cierta la hiptesis sometida a prueba mediante X
2
, y
que X2 es superior a 11.070 es el 5% de tales muestras.
STADISTICA PSICO-EDUCATIVA 297
Si en una muestra de frecuencia de 5 grados de libertad obtenemos
un X
2
("chi" cuadrado) de 6.064, sabremos por consiguiente, que de
ser cierta la hiptesis que estamos comprobando, una discrepancia tan
grande o mayor ocurrira por mero azar el 30% de las veces. En este
caso X
2
("chi" cuadrado) no sera significativo y no podramos recha-
zar razonablemente la hiptesis en cuestin. Si en los 5 grados de li-
bertad, X
2
es igual a 11,070, las tablas nos dicen que una discrepancia
tan grande o mayor que la obtenida entre la hiptesis y los datos, slo
tiene una probabilidad del 5% de ocurrir por azar. Por consiguiente, re-
chazamos, al nivel de confianza del 5%, la hiptesis considerada.
15.25 PRUEBAS DEINDEPENDENCIA
Las pruebas de independencia que pueden resolverse mediante el
uso de X
2
("chi" cuadrado) son muy frecuentes en Pedagoga y en Psi-
cologa. Esas pruebas se refieren a aquellas situaciones en que deseamos
saber si dos variables o atributos estn o no relacionados. La lgica de
estos casos consiste, primero, en suponer que no hay correlacin; en
suponer que las dos variables o atributos son independientes, y, segun-
do, en poner a prueba esa hiptesis.
Sea por ejemplo, el caso de frecuencias de un grupo de estudiantes,
solteros y casados, segn xito o fracaso en el estudio.
Tabla 15.11
Solteros Casados Total
186 758 944
Aprobados
(530) (414)
936 120
1056
Suspendidos
(592) (464)
1122 879
2000
La hiptesis que deseamos poner a prueba es que no hay ninguna
relacin entre el estado civil (soltero o casado) y el xito en el estudio.
Si fuera esto cierto, entre los estudiantes aprobados habra el mismo n-
mero de solteros que casados e igual sucedera con los suspendidos. En
nuestro caso tenemos 2000 sujetos, 1122 solteros y 873 casados. Es
decir, 1122/2000 de la muestra son solteros. Si no hubiera ninguna
relacin entre el estado civil y el xitoen el estudio, encontraramos la
misma razn 1122/2000 de solteros entre los aprobados y entre los sus-
pendi tos, Es decir, entre los aprobados que son 944, habra 1122/2000
x 944 igual a 530 solteros, y entre los suspendidos, que son 1056, ha-
br 1122/2000 x 1056 igual a 592 solteros.
Esas frecuencias tericas aparecen debajo de las empricas, entre
parntesis, en las casillas respectivas. Segn esto, vemos que entre los
aprobados hay 186 solteros (frecuencia emprica). y tendra que haber
(de ser cierta la hiptesis de que el xito en los estudios. y el estado
civil no guardaran ninguna relacin), 1530 (frecuencia terica). Lo
mismo ocurre en las dems casillas. Puesto que hay 878/:!000 de la
muestra total que son casados, de no existir relacin alguna entre esta-
do civil y xito en el estudio, habramos de esperar que hubiera la
misma proporcin de casados entre los que han aprobado y entre los
suspendidos. Es decir (878)(944)/2000 igual a 144 casados entre los
aprobados y (878)(1056 )/:!OOO igual a 464 casados entre los suspen-
didos.
Todas esas frecuencias tericas se hallan mediante la frmula
general:
donde ft = frecuencia terica en una determinada casilla
k ff = suma de todas las frecuencias tericas de la fila en que est
dicha casilla.
2: f
c
= suma de todas las frecuencias empricas de la columna en que
est dicha casilla.
n = numero de casos de la muestra.
As, para averiguar la frecuencia terica correspondiente a la casi-
lla de la primera fila y la primera columna.
(944) (1122)
2000
530
299
La frecuencia terica de una casilla se calcula, pues, dividiendo por
el nmero total de casos el producto de la suma de la fila por suma de la
columna en que est dicha casilla.
Advirtase que las frecuencias tericas deben dar las mismas sumas
en filas y columnas que las frecuencias empiricas. Por consiguiente, en
tablas de cuatro casillas slo es preciso calcular una sola frecuencia te-
rica: las dems se obtienen por sustitucin de la primera casilla de la pri-
mera fila es 530, la de la segunda casilla ser 944 - 530 igual a 414.
Una vez halladas las frecuencias tericas (f
t),
se calcula X
2
median-
te la frmula:
ft
en nuestro caso:
x
2
= (186 - 530)2
530
+
(758 - 414)2
414
Para ver la significacin de X
2
=964.04 consultamos la tabla X
2
,
en la fila de un grado de libertad que es el que tiene la tabla de frecucn-
cia del ejemplo que estamos tratando. En la tabla X
2
("cili" cuadrado)
vemos que una discrepancia entre una hiptesis y ciertos datos tan gran-
de o mayor que la indicada por un "chi" cuadrado X
2
igual a 6.635
slo tiene un 1 de probabilidad de ocurrir por mero azar. Como nues-
tro X
2
C'chi" cuadrado) es igual a 964.04, es decir, muchsimo mayor
que 6.635. la discrepancia y los datos tienen mucho menos probabili-
dad del I de ocurrir por mero azar. Luego podemos rechazar la hip-
tesis de independencia entre estado civil y xito en los estudios. a un
elevadsimo nivel de confianza.
Como acabamos de ver. la prueba de X
2
("chi" cuadrado) nos per-
mite afirmar que ambas variables estn relacionadas. No indica, sin em-
bargo, el grado de correlacin.
Cuanto mayor sea X
2
("chi" cuadrado) ms es la confianza con
que podemos afirmar que ambas variables (estado civil y xito en los
estudios) estn relacionadas.
Otro ejemplo;
Supngase que en una muestra aleatoria de 150 alumnos entre los
cuales hay 80 nios y 70 nias, 56 de los varones resuelven correcta-
mente un determinado elemento de un test, mientras que slo 34 hem-
bras lo resuelven correctamente. Pueden estos datos surgir de una po-
blacin en la que haya la misma proporcin de nios que de nias que
resuelven correctamente dicho elemento? Es decir, hasta qu punto
son compatibles esos datos con la hiptesis de que dicho elemento es in-
dependiente del sexo? Para comprobar esa hiptesis mediante X
2
("chi"
cuadrado) procedemos as:
1.- Ordenamos los datos en una tabla de 4 casillas:
Tabla 15.12
Varones
Hembras
TOTAL
Correcto
56 (48)
34 (42)
90
Incorrecto
24 (32)
36 (28)
60
80
70
ISO
2.- Calculamos la frecuencia terica que correspondera a la casilla
primera, de ser cierta la hiptesis de independencia.
n
(80) (90)
ISO
48
Escribimos 48 entre parntesis debajo de 56, y calculamos las de-
ms frecuencias tericas restando de los totales marginales las
frecuencias tericas ya conocidas.
ESTADiSTICA PSICO-EDUCATIVA
3.- Calculamos X
2
:
301
(fe - ft) 8
2
8
2
8
2
8
2
X
2
= ~ -=--f-t ~ =---;s + 32+ ~ + ---z8 = 7.14
4.- Consultamos la tabla X
2
Vemos que con un grado de libertad,
X
2
es igual a 5.412 al 5% y X
2
es igual a 6.635 al 1%. Como nues-
tro X
2
es igual a 7.14 es mayor que 6.635, podemos afirmar, a
un nivel de confianza superior al 99% que existe diferencia signi-
ficativa entre los resultados obtenidos en el test entre varones. Es
decir, rechazamos la hiptesis de independencia para afirmar que
el sexo ha tenido que ver con los resultados a alcanzar en la prueba.
15.26 PRUEBAS DE HOMOGENEIDAD
A las pruebas de independencia se les puede considerar, desde otro
punto de vista, como pruebas de homogeneidad. Probar que dos varia-
bles, como sexo y respuesta a un test, son independientes, equivale a
probar que las respuestas de ambos sexos al test son homogneas, es
decir, semejantes, que lo mismo de bien responden los varones que las
hembras.
Volvamos al primer ejemplo de esta leccin. Una muestra aleatoria
de 90 estudiantes haba manifestado sus preferencias por uno de los tres
profesores. Los docentes Daz Castillo, Enerio Rodrguez Arias y Zorai-
da Suncar haba sido preferidos por 27. 35 y ':::8 alumnos. Queremos
ahora comprobar si estos resultados son compatibles con la hiptesis de
que la poblacin de estudiantes es homognea con respecto a sus prefe-
rencias por los tres profesores.
Para resolver el problema, planteado en el prrafo anterior, pode-
mos recurrir al X
2
("chi" cuadrado), de acuerdo al procedimiento si-
guicnte: Sea esta la tabla de preferencia.
Tabla 15.13
Docentes
Daz Castillo
Encrio- Arias
Zoraida Suncar
No. de estudiantes que lo prefieren
27
35
28
:\ = 90
\.- Calculamos las frecuencias tericas que se obtendrn en la hip-
tesis de homogeneidad de frecuencia. Puesto que hay 90 sujetos y
tres profesores, esas preferencias seran 30,30 y 30. Cada profesor
sera igualmente preferido.
2.- Calculamos X
2
= (fe - ftf 1.266
ft
3.- Averiguamos los grados de libertad del caso. Como hay tres fre-
cuencias que tienen que sumar 90 en total tenemos 2 grados de
libertad.
4.- Consultamos la tabla X
2
. Vemos que, para 2 grados de libertad,
X
2
ha de ser igual a 5.991 para ser significativo al 5%. Como nues-
tro X
2
es menor, no podemos rechazar la hiptesis de homogenei-
dad. No es que hayamos probado que la hiptesis sea cierta, sino
que afirmamos que los datos no nos permiten rechazarla con su-
ficiente garanta. Una discrepancia entre las frecuencias empri-
cas y las que se obtendran de ser verdadera la hiptesis de igual
preferencia por los tres profesores, tan grande o mayor que la ob-
tenida, ocurrira por azar, incluso si la hiptesis fuera cierta, con
ms del 5% de muestras aleatorias; ocurrira en ms de un 30% de
las muestras aleatorias (esta ltima afirmacin puede comprobar-
se en la tabla X
2
) . Es tanta, pues, la probabilidad de alcanzar esa
discrepancia por azar que, sin pretender haber probado que haya
surgido casualmente, no podemos rechazar esa hiptesis a un ni-
vel de confianza suficiente.
Otro ejemplo:
Supongamos que una escuela tiene 4 aulas, con 100, 140, 70 Y
90 alumnos cada una. En la escuela se est realizando un estudio de
las actitudes del conglomerado, incluyendo, por ejemplo, la actitud
con respecto a las relaciones entre maestros y alumnos.
Supongamos que en esos cursos 70, 90, 50 Y60 alumnos respecti-
vamente, manifiestan descontento en relacin con ese punto. Nos pre-
guntamos, indican esos datos un estado de descontento homogneo
en toda la escuela o hay diferencias entre los cursos? Esa cuestin pue-
de resolverse mediante el uso de X
2
("chi" cuadrado) de la siguiente
manera:
ESTADISTICA PSlCO-EDUCATlVA
303
1.- Hgase la tabla de frecuencias, con las empricas y las tericas:
Tabla 15.14
Cursos
2 3 4
.Descontentos 70 90 50 60 270
(67.5) (94.5) (47.25) (60.75)
Conformes 30 50 20 30 130
(32.5 ) (45.5) (22.75) (29.25)
100 140 70 90 400
Las frecuencias tericas se calculan empleando la frmula ya cono-
cida:
100 x 270
400
67.5
2.- Se calcula
(50 - 47.25)2
+ 4725
(50 - 45.5)2
+ 45.5
(94.5 - 90)2
+
94.5
(32.5 - 30)2
32.5
(30 - 29.25)2
+ '29.25
(70 - 67.5)
67.5
(60.75 - 60)2
67.5
(22.75 _ 20)2
22.75
+
+
x
2
=1.465
La tabla 15.14 tiene tres grados de. Iibertad, pues son 2 filas y 4
columnas. g.l. =(f - 1) (e - 1);: I x 3 =3.
304 JESUS DE LA S ~
3.- La tabla X
2
indica que, con tres grados de libertad, X
2
= 7.815
al nivel del 5%. Como nuestra X
2
no llega a ese valor, no podemos
rechazar la hiptesis de homogeneidad en toda la empresa con res-
pecto a la actitud examinada. El que la actitud con respecto a las
reacciones entre profesores y alumnos sea homognea en toda la
escuela no quiere decir naturalmente, que haya el mismo nmero
de contentos que de descontentos, sino que la razn entre ellos,
cualquiera que sea, es aproximadamente la misma en todos los
cursos. Para ver, en cada curso, si el nmero de alumnos conten-
tos, podramos utilizar los procedimientos ya conocidos de signi-
ficacin de proporciones o bien aplicar de nuevo X
2
Por ejemplo, para poner a prueba la homogeneidad del primer cur-

so con respecto a las relaciones entre profesores y estudiantes, tendra-
mos que comparar las frecuencias empricas de descontentos y conten-
tos, 70 y 30, respectivamente, con las tericas que habrn de obtenerse
con la hiptesis de homogeneidad, que seran, claro est, 50 y 50.
Tabla 15.15
PRIMER CURSO
fe ft fe-ft
(f
e-f)2
(fc-fd
f
c
Descontentos 70 50 20 400 8
Contentos 30 50 20 400 8
X
2
= 16
Lstc X
2
tendra un grado de libertad, pues, hay dos frecuencias
que tienen que cumplir con la condicin de menor de 100. por lo que
slo una de ellas puede variar indcpcndicn temen te,
En la tabla X2' vernos que. con un grado de libertad X
2
= 16 es
Significativo muy pcr encima del 1"0, Por consiguiente. rechazamos la
hip tesis de hom'ogcneidad a un elevado nivel de confianza. afirmando
305
a ese nivel que el nmero de estudiantes descontentos es significatiya-
mente superior al nmero de estudiantes contentos.
15.27 OBSERVACIONES PARA EL USO DE X
2
("CHI" CUADRADO)
La prueba de X
2
("chi" cuadrado) debe emplearse slo cuando el
nmero total de casos sea superior a 50, y no haya ninguna frecuencia
terica inferior a 5. Cuando esto ltimo sucede. y hay suficientes casi-
llas en la tabla de frecuencia, conviene reunir dos o ms categoras en
una. hasta conseguir que ladas las frecuencias tericas sean superiores
a 5.
Se habr advertido, adems, que la tabla de >:2 slo se refiere a
casos del I a 30 grados de libertad. Ello es debido a que cuando los gra-
dos de libertad son ms de 30, se puede usar la tabla normal, convirtien-
do previamente X
2
a su valor equivalente con unidades tpicas de la cur-
va normal, mediante la frmula:
s = ~ -,2I1=l
donde "s" significa un valor tpico, es decir, en unidades sigma. y "n"
significa los grados de libertad. Por ejemplo. supongamos que X
2
= 30,
en un caso que tiene 40 grados de libertad.
s = ..J'f.X'-y 2n - I =J 2 (3W -y 2 (40 - 1) = -1.14
Ahora bien. la probabilidad de superar al azar un valor dado de X
2
es la misma que tiene una medida seleccionada al azar de una poblacin
normal de estar situada a la derecha del punto -1.14. Si consultamos la
tabla normal vemos que esta probabilidad es de 87.29%, es decir, 37.29'1,
+ 50%. Es evidente que teniendo tanta probabilidad de surgir por azar.
no podemos decir que X
2
= 30 con 40 grados de libertad, sca significati-
vo.
En general. cuando X2 tenga ms de 30 grados de libertad, se hace
lo siguiente:
1.- Se convierte X
2
en S. por la frmula:
s ~ J 2n-1
305
a ese nivel que el nmero de estudiantes descontentos es significatiya-
mente superior al nmero de estudiantes contentos.
15.27 OBSERVACIONES PARA EL USO DE X
2
("CHI" CUADRADO)
La prueba de X
2
C'chi" cuadrado) debe emplearse s610 cuando el
nmero total de casos sea superior a 50, y no haya ninguna frecuencia
terica inferior a:; Cuando esto ltimo sucede, y hay suficientes casi-
llas en la tabla de frecuencia, conviene reunir dos o ms categoras en
una. hasta conseguir que todas las frecuencias tericas sean superiores
a 5.
Se habr advertido, adems, que la tabla de X
2
s610 se refiere a
casos della 30 grados de libertad. Ello es debido a que cuando los gra-
dos de libertad son ms de 30, se puede usar la tabla normal, convirtien-
do previamente X
2
a su valor equivalente con unidades tpicas de la cur-
va normal, mediante la frmula:
s =~ -.J2i1=T
donde "s" significa un valor tpico, es decir, en unidades sigma. y "n"
significa los grados de libertad. Por ejemplo, supongamos que X
2
= 30,
en un caso que tiene 40 grados de libertad.
s =vnxr-y2l1"=1 =J :2 (30)Z -.y :2 (40 - 1) - -1.14
Ahora bien. la probabilidad de superar al azar un valor dado de X
2
es la misma que tiene una medida seleccionada al azar de una poblacin
normal de estar situada a la derecha del punto - 1.14. Si consultamos la
tabla normal vemos que esta probabilidad es de 87.29%, es decir, 37.29%
+ 50%. Es evidente que teniendo tanta probabilidad de surgir por azar.
no podemos decir que X
2
= 30 con 40 grados de libertad, sea significati-
vo.
En general. cuando X
2
tenga ms de 30 grados de libertad. se hace
lo siguiente:
1.- Se convierte X
2
en S. por la frmula:
S= ~ 2n-1
ESTADI5TICA P5ICO-EDUCATIVA
EJERCICIOS
307
r5.1 Supngase que las alturas de 3000 estudiantes de una universi-
dad se distribuyen normalmente en media de 68 pulgadas y des-
viacin ttpica de 3 pulgadas. Si se toman 80 muestras de 25 estu-
diantes cada una cul ser la media y la desviacin tipica espera-
da de la distribucin muestral de medias resultantes?
15.2 En cuntas pulgadas del problema 1 cabria esperar una media (a)
entre 66.8 y 68.3 pulgadas(b) menor que 66.4 pulgadas.
15.3 Los mtodos de una eleccin demostraron que el candidato del
grupo UNER obtuvo el 46 por ciento de los votos. Determinar la
probabilidad de que entre 200 estudiantes elegidos al azar de entre
la poblacin votante se hubiera obtenido una mayoria de votos
paradicho candidato.
15.4 La desviacin tipica de los pesos de una poblacin de estudiantes
es de la libras. Se extraen muestras de 200 estudiantes cada una
de la poblacin y se calculan las desviaciones tipicas de los pesos
de cada muestra.
a) Halle la media de las desviaciones tfpicas de las muestras.
b) Halle la desviacin tfpica de la distribucin muestral de las des-
viaciones tipicas.
15.5 Al medir el tiempo de reaccin, un psiclogo estima que la desvia-
cin tipica del mismo es de 0.05 segundos. Cul ser el nmero
de medidas que deber hacer para que sea de un 95 por ciento la
confianza de que el error de un sistema no exceder en 0.01 segun-
dos?
15.6 Supongamos que hemos seleccionado la estatura de 100 estudian-
tes de la UA.S.D., como una muestra aleatoria simple. La media
de la muestra es 68 pulgadas. La desviacin ttpica de las estaturas
encontradas en la muestra es de 2 pulgadas. Encuentre la altura
media de los 28 mil estudiantes de la 1J.A.S.D. con una confianza
de un 95 por ciento.
308
JESUS DE LA ROSA
15. 7 A continuacin calificaciones de examen de admisin de :lOO estu-
diantes primeros en presentar examen.
Calificaciones No. de Estudiantes
OY menos de 20 15
20 Y menos de 40 45
40 Y menos de 60 70
60 Y menos de 80 50
80 Y menos de 100 20
n =200
Encuentre la media esperada de las calificaciones de todos los es-
tudiantes que se presentaron a examen.
15.8 Un grupo pol itico en una poblacin grande desea conocer el por-
centaje de electores que votarn por cierto candidato. Una muestra
de 400 electores ha sido tomada al azar. La muestra arroja que 140
electores votarn por ese candidato. Estimar el porcentaje de rotos
esperado a Sil [arar en las elecciones generales.
15.9 Una muestra de 60 estudiantes varones del departamento de Edu-
cacin Fisica de una universidad, tiene una estatura media de 69.5
pulgadas con U/la desviacion ttpica de 3 pulgadas. Otra muestra de
40 estudiantes varones del Departamento de Lconomia en la Uni-
versidad, tiene una estatura media de 68.4 pulgadas COII una des-
viacion t ipica de 2 pulgadas. <;Hay diferencia significativa entre las
estaturas medias a niveles de 1 por cientr. de significacion'
151OSuponga que le ha preguntado a 35U trab iiadores docentes en rela-
cin con sus salarios mensuales COIllO un.i muestra al azar de UII sis-
tema de 20,000 trabajadores de la el/se/lanza. Los resultados de sus
preguntas estn tabuladas ms abajo. Estime la media de la pobla-
cin de los salarios ganador por los maestros mediante intervalo de
confian:a de un 95 por cielito.
fSl'ADISTICA PSICO-E DUCATI VA
Salario Mensual No. de maestros
309
S50 a menos de S70 50
$ 70 a menos de S90 70
S90 a menos de S I1 O
125
SIIOam('JIIJ.\' e SIJO
75
S I JOa mCI/IJI e S150 JO
Total = 350
J5/1 Un alumno realiza 111/ test de 70 cuestiones de ti!)() falso -verdade-
ro adivinando las respuestas a cada una. Ob ticnc una puntuacin
de 45. .Dificr este resultado signiflcativumente de! que se espera-
ria por cfcct de! azar:'
15. 12A 200 nios de ambos scxc: se les dio a probar IIl1a nueva marca
de chocotatc .\' H' les pidi que expresaran Sil preferencia. lIe aqu{
los resultados
Aceptacin No aceptacin
[
Hembras J4 46
Varo/les 72 48
)'1' diferencian signiflcutvamente las preferencias de los dos sexos
sespecto a la aceptacurn o no de la nueva marca de chocolate,
IJ13.1 una muestra grande const itu (da por 200{) alumnos de liceo se
prcgun u si estaban o no conforme con la declaracin "no debe
permitirse que los esludiantes se organicen para luchar contra la
11'.1 r e! orden", LIJs resultados de ambos sexos se tabularon por
separado .1' fueron tos siguientes:
310
Varones
Hembras
Conforme
360
290
JESUS DE LA.ROSA
No conforme
640
710
Difieren significativamente las opiniones entre los dos sexos?
15.14A 200 jvenes, cuyas madres unas tenian estudios superiores y
otras no, se les pregunt si estaban o no de conformes acerca del
comportamiento actual de la juventud. Los resultados fueron los
siguientes:
Madres con estudios superiores
Madres sin estudios superiores
Conformes
38
84
No confonnes
12
66
Existe alguna relacin con laformacin de las madres, las respues-
tas dadas?
1515 En una encuesta realizada en Repblica Dominicana entre profeso-
res universitarios se hizo la siguiente pregunta: considera usted
beneficioso laparticipacin estudiantil en el gobierno universitario?
Tabuladas las respuestas por universidad se obtuvo la distribucin
siguiente:
Conformes Indecisos No conformes
UA.S.D. 150 25 25
UN.P.H.U 40 30 80
UC.M.M. 50 30 50
UC.E. 10 5 15
Contrastar la hiptesis de que la inconformidad de los entrevista-
dos no tiene relacin alguna con la Universidad donde trabajan los mis-
mos.
PARTE V
METODOS DE
EIPERIMENTACIIN ESTAIIITICAS
XVI
ANALISIS DE LA VARIANZA
16.1 ANALlSIS DE LA VARIANZA SIGNIFICACION
El experimento ideal en todas las ciencias es aquel en que se
modifica una variable llumuda independiente y se observan los cam-
bios que en cunsccucncia se producen en otra variable llamada depen-
diente. As, para avcriguur la influencia de la temperatura en la longitud
de metales, se somete un metal a varias temperaturas (variable indepen-
diente) y se observa la longitud (variable dependiente) que corresponde
a cada temperatura. Este tipo de experimento requiere que todas las
variables puedan influir en la longitud se mantengan constantes duran-
te el experimento y solo se modifique la variable independiente bajo
estudio.
En materia de Psicologa y de Pedagoga es difcil. y a menudo,
imposible conseguir estas condiciones. Si se desea investigar. por ejem-
plo, cual de de dos mtodos de la enseanza es el mejor. no basta con
aplicarlos a dos grupos y observar los resultados. porque en stos influ-
yen tambicn otros factores, conviene utilizar algn mtodo que permi-
ta conocer la influencia de cada uno en los resultados. Tal es el fin d e
analisis de varianza. El anlisis de varianzas pcrmite resolver dos clases
de problemas:
,) El comprobar la significacin cstad istica ,1<: las diferencias entre' las
medias de varios grupos. l.n este sentido cs una aplicacin de los
mtodos de la razn crrtica y de' "t", expresados en caprtulos
anteriores.
b) El comprobar la influencia relativa de diversas variables indepen-
dientes y de sus interacciones mutuas cuando en un experimento
intervienen dos o ms variables de ese tipo.
El caso ms sencillo podemos ilustrarlo con el siguiente ejemplo.
Se tratar de investigar la bondad relativa de cuatro mtodos para ense-
ar una cierta tarea o leccin. Supongamos que tenemos a nuestra dis-
posicin 20 sujetos. Probamos al azar 5 sujetos con cada mtodo y, al
final, les aplicamos un examen en el que se obtienen las siguientes
puntuaciones.
Tabla 16.1
PUNTUACIONES EN ELEXAMEN FINAL
A B C D
7 6 4 3
3 7 2 4
4 10 5 5
3 8 I 4
6 5 3 2
L 23 36 12 18
X 4.6 7.6 2.4 3.6
Vemos que [as medias de los cuatro grupos son distintas. La
cuestin es si son suficientemente distintas o si sus diferencias pueden
fcilmente atriburselos al azar.
Esta es la aplicacin ms sencilla del anlisis de varianza, muy
til por cierto. en numerosos casos prcticos. Por ejemplo, cuando
queremos investigar la influencia de varias intensidades de iluminacin
en la fatiga ocular: cuando deseamos investigar las influencias de tipos
de relaciones humanas en el grado de satisfaccin en el trabajo, etc.
16.2 LA LOGICA DELANALlSIS DEVARIANZA
Es muy sencilla. Volvamos al ejemplo de la tabla 16.1. Tenemos
20 sujetos divididos en 4 grupos de a 5 sujetos cada grupo. Cada grupo
ha sido sometido a un mtodo distinto de aprendizaje obteniendo cier-
tos resultados.: Cmo averiguar si los grupos (es decir, los mtodos)
son distintos entre s? Sencillamente, viendo si las diferencias halladas
entre grupo Y grupo son suficientemente mayores que las diferencias
halladas dentro de cada grupo. Si no lo son, quiere esto decir, que los
sujetos varan tanto cuando son sometidos al mismo mtodo como
cuando son sometidos a mtodos diferentes, en cuyo caso est claro
que no hay razn para atribuir sus variaciones a las diferencias entre los
mtodos, dichas variaciones se debieron simplemente a la variabilidad
de los sujetos.
Si las diferencias entre los grupos son suficientemente mayores
que las diferencias dentro de cada grupo, quiere decir que la simple
variabilidad que los sujetos muestran, cuando son sealados con un
mismo mtodo, no explica suficientemente las variaciones observadas
de un grupo a otro y, por tanto, siel experimento ha sido bien prepa-
rado, habr que atribuir estas variaciones a lo que distingue a los grupos
entre s; en nuestro ejemplo, a los mtodos de la enseanza.
En resumen, lo que hemos de hacer es comparar la variabilidad
de los grupos entre s (variabilidad intcrgrupo), con la varibilidad de
los sujetos dentro de cada grupo (variabilidad intragrupo). Y como
la varianza es un ndice de la variabilidad, lo que se hace, en fin de
cuentas, es comparar la varianza intergrupo con la varianza intragrupo.
16.3 EL DESARROLLO MATEl\IATICO DEL ANALISIS DE
VARIANZA
Hemos visto que el anlisis de varianza consiste, en esencia, en di-
vidir la variacin total de los resultados en dos partes, la debida a la va-
riabilidad de los sujetos dentro de los grupos y la debida a la variabili-
dad de los grupos entre s.
Vamos a ver ahora cules son los fundamentos matemticos de es-
te mtodo.
Despus. indicaremos la manera prctica de ordenar los clculos.
Finalmente aplicaremos esas ideas a varios ejemplos concretos. Supon-
gamos una muestra de N sujetos dividida al azar en r grupos de n suje-
tos cada unos: N = nr. Cada grupo es sometido a una situacin distinta
y cada sujeto obtiene al final, el resultado X. Estos resultados varan
en torno a una media total Xl.: los resultados de cada grupo i varan
en torno a la media del grupo Xi. As:
x= una variable
n = nmero ele casos en cada grupo
r = nmero de grupos
N=; nr, nmero total de casos
M; = media total
d
u
= X - X
t
= diferencia entre la media de un grupo y la media
total.
Consideramos un grupo cualquiera:
x = X- X
t
xi =X - Xi
x = xi +di
Elevando al cuadrado:
Sumando los valores X
2
de todos los n sujetos del grupo:
,- 2 _ Y 2 + "X d 1
2
- y X
2
",1 "X d
2
- Xi - - (Xi - i + ( i ) - - i +_ui':" i + n i
Como 2: xi = O
v 2_," ,2+ ,,2
- Xi - ~ i n U
Lo mismo ocurre en cada grupo: luego sumando los X
2
de todos
los sujetos de todos los grupos:
(1)
l.xuminamos cada uno de los tres trminos de esta frmula, Son
muy importantes en l'I a n ~ l l i s i s de varianza.
ESTADISTICA PSICO -F: DUCATIVA
El primero de ellos es:
n
1: ; Xl
317
Se le llama suma de cuadrado total o variabilidad total, indica la
suma de los cuadrados de las diferencias entre cada valor y la media to-
tal y expresa la variacin total ele los :, sujetos en torno a dicha media
total.
El scgu ndo es:
n r
2.:
n
- 2
(Xi - X
t
)
Se le llama suma de cuadrado intragrupo, indica la suma de los
cuadrados de las diferencias entre cada valor y la media de n grupo y
expresan la variacin de los sujetos dentro de cada grupo.
El ltimo trmino es:
r 2
;:. d. = n
1
Se le llama suma de cuadrados intergrupo, indica la suma de los
cuadrados de las diferencias entre la media de cada grupo y la total
(multiplicada esta misma por n l. y expresa la variacin n de los sujetos
grupo a grupo en torno a la media general.
Hemos demostrado un importante teorema del anlisis de varian-
za: "cuando una muestra de N sujetos l'st<1 dividida en r grupos de n
sujetos cada uno. la suma ele cuadrados total. representativa de la
variacin total de los sujetos, es igual a la suma de cuadrados intragrupo
ms la suma ele cuadrados intcrgrupo".
16.4 MEDIA CUADRATlCAINTRAGRUPO
Supongamos que los N casos agotan toda la poblacin. Entonces
tendremos r muestras aleatorias de n sujetos eada una, tules que nr =N.
318
JESUS DE LA ROSA
Sabemos que:
r n 2
L LX
r n 2 r
L LXi + n L di (1)
Que tambin puede escribirse:
(2)
Si dividimos (2) por N = nr:
N
F n -2 I __ 2
L L (X - Xi) L (Xi - X
n r r
(3)
El primer trmino de (3) ser la varianza de la poblacin ya que
hemos supuesto que N e, el nmero total de sujetos de la poblacin.
El segundo trmino de (3) puede escribirse:
I r
___ '5'
r
n - 2
L (X - Xi)
n
Por donde se ve equivale a hallar la varianza de cada grupo.
- 2
L (X - Xi)
n
Sumamos todas esas varianzas de los grupos y dividimos el resul-
tado por r. Es decir, ese trmino expresa la varianza media de todos los
grupos, a lo que llamaremos.
El tercer trmino de (3) indica la varianza de las medias de n en
tomo a la media de la poblacin, es decir, indica el cuadrado del error
tpico de la media, S ~ pues ese error tpico es, como ya sabemos, la
desviacin de la distribucin muestral, la cual, a su vez, es la distribu-
cin de las medias de muestras aleatorias del mismo nmero de casos
en tomo a la media de la poblacin.
Por consiguiente (3) puede escribirse:
(4)
Peto
2
2 S Pobo
Sx=--- (5)
n
Luego sustituyendo (5) en (4)
2
2 2 Sp b
S =S +_0_
Pob m n
S2 (n - 1)
Pob-
n
-
S2 2 n
Pob = Sm ( n _ l
Como, por otra parte, sabemos que
nr
resulta:
r n _ 2
L L (X - X)
S2 = ~ _ : _
ro
r n _ 2
2 n L L (X - Xi)
Spob+ nr(n-l)
r n - 2
L L (X - Xj)
r (n - 1)
(6)
La frmula (6) indica la manera de hallar la varianza de la pobla-
cin en el caso en que N abarque la poblacin total.
En el caso, mas frecuente, en que la muestra total N no agote la
poblacin, el segundo m i ~ n r o de (6) es tan solo una estimacin de la
varianza de la poblacin Spob.
r n _ 2
L L (X - Xi)
r (n - 1)
(7)
Se le llama MEDIA CUADRATICA INTRAGRUPO, por ser una
media de los cuadrados de las diferencias entre los sujetos DENTRO
de cada grupo. Cuando N no abarca la poblacin total, (7) es una esti-
macin de la varianza de la poblacin basada en r (n-I) grados de li-
bertad.
16.5 LA MEDIA CUADRATICA INTERGRUPO
Ya hemos visto que cuando N es toda la poblacin, entonces:
Pero tambin
Tenernos que:
Por tanto:
r _ 2
L (X - X)
r
2
Spob
n
2 2
Spob = n S
r __ 2
n L (X - Xj)
r
(8)
(lO)
Volvamos a nuestro ejemplo: Tenernos 20 sujetos, cada uno con
un resultado en el examen final; dividirnos en 4 grupos de 5 sujetos cada
uno. Querernos saber si las medias de los grupos son significativamente
distintas entre s. Para ello formularnos la hiptesis nula y vernos a qu
nivel de confianza podemos trabajar. La hiptesis nula consiste, en
este caso, en suponer que los 4 grupos de resultados son muestras alea-
torias de una misma poblacin comn y que, por tanto, las diferencias
entre ellas no se deben ms que al azar. De ser cierta esa hiptesis es
evidente que la media cuadrtica intcrgrupo ser igual, excepto por azar,
que la media cuadrtica intragrupo, pues ambas, como se ha demostra-
do, son estimaciones de una y la misma varianza de la poblacin. Para
comprobar la hiptesis nula slo tendremos por consiguiente, que ver si
estas dos estimaciones de la misma varianza son o no significativamente
distintas. Y, como lo que nos interesa particularmente es averiguar si la
media cuadrtica intergrupo es significativamente mayor que la intragru-
po, eso es lo que concretamente haremos.
Para ello dispondremos los datos de la siguiente manera:
Tabla 16.2
TABLA DE ANALISIS DE VARIANZA
Grado de
Libertad
(1)
Fuente de
variacin
lntergrupo
(2)
Suma de
Cuadrados
(3) (4)
Media
Cuadr-
tica
r _ _ 2
N (Xi X
t
)
(5)
Intragrupo
r _ 2
N (X - X
t
) r (n - 1)
r n _ 2
(Xi - X)
r(n-})
Total
N 2
(X - X
t
) N - 1
2
En la columna (4) tenemos las dos estimaciones de Spob basadas
en la variacin intergrupo e intragrupo. Para ver si la primera es signifi-
cativamente mayor que la segunda procedemos como sigue: Si es igual
o menor la primera que la segunda no hay que seguir; resulta evidente
que no es significativamente mayor. Si es mayor hallamos F, dividiendo
la media cuadrtica intergrupo por la intragrupo. Luego, interpretamos
este cociente mediante la tabla F, por la 'que averiguamos que valor
habr de alcanzar F con r - 1 y r (n - 1) grados de libertad, para ser sig-
nificativo al o al 1% . Si la F de nuestro caso es igual o mayor que
322
JESUS DE LA ROSA
ese valor, rechazamos la hiptesis nula al nivel de confianza del 5% o
del 1% .
Tal es, en esquema,la lgica del anlisis de varianza. Veamos ahora
cmo se produce en la prctica.
16.6 ANALISIS DE VARIANZA EN LOS COMPONENTES
Segn lo expresado anteriormente, el anlisis de varianza se
realiza en dos fases. La primera consiste en hallar las sumas de cuadra-
dos, los grados de libertad y las medias cuadrticas. La segunda en hallar
el cociente F entre la media cuadrtica intergrupo y la media cuadrtica
intergrupo y la media cuadrtica intragrupo.
La nica parte que exige clculos laboriosos es la que se refiere a
las sumas de cuadrados. La manera ms rpida y sencilla es hallar estas
sumas de cuadrados es la que exponemos a continuacin; primero, en ge-
neral; luego en forma prctica, y finalmente, aplicada a un caso concre-
to.
16.7 CALCULO DE LAS SUMAS DE CUADRADOS
Total ; (X _ Xt)2 = X2_ (f
N
Demostracin:
N N
- N N 2 LX LX
-2X
tLN=LX
+N-N- N
n
LX
-2-
l--LX=
N
n 2 N
LX n 2 2
2 '<'F 2 LX
LX ---N--
Intergrupo:
323
[
n 2
( ~ X
n
Demostracin:
r
n
2
2
r
-2 -2
r
~ X)
n ~ (Xi - X
t)
= n ~ (XI + X
t
- 2 X
t
Xi) = ~ n
n
2
n
n
2
n
2
2
~ X) ~ X)
+nr
~ X)
2
I
~
I
N
2
N N
n
2
&X)2
X
~
1 1
----
N N
Intergrupo
Total - Intergrupo
16.8 ORDENACION PRACTICA DE LOS CALCULOS
lro. Frmese la tabla de los resultados X, con tantas columnas como
grupos, tantas filas como individuos en cada grupo.
2do. Hllense las sumas de las filas y columnas, la suma total ~ X
ha de ser coincidencialmente igual a la suma de las filas y a la suma
de las columnas.
3ro. Hllese la suma de los cuadrados de los valores de cada columna:
4to. Hllese la suma de los cuadrados de todos los valores:
324
n n
2do. Hallamos ~ X en cada columna y ~ x total
n
~ X=89
JESUSDE LA AOSA
n
3ro. Hallamos ~ X
2
en cada columna o grupo, y sumando todas
esas sumas parciales:
n 2
4to. Hallamos ~ X = 497
Sto. Hallamos el trmino de correccin
2
(89)
20
396.05
6to. Hallamos la suma de cuadrados total:
n 2
~ X)
I
N
7mo. Hallamos la suma de cuadrados intragrupo:
n 2
~ X)
N
n 2
~ X)
I
N
(23i (36)2 (12)2 (18)2
-5- + -5- +-5- +--5- - 396.05
=458.60 - 396.05 =62.55
u m ~ de cuadrados Total .- Suma de cuadrados intergrupos,
Sto. Hllese el trmino de correccin:
6to. Hllese la suma de cuadrados total:
325
n 2
X)
N
7mo. Hllese la suma de cuadrados intragrupos:
Suma de cuadrados Total -Suma de cuadrados intergrupos.
r 2
X)
1
n
n 2
X)
1
N
8vo. Hllese la suma de cuadrados intragrupos:
Suma de cuadrados Total -Suma de cudrados intergrupos.
16.9 APLlCACION DE UN EJEMPLO CONCRETO
Sea el ejemplo anteriormente citado
Ira. Formamos la tabla de los resultados
Tabla 16.3
A B C D 3X
7 6 4 3 20
3
7
2 4 16
4 10 2
5 21
3 8 I 4 16
6 5 3 2 16
:E X
2
:!3 36 12 18 89
X 119 274 34
70
497
326
Total - Intergrupo = 100.95 - 62.55 = 38.40
JESUS DE LA ROSA
Una vez halladas las sumas de cuadrados, ordenamos los resulta-
dos en una tabla de anlisis, como sigue:
Tabla 16.4
(1)
(2) (3) (4) (S)
Fuente de Suma de G.L. Medias F
Variacin Cuadrados Cuadrticas
Intergrupo 62.55 3 20.85 8.69
Intragrupo 38.40 16 2.40
Total 100.95 19
En la columna (1) escribimos las fuentes de variacin, que en este
tipo sencillo de anlisis de varianza se reduce a dos: la variacin entre
los grupos (intergrupo) y la variacin entre los individuos dentro de
cada grupo (intragrupo). Por eso se llama a este tipo de problemas,
ANALISIS EN DOS COMPONENTES.
En la columna (2) escribimos las sumas de cuadrados respectivos,
En la columna (3) se escriben los correspondientes grados de liber-
tad. As, a la suma de cuadrados intergrupo, como hay r =4 grupos.
corresponden r - l =3 grados de libertad. A la suma de cuadrados in-
tragrupo, como hay r =4 grupos, cada uno con n - 1 = 4 grados de li-
bertad, le corresponden (n - 1) = 16 grados de libertad.
La suma de la columna (2) debe dar la suma de cuadrados total.
La suma de la (3) debe dar el nmero de grados de libertad de la mues-
tra total, que son N - 1 = 20 - I =19, pues hay N datos que varan en
tomo a una media total Xt; la cual al usarse como estimacin de un 'pa-
rmetro n (la N) resta un grado de libertad.
La columna (4) resulta de dividir los valores correspondientes de
las columnas (2) y (3).
S610 queda, ahora, hallar F:
327
_
..;;; 2..:., 0:..;; .8_S_
F=
2.4
8.69 con 3 y 16 grados de libertad.
Segn la tabla de F, con 3 y 16 grados de libertad, F=S.29 para
significativa al 1%. Como nuestra F = 8.69, es menor que este valor, de-
fenderemos su significacin a un nivel superior 1%, al cual rechazamos,
por consiguiente, la hiptesis nula.
Concluimos, pues, que las diferencias entre los grupos no se deben
al azar.
A qu se deben? Eso depende de cmo haya sido preparado el
experimento. Si los grupos son homogneos en todo, excepto en el
mtodo con que han sido enseados, esas diferencias se debern a la
diversa eficacia de los distintos mtodos.
Podemos concluir que los diferentes mtodos son distintos entre
s. Pero, lo son todos? Esto es otro problema. Puede que F resulte
significativo debido a las diferencias entre 'un grupo y todos los dems;
o a combinaciones. Una vez probado que las diferencias entre los grupos
no pueden razonablemente ser atribuidos al azar, podemos pasar a
comprobar cuales son las diferencias significativas entre los pares de
grupos que nos interesen. Para ello utilizaremos la conocida tcnica
de "t".
16.20 EL USO DE "t" COMO CONSECUENCIA DE UN ANALISIS
DE VARIANZA
Como ustedes saben para comprobar la significacin de la diferen-
cia entre las medias de dos grupos, se usa "t" segn la frmula:
donde:
328
JESUS DE LA ROSA
Saben ustedes, que: Sx =J ~ Ahora bien, la media cuadrti-
ca intragrupo es precisamente, como hemos mostrado, la media de las
varianzas de todos los grupos, y, si suponemos que la varianza de grupo
a grupo s610 vara al azar, resulta la mejor estmacin que podemos
hacer acerca de la varianza de la poblacin; as:
Sx
S ~ o b
N
media cuadrtica intragrupo
n
2.40
5
En nuestro ejemplo:
Sr. =j--=-=-=-=--- =0.693
Este es el error tpico de cualquiera de las medias de nuestro ejem-
plo. Por consiguiente, el error tpico de lasdiferencias entre dos medias
cualesquiera de este ejemplo ser:
s- - =j s ~ + s- = ~ =s- r; =(0.693)(1.41)
XI- X2 Xl X2 V" "XI XI V L
=0.98
Ahora no queda ms que dividir por 0.98 cualquiera diferencia
que queramos examinar y ver si la "t" resultante, con 16 grados de
libertad (lo mismo que la media cuadrtica intragrupo usada) es o no
significativa.
As, la diferencia entre los grupos A y D, da un "t".
0.98
1.02
Como, segn la tabla "t" sta ha de ser igualo mayor que 2.12
para ser significativa al 5%, resulta que no podemos rechazar la hipte-
sis de que las dos muestras resultadas A y O proceden de una misma
poblacin de resultados y su diferencia se deba al mero azar.
En general, como sabemos que "t" tiene que ser, en este ejemplo,
por lo menos igual a 2.12 para alcanzar el nivel del 5% podemos hallar
una vez para siempre, cul es el valor que tiene que alcanzar la diferen-
cia entre las medias de dos grupos cualesquiera para ser significativa al
5%:
Xi -Xk
0.980
Por tanto:
X
j
- X
k
2.12 x 0.98 = 2.08 para ser significativa al 5%.
La diferencia de los 6 pares de grupos que en nuestro ejemplo pue-
den hallar son:
X
B
- X
ll
= 2.6 t
X
A-XC
= 2.2 t
X
A
- X
O
= 1.0
X
B
- X
C
= 4.8 t
X
8
- XO = 3.6 t
X
D
- Xc= 1.2
Son significativas, al 5%. las diferencias de medias sealadas con
En general, el mtodo 13 parece ser el mejor de todos.
330
JESUS OE LA ROSA
16.21 OTRO EJEMPLO DE ANALISIS 00 VARIANZA EN DOS
COMPONENTES:
Supongamos el siguiente caso: 'tenernos 4 medicamentos que, se-
gn los prospectos publicitarios, combaten la fatiga intelectual. Supon-
gamos, adems, que disponemos de 40 sujetos. Los dividimos al azar en
5 grupos de 8 sujetos cada uno, y asignamos al azar un medicamento a
cada uno de los primeros 4 grupos, sometiendo al quinto a una supuesta
medicacin que en realidad consiste en agua coloreada y otra substancia
conocida como inofensiva y sin efectos, Despus del perodo oportuno
de medicacin se someten todos los grupos a cierta prueba de resisten-
cia a la fatiga intelectual y se obtienen los siguientes resultados:
Sujetos 2 3 4 5 Suma
14 16 2 7 5 44
2 16
7
10 10 9 52
3 3 10 9 10 10 42
4'
10 4 13 13 7 49
5 9 7 11 3 12 42
6 10 23 9 11 17 70
7
21 12 13 7 14 67
8 17 13
9 11
"
72
LX 100 92 76
7' 96 436
L X
2
1472 1312 806 718 1368 5676
Los pasos que hay que dar para efectuar el anlisis de varianza son:
lro.) La tabla
N
2do.)
"
X =436 ...
N
Jro, )
"
X
2
=
N
4(0,)
"
X
2
= 5676
331
5to.)
(436)2
40 =4752.4
6to.) Suma de cuadrados total:
N 2
X
2
- (1: X) = 5676 _ 47524 = 9236
N ..
7mo.) Suma de cuadrados intergrupo:
(iX)2 __ X
2
_ + (92)2 + (76)2 + (72)2 + (96)2
n N - 8
- 4752.4 = 77.6
8vo.) Suma de cuadrados intragrupo:
Total - Intergrupo = 923.6 - 77.6 = 846
Esos resultados se ordenan en la tabla 16.5 que aparece a continua-
cin:
Tabla 16.5
Fuen te de Sumas de g.l. Medias F
Variacion Cuadrados Cuadrticas
Intcrgrupo 77.6 4 19.40
<1
lntragrupo 846.0 35 24.17
Suma 923.6 39
La suma de cuadrados intcgrupo tiene 4 grados de libertad. pues el
nmero de grupos l.:S r =5. y sabernos que sus grados de libertad (g.l)
son r - l. La suma d... cuadrados int ragrupo tiene 35 grados de libertad,
JUl'S hay r =5 grupos y cada uno tiene n =1\ casos. y sabemos que sus
g.l.sonrln 1I 1)=35.
332
JESUS DE LA ROSA
Como la varianza intergrupo es menor que la intragrupo, resulta
claro que no puede ser significativamente mayor, y, por consiguiente,
no podemos atribuir las diferencias entre los distintos grupos a lo que
es propio de cada uno de ellos (el medicamento) sino a las simples varia-
ciones que experimentan los individuos en fatiga intelectual incluso
cuando son sometidos a una misma medicacin y an, cuando no son
sometidos a ninguna.
Declaramos, pues, que las diferencias entre los diversos medica-
mentos, incluso el falso o reconocidarnente inoperante, no son significa-
tivas. Aadamos que ste es un ejemplo ficticio. En realidad, los valores
de cada grupo han sido elegidos al azar de una distribucin normal.
Cosa que ha comprobado, como hemos visto, el anlisis de varianza,
pues segn l no podemos rechazar la hiptesis de una misma poblacin
comn de la que procedan al azar todos los resultados.
El anlisis de varianza se puede aplicar a muchos casos de muy va-
riada ndole. Los ejemplos anteriores representan el caso ms sencillo.
Con las ideas antes expuestas le ser fcil al estudiante indagar por su
cuenta otros casos ms complejos en los textos correspondientes de
Estadstica, por ejemplo, en el libro de A. L. Edwards "Experimental
Design In Psychological Rescarch", New York, Rinchart. 1951. Una
exposicin elemental de varios ejemplos eoncretos pueden verse en Ma-
riano Yela: "Observaciones Sobre el Anlisis de Varianza", Revista de
Psicologa General y Aplicada. Madrid, J954, vol. IX, nmeros 30 y 31.
pginas 363-382.
xvn
DISEO EXPERIMENTAL
17.1INTRODUCCION
En este captulo, ofreceremos, a grandes rasgos, la naturaleza y
funcin del diseo experimental en psicologa y educacin. Nuestro
propsito es presentar en forma esquematica los elementos bsicos que
envuelven el diseo de experimentos en el contexto de la investigacin.
Una mayor informacin al respecto se puede encontrar en textos espe-
cializados en la materia.
La disciplina Estadstica presenta tres dimensiones: la primera se
refiere a la descripcin de observaciones con el fin de resumir hechos y
encontrar las caractersticas de los grupos; la segunda, est relacionada
con la funcin de la estadstica como inferencia acerca de las hiptesis
cientficas tomadas de las observaciones, y por ltimo, la tercera dimen-
sin, de la cual se ocupa la estadstica moderna, se refiere al diseo de
experimentos con el fin de elaborar inferencias apropiadas.
El diseo experimental proporciona el mtodo para probar las
hiptesis y puede ser definido como el procedimiento para alcanzar
informacin cientfica mediante la recoleccin de nuevas observaciones
bajo condiciones controladas. Indudablemente, el concepto control es
el que distingue la experimentacin de cualquier otra forma de investi-
gacin en las ciencias de la conducta. Control ste que puede asumir
la forma de manifestacin con el fin de cambiar deliberadamente los
valores de la variable, o puede asumir la forma contraria de constante
para prevenir cualquier cambio de la variable.
334
JESUS DE LA ROSA
El propsito inmediato del diseo experimental es el de prevenir
hechos del conjunto experimental, y el final es el de generalizar las
relaciones de la variable. Es conveniente sealar que cuando nos referi-
mos a la experimentacin en la investigacin de las ciencias de la con-
ducta, nos estamos refiriendo a una situacin de investigacin, en la
cual uno o ms factores son cambiados sistemticamente de acuerdo a
un plan preconcebido, con el fin de determinar los efectos de estos cam-
bios.
17.2.1 VARIABLES
Un experimento envuelve la comparacin de diferentes tratamien-
tos entre s. Esto conlleva la creacin convencional de dos grupos, uno
llamado "grupo experimental" y el otro, "grupo de control". El grupo
o grupos experimentales, son expuestos a la influencia de los tratamien-
tos (T) o factores considerados, mientras que el grupo de control no se
le expone a la influencia de dichos factores. El juego experimental est
en determinar las diferencias o similitudes, cambios, etc., que aparecen
en el grupo experimental al contraste con el de control. Dentro de ese
juego, el experimentador puede o no manipular ciertos elementos. Estos
son variables.
El concepto de variable es lo contrario de constante, es decir, de
aquella caracterstica que se mantiene igual en las unidades que se ob-
servan. Por tanto, podemos definir la variable como una caracterstica
que toma diferentes valores en las distintas unidades observadas. Es
todo aquello que cambia, apareciendo como cantidad, cualidad, atribu-
to, caracterstica, etc. En investigacin experimental tenemos diferen-
tes tipos de variables, que son denominadas independientes, dependien-
tes, organicistas, interventoras, discretas, continuas y externas o extra-
as.
17.2.2 VARIABLES INDEPENDIENTES Y
VARIABLES DEPENDIENTES
La variable independiente es aquella que es manipulada por el in-
vestigador. A la vez, para ciertos propsitos de investigacin, la varia-
ble independiente se puede considerar como aquella que clasifica las
unidades observables, La variable que es observada con el fin de ver
335
qu le sucede como resultado de la manipulacin, es denominada va-
riable dependiente. En otras palabras, estas son las variables que se espe-
ra que cambien, aquellas que reflejan los efectos de la investigacin.
Un ejemplo sencillo puede ayudamos a clasificar la diferencia entre
estas variables, Supongamos que planeamos un experimento para estu-
diar el efecto del refuerzo positivo sobre la ejecucin de una unidad
de lgebra en estudiantes de ltimo ao de Secundaria, En este expe-
rimento, la variable manipulada por el experimentador serra el refuer-
zo positivo, con el fin de observar los efectos de esa manipulacin so-
bre la ejecucin de lgebra. Por tanto, la variable independiente seria
el refuerzo positivo, y la ejecucin de lgebra (puntuaciones de una
prueba de lgebra), la variable dependiente.
17.2.3 VARIABLES ORGANICISTAS y
VARIABLES INTERVENTORAS
Las variables organicistas u orgnicas son aquellas que caracteri-
zan las formas en las cuales un grupo particular de organismos cambia.
Esas caracterrsticas no pueden ser manipuladas por el experimenta-
dor. Por ejemplo, las observaciones al medir la estatura de un grupo de
individuos se describen como variables orgnicas. Edad, sexo o raza,
en cuanto a la medida de sus caracterrsticas, son ejemplos claros de
ese tipo de variable.
Las variables interventoras son aquellas que no pueden medirse
directamente y que aparecen en el proceso del experimento entre la
causa y el efecto. Ese tipo de variables pueden crear problemas al expe-
rimento, por lo que deben ser neutralizadas con el diseo experimen-
tal apropiado. En nuestro ejemplo anterior, la ansiedad que puede apa-
recer en la imposicin del refuerzo positivo sobre la ejecucin de lge-
bra, podra considerarse como una variable interventora.
17.2.4 VARIABLES DISCRETAS Y
VARIABLES CONTINUAS
Ese tipo de clasificacin es utilizado principalmente en las escalas
de medicin (nominal, ordinal, intervalo, proporcin) y se denominan
variables de medicin numrica. La variable discreta es aquella que
toma ciertos valores en el rango de medicin, mientras que la variable
335
qu le sucede como resultado de la manipulacin, es denominada va-
riable dependiente. En otras palabras, estas son las variables que se espe-
ra que cambien, aquellas que reflejan los efectos de la investigacin.
Un ejemplo sencillo puede ayudamos a clasificar la diferencia entre
estas variables. Supongamos que planeamos un experimento para estu-
diar el efecto del refuerzo positivo sobre la ejecucin de una unidad
de lgebra en estudiantes de ltimo ao de Secundaria. En este expe-
rimento, la variable manipulada por el experimentador sera el refuer-
zo positivo, con el fin de observar los efectos de esa manipulacin so-
bre la ejecucin de lgebra. Por tanto, la variable independiente sera
el refuerzo positivo, y la ejecucin de lgebra (puntuaciones de una
prueba de lgebra), la variable dependiente.
17.2.3 VARIABLES ORGANICISTAS y
VARIABLES INTERVENTORAS
Las variables organicistas u orgnicas son aquellas que caracteri-
zan las formas en las cuales un grupo particular de organismos cambia.
Esas caracterfsticas no pueden ser manipuladas por el experimenta-
dor. Por ejemplo, las observaciones al medir la estatura de un grupo de
individuos se describen como variables orgnicas. Edad, sexo o raza,
en cuanto a la medida de sus caractersticas, son ejemplos claros de
ese tipo de variable.
Las variables interventoras son aquellas que no pueden medirse
directamente y que aparecen en el proceso del experimento entre la
causa y el efecto. Ese tipo de variables pueden crear problemas al expe-
rimento, por lo que deben ser neutralizadas con el diseo experimen-
tal apropiado. En nuestro ejemplo anterior, la ansiedad que puede apa-
recer en la imposicin del refuerzo positivo sobre la ejecucin de lge-
bra, podra considerarse como una variable interventora.
17.2.4 VARIABLES DISCRETAS y
VARIABLES CONTINUAS
Ese tipo de clasificacin es utilizado principalmente en las escalas
de medicin (nominal, ordinal, intervalo, proporcin) y se denominan
variables de medicin numrica. La variable discreta es aquella que
toma ciertos valores en el rango de medicin, mientras que la variable
337
Sin embargo, Skinner, mantiene la premisa de que las hiptesis no
son necesarias en el estudio cientfico; su mtodo se puede denominar
"cientfico informal", debido a que no establece reglas de juego: "cuan-
do a usted le interesa una cosa, deje todas las dems, y estdiela". Esa
metodologa, como slo involucra amplio dominio del rea especfica
del conocimiento, requisito necesario tambin en el mtodo formal, no
se estudiar en este captulo. Referencia sobre ese punto de vista pue-
den tomarse de la obra "A Case History in Scientific Method" del mis-
mo Skinner.
17.3.2 HIPOTESIS: NULA O ALTERNA E HIPOTESIS DE
INVESTIGACION
Las hiptesis como una declaracin o manifestacin acerca de un
parmetro, se pueden expresar como nula o alterna. La hiptesis nula
es aquella que no diferencia entre grupos y es formulada generalmente
con el propsito de ser rechazada, Se representa con el smbolo H
o.
Cualquier prueba estadstica de una hiptesis es esencialmente una
pruebas de hiptesis nula, ya que la prueba estadstica nos informa sola-
mente la probabilidad de que una diferencia ocurra al azar. La hiptesis
alterna es lo contrario, en trminos operacionales, a la hiptesis nula;
viene dada por la hiptesis de investigacin, que es la prediccin de he-
chos derivados o basados en una teora o investigaciones previas. Por
ejemplo, si pensamos que la media de una poblacin, en cuanto al n-
mero de accidentes que ocurren, es igual a la media de otra poblacin,
las hiptesis pueden expresarse as:
Hiptesis alterna: a, : flA =I=]lB
Hiptesis nula: H
1
: ]lA = ]lB
Por tanto la hiptesis de investigacin viene dada operacionalmen-
te por la hiptesis alterna.
17.3.3 SIGNIFICACION ESTADISTICA
La hiptesis nula y alterna no pueden ser enunciadas sin acompa-
fiar el nivel de significacin que el investigador propone para su estudio.
Ese nivel de significacin, en psicologa y educacin, es aceptado al ~
338
JESUS DE LA ROSA
Los niveles predeterminados para rechazar la hiptesis nula 5% 1%son
esenciales y determinantes en las pruebas de hiptesis. Cuando rechaza-
rnos stas con un nivel de significacin o d importancia de un 5%. esta-
rnos indicando que las diferencias encontradas entre dos medias, por
ejemplo, son el resultado de un error de la muestra en ms de 5 en 100
aplicaciones del experimento. En otras palabras, estamos rechazando
la hiptesis nula con un 95% de fidelidad o de significacin. Ese 5% del
rea de una curva normal designado por el nivel de significacin es divi-
dido igualmente entre las dos colas o extremos de la distribucin (vase
figura 17.1). Esto es debido a los valores extremos de las medias de las
muestras sobre cualquiera de las partes de la media supuesta o hipot-
tica que podra resultar en l rechaza de la hiptesis.
La decisin del experimentador de tornar un nivel de significacin
de un 1%o 5% depende del problema que se va a investigar. El primer
nivel debe ser usado cuando el estudio conlleva decisiones muy drsti-
cas como por ejemplo, una investigacin con el fin de implantar un nue-
vo mtodo de enseanza en todas las escuelas de una regin o pas.
El proceso de rechazar o aceptar la hiptesis nula (Ho) para acep-
tar o rechazar la hiptesis alterna (H
1
) puede producir dos tipos de
errores conocidos como error tipo 1 o error (alfa) y error tipo 11 o
error P(beta).
2.5% del rea
Regin de
Aceptacin
95%
2.5% del rea
Valor hipottico de la media de una poblacin
Figura 17.1
Esos errores se producen debido a que no sabemos con certeza
si los parmetros representan completamente toda la poblacin o uni-
verso. Esos dos tipos de errores se pueden observar en la tabla 17.1 que
aparece ms abajo:
Tabla 17.1
POSIBLES RESULTADOS DE LAS HIPOTESIS
Situaci6n Actual de las Hiptesis
Decisin al investigador Verdadera Falsa
Rechazo de la Hiptesis Error Tipo 1 Correcto
Aceptacin de la Hiptesis Correcto Error Tipo 11
En esa forma podemos decir que el error tipo 1 aparece cuando se
rechaza la hiptesis nula, siendo verdadera. Por ejemplo, cuando un in-
vestigador rechaza una hiptesis al nivel del 5%, est corriendo un 5% de
riesgo de rechazar lo que podra ser explicado por error muestral cuan-
do es probablemente verdad. El error tipo 11 aparece cuando se acepta
la hiptesis, siendo falsa. El problema de reducir y controlar las proba-
bilidades de esos dos tipos de errores no es nada fcil: reduciendo el
riesgo del error tipo 1, se incrementa el riesgo del error tipo 11. A su vez,
la probabilidad de cometer un error tipo 1 es la misma que el nivel de
significacin. Si por ejemplo, podemos reducir el nivel de significacin
a un 1%, tenemos solamente la probabilidad de rechazar una hiptesis
verdadera de l en 100, pero por supuesto, al reducir el nivel de signifi-
cacin se incrementa el riesgo de aceptar una hiptesis falsa. La proba-
bilidad de caer en un error tipo II envuelve la relacin del valor actual
del parmetro, pero al no conocer su valor real, contiene otra hiptesis
alterna.
El procedimiento clsico para la reduccin de los dos tipos de
errores, consiste en incrementar el nmero de elementos o sujetos de la
muestra n; y a su vez, las diferentes pruebas estadsticas a travs de la
potencia de una prueba, que no es sino la probabilidad de rechazar la
hiptesis nula Ro cuando es falsa, proveen las posibilidades para contra-
rrestar los dos tipos de errores. La potencia de una prueba viene dada
por la siguiente expresin:
P=I-13
fJ = Beta
P=Potencia
En otras palabras, si tenemos a el! (error tipo 1) como constante,
podemos incrementar la potencia de una prueba por el aumento del n-
mero de observaciones en la muestra. En conclusin, el investigador est
bien protegido contra el error tipo 1, pero tiene poca proteccin contra
el error tipo 11.
t7.3.4 PRUEBA 00 HIPOTESIS ESTADlSTlCAS:
Las pruebas de hiptesis ms importantes, sern discutidas en for-
ma terica y sinptica. A su vez, es conveniente, antes de entrar en el
contexto terico de las inferencias sobre hiptesis, que el lector regrese
al captulo 14 (Inferencias y Errores), con el fin de entender los proce-
dimientos utilizados.
Las propiedades inferenciales de cada estadstico sern expresadas
de la siguiente forma, resumiendo a Glass y Stanley:
a) Formulacin de las hiptesis nula y alterna;
b) M'anifestacinde las suposiciones y prueba estadstica utilizada;
e) Valores crticos para probar la hiptesis nula; y
d) Elaboracin de los intervalos de confianza o significacin sobre el
parmetro.
A continuacin presentamos 9 pruebas de hiptesis diferentes, de
acuerdo a las caractersticas de nuestras inferencias:
Prueba1: Inferencias sobre la media de una poblacin (M).
a) Hiptesis a probar: la media de una poblacin es igual a algn n-
mero real:
H
o
: M=a
H
1
: M*a
341
M= Media.
a =Nmero real.
n = Muestra.
S
= J f ~
., N - 1
I t = ~ ~ I
(1)
b) Suponemos que la X tiene una dilltribuci6n normal en la muestra
de la poblacin, por lo que no es necesario conocer el valor de 17:. H es
probada mediante el test t:
,
e) Los valores crticos para probar Hu al nivel a; de significacin COl!
la prueba estadstica t. son:
-1 - (a/z)"-' y 1 - (a/z)'O-O.
d) El intervalo de confianza 100(1 - a)% sobre la media es:
B.
M + 1 - (<</z)'-',y
Prueba 2. Inferencias sobre la diferencia entre dos medias de la pobla-
cin cuando utilizamos muestras independientes.
a) Hiptesis:
H: MI - M
2
=0
]J. : MI - M
2
#00
b} Suponemos que X. est normalmente distribuida con una media
}t. y una varianza r.y X" est tambin normalmente distribuida con una
media 1-'2 y la misma varianza 17:. La prueba estadstica utilizada para pro-
bar 80 frente a H. es:
(2)
r. . == Estimaciones de las muestras de las poblaciones 1 y 2 de la va-
rianza comn cr::
e} Valores criticos:
-1- (<</2)10
1
"'2-
2
Y
1 - (<</2)
tn
l +
0
2 -
2
d) El intervalo de confianza 100( 1 - ) % sobre la diferencia entre
las dos medias (l-" - /L2) es:
(M. - M2) 1 - (<</2)10
1
+ 0
2
- 2
8
.......
MI - M
2
=0
MI - M
2
*0
Prueba 3. Inferencia sobre las diferencias entre dos medias de la po-
blacin cuando utilizamos muestras dependientes.
a) Hiptesis:
b) Suponemos que las muestras l y 2 son escogidas al azar de una
poblacin normal con la misma varianza Las muestras son dependien-
tes, como por ejemplo, hijos-hijas, esposo-esposa, antes-despus, etc. La
prueba estadstica utilizada es:
ti
1=--::-=
Slj-../il
d X.)
s, = J - X.)
" !).-I
dJ'
e) Los valores crticos son:
-1 - (<</2)l
n- 1
y 1- (a/2)ln- 1
d) El intervalo de confianza o significacin 100(1 - a)% es:
- t
d l - (a/2) n-l
v
Ji
Prueba 4. Inferencias sobre la varianza de una poblacin (u;).
a) Hiptesis:
H. : u; = a
H1 : u; =F a.
b) Suponemos que la variable independiente X tiene una distribucin
normal en la poblacin y a su vez, que la muestra al azar de n nmero de
observaciones, ha sido seleccionada de la varianza a estimarse. La prueba
utilizada es:
(4)

X- -l
e) Los valores criticos son:
- 1 - y 1 -
d) El intervalo de confianza 100(1- a)% es:
-- 1)8; (n - I)S.
17 /'0-,-;'-- < < (aj?)X"-
n- . 1\--
343
Prueba 5. Inferencias sobre la varianza de una poblacin sobre la
varianza de otra poblacin cuando utilizamos muestras indepen-
dientes.
a) Hip6teais:
H. : r. ;:; a:
n, : r.*a:.
b) Suponemos que las observaciones en cada grupo 'son independien-
tes y provienen de una distribucin nonnal. La prueba estadfstica es:
r (S) I
e) Los valores criticos o tablas son:

- 1-/2 Jll-l,n2,-I,y l _ (a/2)Fft
1
- l ,n2- 1
v.
a: ::: 11.
d) El intervalo de confianza 100(1 - a) % se representa as:
F
ex/2
1:1;1 - 'tiro
Prueba 6. Inferencias sobre 0':/0'; cuando utilizamos muestras depen-
dientes.
a) Hiptesis:
H') : = cr:
H, : =1= 0';:
b) Suponemos que las observaciones dentro de cada grupo son nde-
pendientes y provienen de una distribucin normal. La prueba es:
(6)
n = Nmero de pares de observa-
ciones.
r.2 = Coeficiente de correlacin so-
bre n pares de observaciones.
e) Los valores crticos son:
-1 - a./2ln-2 y 1 - (a/2)ln-2
d) El intervalo de confianza para este tipo d prueba est bajo estudio
debido a las complicaciones que implica estimar las varianzas obtenidas de
muestras dependientes.
Prueba 7. Inferencia sobre las diferencias entre dos proporciones cuan-
do utilizamos muestras independientes.
344
a) Hip6tesis:
JESUS DE LA ROSA
Hu: PI = pz
H1: PI '*" pz
b) Suponemos que los errores muestrales estn distribuidos normal-
mente, es decir, que la muestra 1 es inferida de la. poblacin 1 y que la
muestra independiente es inferida de la poblacin 2. La prueba es:
(7)
PI YP
z
= Proporciones.
pq = Valores dicotmicos (vase correlacin hiserial}.
_....RL+-&
p - ni nz
q = 1- p
e) El valor crtico o nivel de confianza proviene de la tabla normal:
- 1 - a/2
z
y 1 - (a/2)z.
d) El intervalo de confianza 100(1 - a) se exprep as:
(PI - p
z
) 1 - (a/2)Z J[(F1 +F2 )(1 _I
F
+ F-=.)(; + ..!..)J
" .n
l
+n
2
ni + n
2
I n2
Prueba B. Inferencias sobre dos correlaciones lineales (T1 - T2) cuando
utilizamos muestras independientes.
a) Hiptesis:
H. : 1. = 1.2
H, : T. =1= 12
.o) Suponemos que la 'muestra al azar es inferida de una poblacin
normal bialterada 1, en la cual el coeficiente de correlacin lineal es T. y
que la muestra al azar es inferida de una poblacin normal balterada 2 con
una correlacin T2. La prueba estadstica utilizada es T transformado en
puntuaciones Z. Se expresa as:
I z = Z" - Z,.
I
(8) . 1 1
ni - 3 + n
2
- 3
_1 ..!__.. .
Zr1 y Zr, = Valores transformados en Z, correspondientes a los valo-
res de y r.
345
e) El valor crtico al probar Hu : rl = r ~ al nivel de significacin a, se
expresa as:
- l - a / 2 ~ y 1 - (a/2)Z.
d) Los intervalos de confianza de lOOp - tr) %son:
(Zrl - Zra) 1 - t r / 2 ~ J_._1_
3
+ _l_
. "ni - n2 - .3
Prueba 9. Inferencias sobre las correlaciones lineales cuando utiliza-
mos muestras dependientes.
a) Hip6tesis:
Hu: r", = r..
Hl : r", =1= ro:.
b) Suponemos que existen tres poblaciones normales hialteradas, una
para cada par de variables X-Y, X-Z y Y-Z. Las relaciones entre ambas
variables son de tipo lineal. La prueba estadstica utilizada es:
(9)
o lo que es lo mismo,
I
(lO) Iz = -..{if(r", - r.=)/- ... I
V (1- r..)+(I-r;.)'-2r.=-(2r-rr) (l-r..-r;.-r:=)
e) Los valores crticos se expresan as:
- 1 -a/2
z
y 1 - (tr/2)z.
d) La explicacin del nivel de confianza de este tipo de prueba,
por su extensin y dificultad, est fuera del alcance de este captulo.
Profundidad sobre este tema, puede conseguirse en la discusin presen-
tada por Olkin; en su obra "Correlation Revisited".
Otras pruebas de hiptesis relacionadas con las medidas estadsti-
cas estudiadas en los captulos anteriores, no entran en nuestra "intro-
duccin"; sin embargo, debemos recalcar la importancia y necesidad
de establecer adecuadas inferencias en las pruebas de hiptesis, tenien-
do como referencia el tipo de variables utilizadas y los procedimientos
estadsticos empleados en su manipulacin.
346
17.4 LOGIeA DEWS DISElil"oS EXPERIMENTALES
JESUS LA ROSA
Los diseos experimentales tienen como fin controlar los variados
factores que pueden influenciar en el experimento y quiz, afectar los
resultados en los cuales se basan las conclusiones. Estas ltimas, son
derivadas de la estructura del experimento y de la naturaleza de los
controles expuestos. Por tanto, es muy importante destacar que dichas
conclusiones no provienen de la prueba de las hiptesis. La prueba es-
tadstica de una hiptesis indica nicamente la probabilidad de que un
resultado dado nos informe que la hiptesis es verdadera o falsa. Pero al
hacer esta aseveracin, la estructura y control del experimento tienen
que ser tenidos muy en cuenta.
El control de las variables externas que no interesan al investigador
puede ser aumentado, disminuyendo la influencia de dichas variables
mediante diferentes mtodos:
a) Cambiando o eliminando la variable, es decir, reducir el experi-
mento a menos variables. Por ejemplo, eliminar de nuestra investi-
gacin el nivel de Secundaria, dejando nicamente el nivel de edu-
cacin Primaria, con lo cual ponemos fuera el nivel de educacin.
Otra forma sera dejar ncunente mujeres en el estudio, con lo
que eliminaramos la variable sexo.
b) Haciendo el muestreo al azar, con el objeto de que cada miembro
de la poblacin tenga la misma oportunidad de, pertenecer a la
muestra. La aleatoriedad es el mtodo msimportante y efectivo pa-
ra la igualdad de grupos y para el control de las variables externas.
e) Apareando los casos mediante la seleccin de pares de individuos
con idnticas caractersticas y asignando un individuo de cada par
al grupo de control, y el otro, al grupo experimental. Sin embargo,
el proceso de apareamiento ha sido ampliamente discutido sobre
todo cuando se utiliza un sustituto de la aleatoriedad. En este caso
sera preferible asignar los individuos mediante el apareamiento
y ubicarlos mediante aleatoriedad, uno al grupo experimental y
otro al de control. Este procedimiento recibe el nombre de "blo-
queo".
d) Utilizando el anlisis de covarianza, que no es sino un derivado del
anlisis de varianza, mediante la utilizacin de las medias de las
347
puntuaciones de un pretest como covariados, El anlisis de cova-
rianza es una tcnica paramtrica que requiere como medicin
una escala de intervalo mediante la prueba F, pero que a diferen-
cia del anlisis de varianza, la proporcin F no prueba las diferen-
cias observadas entre las medias, sino que observa esas diferencias
con objeto del ajuste entre las medias, es decir, stas son ajustadas
sobre la base del covariado. En consecuencia, podemos definir un
"covariado" como la medida utilizada en el anlisis de covarianza
para ajustar las puntuaciones de la variable dependiente. Los pro-
cedimientos para el clculo del anlisis de covarianza pueden en-
contrarse en Allen Edwards. Estudios muy recientes (Campbell,
1971), sin embargo, han criticado el anlisis de covarianza, en el
sentido de que no es un procedimiento totalmente recomendable,
y proponen a cambio, la utilizacin del procedimiento de correla-
cin.
El control de las variables externas presupone dos importantes
conceptos en el diseo experimental, la validez interna y la validez
externa, las cuales discutiremos de acuerdo al excelente tratamiento
expuesto por Campbell y Stanley.
17.5 VALIDEZ INTERNA
La validez interna implica el control adecuado sobre las variables
externas, los procedimientos de seleccin o medicin, etc. El diseo
experimental debe ser elaborado con el propsito de que el investiga-
dor pueda cotejar adecuadamente los factores que amenazan la validez
interna. Esta la podramos definir como el requisito mnimo necesa-
rio para hacer que los resultados del experimento sean interpretables
en trminos de control, medicin, anlisis y procedimientos. Un ejem-
plo clsico que trae consigo problemas de validez interna se refiere al
diseo en el que las relaciones mostradas por las diferencias entre los
grupos experimentales son dignas de poca confianza.
La lista de fuentes de invalidez o de variables extraas que ame-
nazan la validez interna, de acuerdo a Campbell y Stanley, son:
A. HISTORIA
Son diferentes los eventos especficos a los del tratamiento experi-
34R
JESUS DE.LA ROSA
mental que ocurren entre la causa y el efecto o entre el pretest y pos-
test dndonos explicaciones alternadas de efectos. Estos eventos apare-
cen desde fuera del individuo afectndole su ejecucin antes o despus
del tratamiento. Por ejemplo, a un grupo que se le somete a un trata-
miento de actitudes, aplicndole una prueba al iniciarlo, el lapso com-
prendido entre la medicin de actitudes desde el pretest hasta el pos-
test, puede estar influenciado por hechos capaces de cambiar la actitud
del grupo bajo experimentacin, distorsionando de esta forma, los resul-
tados del postest y en cierto modo: todo el experimento.
B. MADURACION
Comprende los procesos dentro de las unidades sociales observadas
que producen cambios como una funcin del tiempo per se, como el
crecimiento fsico o psicolgico, fatiga, aburrimiento, etc., o influencia-
do simplemente mediante las experiencias o aprendizajes que se encuen-
tran en los individuos a travs del proceso normal de maduracin. A di-
ferencia de la variable historia, la maduracin aparece de adentro hacia
afuera del individuo, afectando o invalidando el experimento.
e COMPROBACION oPROCESODEAPLICACIONDE PRUEBAS,
"TESTINC"
Es el efecto del proceso que conlleva pasar o tomar un test sobre
las puntuaciones de una segunda administracin del test. Los efectos
del pretest al comienzo de un experimento, pueden producir un cambio
en los individuos. La prueba test-retest para buscar el coeficiente de
confiabilidad puede involucrar esta variable, amenazando el experimen-
to y por consiguiente, invalidando dicho mtodo.
D. INSTRUMENTACION
Este aspecto est relacionado con los instrumentos de baja confia-
bilidad o validez, o con aquellos cambios en la calibracin de los mis-
mos, que al ser usados, producen diferencias en las mediciones obteni-
das.
E RECRESIONESTADISTICA
Este concepto estudiado en el captulo 11, opera cuando los gru-
pos han sido seleccionados sobre la base de sus puntuaciones extremas.
349
Individuos que obtuvieron altas puntuaciones en el pretest, estn pre-
dispuestos a obtener puntuaciones relativamente ms bajas en el pos-
test, y aquellos que obtuvieron puntuaciones bajas en el pretest estn
inclinados estadsticamente a obtener puntuaciones ms altas en el pos-
test. En resumen, ambos grupos tienden a concentrarse en la media.
Esta variable debe tenerse muy en cuenta, fundamentalmente, en los
diseos que contienen pre y postests.
F. SELECCION
Las preferencias derivadas de la recoleccin diferencial de grupos
producen diferentes niveles de significacin sobre las medidas. Estas
preferencias selectivas aparecen generalmente en los estudios, donde
se solicitan voluntarios para utilizarlos como grupo experimental. Por
supuesto, la aleatoriedad de los sujetos eliminara la amenaza de esta
variable.
G. MORTALIDAD EXPERIMENTAL:
La prdida de sujetos en los grupos comparados a travs del expe-
rimento, puede afectar su validez ihterna. Una alternativa o suposicin
que debemos tener en consideracin, es que los sujetos que quedan en
el experimento despus de un largo perodo, quiz tienen una motiva-
cin diferente, a aquellos quelo abandonaron.
La prdida de sujetos en los grupos comparados a travs del expe-
rimento, puede afectar su validez intema. Una alternativa o suposicin
que debemos tener en consideracin, es que los sujetos que quedan en
el experimento despus de un largo perodo, quiz tienen una motiva-
cin diferente, a aquellos que lo abandonaron.
H INTERACCION DE LAS VARIABLES;
SELECCION-MADURACION, ETC.
Esta variable se explica mediante las selecciones parcializadas que
tienen como resultado dentro de las proporciones diferenciales de ma-
duracin o cambio externo.
Otras fuentes que pueden afectar la validez interna, que no estan
incluidas en Campbell y Stanley, son:
350
l REACTIVIDAD OEFECTO DE HAWTHORNE:
JESUS DE LA ROSA
El concepto de reactividad debido al famoso estudio de Hawthor-
ne relativo a las condiciones de trabajo, ocurre cuando los sujetos de la
investigacin se empiezan a dar cuenta de que estn formando parte de
un experimento, ocasionando mediante dichos conocimientos, conduc-
tas diferentes a las que se estableceran en el caso de desconocer su in-
volucracin en el experimento.
J. CONTAMINACION
Esta es un tipo de seleccin parcializada que se introduce cuando
el investigador tiene algunos conocimientos anteriores acerca de los in-
dividuos del experimento. Con objeto de eliminar esta variable, se uti-
lizan generalmente otros investigadores u observadores sin conocimien-
to previo de los sujetos para escogerlos o analizar sus tendencias.
K INESTABILIDAD
Esta variable est relacionada con la desconfianza de las medidas
o fluctuaciones en el muestreo de los sujetos con las medidas equiva-
lentes. Esta variable involucra, por tanto, los errores 1y II.
17.5.2 VALIDEZ EXTERNA
Adems de los criterios expuestos sobre la validez interna, es tam-
bin necesario, cuando estudiarnos la conducta humana, que los resul-
tados obtenidos y basados en un grupo puedan generalizarse a toda la
poblacin de donde procede. Los tipos de condiciones o efectos que
nos previenen de generalizar nuestros datos a todos los seres humanos,
envuelven un problema de validez externa. Esta la definiremos corno la
extensin y aprovechamiento de la generalizacin de los resultados del
experimento. Ahora bien, la validez externa no solamente se relaciona
con la poblacin de la cual el investigador espera generalizar sus resul-
tados, sino tambin incluye la generalizacin de sus datos hacia otras
variables independientes interrelacionadas. La validez externa es im-
portantsima en los experimentos, una vez que stos pueden afectar o
no los cambios de toda una poblacin, o corno dicen Campbell y Stan-
ley: "Las fuentes de validez externa son, por tanto, conjeturas corno las
351
leyes generales en una rama de la ciencia; conjeturas en las que los fac-
tores interactan legtimamente con nuestras variables de tratamiento
y por consecuencia, conjeturas de las que pueden hacerse caso omiso".
Las fuentes principales que amenazan la validez externa son:
A. Efectos de interaccin de "testing"
Esto implica el efecto de un pretest en incrementar o decrecer la
sensibilidad del sujeto aplicado hacia la variable experimental. En otras
palabras, la interaccin del tratamiento y del proceso de aplicacin del
test pueden limitar el estudio e imposibilitar la generalizacin a la po-
blacin.
B. Interaccin de seleccin y tratamiento experimental:
Implica que las respuestas de los sujetos no son representativas de
la poblacin tratada. Esto puede suceder por ejemplo, cuando seleccio-
namos individuos, que por ciertas circunstancias, como algunos grupos
voluntarios, estn identificados ampliamente con el experimento. In-
dudablemente que esta posicin afectara el criterio de validez externa.
C. Efecto reactivo del convenio experimental:
Esta fuente se refiere al efecto de Hawthorne, que adems de afec-
tar la validez interna, se puede interpretar muchas veces como inhibi-
cin de las generalizaciones. La conducta de un sujeto puede ser influen-
ciada parcialmente por su percepcin del experimento y sobre la forma
como podra responder al estmulo experimental.
D. Interferencia de tratamientos mltiples:
Esta variable se hace presente cuando son aplicados varios trata-
mientos diferentes para un mismo grupo de individuos. Esto se puede
explicar, en el sentido de que, cuando aplicamos el tratamiento 2 no
podemos borrar los efectos del primer tratamiento, por lo que no se
pueden generalizar los resultados sino al grupo de sujetos que tuvieron
los tratamientos en forma ordenada.
Otras fuentes de validez externa, de menor aplicacin, pero de
igual importancia son:
E. Artiflcialidad del experimento:
Proviene al crear un ambiente artificial mediante el control exage-
rado de las variables externas, o en otros trminos, de la validez interna'.
F. Capacidad de respuestas irrelevantes de lasmedidas:
Esto viene dado en relacin a que todas las medidas son complejas
e incluyen componentes irrelevantes que pueden producir efectos apa-
rentes.
G. Replicabilidad irrelevante de los tratamientos:
Al igual que las medidas, los tratamientos tambin son complejos
y algunas replicaciones de ellos pueden fallar en incluir los componen-
tes que actualmente son responsables por los efectos.
H. Efectos del experimentador:
La conducta de los individuos puede ser influenciada inintenciona-
damente por ciertas caractersticas o conductas del investigador.
Existen algunas otras fuentes de invalidez que en cierto modo, de-
penden de las descritas anteriormente, por lo que no las mencionare-
mos. En conclusin, los diseos experimentales en la investigacin de la
conducta son difcilmente perfectos. Ambos tipos de validez son nece-
sarios en el dseo experimental, ya que deseamos utilizar ste con alta
validez en .ambos tipos, pero en muchas ocasiones, depende del tipo de
estudio; cuando aseguramos un tipo de validez estamos poniendo en
riesgo el otro tipo.
17.6.1 TIPOS DE I S ~ O EXPERIMENTAL
El significado de que los controles sean introducidos en los expe-
rimerrtos constituye la base de los diseos. La seleccin de un diseo
en particular est basado en los propsitos del experimento, en el tipo
de variables que van a ser manipuladas y en las condiciones en que va
a ser manejado el experimento. A continuacin describiremos en forma
muy general, adecuada a esta introduccin, los 16 diseos expuestos
por Campbell y Stanley y el diseo factorial. El tratamiento completo
353
de estos diseos y los factores de validez que los afectan estn excelen-
temente escritos por estos autores, por lo que recomendamos amplia-
mete su lectura, para una comprensin integral. En la exposicin de
los diferentes diseos utilizaremos una serie de smbolos, que aparecen
a continuacin:
Ro---
x
o
+
R o una lnea horizontal indica que los sujetos han sido
asignados a los diferentes grupos en forma representa-
tiva, mediante el mtodo aleatorio.
Una lnea de rayas horizontales entre niveles, indica que
dos grupos no fueron equivalentes ni en apareamiento o
azar al comienzo del experimento.
Variable experimental manipulada o tratamiento.
Observacin o test.
Indica que el factor es controlado.
Indica que el factor es dbil o incontrolado.
? Expresa que existe una posible fuente de invalidez en el
factor o variable externa.
Ningn smbolo o signo en las tablas de fuentes de inva-
lidacin indica que el factor no es relevante o importan-
te para el experimento.
Las letras A, a, e, D, etc., indican o expresan las fuentes de invali-
dez o variables externas, descritas anteriormente; por ejemplo: A == his-
toria; B =maduracin, etc. (validez interna) o A =efectos de interaccin
de "testing", etc. (validez externa).
17.6.2 DISEOSPREEXPERIMENTALES:
Diseo 1: Estudio de casos en "una direccin".
Este tipo de diseo est prcticamente ausente de control por par-
te del experimentador y no tiene valor cientfico. Lamentablemente te-
354
JESUS DE LA ROSA
dava se sigue elaborando este tipo de estudios, principalmente en edu-
cacion, Su diagrama se representa as:
x O
Explicacin: Un grupo escogido sin ningn mtodo aleatorio es
estudiado una vez, en relacin a un presumible tratamiento que pro-
duce cambios.Como dijimos anteriormente, este tipo de estudio no tie-
ne significacin cientfica o como dicen Campbell y Stanley, el "diseo
1, si es tomado en conjuncin con las comparaciones del "conocimiento
comn" implcito, tiene ms inconsistencia que cada uno de los subsi-
guientes diseos" (2 y 3).
Fuentes de invalidez:
Validez interna Validez externa
e D E F G H
A B e D
llsefio 2: Ungrupo "pretest-ipostest".
Este diseo adolece, casi, del control expresado en el diseo l. Su
relevancia es muy relativa y carece de seguridades, derivadas del hecho
de que no comprende ni una comparacin con otro grupo. Se expresa
as:
x
Explicacin: Un slo grupo es estudiado una sola vez en dos fases,
antes del presumible tratamiento y despus de l. El grupo se escoge
prcticamente sin ningn procedimiento de control.
Validez interna
Validez externa
355
A BCD E F G H A B e .D
+ ? + + +
Isefo 3: Comparacin de "grupa-iestdttco",
Este tipo de diseo seudoexperimental tiene un cierto control en
relacin a los diseos, pero sin embargo, carece en general, de consis-
tencias externas e internas. Un ejemplo clsico de este tipo, lo encontra-
mos en los estudios de "rating", como la comparacin de un grupo que
ve cierto programa de televisin con otro que no lo ve:
Explicacin: En este diseo se compara un grupo que ha experi-
mentado cierto tratamiento (X) con otro que no lo ha hecho, con el
propsito fundamental de establecer el efecto del tratamiento.
Como hemos podido apreciar, estos tres tipos de diseos carecen
fuertemente de validez interna y externa, y su uso es muy delicado en
cuanto a la interpretacin de causa y efecto. Dichos experimentos in-
volucran variedades de anlisis descriptivos y podramos clasificarlos
como "estudios correlativos" o ex post facto,
17.6.2 IISE1il"OS EXPERIMENTALES (realmente experimentales)
Estos diseos que estn comprendidos en tres tipos, son los ms
recomendados en la metodologa cientfica. Mediante la utilizacin de
ellos, el investigador prcticamente tiene completo control sobre la
situacin experimental, en el sentido de poder determinar con precisin,
los sujetos que participarn en el experimento y cuales de ellos recibi-
rn o no, el tratamiento experimental. La presentacin de estos diseos
se har sobre la base de un solo tratamiento (X) enfrentado a un grupo
que no recibe dicho tratamiento. Por tanto debemos expresar que los
356
JESUS DE LA ROSA
diagramas que aparecen a continuacin representan la unidad bsica del
diseo, pero por supuesto, si tenemos diferentes tratamientos, el da-
grama se ampla de acuerdo al nmero de X o de grupos experimenta-
les o de control, siguiendo en todo caso, la misma forma de presenta-
cin en derivacin. En el caso de querer comparar tres mtodos de en-
seanza, los tratamientos se expresaran como X , X
2
y X
3

Diseo4: "Grupo-control, pretest-spostest".
o.
x o.
o.
Explicacin: En el diseo 4 los sujetos son divididos aleatoriamen-
te en dos grupos, uno experimental y otro de control, determinados
uno y otro en forma azarizada. Al comienzo del estudio, esto es, antes
del tratamiento respectivo, se aplican uno o los pretest correspondien-
tes (0
1
- 0
3
) . Al finalizar el experimento se aplican nuevamente los
tests. Mediante la azarizacin y "bloqueo" se pueden obtener grupos
equivalentes en el momento de iniciar las observaciones o al aplicar el
pretest. El procedimiento ms efectivo en el anlisis de los datos, es
mediante un anlisis de covarianza, utilizando las puntuaciones del
pretest como los covariados. Este diseo es fuerte en validez interna
y externa, pero esta ltima est ligeramente afectada por una posible
amenaza, proveniente de la existencia de una interaccin entre el pro-
ceso del pretest y el tratamiento experimental. Por ltimo, es conve-
niente sealar que los pre y postests son aplicados al mismo tiempo para
todos los grupos.
Validez interna
Validez externa
A B e D E F G H A B e D
.._----
+ + + + + + + +
- ? ?
Diseo 5: "Cuatro grupos" de Saloman.
357
o. x
o,
o,
O. o.
x O,
O.
Explicacin: Este diseo es una extensin del diseo 4. Incluye
dos grupos de control y dos experimentales. A uno y solamente uno de
cada dos tipos, le es aplicado el pretest despus del tratamiento experi-
mental. Como est indicado por la linea horizontal, los cuatro grupos
tienen asignados los individuos mediante aleatorizacin, Este diseo
est calificado como el ms deseable de todos, ya que tiene la ventaja
de permitir el experimentador examinar los efectos del tratamiento en
cuatro comparaciones diferentes, y a su vez, aparece como el diseo
ms fuerte en ambos tipos de validez. Los mtodos utilizados son el
anlisis de covarianza para los datos de los grupos que tuvieron elpre-
test y un anlisis de varianza en dos vas, para ser computado sobre los
datos del postest. En este diseo el pretest puede ser considerado como
una variable independiente, pero por supuesto, que las dos variables in-
dependientes seran el tratamiento experimental frente al de control y
el pretest frente al postest. Las puntuaciones de este ltimo vendran
a ser la variable dependiente.
+ + + + + + + + +
? ?
Disefio6: "Grupo control -solamente- postest".
I X
358
JESUS DE LA ROSA
Explicacin: Este diseo envuelve dos grupos, el experimental y
de control, divididos por azarzacin, El grupo experimental es el que
recibe el tratamiento experimental, despus del cual, ambos grupos son
observados o medidos sobre la variable dependiente bajo estudio, como
por ejemplo, mediante un test. Si la diferencia encontrada es demasiado
grande para atribuirla a un error muestral, puede ser imputada al efecto
del tratamiento de la variable. Este diseo, es quiz despus del Salo-
man, el ms fuerte en validez externa e interna. El problema que }iluede
surgir en el diseo 4 en relacin a la validez externa al aplicarlo a nues-
tro estudio particular mediante el uso del pretest, puede ser eliminado,
cambiando el diseo del 4 por el 6. Las pruebas utilizadas son la t de
Student cuando pueden ser elaboradas suposiciones paramtricas, o si
tenemos ms de dos grupos, es recomendable el anlisis de varianza de
una va.
ABCDEFGH ABCD
+ +
+ .+
+ +
+
+ 1+
? ?
17.6.3 DISEOS CUASIEXPERIMENTALES:
Cuando es posible utilizar diseos experimentalmente verdaderos,
ya sea por razones de consecucin de muestras o econmicas, o sobre
todo, en aquellos casos en que la investigacin educativa o psicolgica
envuelve, por ejemplo, estudios en el mismo lugar de los salones de cla-
se, usamos los diseos denominados 'cuasiexperimentales. Al tomar, por
ejemplo, dichos salones de clase, siendo estas poblaciones ensambladas
artificial o naturalmente, diferentes factores estn involucrados dentro
de ellos, con lo que el proceso de azarizacin no se realiza, y recorde-
mos que una de las normas bsicas de un diseo experimentalmente
verdadero consiste en que todos los sujetos tienen igual oportunidad
de formar parte en el experimento. En general, estos diseos compren-
den al menos, dos grupos en el experimento pero tambin existen dise-
os cuasiexperimentales, utilizando solamente un grupo. Veamos en-
tonces, los diferentes tipos de este tipo de diseos denominados tam-
bin, posexperimentales.
Diseo 7: "Series de tiempo" (nmero de veces).
359
Este diseo y los dos que le siguen estn relacionados con el estu-
dio de un slo grupo y con mediciones peridicas sobre la variable de-
pendiente entrelazadas con un tratamiento experimental. El diseo 7 se
diagrama as:
o o o o x o o o o
Explicacin: Este diseo consiste en realizar una serie de medidas
antes y despus de un tratamiento experimental especifico. Este tipo de
diseo es bastante efectivo en la investigacin fsica o biolgica, pero
tiene algunas fuentes de invalidez en la investigacin de la conducta.
El tratamiento experimental es introducido al azar entre la secuencia.
El anlisis de los datos en los diseos cuasiexperimentales no est tan
bien definido como en los anteriores diseos. Sin embargo, podemos
emplear una "prueba de significacin" que -depender en parte, de la na-
turaleza hipottica sobre el efecto del tratamiento. La validez externa
no es particularmente muy fuerte y la variable historia amenaza el cri-
terio de validez interna, p<:?r cuanto diferentes eventos entre las diferen-
tes observaciones, pueden aparecer afectando el experimento.
ABCDEFGH ABCD
+ + ? + + + +
Diseno 8: "Muestras de tiempo equivalente",
? ? ?
x.o x.o z.o x.o
360 JESUS OE LA ROSA
Explicacin: Este diseo es derivado del anterior, pero con la di-
ferencia de que utiliza dos muestras equivalentes: en una est presente
la variable experimental y en la otra, ausente. Este diseo tiene la ven-
taja sobre el anterior, en el sentido de controlar la variable historia e
instrumentacin, pero la interferencia que resulta de los tratamientos
mltiples debido a la comparacin de X con X
o
, puede generalizar
nicamente para condiciones repetidas de X . Por tanto, la validez ex-
terna est seriamente afectada. La prueba ms recomendable, a pesar de
la inconsistencia de las medidas, es de "significacin"
+ + + + + + + + -
?
-
-
Diseo 9: "Muestras de materiales equivalentes".
IM.J(,O
M6X.O
MrIX.O, etc. I
Explicacin: Este diseo derivado de los dos anteriores, se diferen-
cia del diseo 8 en que utilizamos materiales equivalentes (M. b Cd) en
cada serie. En este tipo se pueden utilizar pretests o no, de acuerdo a las
caractersticas del experimento. Como el diseo 8 tiene alta validez in-
terna, pero la externa es baja, con la posibilidad de poder controlar los
efectos reactivos del pacto o convenio experimental, debido a la varie-
dad de materiales heterogneos y a que la conducta de los individuos no
es influenciada por la visin del experimento, por cuanto existe un n-
mero grande de tratamientos dados a diferentes intervalos de tiempo.
I
+ + + + + + + + - ? ?
-
Diseo 10: "Grupo control no equivalente':
o x o
o o
Explicacin: Este diseo como puede observarse, contiene el gru-
po experimental y de control. A ambos se les administra el pretest y
postest. Se diferencia del diseo 4, en que los sujetos no son asignados
a los grupos mediante el proceso de azarizacin. Por ejemplo, el estudio
de los alumnos de dos grados o clases diferentes en una escuela, no invo-
lucrara proceso de aleatoriedad, ya que son grupos intactos. La validez
interna del experimento est controlada, con la excepcin de que pue-
dan surgir interacciones entre la variable seleccin y otros factores. A
su vez, la regresin estadstica podra aparecer debido a que los grupos
no son azarizados y por tanto, podra darse el caso de que las dos clases
contengan individuos con puntuaciones muy altas o bajas. Sin embargo,
estas variables podran controlarse, si modificamos este diseo de dos
grupos a cuatro, en los cuales, grupos a los que le son aplicados un pre-
test no se les administra el postest, y viceversa. La validez externa es
dbil. El anlisis de covarianza es el mtodo ms adecuado en el anlisis
de los datos.
I Validez externa
J l _ ~ _ ~ ~ __~ _
I
" '
---; ,: I
Validez interna
~
B e D E F G
I
.C- ~ -!- -+-
..;-
_L
I
I
Diseo 11: Diseos contrabalanceados.
Estos diseos estn incluidos en CampbeIl y Stanley como cuasi-
experimentales debido a la presentacin que hacen del mismo, en cuan-
to a que no contienen proceso azarizado, pero cuando este ltimo es
posible, podemos establecer otro tipo contrabalanceado que denomina-
362 JESUS DE'LA ROSA
remos diseo 11b Y que no podra ser considerado como cuasiexperi-
mental. Los diseos contrabalanceados provienen del concepto de "di-
seo factorial", el cual lo estudiaremos al final del captulo, y que com-
prende aquellas situaciones que estn bajo control de investigacin me-
diante diseos reales o verdaderos, donde se incluyen observaciones de
algunos individuos a todos los niveles de todas las variables experimen-
tales. Los diseos contrabalanceados necesitan observaciones de todos
los individuos bajo todos los tratamientos. El diseo contrabalanceado
sin azarizacin se diagrama as:
X,Q
X.o
X.o
X.o
X,O
XaO
X,Q
X,O
X,O
X.O
X.O
X.O
X,O
Explicacin: La diagramacin anterior se denomina cuadro latino.
Este se define como una formacin cuadrada N x N, incluyendo N le-
tras o smbolos diferentes, ordenados en tal forma, que cada letra o
smbolo aparece una y solamente una vez en cada fila, y otra vez en
cada columna. El tamao de un cuadro latino se puede elaborar desde
2 x 2, hasta el infinito y depender del nmero de tratamientos del ex-
perimento. Este tipo de diseo se llama tambin rotatorio. Si observa-
mos el diagrma que aparece arriba, veremos que cada tratamiento (X)
aparece solamente una vez en cada fila y una vez en cada columna. De
esta forma podramos rediagramar este diseo en las siguientes formas:
Primera Segunda Tercera Cuarta
vez vez vez vez
A,
Grupo A X,O X,O XaO X.O
----,---------
Grupo B X,O X.,Q
X,O X.O
-------------
Grupo e x.o X,O X.O X,O
-------------
Grupo D X.O X.O X,O X,Q
Diseo 7: "Series de tiempo" (nmero de veces),
359
Este diseo y los dos que le siguen estn relacionados con el estu-
dio de un slo grupo y con mediciones peridicas sobre la variable de-
pendiente entrelazadas con un tratamiento experimental. El diseo 7 se
diagrama as:
o o o o x o o o o
Explicacin: Este diseo consiste en realizar una serie de medidas
antes y despus de un tratamiento experimental especfico. Este tipo de
diseo es bastante efectivo en la investigacin fsica o biolgica, pero
tiene algunas fuentes de invalidez en la investigacin de la conducta.
El tratamiento experimental es introducido al azar entre la secuencia.
El anlisis de los datos en los diseos cuasiexperimentales no est tan
bien definido como en los anteriores diseos. Sin embargo, podemos
emplear una "prueba de significacin" que depender en parte, de la na-
turaleza hipottica sobre el efecto del tratamiento. La validez externa
no es particularmente muy fuerte y la variable historia amenaza el cri-
terio de validez interna, por cuanto diferentes eventos entre las diferen-
tes observaciones, pueden aparecer afectando el experimento.
- + + ? + + + + -
? ? ?
Diseo 8: "Muestras de tiempo equivalente".
XoO X.o
364
Diseo 11b: Contrabalanceado al azar.
JESUS DE LA ROSA
Explicacin: El diseo 11b es idntico al 11a con la diferencia
como expresbamos anteriormente, de que los sujetos son asignados al
azar dentro de los grupos. La validez externa e interna tienen alta posi-
bilidad de controlarse como en el anterior diseo, pero la validez exter-
na absorbe ms fuerza debido al procedimiento de azarizacin utilizado.
El anlisis de varianza debe ser el mtodo que utilicemos para el trata-
miento de los datos.
Diseo 12: "Muestras separadas, pretest-spostest".
o (X)
x O
Explicacin: El diseo 12 nos expresa que los subgrupos son equi-
valentes y escogidos al azar. La X entre parntesis, indica que la presen-
tacin del tratamiento es irrelevante para el experimento. Una muestra
es medida antes de la simulacin del tratamiento y otra equivalente,
despus de X. Este diseo se utiliza cuando es posible seleccionar las
veces y sujetos sobre quienes se hacen las observaciones o tambin,
cuando elaboramos una observacin sobre cada persona y el tratamien-
to acontece para todos los grupos o grupo, o para ningn miembro del
mismo. La validez interna est afectada, pero puede ser en muchos ca-
sos controlada, si los grupos de investigadores o entrevistadores son apa-
rejados al azar. La validez externa es controlada. Este diseo es bastante
utilizado en ciencias sociales y pueden derivarse de l tres tipos de dise-
os, de acuerdo al nmero de grupos y observaciones, en relacin al n-
mero de veces que se aplican.
Fuentes de invalidez'
ABCDEFGH ABCD
+ + + + + +
ESTADISTICA PSICO-EDUCAT1VA 365
Diseo 13.; "Muestras separadas - grupo control, pre y postest ".
o (X)
X o
o
o
Explicacin: Este diseo est considerado como el mejor de los
cuasiexperimentales y es similar al diseo 10 con la diferencia de que en
ste, a las personas especificadas no le son aplicadas nuevamente el test,
con lo que desaparece la interaccin de la aplicacin de pruebas con el
tratamiento, defecto del que adolece el diseo de grupo de control no
equivalente. A su vez, elimina los factores historia y maduracin del di-
seo 12, puesto que se incluyen muestras separadas a los grupos de con-
trol, lo que implica que no necesitan ser equivalentes para las muestras
separadas de los grupos preexperimental y posexperimental. Pero toda-
va incluye un factor que sera la interaccin entre seleccin y uno de
los otros factores o variables externas. La validez externa de este diseo
es bastante alta.
A B e D E F G II A B e D
----_.
+ + + + + + + - + + +
Diseo ]4: "Series de tiempos mltiples':
O O
0-1
------ I
O O O I
I
O
o
X
X
o
O
O
O
o
o O
O
Explicacin: El diseno 14 es derivado de las series de tiempo (di-
seno 7), con la diferencia de haber agregado otro grupo al experimento,
por lo que se controlan los factores historia e instrumentacin, dndole
alta validez interna. Sin embargo, la validez externa no tiene mucha
consistencia por lo que no es producente hacer inferencia hacia otros
grupos, una vez que las muestras no han sido equivalentemente azariza-
das. El anlisis de los datos, para encontrar las diferencias entre dos se-
ries experimentales y de control, pueden hacerse mediante las pruebas
de significacin.
Validez interna
Validez externa
ABCDEFGH ABeD
+ + + + + + +
DiseO li "Ciclo institucional".
?
Clase A
Clase B,
Clase B2
Clase e
CPG-Clase B
CPG-Clase e
x
o,
02 x
x
o.
o.
o.
o.
o.
x
CPG = Controles de la poblacin general para las clases B y C.
Explicacin: Este diseno fue elaborado con el fin de ayudar a re-
formar diseos inadecuados de investigacin que se llevan al cabo, y
que se ven en la necesidad de controlar factores especficos en los dos
tipos de validez. Por tanto, el diseo 15 contiene en la clase A, el diseno
1, considerado como no experimental, y a travs del proceso de ajuste
para controlar las fuentes de invalidez, observamos otros diseos que
en interaccin, pueden controlar la situacin de acuerdo a los factores
que nos estn invalidando el estudio. En esta forma, estableceremos las
siguientes comparaciones entre las observaciones o tests para las clases A,
ByC:
Comparaciones Validez externa Validez interna
A B e J) E F G 1I A B e D
I
0.,
01 +
-
+ +

-
?
+
?
+
I
O. O. +
-
+ +
')
-
"
+
?
..;-
I
I
o. o. -
- -
r

+
+
- ?
+
1
I
0,
O.
-
-
+
? ?
+
? +
? ?
I
I
La seleccin de los controles de poblaciones generales (CPG) de-
pender de la particularidad de las hiptesis. 0
6
y 0
7
proveen el control
del factor maduracin aparecido en el segundo perodo de la prueba Es-
to implica de acuerdo con Campbell y Stanley, que debemos aplicar las
pruebas a dos grupos de personas de la poblacin general que difieren
solamente en edad y cuyas edades fueron tomadas para coincidir con
aquellas de las clases B y C, en el momento de la aplicacin de las prue-
bas. Por tanto para poder confrmar la hiptesis del efecto del tratamien-
to, los grupos 0
6
y 0
7
debern ser iguales, o por lo menos, demostrar
menor discrepancia que al hacer las comparaciones, abarcando la expo-
sicin del tratamiento. En esta forma, las fuentes de invalidez para
0
6
=0
7
son: control sobre maduracin y debilidad en la interaccin de
seleccin con maduracin. Los dems factores no son relevantes o care-
cen de importancia en este diseo.
Disefio 16 : "Discontinuidad de regresin".
x O
X O
X O
O
O
O
Explicacin: En este diseo no existen lneas a niveles, 10 que indi-
ca que los grupos no son equivalentes y a su vez, personas que difieren
en diferentes cantidades de conocimientos a travs de una de las varia-
ble. El objeto de este diseo es estudiar la relacin de dos variables {JI
-introducirlas en un tratamiento. En esta forma la discontinuidad de re-
gresin se utiliza en aquellas situaciones en que fueron usados previa-
mente diseos ex post facto. Las pruebas de significacin son las ms
adecuadas para el anlisis de los datos y las fuentes de invalidez son ms
o menos controladas, a excepcin de la interaccin de seleccin sobre el
tratamiento.
Fuentes de invalidez.'
Validez interna
A B e D E F G
!-._-
._------
j
.L
+
-i-
_L
17.6.6 mSEOFACTORIAL
II
-/-
V.Jidez externa
el BCD! __ 0 _
.L _ -L -4---
!
El diseo factorial es uno de los ms empleados actualmente en
psicologa y educacin. A diferencia de los diseos de grupos equiva-
lentes, el diseo factorial toma todos los niveles de cada variable inde-
pendiente en combinacin con los niveles de las otras variables indepen-
dientes. Adems, es posible observar las interacciones de dos o ms
variables independientes sobre la variable dependiente. La tcnica ms
apropiada para llevar al cabo esas observaciones es el anlisis de varian-
za. Si el experimento incluye pretest, obviamente debemos utilizar un
anlisis de covarianza, El diseo factorial requiere como mnimo dos
variables independientes con dos niveles, al menos, en cada variable.
Este diseo se llama factorial 2
2
o 2 x 2. Un estudio detallado de los
diferentes mtodos de anlisis factorial es presentado por Fruchter,
Harinan y Edwards.
Supongamos que desamas estudiar el efecto sobre los logros al-
canzados en la enseanza de la estadstica mediante dos mtodos, dos
profesores y en cuatro cursos diferentes. El diseo factorial de este
estudio sera 2 x 2 x 4. Esto implica que tenemos tres variables inde-
pendientes con dos, otra vez dos y cuatro niveles, respectivamente. El
diagrama de este diseo factorial 2 x 2 x 4 se representa as;
Variable A
l 2
Variable B Variable B
1 2 l 2
l
AIBIC
I
AIBzC
I
AIBIC
Z
A
IBzC2
2 AzBIC AzBzC
I
AzBIC
Z
A
zBzC2
Variable 3 A
3BC
A
3BzCI
A
3BICZ
A
3B2C2
C 4 A
4BC
A
4BZC
A
4BICZ
A
4BzC2
Figura 17.2
Diseo Factorial 2 x 2 x 4
Las variables independientes estn representadas por las letras A,
By C, respectivamente. Este diseo contiene 16 grupos y se representa
grficamente as.
370
JESUS DE LA ROSA
Cada cubo est representado por las tres variables independientes,
mediante las letras A, B, C con sus respectivos subndices.
El diseo factorial tiene alta validez interna, pero no debe preferir-
se por ello en relacin a los otros diseos, sino debido a que con l po-
demos controlar en un slo estudio todas las variables y porque tambin
nos proporciona la posibilidad de analizar la interaccin de dichas varia-
bles.
EJERCICIOS
17.1 Establezca la diferencia entre estos dos diseos.'
371
x
y
I
x O
O
17.2 Qu indica el diseo de ms abajo?
x
x
17.3 Conteste las siguientes preguntas:
a) Qu es el Diseo Experimental?
b) Qu nombre recibe el grupo que recibe un tratamiento espect-
fico?
e) Cmo se llaman las caractertsticas que toman diferentes valo-
res?
d) Cmo se lleva a cabo el control de las variables externas?
e) Describa los tipos de variables.
XVIII
FUNDAMENTOS DE COMPUTACION
18.1 GENERALIDADES SOBRE LA COMPUTADORA
El auge e importancia de las computadoras en el mundo actual y
en cualquier rama de las ciencias fsicas, sociales y naturales nos obliga
a introducir los conocimientos bascos sobre su uso y a enfatizar por lo
menos, sobre un medio de comunicacin con la computadora, que sea
sencillo y adecuado a los problemas de inters estadstico.
18.1.1 NOCIONES PRELIMINARES
Descartando de antemano la posibilidad de poder definir una com-
putadora, debido a la complejidad y rnltiples variaciones de las mis-
mas, nos limitaremos a dar un concepto general.
Existe cierta tendencia a considerar la computadora como una pro-
longacin de la inteligencia del hombre; es decir, se la tiene como una
mquina que puede razonar, pensar, decidir y sentir. Esto es completa-
mente errneo, ya que la computadora no es ms que un "simple" ins-
trumento o herramienta que hace lo que el hombre le ordena. Segn
dice H. Lacobowitz, en su obra "Computadoras Electrnicas Simpli-
ficadas", Mxico, Ediciones Minerva, 1967, pgina 1, desde el punto de
vista operaciones: "las computadoras son lo que pueden hacer".
Ya Quelas computadoras son lo que hacen, analicemos brevemente
qu es lo que pueden hacer. Las computadoras efectan operaciones l-
gicas sobre datos e informaciones significativas. Esto equivale a decir
373
374 JESUS DE LA Re
que las computadoras no resuelven problemas, sino que operan cor
datos, de acuerdo a instrucciones que les son dadas por el hombre.
gracias a su habilidad para operar a alta velocidad, dar resultados eX3
tos, almacenar gran cantidad de informacin y columnar en forma ar
plia y compleja, podemos estudiar mltiples alternativas en la resol
cin de cualquier problema.
Vemos as, que es el hombre quien tiene que escoger los mtodc
adecuados para resolver el problema planteado; en algunos casos est
resulta sencillo, pero por lo general requiere un perfecto conocimient.
del problema y los campos pertinentes a las matemticas, en nuestn
caso, referidos a los conceptos y frmulas estadsticas.
18.2.1 SISTEMAS
Entendemos por sistema cualquier combinacin de partes o ele-
mentos reunidos entre s para obtener un resultado o formar un con-
junto. Bajo ese concepto, consideremos dos sistemas inherentes a la
parte operativa de la computadora: los sistemas numricos y el sistema
electrnico de procesamiento de datos.
En nuestro diario acontecer estamos acostumbrados al uso del sis-
tema decimal de numeracin, sin embargo, existen muchos otros siste-
mas para el clculo numrico, algunos de los cuales se adaptan mejor a
la estructura interna de la mquina.
Debido a que las computadoras estn compuestas por dispositivos
elctricos o electrnicos y estos en su mayora solamente poseen dos
estados estables (cerrado o abierto, corriente o no corriente), el sistema
ms adecuado para ellas, sera aquel que consta de dos dgitos o caracte-
res (Oy 1). Esto es el llamado sistema binario.
Ahora bien. ese sistema presenta algunas dificultades en cuanto a
su escritura, ya que por lo general la combinacin de dgitos binarios
resulta muy extensa. Por esa razn, se utiliza otro sistema ms amplio,
el sistema Hexadecimal, que consta de dieciscis caracteres, a fin de ex-
presar los nmeros escritos en binario en una forma ms condensada.
Sin embargo, hay que tener presente que las computadoras trabajan
siempre en hinario y slo utilizan el hexadecimal para ciertas informa-
ciones de tipo operativo.
375
A pesar de que las computadoras pueden efectuar cualquier tipo
de operaciones, internamente ejecutan nicamente la operacin suma.
Por ejemplo, para realizar una resta, suman por complementos; para
una multiplicacin simplemente suman; en una divisin, restan, o sea,
suman por complementos; en una potenciacin, multiplican, es decir,
suman, etc. Por tal motivo las siguientes reglas se limitan a la operacin
suma, y han sido deducidas a travs de la experiencia y de acuerdo con
H. Jacobowitz, podemos expresarlas cuma sigue:
l. En cualquier sistema de conteo, la base viene dada por el nmero
de caracteres o dgitos de que dispone el sistema considerado.
Ejemplos:
a) El sistema decimal consta de 10 dgitos (O, 1, 2, ..... 9), por
tanto su base es 10.
b) El sistema binario consta de dos (2) caracteres (Oy 1), siendo
as su base 2.
c) Al agregar una unidad al dgito ms alto del sistema, la cuenta
regresa a Oy se acarrea I a la inmediata columna significativa
a la izquierda.
Ejemplos:
1. En el sistema decimal : 9 + 1 =o 10,199 + 1 =o 200,109 + 2 =o
(109 + 1) + I =o I 10 + I =o I II
'") En el sistema binario 1 + 1=010, 101 + I =o 110
1011 +
JI
1100 +
l
II JO
En este caso las computadoras suman primero los d-
gitos correspondientes y luego ejecutan el acarreo.
Basndonos en las reglas expuestas, las equivalencias existentes en-
tre los sistemas binarios, decimal y hexadecimal, aparecen en la tabla
18.1 que se encuentra ms abajo:
Tabla 18.1
Decimal Binario Hexadecimal
O O O
I 1 1
2 10 2
3 11 3
4 IDO 4
5 101 5
6 liD 6
7 111 7
8 1000 8
9 iOOI 9
10 1010 A
11 1011 B
12 1100 e
13 1101 D
14 1110 E
15 1111 F
16 10000 10
17 10001 II
Como sabemos, los nmeros en decimales pueden expresarse come
potencias de 10. As:
583 = 5.10
2
+ 8.10
1
+ 3.10 = 500 + 8 + 3
2678 = 2.10
3
+ 6.10
2
+ 7.10
1
+ 8.10= 2000 + 600 + 70 + 8
Anlogamente, los nmeros en binario se expresan mediante po-
tencias de 2, teniendo en cuenta la posicin. Esto quiere decir, que si
tenemos 2", n representa la posicin, contando de derecha a izquierda
a partir del O,del dgito binario correspondiente.
Ejemplos:
100001
101011
1.2
3
+ 0.2
3
+ 0.2
2+
0.I1 + 1.2
16+0+0+0+1=17
1.2
5
+ 0.2
4
+ 1.2
3
+ 0.2
2
+ 1.2
1
+ 1.2
32 + O + 8 + O + 2 + l = 43
Siguiendo el proceso de los anteriores ejemplos, obtenemos una
forma sencilla para convertir un nmero binario a decimal. El proceso
inverso, o sea, la conversin de decimal a binario se logra mediante
divisiones sucesivas por 2 hasta obtener como resultado O.
Ejemplo:
25 corresponde al binario 1100 l. El proceso para obtenerlo es el
siguiente:
25
12
6
3
1
O
1
O
O
1
l
= 11001 25
Donde los nmeros que aparecen en la columna de la izquierda son
los cocientes de las divisiones sucesivas y los dgitos a la derecha son los
restos de dichas divisiones. Estos restos, tomados de abajo hacia arriba,
representan el binario correspondiente.
Antes de introducirnos en el sistema electrnico de procesa-
miento de datos es conveniente fijar algunas ideas necesarias para su ge-
neralizacin.
En primer lugar, veamos qu significa informacin. Esta puede to-
marse como todo smbolo o signo inteligible. por ejemplo. un semforo,
una bandera. un saludo, etc. Por otra parte, la palabra procesar puede
ser considerada como una transformacin de informacin. por ejemplo:
Como sabemos, las computadoras proccsun informacin y en ese
sentido podemos hacer una analoga con el hombre, considerando un
esquema general del proceso operativo de una computadora.entrada,
procesamiento. almaccnamiento y salida. Las equivalentes correspon-
dientes en el hombre vendran dadas respectivamente por los sentidos,
el cerebro y el sistema nervioso. la memoria y los medios de expresin
(vase figura 18.1 l.
- -- --,
" Sentidos:
: 1
Ientra<-Ia R
",..-------, ------
'(' 1 I ,'Md' I
,ere JrO I I e lOS I
I I :de expresin I

"M- - ---,
( emona;
..-_.a.....:a--'-__-, J
Figura 18.1
Con el fin de detallar un poco el esquema presentado en la figura
18.1. consideremos como ejemplo un sistema corrcspondeintc a la com-
putadora IBM130, teniendo en cuenta que dicho sistema, como cual-
quier otro. est sujeto a posibles modificaciones, con slo cambiarle.
aadirle o quitarle una unidad: vemos as que una de las propiedades de
un sistema electrnico de procesamiento de datos es su flexibilidad. El
sistema en consideracin consta de las siguientes unidades:
l. Unidad de entrada. IBM 250 I (modelo Al l, lectora de tarjetas.
Esa unidad lee tarjetas perforadas d razn de 600 tarje tus por mi-
nuto. Adems de la lectura de tarjetas existen otros medios de en-
trada como puede ser lectura de papel magnetizado y cintas magnticas.
(Vase figura 18.2, que aparece ms abajo).
Figura J8.2
IBM2501 Card Rcader
") Unidad Central de Procesamiento de Datos Como su nombre lo
indica, es la unidad donde se procesan y almacenan los datos. Incluye
la memoria primaria y la memoria secundaria, la primera no visible,
dinmica y de menor capacidad (8192 palabras) que la segunda, esta
ltima es esttica y consiste de uno o ms discos sustituibles capaces
de almacenar 512000 palabras; entendindose por palabras un conjun-
to formado 16 bits binarios. Siendo un bit la combinacin de los dgi-
tos binarios (O y 1).
Adems de esa unidad incluye la consola (Kcyborad) que puede
ser utilizada como unidad de entrada y salida (Input y Output),
permitiendo de esa manera que la unidad 1130 pueda operar sin
necesidad de otras unidades adicionales (vase figura 18.3 J.
3. Unidades de Salida. 113M 1403 (Modelo 6 J e IBM 1442. La primera
corresponde a I:J impresora. posee 120 posiciones de impresin e
380
JESUS DE LA ROSA
imprime a razn de 340 lneas por minuto. La 1442 es la perforadora
de tarjetas con una velocidad de 180 columnas por segundo (vase figu-
ras 18.4 y 18.5).
Figura 18.3
Central Processing Unit.
Figura 18.4
IBM 1403 Printer
Figura 18.5
IBM Card Read Punch
381
4. Unidad de Control de Comunicacin: IBM 1133. Su funcin es
comunicar las unidades externas (2501, 1442 Y 1403) con la uni-
dad central de procesamiento de datos (l130) (vase figura 18.6).
Analizadas las unidades del sistema 1130 considerado, veamos un
esquema general con objeto de tener una visin global del sistema repre-
sentado en la figura 18.7.
En dicha figura, las flechas rectas ( ... ), representan las interaccio-
nes entre las distintas unidades del sistema. Las lneas quebradas
~ indican el sistema de comunicacin ejercido por la 1133.
'18.1.3 ELEMENTOSEN EL PROCESO DEPROGRAMACION:
Como ya sabemos, las computadoras no resuelven problemas sino
382
JESUS DE LA ROSA
que procesan informacin. El proceso a seguir para resolver un proble-
ma cicnt rfico (como por ejemplo en Estadstica), usando una computa-
dora se puede esquematizar como sigue:
l. Piauteamiento del problema' Consideracin de las variables, etc .
.., Anlisis matemtico: Anlisis numrico y seleccin de
los mtodos estadsticos a utilizar.
3. Diagramacin: Consiste en una descripcin grfi-
ca de la secuencia de operaciones
por realizar para obtener la solu-
cin de un problema. Constituye
una gua para el programador.
Generalmente se le llama diagra-
ma de flujo u organigrama).
Figura 18.6
Unidad dual hasta 58 millones
NCR Modelo 657
Control
daJ
Comuni-
cacin
1133
383
Figura18. 7
4. Codificacin: Planteado ya el problema en forma grfica, es nece-
sario escribirlo en un "lenguaje" que pueda ser "entendido", luego
de haber sido traducido por el Ilamado compilador de lenguaje
interno de la maquina (binario). Existen varios tipos de lenguaje,
entre ellos el COBOL, ASSEMBLER, ALGOL, RPG, PLl, FOR-
TRAN-IV, etc.
En este texto nos dedicaremos solamente al FORTRAN IV, por
ser uno de los ms sencillos y adaptables a cualquier tipo de pro-
blemas.
5. Verificacin: Comprobacin y correciones, en caso de errores.
6. Ejecucin del programa.
7 Interpretacin de los resultados obtenidos.
384
JESUS DE'LA AOSA
Para mejor comprensin de ese proceso vase la figura 18.8.
Los dos primeros puntos anteriormente tratados (planteamiento y
anlisis matemtico) no presentan problemas en cuanto a la computa-
dora se refiere, ya que sta poco puede hacer para ayudarnos. La res-
ponsabilidad sobre estos dos puntos recae completamente en la persona
que plantea el problema, y requiere un amplio y perfecto conocimiento
del mismo y dela materia inherente.
r
I CORRECCION
MALOS
PLANTEAMIENTO
ANALlSIS MATEMATlCO
ORGANIGRAMA
CODIFICACION
1
r
VERIFICACION
I
I

I
COMPROBACION
I MALOS'
BUENO
I
EJECUCION
f
INTERPRETACION
DE
\
RESULTADOS
l BUENOS
I
FIN
I
Figura 18.8
Interpretacin de resultados
ESTADISTICA PSICD-EOUCATIVA
385
El diagrama de flujos, que como dijimos sirve de gua al programa-
dor, es de suma importancia en la realizacin de cualquier problema, ya
que nos da una idea visual de su planteamiento y resolucin.
Para nuestros propsitos, podemos resumir el conjunto de figuras
o smbolos que componen el diagrama de flujo como sigue:
\--------../
<>
o
o
..
r 1
El trapezoide representa una instruccin de entrada
o de salida (INPUT y OUTPUT) con ellos READ o
WRITE.
Un rectngulo indica cualquier tipo de operacin de
procesamiento excluyendo una decisin.
Un rombo indica una decisin (lF)
Un pentgono se usa para conexin de pgina.
Un crculo conecta cualquier entrada de la salida
para cualquier otra parte del diagrama.
Las flechas indican la direccin del flujo en el orga-
nigrama.
El valo especifica el punto de partida, alguna inte-
rrupcin y el final del diagrama.
386
JESUS DE LA ROSA
En la codificacin se requiere el conocimiento del lenguaje utiliza-
do. Para efectuar esa parte necesitamos de la llamada hoja de codifica-
cin y de la tarjeta IBM (vase figura 18.9).
Cada lnea de la hoja de codificacin representa una instruccin
en lenguajer FORTRAN (siendo el lenguaje un sistema de traductor),
o sea en cada lnea no puede ir ms de una instruccin y sta equivale a
una tarjeta.
Siguiendo reglas preestablecidas la hoja de codificacin y la tarje-
ta sern utilizadas en la siguiente forma:
l. Las columnas laS se utilizan para los nmeros que especifican
una instruccin.
2. La columna 1 se utiliza tambin para colocar un C. En caso de
comentario, ste no es una instruccin, sencillamente es una in-
formacin para el programador o el operador.
3. Para la descripcin de las instrucciones se usan las columnas 7 a
22.
4. La columna 6 se utiliza para indicar una tarjeta de continuacin,
para ello se coloca un nmero empezando desde l y en orden cre-
ciente hasta 9, en caso de necesidad.
5. Las columnas restantes, o sea de la 73 a la 80 sirven para identi-
ficacin de las instrucciones, a fin de facilitar la ubicacin de los
posibles errores. Los caracteres que en ellas aparecen no son pro-
cesados por el compilador FORTRAN y se pueden utilizar para
cualquier tarjeta.
6. En la hoja de codificacin se coloca un solo carcter en cada casi-
lla, teniendo en cuenta que los espacios en blanco pueden utilizar-
se libremente.
Las reglas antes mencionadas se refieren a la codificacin y perfo-
racin del programa en s; para los datos se puede empezar indistinta-
mente a partir de la columna l.
La perforacin de tarjetas se hace a travs de mquinas similares a
387
las de escribir, llamadas perforadoras; no es absolutamente necesario
que el programador sepa utilizarla. Sin embargo, es conveniente conocer
los cdigos de perforacin. En la tabla 18.2 se dan los cdigos utilizados
en un sistema considerado.
18.2 LENGUAJE FORTRAN
Como sabemos, el FORTRAN es uno de los lenguajes ms sencillos.
Su nombre proviene de una combinacin de los trminos FORmula
TRANslation, o sea, traduccin de frmulas. Podemos verlo tambin
como un "convenio" entre el programador y la computadora.
Un programa FORTRAN consta de una serie de instrucciones,
sentencias o proposiciones (statement) que puede ser de varios tipos,
entendindose por sentencia una frase escrita en FORTRAN.
DEPARTAMENtO DE MATEMATICAS CENTRO DE COMPUTACION
1
'1
IMt.rvecIOMl de perforoci6n
IN.... ....
J
..-
.cj 10.."... 1 I
1 M....Io......1to1
.....IRcacl6n
_........
1".... """.... 1
I
I
A"" ..
,...-....."A ceM.NTA"'IO.

.PROPOSICION fOOIAN
50

60 70 n
10. 15 20 25 30
35 60
..,
65
............,

.
.....
......--
PROPOSlCION FORTRAN
-
1--'-
............................".................................... ........
1-
..........................................................._111__._.. _
ti,,,,,
1-
,,,
tI1111';"I""'II"""II'II"""""""1"""""""""""
ti UtUntllUJlzUUtU,uUUntUullUnUtlUUnlUllUIJIUI 111111.
I-
n JIIIIUJI,UUIUUIIIUIIIUIIUIIIIIUIUII,JIUUIUU3UnUJ Utun
1-
... .............................................................. ............................ .... ,....
1----'-
.. 'UI""
.... ................................................................. ....... 1----'-
'"
11111111 11111Jllll'11l1lJll'll11111fllllllllffl lllll 1 1lnllrlnlfl lllllfll
1--"-
.............................................................Il........ .......
1-----'-
"
.......
,.........,
-
Figura 18.9
Hoja de Codificacin FOR TRAN
388
JESUS DE LA S ~
El conjunto de proposiciones escritas en FORTRAN y perforadas
en tarjetas nos da el llamado programa fuente; ste se convierte a travs
del compilador FORTRAN en programa objeto que es el que va a ser
procesado por la computadora. Como dijimos, el compilador se encarga
de traducir el programa fuente a lenguaje de mquina y no es ms que
un programa interno del computador proporcionado por los fabricantes
del mismo.
Perforacin
I
Perforacin
Carcter tarjeta IBM Carcter IMjela IIJM
O O 0 11-6
1 1 P 11-7
2 2
Q
11-8
3 3 R 11-9
4 4 S 0-2
5 5 T 0-3
6 6 U 0-4
7 7 V 0-5
8 8 W 0-6
9 9 X 0-7
A 12-1 Y 0-8
B 12-2 Z 0-9
e 12-3
D 12-4 12-8-3
E 12-5 ( 0-4-8
F i2-6 ) 12-4-8
G 12-7
I
+
12
H 12-8
i
*
11-8-4
1 12-9
-
11
J
11-1
I
I
0-1
K 11-2
>
0-8-3
L 11-3
I
8-5
M 11-4
=.
I
8-3
N 11-5 Espacio Blanco (no perf.)
NOTA: La mquina perforadora puede interpretar algunos de los caracteres especiales
con otros smbolos en la parte superior de la tarjeta; sin embargo, lo que re,
mente la computadora procesa es lo perforado en las columnas. En la tabla, los
nmeros 12 y 11 se refieren respectivamente a las zonas 12 y 11, ya que las letras
son escritas en maysculas, para evitar confusin entre la "O" y el cero, con-
vencionalmente se ha escogido el smbolo 9J para la letra "O", o viccYeJW..
Tabla 18.2
18.2.1 ESQUEMA GENERAL
Estando el FORTRAN constituido por proposiciones (instruccio-
nes), veamos algunos de los distintos tipos que de stas se presentan:
l. Instrucciones de entrada y salida; son ellas el READ y el WRITE
389
2. Instrucciones de transferencia de control; entre ellas tenemos IF,
para una transferencia condicional y el G(/) T(/) para una transfe-
rencia incondicional.
3. Instrucciones de informacin (no ejecutables); las ms utilizadas
son el FqRMAT y el DlMENSION.
4. Otras nos indican ciertos procesos en la ejecucin del programa sin
que se requiera computacin alguna; las ms usuales son CALL,
EXIT o ST(/)P, PAUSE y END.
5. Un quinto tipo se utiliza para determinar o especificar las opera-
ciones aritmticas.
De las proposiciones indicadas en los puntos 1, 2 Y3 nos ocupare-
mos ms adelante. En relacin a los nombrados en el punto 4, hagamos
una breve descripcin en cuanto a su utilidad y propiedad:
El CALL, EXIT o el ST(/)P, ocasionan un paro definitivo en la eje-
cucin de un programa. Existen ciertas diferencias entre los dos, el pri-
mero permite la ejecucin en serie de varios programas, mientras que el
ST(/)P no goza de esa propiedad. Ambos pueden ser utilizado ms de
una vez en el mismo programa, siempre que sea necesario.
El PAUSE ocasiona un paro temporal en la ejecucin del programa
y sta puede ser continuada con slo pulsar en la computadora el botn
de START (comienzo). Puede aparecer ms de una vez en el programa.
El END (fin) indica al compilador que se ha llegado al trmino del
programa. Debe ser la ltima instruccin en la codificacin y es una
proposicin no ejecutable, a diferencias de las anteriores.
Antes de especificar las expresiones aritmticas ms usuales y sen-
cillas, es indispensable considerar los elementos constituyentes. Tenemos
las constantes, las variables y los operadores.
Las constantes pueden ser consideradas como cualquier nmero
utilizable en un clculo sin que se altere su valor, en el transcurso del
programa. En el lenguaje considerado, las constantes se limitan a dar
diferentes clases en forma y extensin, aunque puedan tener el mismo
valor. Son ellos, las constantes enteras y las reales.
Un nmero entero en FORTRAN, coincide con la concepcin
matemtica, salvo diferencias en la extensin. Puede ser negativo. po-
sitivo o cero y el rango depende de la computadora utilizada. En el
caso de la 1130, los lmites de existencia estn entre -32768 y 32767.
Un nmero real en FORTRAN es un nmero escrito con punto
decimal, donde el punto equivale a la coma en lenguaje matemtico
corriente. Su rango vara de acuerdo, como en las constantes, con la
computadora utilizada. Podemos, sin embargo, aproximar sus lmites
entre 10-
4 0
y 10
4 0
. Las constantes reales pueden tambin escribirse
usando la forma en base 10. Esta se indica con la letra F.
por ejemplo el nmero Sx 10 puede escribirse como S.DE8 y Sx .
puede escribirse por 5 x DE-8, con el fin de representar en forma ms
compacta las constantes reales.
Veamos ahora algunas de las propiedades ms importantes relacio-
nadas con ambos tipos de constantes:
1. El compilador FORTRAN diferencia las constantes reales de los
enteros por la presencia o ausencia del punto decimal.
Ejemplo:
378
378.0 Q 378
Constante entera
Constante Real
2. Las dos formas no se pueden intercambiar debido a que por lo
general son almacenadas en formas completamente diferentes.
3. En las constantes reales, el punto decimal puede aparecer antes,
despus o entre dos dgitos cualquiera.
Ejemplo:
3 0.3
3 3.3 3.00
4. No existe restriccin alguna en el nmero de dgitos decimales,
pero no tiene sentido utilizar ms de 8 9, ya que en su mayo-
rra, las versiones de FORTRAN no retienen ms.
E S T I S T I ~ PSICD-EDUCATlVA 391
Una variable en FORTRAN es una representacin simblica que
asume diferentes valores durante la ejecucin del programa.
Las caractersticas que stas presentan, pueden resumirse como si-
gue: los nombres de variables deben contener de 1 a 5 caracteres (nme-
ros y letras), excluyendo los caracteres especiales. El primer caracter
debe ser una letra, que va siempre escrita en maysculas.
Como en las constantes, las variables pueden ser enteras y reales.
Las variables enteras pueden tomar cualquier valor permitido por
una constante entera. Estas se caracterizan por comenzar con cualquiera
de las siguientes letras: 1, J, K, L, M N.
Las variables reales toman cualquier valor permitido por una cons-
tante real y se diferencian en notacin de los enteros por comenzar con
una letra cualquiera distinta de las utilizadas para las enteras, o sea, 1, J,
K, L,MN.
La distincin entre los dos tipos de variables, mediante la diferente
utilizacin de letras, al comienzo de la variable, se debe a que la compu-
tadora distingue una de otra por la primera letra.
Ejemplos:
1. Variables enteras permitidas: M, N, JL, Ll, 23, 16M5, etc.
2. Variables enteras no permitidas: 3JL (comienza por un nmero)
1, 132 (tiene un caracter espe-
cial), MA235L (tiene ms de cin-
co caracteres), K (321) (presenta
caracteres especiales.
3. Variables reales permitidas: AL32, TARJ, PR(/)D, etc.
4. Variablesreales no permitidas: EPSIL(/)N (tiene ms de 5 carac-
teres), AR, T (tiene un carcter
especial), JPI (comienza con una
letra entera).
Aunque las variables se puedan usar con un nombre cualquiera,
siempre es conveniente identificarlo con el clculo que habremos de
hacer, por ejemplo, si efectuamos un producto, lo llamaremos PRfl)D.
18.2.2 OPERACIONES
El lenguaje FORTRAN nos proporciona cinco operaciones bsicas
representadas en la siguiente tabla:
Tabla 18.3
Descripcion de la operacin
Suma
Resta
Multiplicacin
Divisin
Potencia
Operador
+
*
**
Ntese que ** se considera como un slo smbolo. Los operadores
sealados son los nicos permitidos, en caso de expresiones complicadas
se proceder a combinarlas mediante el uso de parntesis. En la utiliza-
cin de esos operadores hay alguna restriccin, entre ellas tenemos:
l. No se permite el uso de smbolos operativos contnuos.
2. Los parntesis se utilizan para indicar grupos de operaciones, de
manera similar a la notacin matemtica, salvo la diferencia que
en FORTRAN no se permite el uso de otros smbolos de agrupa-
ciones (corchetes, llaves, etc.), que son sustituidos por parntesis.
Los parntesis especifican el orden de ejecucin, realizndose
primero la operacin interna.
3. La ejecucin de las operaciones sigue el siguiente orden:
a) Potenciacin
b) Multiplicaciones y/o divisiones
e) Sumas y/o restas (adiciones y/o sustracciones)
ESTADiSTICA PSICO_,EDUCATIVA
393
4. En caso de haber en una misma expresin multiplicaciones y divi-
siones, sumas y restas, se sigue el orden anterior, efectundolas
de izquierda a derecha.
Ejemplo: Es la expresin A/B * C, primero se efecta la divisin
y el resultado de sta se multiplica por C.
18.2.3 INSTRUCCIONES DE ENTRADA Y SALIDA
Son aquellas que comunican a la computadora con el mundo ex-
terior. La instruccin de entrada en FORTRAN tiene la siguiente for-
ma general:
READ (a,b) lista,
donde READ es el nombre de la instruccin, a es un nmero entero
fijo que indica la unidad de entrada (en nuestro caso se utiliza el 8 por
la 2501); b es un nmero entero, tambin, que indica la instruccin
F0 RMAT vinculada al READ; en ste se especifica la manera como van
a ser ledas las variables correspondientes. Lista, representa las diferen-
tes variables que :van a ser ledas: pueden ser de cualquier tipo y nme-
ro arbitrario.
Ejemplo:
READ (8,12) A, K, MER, RAIZ
12 F0RMAT (especificaciones)
La forma general de la instruccin de salida es:
WRITE (a, b) lista,
donde a, b y lista tienen las mismas funciones que en READ WRITE
significa escribir y es el nombre de la instruccin. En nuestro caso la a
est representada por los nmeros 5 para la 1403 y 9 para la 1442 y 1
para la consola.
El F0RMAT, como dijimos antes, da informacin a la computado-
ra de cmo van a ser escritos o ledos los datos. Como existen varios
tipos, analicemos brevemente los ms importantes y usuales:
39"
JESUS O F LA ROSA
Fl,l)RMAT. tipo l sc usa para variables enteras y su forma es
IW. donde W representa el nmero de posiciones que ocupa la varia-
ole escrita o lc la: el valor de W, lgicamente no debe ser mayor que 5.
Fr') RMA T tipo F. se usa para variables reales y su forma vie-
nc dada por FW.d: donde W representa el nmero de posiciones, inclu-
yendo el punto, las cifras decimales y el signo: y d se refiere al nmero
de cifras decimales que posee dicha variable.
Fl,l) tipo X o Qo T. Su funcin en caso de lecturas, es saltar
columnas y en caso de impresin o perforacin. saltan posiciones: sus
forms gl'nerales son WX y TW, donde W es el nmero de columnas o
posiciones que van a ser saltadas. Se diferencian en que la W en el X
indica un nmero de posiciones a saltar antes de la que va a leer o im-
primir, y" en la T cae exactamcn te en la posicin en que se va a imprimir
o leer.
Fr') RMA T tipo H o ( , , ), se utiliza generalmente en la impresin
y sirve para escribir alguna leyenda o snnbolo. En el caso de usar H se
escribe WH, donde W indica el nmero de caracteres a ser escritos. Si
usamos apstrofe. slo basta encerrar con ellos la frase a escribir.
Fl,l) RMAT tipo L su funcin en caso de lectura es saltar tarjetas,
sin procesarlas yen caso de impresin es saltar lneas.
18.2.4 INSTRUCCIONES DE TRANSFERENCIA DE CONTROL
Son aquellas que interrumpen la secuencia lgica que se sigue en
un programa. Los elementos de que disponemos en el FORTRAN para
este tipo de transferencias son entre otros el G(/J T(/J y el IF aritmtico.
El G(/J T(/J indica una transferencia de control incondicional a algu-
na otra proposicin existente en el programa. Su forma general es:
G(/) Tr') n,
donde n representa el nmero que especifica la instruccin a donde va
a ser transferido el control. Cuando encontramos una instruccin de es-
te tipo, no se ejecuta la que sigue en el orden lgico, sino la que est
especificada con el nmero n. Este debe ser entero. La instruccin no
puede estar antes o despus del Gr') T(/).
E5T ADI5TICA P5ICQ-EDUCATIVA
395
El 11" aritmtico transfiere el control, bajo cu-rtas condiciones, Su
forma general es IF (a) ni' n2' n3' en cl cual a pUl'dc ser una expresin
cualquiera y n l' n
2
, n
3,
son nmeros de instrucciones a donde se trans-
fiero el control.
El proceso que se sigue es el siguiente:
Si la expresin encerrada en parntesis es negativa, la instruccin
a ejecutar es la ni, si es cero se ejecuta la n, Ysi es positiva se transfiere
el control a n3'
Las expresiones en FORTRAN indican especificaciones de clculos
constituidos por constantes, variables y operadores, Pueden ser constan,
tes o variables solas,
Ejemplos:
La siguiente tabla nos da algunos ejemplos de expresiones permiti-
dos en FORTRAN:
Tabla 18.4
Expresin Descripcion
K El valor de la variable entera K
A + 2,18 La suma del valor A y la constante 2.18
RH() - SIGMA La diferencia entre RH() y SIGMA
OMEGA(6.2832 El cociente de la variable OMEGA y 6,2832
e * * 2
e
2
(A + F)(X + 2,0) A+F
X + 2
e + D(B + A
C+ +A
I(X * * 2 + Y * * 3)
El recproco de (X
2
+ y
3
)
Las expresiones en FORTRAN pueden mezclar constantes y varia-
bles enteras con reales, aunque para la potencia, una expresin entera
slo puede ser elevada a una potencia entera, mientras que una real pue-
de ser elevada a cualquier potencia.
Las proposiciones para calcular estas expresiones se les llama de
asignacin aritmtica; tienen la siguiente forma: a = b, donde a es una
variable cualquiera, y b una expresin de cualquier tipo. El signo ( = )
no tiene el mismo significado que en matemticas, se toma como "es
reemplazado por".
Es por ello que aparecen con bastante frecuencia proposiciones del
tipo M= N + l que significa que el valor de la variable N va a ser reem-
plazado por su sucesor.
En las proposiciones de asignacin matemtica se pueden convertir
expresiones enteras a reales y viceversa. Esto puede visualizarse con un
ejemplo 1 = (A + 12.5) * * 2. Aqu la expresin real es calculada en
real y convertida a entero, el resultado se almacena en la variable I. Esto
quiere decir, que si escribimos una variable entera a la izquierda y una
expresin real a la derecha, el resultado obtenido ser entero, teniendo
que la parte decimal, la computadora no la aproxima sino que la trunca,
por tanto no es muy conveniente su resultado.
Hasta aqu, una breve introduccin al uso de las computadoras,
que el autor recomienda a quienes tengan inters en cursos de progra-
macin y manejo de computadoras que suelen ofrecerse en universida-
des e institutos superiores del pas.
ESTADISTICA PSICO-EoUCATIVA
Calculador electrnico impresor, Olivetti-Programma 101.
Figura 18. 10
397
TABLAS
Y
APENDICES
APENOICE A
APENDICE MATEMATICO
REPASO. DECONCEPTOS
FUNDAMENTALES DELAARITMETICA y EL ALGEBRA
En este apndice trataremos dos temas: la aritmtica y el lgebra
elemental, acompaado de una exposicin de la naturaleza de la medi-
cin. Resulta que muchos errores que se cometen en los clculos esta-
dsticos son equivocaciones en las operaciones aritmticas sencillas. Por
ello, comenzaremos con un repaso breve de las reglas que se deben se-
guir para que los clculos sean correctos.
DECIMALES
Adicin y Sustraccin: Para sumar y restar decimales se disponen
los nmeros con los puntos decimales unos debajo de los otros. As,
para sumar 3.094, 235.67 Y45.7 se colocan los mlmeros como sigue:
3.094
235.67
45.7
284.464
Multiplicacin: Al multiplicar decimales, el producto tiene tantas
cifras decimales como hay en el multiplicando y en el multiplicador
conjuntamente, como se muestra a continuacin:
1.072
x 0.02
0.02144
0.00007
0.2
0.000014
1.2
x 1.2
24
12
1.44
401
402
JESUS DE LA ROSA
Divisin: Al dividir dos decimales, el nmero de cifras decimales
del cociente es igual al nmero de decimales del dividendo menos el n- .
mero de decimales del divisor, siempre que la divisin sea exacta.
0.012
0.3
0.04
2.0648 = 10.324
0.2
0.008
0.8
0.0001
FRACCIONES:
Adicin y Sustraccin: Para sumar o restar dos o ms fracciones,
deben reducirse a un comn denominador, como se indica a continua-
cin:
. _1_+_1=.2...+-.1...=_5_ 2
23666 42444 4
ya + xb
yb
Multiplicacin: Para multiplicar fracciones, se multiplican todos
los numeradores y se divide por el producto de todos los denominado-
res, como se indica a continuacin:
Al multiplicar fracciones, se ahorra tiempo si se suprimen antes los
factores comunes del numerador y denominador de una fraccin por un
mismo nmero. El producto no vara. Repitamos las operaciones del
ltimo ejemplo.
Primero se suprime el factor 3 del numerador en el factor 3 del
403
denominador. Despus, el factor 4 del numerador con el4 del denomi-
nador. El 2 del numerador se divide por el 6 del denominador, con lo
que queda un 3 en este ltimo. Resulta entonces 1 x I x 4 en el nume-
radory Ixl x 3 x 5 en el denominador.
El producto de los trminos del numerador es igual a 4; el produc-
to de los trminos del denominador es 15. Se obtiene la misma respues-
ta, cuatro quinceavos, como era de esperar.
Divisin: Para dividir dos fracciones se multiplica la fraccin divi-
diendo por la fraccin recproca del divisor.
3 2 3 3 9 1I
--+-=--x-=--=--
4 3 4 2 8 8
2 II Il 7 7 13
2-.!.. -=--x--=-=--
3 . 7 4 II 4 4
x a x b xb
----=-x--=--
y b yaya
NUMEROS NEGATIVOS
Adicin: Para sumar nmeros que son todos negativos se suman
como si fueran positivos y se antepone el signo menos al resultado.
(-6) +(-8) + (-12)= -26
Si s610 existen dos trminos y uno es positivo y otro negativo, para
sumarlos se resta el menor del mayor y se antepone el signo del mayor.
-6
8
2
-22
28
6
56
-72
- 16
19
- 39
- 1I
Cuando se suman ms de dos nmeros de signos diferentes, se su-
man todos los nmeros positivos y todos los negativos por separado y
se combinan los resultados como antes.
JESVS DE I.A ROSA
(-4) +(-7) +(8) +(13) + (-12) +(-5)= 21 +(-28)=-1
Multiplicacin: El producto de dos nmeros del mismo signo, posi-
tivo o negativo es siempre positivo. Si el signo de uno de ellos es positi-
vo, y el otro del otro es negativo, el producto siempre es negativo.
6
....!.l
12
(-6)
x (-2)
12
6
x (-2)
- 12
-6
..!.QL
- 12
EMPLEO DEL CERQ
La regla principal que es preciso recordar cuando interviene el cero
es: cualquier numero multiplicado por cero es cero.
2x O = O
(0.5) (3.550) x (O) = O
abe x 0=0
Empleo de la tabla de cuadrados, races cuadradas y recprocos de
los nmeros enteros del 1 al 1000: El que aprende a utilizar la tabla de
cuadrados, rnl<'es cuadradas y recprocos de los nmeros enteros aho-
rrara mucho tiempo en sus clculos. Supongamos que se desea calcular
lo siguiente;
4 13
3"4=y:
Naturalmente, se podra reducir a un comn denominador y luego
sumar las fracciones. Pero existe otra forma ms fcil. Los recprocos de
cada uno de los denominadores se pueden leer en la cuarta columna de
la tabla de cuadrados, races cuadradas y recprocos, y cada uno se mul-
tiplica por su respectivo numerador.
1
"3'4= 0.025641
1
37= 0.027027
eSTADISTIC.o. PSICO-EOUCATlVA
4 (0.025641) 13 (0.027027) <::0.102564 0.351351
= 0.453915 = 0.454
Si se tiene que dividir un nmero por la raz cuadrada de otro se-
puede'etectuar muy fcilmente. Sea:
13
.rr
Utilizando la quinta columna de la tabla de cuadrados, races cua-
dradas y recprocos se procede as:
13 13 x (0.1644) = 2.1372 = 2.14
RAIZCUADRADA:
En !as operaciones estadSticas, con mucha frecuencia, es necesa-
rio extraer una ra O1&4dtada. La tabla de races cuadradas
y recprocos la raz ouadrada de todos los nIneros enteros
QOI.RpreDdidos ontre 1 y .1000. DesgraciadaJbe* amchOll de losnme-
lOI que le obtieM1t al)as dfJdntas no IOn ente-
ros Y. pOI" con$igUiente, no pueden leerse en la tabla.
SUpongamos que se quiere extraer la raz cuadrada de 144. En la
tabla de cuadrados, Rioes cuadradas y recproool se obtiene la raz
de dicho numero que es 12. Supongamos que no tenemos la tabla a
mano. Si el nmero es entero se procede as:
144
I
44 22 x2
44
Se divide el nmero en grupos de dos cifras, empezando por la
derecha. El primer par contiene slo un dgito, l. Hallamos el mayor
cuadrado contenido en el mismo. En este caso, el mayor cuadrado
contenido en 1 es l. Se escribe este nmero debajo del 1, y se resta.
Luego se sita la raz cuadrada de este cuadrado, 1, en la caja de la dere-
cha del radical. A la derecha del resto se escribe el segundo grupo de ci-
fras, 44, separando mentalmente la ltima cifra. El nmero que queda a
la izquierda, 4, se divide por el duplo de la raz hallada, 2 x 1 o 2. El
cociente 2. Se escribe esta cifra a la derecha del duplo de la raz halla-
da, y el numero resultante, 22, se multiplica por aquella misma cifra, 2.
Si el producto puede restarse del dividendo seguido del grupo de cifras
separadas, 44, cilio valor, 2, ser la segunda cifra de la raz. Si la resta
no puede hacerse, se disminuir aqulla en una unidad y se repetir el
proceso hasta que la resta pueda efectuarse. El ltimo resto sera el
residuo de la operacin que en este ejemplo no existe.
Supongamos ahora que se quiere extraer la raz cuadrada del n-
mero 876.457
876.457000 29.605
4
------
476 49 x 9
441
---
3545
586 x 6
3516
----
297000
296075
59205 x 5
975
Ahora, a partir del punto decimal, se separan las cifras en grupos
de dos hacia la derecha y hacia la izquier.da.
A la izquierda del punto, el primer par separado es 76 y el segundo
es 8. A la derecha, el primer par separado es 45 y el segundo 70. Obsr-
vese que hemos aadido un cero para obtener un nmero de cifras par.
Haciendo como en el caso anterior, el mayor cuadrado contenido el). 8
es 4. Se escribe el 4 debajo del 8 y se resta la raz cuadrada de 4, que es
2, se coloca en la caja de la derecha del radical. Junto al resto obtenido,
4, se escribe el siguiente par de cifras, 76, resultando el valor 476. Aho-
ra se busca el dgito, que, colocado a la derecha de 4, duplo de la raz
hallada, el nmero que resulta multiplicado por dicho dgito, se apro-
xime lo ms posible a 476, pero siendo menor que 476. El dgito busca-
do es 9. Por tanto se coloca un 9 como segunda cifra de la raz. Luego
se resta 441 de 476 y se halla el siguiente para de cifras, 45. Ahora se
multiplica la raz hallada hasta el momento, 29, por 2, obteniendo 58.
De nuevo, por tanteos, se obtiene un 6 como tercera cifra de la raz
pedida y, por consiguiente se escribe un 6. Obsrvese que el punto de-
cimal se ha colocado inmediatamente despus del segundo dgito de la
raz, que corresponde al lugar inmediato al segundo par de cifras del
nmero original.
Una vez efectuada la multiplicacin y hecha la resta, se halla el
siguiente par de cifras, 70, situndolo a la derecha, del resto, en lo
que resulta 2970.
Tomemos ahora la raz hallada, 296, se multiplica por 2 y resulta
522. Por simple inspeccin se observa que no existe nmero alguno que
se pueda emplear ahora, puesto que cualquier nmero, distinto de cero,
por el que se multiplique, da un producto mayor que 2970. Por tanto
se sita un Oen la caja de la raz cuadrada y se baja el siguiente par de
cifras, que est formado por los dos ceros que se han aadido a la dere-
cha del nmero. Conviene aclarar que se pueden aadir tantos pares
como se necesiten y deseen, continuando la extraccin de la raz cua-
drada con todas las cifras decimales que se quiera. Se repite de nuevo
el proceso multiplicando por 2 las cuatro cifras de la raz hallada en la
que resulta un 5 como nueva cifra de la raz. En este momento se ha
calculado la raz con tres decimales.
Debe tenerse en cuenta que lo ms importante al extraer una raz
cuadrada es separar los nmeros por pares, empezando a partir del pun-
to decimal a izquierda y derecha. Se dan seguidamente algunas races
cuadradas para hacer, con su solucin una gua de comprobacin.
45678.9
4567.89
4.56789
45.6789
0.04567
045678.90
4567.89
04.567890
45.6789
0.045670
408
JESUS DE LA ROSA
Sin embargo, con el auxilio de la tabla de cuadrados, races cuadra-
das y recprocos, se pueden extraer races cuadradas con aproximacin
ms que suficiente. Supongamos que se quiere extraer la raz cuadrada
del numero 45360.0 mediante la tabla citada. Se busca, en la columna
W un nmero lo ms aproximado a 45360 cuanto sea posible. Dicho
nmero es 45469. Leyendo en la columna a la izquierda de 45369, re-
sulta que la raz .cuadrada es 213. Hallamos ahora, la raz cuadrada del
nmero 453609. Se halla por la columna N
2
hasta llegar al numero
452929. El nmero dado est aproximadamente en la mitad entre el
nmero anterior y el siguiente, con lo que la raz cuadrada es 673.5.
Debed observarse que si se quisiera extraer la raz cuadrada del nmero
4536.09 se procederra de la misma forma, bajando por la tabla hasta
llegar al nmero 452929. La nica diferencia es que se separan las
cifras de otra manera. En este ltimo caso la respuesta sera 67.5.
Anlogamente, bJ raz cuadrada del nmero 4,5309 es, aproxima-
damente, 2.13.
POTENCIAClON:
Aunque el emplto ~ potencias en la esta4fstica elemental es muy
Umitado, el estudi.!ttteliehe saber qu es una poteacia y qwsgnfica.
En la potencia 2
3
, el ftlbnro 3.os el exponente, y significa las veces que
hay que multiplicar la ~ 2, por s misma. En este caso, 2 x 2 x 2 es
_al a la tercera potencia;
3
2
=3 x 3 =9
4
3
= 4 x 4 x 4 =64
x =(x) (x) (x) (x)
It'RACClONES y TAN1t>S PORCIENTO:
Una fraccin, ll'le desigaaremos por p, es una parte de un todo.
Tambimse llama proporcin. Si un pastel se divide en seis trazos igua-
les, cada parte es una fraccin del total y se puede escribir p = 1/6 o
bien 0.167.
Otro ejemplo: Supongamos que en una clase de 400 alumnos, 40
409
de ellos obtienen una calificacin final igual a A; lOO alumnos obtienen
la nota B; 150 alumnos obtienen C; 70 alumnos obtienen la nota D, y
40 alumnos obtienen la nota F. Cules son las fracciones o proporcio-
nes de cada calificacin?
N P P
A 40 0.10 10%
B 100 0.25 25 %
C ISO 0.375 37.5 %
D 70 0.175 17.5 %
F 40 0.100 10%
---
N 400 1.000 lOO %
Debe observarse que la suma de las fracciones correspondientes a
un todo es siempre la unidad; el valor mximo de una fraccin de un to-
do es l. Al multiplicar el valor de una fraccin por 100 se obtiene un
tanto por ciento. El smbolo que utilizaremos paca expresar un tanto
por ciento es P. En nuestro ejemplo, los tantos por ciento correspon-
dientes se encuentran en la columna de la derecha. Se observara que la
suma de los tantos por ciento de un todo es siempre igual a 100.
Es preciso advertir algo acerca de los tantos por ciento y las frac-
ciones. Cuando el nmero de casos del todo es pequeo, los tantos por
ciento son inestables. Es decir, una variacin de un caso puede producir
un cambio relativamente grande en el tanto por ciento. Por ejemplo,
cuando hay diez casos, una variacin de uno produce un cambio en 10
en el tanto por ciento.
En todo caso, y para que los futuros lectores de un determinado
estudio o trabajo estadstico tengan la suficiente informacin debe indi-
carse el numero de casos sobre los que se calculan los tantos por ciento.
En un artculo se puede leer que en la enseanza secundaria hubo un
aumento del 132 por ciento en el nmero de nuevos profesores de
ingls entre un afio y el siguiente, mientras el nmero de nuevos profe-
sores de francs slo haba aumentado un 16.5 por ciento. Sin embargo,
se debera haber advertido en el citado articulo que haban 11,266
nuevos profesores de francs y s61065 de ruso.
410
REDONDEO DE NUMEROS
JESUS DE LA ROSA
El redondeo de nmeros hasta el entero o decimal ms prximo
obedece a los criterios siguientes:
Aproximacin a un entero
Aproximacin a la dcima
Aproximacin a la centsima
7.2=7
7.8 =8
7.17=7.2
7.11 =7.1
0.09 = 0.\
7.177 = 7.18
0.674 = 0.67
1.098 = 1.10
La regla general es que si el ltimo dgito es menor que 5, se des-
precia; si el ltimo dgito es mayor que 5, el anterior aumenta en una
unidad. El caso dudoso aparece cuando los nmeros terminan en 5. El
criteri? que seguiremos en estas circunstancias es que si el dgito ante-
rior al 5 es impar, se aumenta en una unidad, y si es nmero par, se
conserva. Los ejemplos siguientes explican este criterio.
8.875 = 8.88
8.05 = 8
6.25 = 5.2
66.975 = 66.98
DlGITOS SIGNIFICATIVOS:
Una cuestin que surge con frecuencia es la del nmero de dgitos
que deben aparecer en la solucin. Como criterio se puede adoptar
en la solucin uno o dos dgitos ms que enlos datos de partida. Por
ejemplo, imaginemos una serie de puntuaciones de un test, cada una de
las cuales contiene dos dgitos. Carece de sentido hallar los promedios
con cinco o seis cifras decimales cuando los datos de partida slo tienen
dos. Dicho de otra manera, con un mtodo de medicin cuyos resulta-
dos tienen una precisin de dos datos, obtener una promedio con mu-
cha precisin slo por el hecho de sacar decimales.
ESTADISTI::A PSICO-EDUCAT1VA 411
El criterio, pues, consiste en dar la solucin con una cifra signifi-
cativa ms que en los datos originales. A continuacin, veremos algunos
ejemplos del nmero de dgitos significativos en una serie de nmeros.
78
786
78.2
0.0025
dos dgitos significativos
tres dgitos significativos
tres dgitos significativos
dos dgitos significativos (los dos ceros a continuacin
del punto decimal no son significativos).
A veces los principiantes encuentran dificultades para redondear
nmeros en los problemas. Sin embargo, no tiene por qu suceder.
Supongamos que se ha de realizar una operacin en seis pasos. El final
de los clculos parciales no se debe redondear a lo largo de la resolu-
cin de un problema, origina un error grande en el resultado final. Si se
va a aproximar la solucin hasta la dcima, lo que conviene es operar
hasta las centsimas en todos los clculos y redondear a la dcima en el
ltimo paso.
412
EJERCICIOS
A) 1. - Efectuar las sustracciones o restas siguientes:
JESUS DE LA ROSA
a) 26.09
- 7.16
d) 14.67
-32.53
b) 87.54
-22.13
e) 67.87
- 7.13
e) 0.0987
-0.9987
f) -54.89
- 6.76
A)
2.-
Efectuar las multiplicaciones siguientes:
a) 45.67 b) 12.345 e) 0.0008
x8
x 0.906 x 0.07
d) 456.89 e) -0.777 f) -6.578
x -2
x 1.000
x-0.9
A) 3. - Efectuar las divisiones siguientes:
16
b)
81
e)
- 2.525
a)
0.4 0.009 0.5
144
e)
- 0.49
f)
-16.16
d)
-0.4 - 0.007 -4
ESTADISTICA PSICQ-EDUCATllfA 413
A) 4. - Hallar la raz cuadrada de cada uno de los nmeros siguientes:
a) 3249 f) 0.00025
b) 30625 g) 9.0009
e) 306916 h) 1/9
d) 777.89 i) - 0.49
e) 8876.9 j) 76453.678
A)
5.- Redondear hasta la dcima cada uno de los nmeros siguien-
tes:
a) 14.36 f) 90.25
b) 24.32 g) 81.95
e) 17.798 h) 56.35
d) 0.098 i) 48.575
e) 1.011 j)
0.125
A)
6.- Decir cules dfgitos o Cifras significativas hay en cada uno de
los nmeros siguientes:
a) 234.67 e) 5004.009
b) 10.67 f) 0.009
e) 0.67 g) 7.2
d) 0.067 h) 0.01
A) 7.- Simplificar las expresiones siguientes, redondeando las res-
puestas hasta la milsima:
a) 1/42 1/71 e) 3/51 11/92 - 10/61
b) 11/41 6/369 f) (1/31 )(2/33)
e) 12/37
17/59-8/31 g) (6/53)-(7/56)
d) 1/14 7/61
APENDICEB
ESCALAS DE MEDICIONES
VARIABLES ESTADISTICAS
TIPOS DEMEDICIONES.
Las variables estadsticas son de dos tipos: contnuas y discontr-
nuas o discretas. La longitud, la masa y el tiempo son ejemplos de varia-
bles contnuas. De dichas variables se pueden hacer mediciones de
varios grados de precisin. Por ejemplo, el metro puede subdividirse en
centmetros, el centmetro en milmetros y, con instrumentos especia-
les, es posible hacer mediciones an ms precisas. Este tipo de variables
pueden representarse por los puntos de una recta. La cuanta y "la pre-
cisin de las mediciones que se pueden hacer a lo largo de esa recta de-
penden del modo con que se realicen.
1555
156
156.5
157
157.5
158
158.5
159
159.5
160
160.5
LIMITES INFERIOR Y SUPERIOR DEUNA VARIABLE CONTINUA
Para explicarlo, imaginemos que se mide a un muchacho y resulta
que mide 157 centmetros. Significa que mide exactamente 157 cms?
Probablemente no. Al leer la escala se obtiene simplemente el nmero
de centmetros al cual se aproxima la estatura del joven.
Esos 157 centmetros estn comprendidos en un segmento de rec-
ta; dicho segmento comprende desde 156.5 hasta 157.499 centmetros.
Podemos redondear el ltimo nmero y expresar que 157 abarca 156.5
hasta 157.5 centmetros.
416
JESUS DE LA ROSA
De manera anloga, una lectura de 158 centmetros comprende
desde 157.5 hasta 158.5 centmetros. Las lecturas de variables conti-
nuas tienen un lmite inferior y un lmite superior como se muestra en
la figura 56.
Por otra parte, los datos de las variables discontfnuas o discretas
resultan de mediciones que slo pueden expresarse por nmeros ente-
ros. Al contar personas, por ejemplo, slo pueden obtenerse enteros, al
contrario de lo que ocurre con el resultado de la medicin de una longi-
tud, que puede ser un nmero real cualquiera. otros ejemplos de varia-
bles discretas son el nmero de palabras de un libro, el de objetos de
una clase y el de automviles que pasan por un lugar durante un cierto
perodo de tiempo. Sin embargo, se observar que en los trabajos esta-
dsticos la mayora de las variables tienden a ser tratadas como conti-
nuas, de manera que se puedan establecer proposiciones tales como
sta: el nmero medio anual de profesores que salen -del pas a cursar
especializaciones es de 2.4. Debe uno acostumbrarse a pensar que todo
nmero tiene un lmite superior y otro inferior.
ESCALADE MEDIDA. MEDlClN.
Stevens y Vela han escrito mucho sobre los tipos de escalas que se
utlizan en la ciencia. An no todos los estadsticos estn de acuerdo con
Stevens y Vela acerca de las mediciones que deberan utilizarse con los
diversos tipos de mediciones segn su clasificacin, ambos han ideado
un sistema que sirve para enfocar lgicamente la medicin. Como se ha
indicado, si no existiese la medicin no habra estadstica, y si las me-
diciones fueran exactas en todos los casos, habra mucha menor deman-
da de estadsticas.
Stevens y Vela reconocen cuatro tipos de escalas: cardinal o nomi-
nal, ordinal, por intervalos y de razones.
Las escalas cardinales se utilizan como medidas de identificacin.
Los nmeros son como etiquetas que identifican particularidades o cla-
ses. En su forma ms simple, los nmeros que llevan en la espalda los
atletas, representan una escala cardinal.
Otros ejemplos son la clasificacin de personas por categoras.
Concretamente, cuando se estudia una muestra de los habitantes de
una nacin, puede hacerse una clasificacin respecto de sus ideas reli-
giosas de la manera siguiente: (l ) protestantes, (2) catlicos, (3) sat-
nicos, (4) judos, (5) practicantes del vod.
Pero tambin podran clasificarse respecto del sexo, color de los
ojos, partido poltico a que pertenecen, zona urbana o rural, etc.
Las estadsticas simples se realizan con datos cardinales. Por ejem-
plo, se puede determinar el nmero, fraccin o tanto por ciento de
casas en cada clase o categora.
Si en una medicin se emplea una escala ordinal, los nmeros re-
flejan el orden de las personas u objetos. Las medidas ordinales se dis-
ponen de mayor a menor o viceversa. Un ejemplo clsico es el que se
emplea al determinar la dureza de los minerales segn escala de Mohes.
La dureza, desde el punto de vista mineralgico es la resistencia que
oponen los minerales a ser rayados. En esta escala, al talco se le asocia
el valor a 1 y se caracteriza por ser muy blando y rozarse fcilmente.
Por el contrario, al extremo opuesto de la escala, al diamante se le aso-
cia el valor 10 y se caracteriza por rozar todos los dems y no serroza-
do por ninguno, De forma anloga se puede hacer una ordenacin de un
grupo de hombres por sus rasgos fsicos? mentales. Las medidas ordna-
les revelan qu persona u objeto es mayor o menor, ms brillante o mas
oscuro, ms duro, o ms blando, etc... que otro. Pero tales mediciones
no dicen cunto ms alto o ms fuerte es una que otro.
Estadsticamente no puede hacerse mucho ms con las medidas
ordinales, excepto determinar la mediana y centiles, as como los coefi...
cientes de correlacin por rangos.
ESCALA POR INTERVALOS
El tercer tipo de escala, la escala por intervalos, proporciona nme-
ros que reflejan las diferencias entre particularidades. En las escalas por
intervalos las unidades de medida son iguales. Ejemplo de dichas escalas
se presentan en los termmetros, escala centgrada y Fahrenheit, en el
tiempo segn se registra en nuestros calendarios, y en las puntuaciones
segn los tests de inteligencia. En este ltimo caso se suponen unidades
de medidas iguales. Con los datos, segn una escala por intervalos, se
pueden realizan mediciones estadsticas como la media aritmtlc;l. la
desviacin tpica y el coeficiente de correlacin de Pearson.
418
JESUS DE LA ROSA
Las escalas por intervalos muestran que una persona o particulari-
dad es tantas veces mayor o menor, ms pesada o ligera, ms brillante
u oscura, etc., que otra.
ESCALAPORRAZONES
La diferencia fundamental entre la escala de razones y la escala de
intervalos es que las escalas de razones tienen un cero absoluto. Es ver-
dad que las escalas de intervalos (por ejemplo, la centgrada) tambin
tiene un cero absoluto, pero tal punto es elegido arbitrariamente. Las
escalas de razones,en general, son medidas de longitud, pesos, capaci-
dad, sonoridad, etc. En las escalas de datos obtenidos, segn tales esca-
las, pueden ser sometidos a cualquier tratamiento estadstico.
Expresando los datos en metros, por ejemplo, se puede afirmar
cuando un segmento es mitad o doble que otro. Si las mediciones se
realizan segn una escala por intervalos, la afirmacn anterior carece de
sentido. Por ejemplo, supongamos que la temperatura mxima de hoy
es 40
0
C, y la de este da el afio pasado fue de 20
0
C. En este caso no se
puede afirmar que el calor de hoyes doble que el del mismo da del afio
anterior. Cul es la diferencia entre las dos condiciones? Cuando se
trata de una longitud se utiliza una escala de medida en un cero absolu-
to, pero en este caso se ha empleado una escala cuyo origen es 0
0
e,
punto de soldcacin del agua. Cuando las mediciones se realizan se-
gn una escala de razones, se pueden hacer comparaciones significati-
vas. En realidad, cuando los datos son de este .tipo, pueden hacerse to-
das las operaciones matemticas y estadsticas usuales. Sin embargo, en
la prctica, muchas de las mediciones se basan en escalas por intervalos
y se emplean casi todas las tcnicas estadsticas a estas medidas.
Qu se puede decir acerca de las mediciones que se realizan en pe-
dagoga, psicologa y otras ciencias sociales? Ante todo, se supone con
frecuencia que poseen unidades iguales de medida. Una inspeccin de
algunos ndices utilizados, como el coeficiente de inteligencia, revela
que esta hiptesis no es cierta probablemente. Adems, las escalas no
poseen un cero absoluto. El fsico puede definir un cero absoluto en
una escala de temperaturas. No es difcil tampoco imaginarse una medi-
da de cero centmetros, o de cero gramos. Sin embargo, qu significa
un coeficiente de inteligencia igual a cero? Qu quiere decir que un
alumno obtiene una puntuacin cero en un test de geografa? En reali-
419
dad, estas puntuaciones nulas no se sabe qu significan. Deaquf se dedu-
ce que no existe una base firme para establecer que una persona con un
coeficente de inteligencia doble que otra es doblemente inteligencia. Ni
tampoco se puede afirmar que un alumno cuya puntuacin en un test
de aritmtica es doble que otro sabe doble aritmtica que ste.
APENOICEC
SIMBOLOS
ESTADISTICOS
N ~ Poblacin, muestra total, nmero de individuos en una distri-
bucin.
XY = Puntuaciones directas en las variables X, Y.
~ =Sumatoria, smbolo que expresa la suma de todos los valores.
f = Frecuencia.
fa=Frecuencia acumulada.
Fe = Frecuencia emprica u observada.
Ft =::; Frecuencia terica.
F ~ C Frecuencia acumulada hasta U/la puntuacin sealada pero
excluyendo la correspoudieut a dicha puntuacin.
Fm cco Frecuencia modal,
'foFa 'Porcentaje de freeur-ncias acumuladas.
M, X ' , Media aritmtica.
MG 'Media geomtrica.
MA =::; Media armnica.
MC = Media cuadrtica.
MCu. =Media cbica.
ME == Media bicuadrtica.
Mdn = Mediana.
Mo =Moda o modo.
x, y =::; Desviaciones respecto a la media aritmtica de las puntuacio-
nes X, Y.
x' = Desviacin en unidades de intervalo de clase respecto del inter-
valo de clas. modal o con respecto a la media aritmtica.
l ~ Magnitud de lmite inferior de UII intervalo de clase.
L = Magnitud de lmite superior de un intervalo de clase.
421
Ll
l
== (Delta) diferencia, sin tene-r U1 cuenta los signos entre la fn'-
cuencia de la clase modal y tI.' la clase superior que la sigue.
Ll, = Diferencia, sin tener en cuenta los signos entre la frecuencia
de la clase modal y la de la clase inferior que le sigue.
i ="Intervalo de clase" o puntuaciones incluidas entre el lmite
superior e inferior.
AT = Amplitud total (medida de dispersin).
DM == Desviacin media (medida de dispersin).
DS, DT, s, 17 =Desviacin tipica o estndar.
DS', s', 17
2
= Variancia o varianza.
pm, xm = Punto medio del intervalo de clase.
IS =Intervalo superior real.
MS = Media aritmtica supuesta.
Q. = Cuartil 1,2, 3 o 4.
p. = Percentil de n.
Z = Media Z o puntuacin estndar de x] DS,
T =Media T o puntuacin normalizada.
bu" Coeficiente de regresin.
r == Coeficiente de correlacin.
r
q
:= Coeficiente de validez, correlacin entre las variables X y Y.
P = Coeficiente de correlacin ordinal.
rbl. =Coeficiente de correlacin biserial.
rpb := Coeficiente de correlacin punto biserial.
e = Coeficiente de contingencia.
Ixl == Valor absoluto de x,
rt = Coeficiente de correlacin tetracrica.
x== x estimada.
y =y estimada.
X' == Ji cuadrada.
CV == Coeficiente de variacin,
Se, e == Error estndar de medida.
p == Probabilidad de que un hecho ocurra.
q == Probabilidad de que un hecho no ocurra.
t == Prueba t de Student,
F == ndice F de Snedecor para anlisis de varianza.
:= Coeficiente fi.
u == Media de la poblacin.
APENDICED
GLOSARIO
DE TERMINOS
ESTADISTICOS
Agrupamiento: Acumulacin de todas
las observaciones de algunos valores
de la variable dentro de una clase
nica.
Ajuste: Conformidad de la distribu-
cin terica y un grupo de datos
empricos.
Amplitud total: Media de variabili-
dad menos exacta resultante de la
diferencia entre la puntuacin ma-
yor y menor. Dicho resultado se
denomina ndice de dispersin.
Anlisis de varianza: Mtodo para de-
terminar si las diferencias encon-
tradas en una variable dependiente,
cuando est influenciada por va-
riables experimentales, exceden o
sobrepasan a lo que se espera por
azar.
Anlisis factorial: Mtodo estadstico
para interpretar puntuaciones y co-
rrelacin de los mismos en un n-
mero de tests. Los principales ex-
ponentes del anlisis factorial son
Spearman, basado en las ideas de
Galton y Pearson, Thomson, Burt
y Thurstone. La tcnica del anlisis
factorial, como nos dice M. Vela,
exponente en Espaa de este m-
todo, comprende cuatro fases: pre-
paracin, Iactorizacln. rotacin e
interpreiacin.
Aullsls muitivariado: Tcnica utili-
zada para identificar o probar el
efecto de muchas variables cuando
actan simultneamente.
Atenuacin: Reduccin del coeficien-
te de correlacin por el uso de me-
didas no confiables.
Asimetra: Carencia de simetra entre
las dos mitades separadas por la
media de una distribucin curva.
Azar: Estadsticamente se relaciona
con la teora de las probabilidades.
Decimos que concebimos un hecho
estadistico al azar, cuando ste es
motivado por un nmero de facto-
res independientes que individual-
mente no conocemos pero que sus
efectos combinados pueden ser pre-
decidas.
Bimodal: Distribucin que posee dos
modos y que usualmente se repre-
senta grficamente mediante histo-
gramas.
Binomial: Expresin algebraica que
contiene dos trminos.
Binomio de Newton: Referente a la
potencia de un' binomio. El binomio
de Newton, es una expresin errada,
pues ya era conocido en el siglo XV!
por el matemtico italiano Tarta-
glia. Newton lo generaliz ms tar-
de para exponentes no enteros.
Campo: Diferencia entre los lmites
superior e inferior de una serie de
puntuaciones en una distribucin.
423
424
Centil: Expresin ms castiza para
denominar al "percentil". (Deno-
minacin en ingls.)
Centroide: Mtodo del anlisis fac-
torial. El principal exponente de
este mtodo es Thurstone. Equi-
vale al significado que da Vela a
la rotacin en el sentido de girar
los ejes hasta llegar a una posicin
en que cada vector tenga proyec-
ciones significativas en el mismo
nmero de ejes.
CIase: Una de las divisiones que re-
sulta de la agrupacin y ordenacin
de lag puntuaciones. Las clases con-
tienen siempre un nmero igual de
puntuaciones y a esto se llama in-
tervalo de clase. Las clases reciben
tambin el nombre de categoras.
En otras palabras, clase o categora
es aquella que contiene una mag-
nitud igual de valores.
Cociente intelectual: Relacin de la
edad mental y edad cronolgica,
introducido por William Stern. Es
conveniente diferenciar este tipo de
cociente intelectual del introducido
por Wechsler y denominado
ciente intelectual estndar o tpico"
cuya media es 100 y su desviacin
tpica 15.0. (En ingls se denomina
Deviation IQs.)
Cdigo: Puntuaciones ms convenien-
tes para nuestros prop6sitos resul-
tantes de la transformacin de las
puntuaciones obtenidas. El proceso
que esto implica se denomina co-
dificacin.
Valor que expresa el gra-
do de algunas caractersticas o re-
laciones que se han encontrado en
circunstancias especficas.
Coeficiente de alineacin: Compara-
cin del errr tpico o estndar de
estimacin con la desviacin tpica
de la var. able e,tiE'a",.
CJeficiente ;le asocaetn- de
correlacin entre os '\. ;"s
JESUS DE LA ROSA
cuales son expresadas en dos cate-
goras cada una. Tambin es cono-
cido como coeficiente de correlacin
de Yule.
Coeficiente de coaligacin: Medida
ruda de relacin entre dos variables
cualitativas dicotmicas cuyo ndice
es semejante al coeficiente de aso-
ciacin.
Coeficiente de concordancia: Medida
propuesta por Kendall y Smith, me-
diante la frmula:
w= 128
m
2(n'
- n) ,
donde 8 es igual a la suma de los
cuadrados de las desviaciones del
total de los rangos asignados a cada
uno de los m(n + 1) /2 individuos.
Esta ltima cantidad es el valor pro-
medio de los totales de los rangos
y S es la suma de cuadrados de las
desviaciones a partir de la media.
El coeficiente de concordancia va-
ra de Oa 1.0.
Coeficiente de contingencia: Propues-
to por Pearson, por medio del cual
podemos estimar el grado de aso-
ciacin entre dos caractersticas
cuando nuestros datos de observa-
cin estn clasificados en una tabla
de contingencia.
Coeficiente de correlacin: Es un n-
dice numrico que nos expresa si
existe concomitancia entre dos va-
riables y de ser as, su grado. Una
perfecta correspondencia entre las
dos variables es expresada por +I ;
una correspondencia inversa perfec-
ta es indicada por -1 y la inde-
pendencia o falta de concomitancia
se expresa por 0.0.
Coeficiente de correlacin bserial: La
correlacin biserial es una adapta-
cin del procedimiento para deter-
minar el coeficiente de correlacin
usad. ando una variable es cuan-
titauva y la otra dicotornizada, por
tanto este coeficiente indica la di-
reccin de relacin entre la variable
cuantitativa y la proporcin de ca-
sos de la distribucin.
Coeficiente de correlacin de Bravais-
Pearson: Es representado por el
cociente de la covarianza entre
el producto de las desviaciones t-
picas de las dos variables.
Coeficiente de correlacin no mtrica:
Propuesto por F. Faverge para me-
dir la reproductibilidad de un tem
de un test.
Coeficiente de correlacin tetracrica:
Utilizado para medir el grado de
asociacin lineal entre dos variables
donde ambas son dicotomizadas y
las verdaderas distribuciones se su-
ponen normales.
Coeficiente de correlacin triserial:
Llamado tambin de Burt. Indicc
que expresa la correlacin entre una
variable continua y la otra supuesta,
continua y dividida en tres grupos.
Coeficiente de determinacin: Indica
la proporcin de la varianza de la
variable dependiente determinada
directamente por una variable in-
dependiente especfica.
Coeficiente de regresin: Viene repre-
sentado por la constante en una
ecuacin de regresin lineal que
mide la inclinacin de la lnea de
regresin.
Coeficiente de variacin: Viene repre-
sentado por el porcentaje que re-
sulta expresado al comparar las
desviaciones media y tpica o estn-
dar. El coeficiente de variacin se
puede usar como medida represen-
tativa de un promedio.
Combinacin: Perteneciente al anli-
sis combinatorio matemtico. Se en-
tiende por combinaciones de orden
n, de m objetos a los grupos de n
objetos que se pueden formar con
ellos de tal modo que dos cuales-
quiera difieran en algn objeto.
425
Comunidad: Trmino relativo al an-
lisis factorial que indica la propor-
cin de la varianza de una variable,
la cual es descrita en trminos de
factores comunes de las otras varia-
bles en el grupo.
ConfiabiJidad: Calidad requerida para
la "validez" de un test y represen-
tada por el indice de eonfiabilidad
que indica la correlacin entre la
primera y siguientes aplicaciones
de una prueba a un mismo grupo de
sujetos. Un mayor grado de con-
fiabilidad viene dado cuando obte-
nemos los mismos resultados en las
diferentes aplicaciones.
Contingencia: La extensin por la
cual los valores de una variable de-
penden de otra variable o variables.
Correccin de Sheppard: Correccin
aplicada a la varianza y a la des-
viacin tpica o estndar obtenida
por la agrupacin de los valores de
la variable.
Correlacin: Grado de concomitancia
entre dos o ms variables expresado
por el coeficiente de correlacin.
Correlacin interclase: Medida que
indica el grado de similitud o aso-
ciacin entre individuos de clases '2
grupos. Tambin recibe el nombre
de correlacin homotpica.
Correlacin lineal simple: Denomina-
da tambin correlacin del producto-
momento o correlacin de Pearson
y su uso est determinado cuando
sus dos variables son cuantitativas.
Este tipo de correlacin es el ms
utilizado.
Correlacin mltiple: Correlacin en-
tre la variable dependiente y dos o
ms variables independientes.
Correlacin ordinal: Denominada
tambin correlacin por rangos o
correlacin de Spearman por ser su
descubridor. Este mtodo se utiliza
cuando se tiene en cuenta el orden
de clasificacin de los pares de ca-
426
sos, sin considerar sus valores. Su
coeficiente de correlacin est basa-
do en las diferencias asignadas a
los individuos en dos variables.
Correlacin parcial: Correlacin en-
tre dos variables en un caso de
mltiples variables aleatorias, con
la indicacin de que ha sido eli-
minada cualquier asociacin con
algunas de las variables restantes
o con todas.
Covarianza: Media de los productos
de las desviaciones igualadas de dos
variables.
Cuartil: Uno de los tres puntos que
divide a una distribucin, donde el
cuartil 2 es la mediana. Estos tres
puntos dividen a su vez a la distri-
bucin en cuatro partes, cada uno
de los cuales comprende el 250/0 de
los casos o un % de los mismos.
Curtosis: Anormalidad de la distribu-
cin en la que sta se aparta de lo
normal en lo que se refiere a su
altura. Cuando la curva de la dis-
tribucin es ms plana se denomina
platic,rtica; cuando es ms aguda
leptocrtica, y cuando no est en
ninguno de estos casos se denomina
mesocrtica.
Curva normal: Curva simtrica y
asinttica, definida por la media,
desviacin estndar o tpica y por
el valor de la ordenada mxima.
Tambin es llamada curva de una
campana por su forma parecida, y
curva de Gauss.
Decil: Es uno de los nueve puntos
que dividen a una distribucin de
10 divisiones, en que cada una com-
prende el 10% de los casos.
Desviacin: Diferencia existente entre
un valor individual y otro de ten-
dencia central.
Desviacin cuartilar: Mitad de la dis-
tancia entre los cuartiles 1 y 3.
Desviacin del cociente intelectual
C. l.: Proveniente de las notas del
JESUS Di: LA ROSA
cociente intelectual de Wecluler con
una media de 100 y una desviacin
tpica aproximada de 15.0.
Desviacin media: Media aritmtica
de las diferencias de cada valor de
la media en una serie.
Desviacin tpica o estndar: Medida
de dispersin resultante de dividir
la suma de las diferencias de los
cuadrados de cada medida de la
media aritmtica por el nmero
total de medidas o elementos y ex-
traerle su raz cuadrada. Se deno-
mina tambin, desviacin tipo, pa-
trn y desviacin media cuadrtica.
Dicotoma: Tipo de clasificacin sen-
clla para separar los elementos de
una clase X de otra no X.
Derencia signicativa: Diferencia
entre dos "estadsticas" computadas
sobre muestras separadas con una
magnitud tal que la probabilidad
para que las muestras sean sacadas
de los diferentes universos es menor
que algn lmite definido.
Discrepancia de una distribucin: Dis-
tribucin de forma aproximadamen-
te simtrica proveniente de la in-
exactitud que resulta del cuadrado
de la desviacin tpica.
Distribucin: Representacin grfica
proveniente de una agrupacin sis-
temtica de valores ordenados por
clases, de acuerdo con el nmero
de frecuencias de cada valor suce-
sivo.
Distribucin acumulativa: Relativa a
la distribucin de las frecuencias
acumulativas, consistente de la su-
ma progresiva de las frecuencias de
forma tal que su ltima frecuencia
acumulativa corresponde natural-
mente al nmero total de valores
de la muestra.
Distribucin normal: Distribucin que
da por resultado la llamada curva
normal o gaussiana.
Ecuacin: Expresin matemtica re-
ferente a que las igualdades han de
satisfacer los nmeros desconocidos.
Ecuaciones equivalentes: Cuando toda
solucin de cada ecuacin satisface
a la otra..
Edad mental: Nivel de desarrollo de
la inteligencia introducido por Bi-
net-Simon y en oposicin a la edad
cronolgica.
Edad cronolgica: Edad determinada
por la fecha de nacimiento.
Eje: Sinnimo de coordenada carte-
siana. Uno de los dos ejes resultan-
tes de dividir un plano en cuatro
ngulos rectos. Uno de los ejes se
supone horizontal y se llama eje
de las abscisas o de las X y el otro
de las ordenadas o de las Y que
corta perpendicularmente el eje su-
puesto horizontal.
r ~ o r Es la desviacin de una pun-
tuacin verdadera.
Error constante: Error que pennane-
ce invariable en todas las medidas.
Error acumulativo: Error que va au-
mentando en forma progresiva.
Error absoluto: Diferencia entre la
estimacin y el valor exacto.
Error experimental: Es aquel que ma-
nifiesta el fracaso de llegar a resul-
tados idnticos con dos unidades
experimentales tratadas igual.
Error muestral: Errores derivados de
tratar con muestras y no con el to-
tal del universo. Variacin de las
constantes estadsticas del valor ver-
dadero.
Error probable: Es 0.6744898 veces
el error tpico o estndar. Es la
desviacin posible de la distribucin
de los errores de la muestra.
Error relativo: Error relativo en una
estimacin es igual al cociente del
error absoluto por la estimacin.
Error tpico o estndar: Desviacin
tpica de la distribucin de los erro-
res del muestreo.
427
Escala: Este trmino tiene muchas
asignaciones. Elemento de medi-
cin numerado de acuerdo a cier-
tas normas de trabajo para com-
parar las puntuaciones obtenidas y
asignar a stas un valor matemtico
que represelllen su magnitud.
Escala AGCT: Escala donde el valor
de la media es 100 y la desviacin
tpica 20.
Escala CEEB: Escala introducida por
el College Entrance Examination
Board de Estados Unidos cuya me-
dia es de 500 y la desviacin tpi-
ca 100.
Escala de Wechsler: Escala provenien-
te del cociente intelectual y denomi-
nada tambin escala del cociente
intelectual estndar. Su media es
de 100 y su desviacin tpica apro-
ximada "S de 15.
Escala de Guilford: Escala donde ei
valor de la media es 5 y su desvia
cin tpica es 2.
Escala percentilar: Escala que indica
el rango de clasificacin de un ele-
mento en relacin con 100 elemen-
tos del mismo tipo. Los puntos per-
centiles dividen la distribucin en
100 partes, conteniendo cada una
ell% de los casos y donde la media
es equivalente al percentil 50.
Escala "Stanine": Esta escala com-
prende 9 .unidades denominadas
"ninas". Su media es de 5.0 y la
desviacin tpica 2.0.
Escala Sten: Sus unidades son llama-
das "stens". Tiene una extensin de
I a 10 y proviene del cuestionario
de personalidad de Cattell.
Escala T: Esta escala se deriva de las
puntuaciones Z. A cada puntuacin
tpica de Z le corresponde 10 uni-
dades T. Esta escala est expresada
en nmeros de 20 a 80.
Escala X: Esta escala no es normal-
zada porque est representada por
las puntuaciones brutas obtenidas,
428
aunque podemos considerarla seme-
jante a la escala Z, cuando trans-
formamos las puntuaciones brutas
por medio de las desviaciones.
Escala Z: Esta es una escala de pun-
tuaciones tpicas que adopta como
unidad la desviacin tpica obtenida
en las puntuaciones. Es por tanto,
semejante a la unidad de desviacin
tipo.
Estadstica: Tcnica que computa y
enumera los hechos y los individuos
susceptibles de enumerarse o medir-
se y coordina y clasifica los datos
obtenidos con el fin de determinar
sus causas ytendencias.
Estndar: Palabra de origen ingls,
utilizada en castellano para reem-
plazar "tpico". Aunque a nuestro
modo consideramos ms aceptable
este ltimo.
Estandarizacin o tipificacin: Pro-
ceso ambiental diferente al de su
origen.
Estimacin: Valor que se utiliza pax3
estimar un parmetro del universo
de la que es extrada la muestra.
Recurso muy utilizado en psicolo-
gia y educaci6n eJI el mtodo de
pruebas.
Estructura: Cuadro de 1.. correlacio-
nes entre tests y factores.
Factor: Variable independiente den-
tro del dise'o experimental.
Factoriales: Factorial que se refiere a
un modo especial de formar las
combinaciones de tratamientos.
Factor genrt: -Dimensin dentro del
anlisis factorial caracterizado por
las notas de abstracci6n y neog-
nesis y representado por g.
Fidelidad: Sinnimo de confiabilidad.
Fineza discriminativa: Sin6nimo de
sensibilidad de un test.
Frecuencia: Nmero de veces que se
repite un fen6meno estadstico.
Frecuencia absoluta: Nmero de casos
de una determinada categora. Tam-
JESUS DE LA ROSA
bin podemos definirla como e! n-
mero de veces que aparece un ele.
mento en un colectivo o muestra.
Frecuencia acumulativa: Viene dada
por la suma acumulada de las fre-
cuencias registradas.
Frecuencia emprica 11 observada: La
misma frecuencia (1) denominada
en esta forma, generalmente, para
calcular ji cuadrada.
Frecuencia relativa: Frecuencia re-
sultante de dividir la frecuencia ab-
soluta por el nmero total de ele-
mentos considerados.
Grados de libertad: Nmero de como
ponentes que son libres para variar.
Grupo de control: Grupo de personas
que actan de testigos de otro grupo
denominado experimental el cual es
sometido a una serie determinada
de pruebas para ver la influencia de
la variable que se quiere investigar.
Homogeneidad: Sin6nimo del mtodo
Spllt-half por medio de! cual se
correlacionan las dos mitades de un
test para medir e! ndice de fideo
lidad,
lndce de dispersin: Valor numrico
que indica la amplitud de dsper-
si6n de los valores centrados en
una medida de tendencia central.
Intercorrdacin: CorreI aconea de
cada variable con todas las otras
variables de un grupo.
Intervalo de clase: La distancia nu-
mrica entre 101 limites superior e
inferior de una clase o categora.
Ji cuadrada: Prueba de significaneia
resultante del cociente de dividir la
suma de las diferencias al cuadrado
de las frecuencias empricas y te6-
ricas entre las frecuencias tericas.
Tambin se utiliza para calcular el
coeficiente de contingencia.
Linte superior: Puntuaci6n mayor
de una clase o categora.
Lmite inferior: Puntuacin menor de
una clase o categora.
Lnea de regresin: Lnea de ajuste
representativa. de una ecuacin de
estimacin.
Matriz: Tabla de nmeros en filas y
columnas.
Media aritmtica: Medida de ten-
dencia central definida por el pro-
medio aritmtico de todos los va-
lores de la muestra.
Media aritmtica ponderada: Medida
donde cada valor se cuenta todas
las veces que se presenta. .
Media geomtricas Es la raz ensima
del producto de los valores dados.
Media armnica: Es la reciproca de
la media aritmtica calculada para
los recprocos de los nmeros dados.
Media cuadrtica: Resultante de ~
traer la raz cuadrada a la media
aritmtica de los datos elevados al
cuadrado.
Media cbica: Resultante de extraer
la raz cbica a la media aritmtica
de los datos elevados al cubo.
Media bicuadrtica: Resultante de ex-
traer la raz cuarta a la media arit-
mtica de los datos elevados a la
cuarta potencia.
Mediana: Elemento que ocupa el lu-
gar central en la sucesi6n. En otras
palabras, es la puntuaci6n por en-
cima de la cual se encuentra la
mitad de las dems puntuaciones,
y por debajo la otra mitad.
Mtodo de factorizacin: Mtodo del
anlisis factorial por medio del cual
se averiguan los factores comunes
que son importantes para interpre-
tar las correlaciones halladas.
Modo o moda: Tendencia dominante
en una distribucin; en otras pala-
bras, elemento al que corresponde
mayor frecuencia.
Muestra: Conjunto finito que sepa-
ramos de un colectivo, universo o
poblacin.
Muestra' al azar: Aquella muestra
donde el elemento o miembro de la
429
poblacin tuvo las mismas proba-
bilidades de ser elegido, o de per-
tenecer a la misma.
Muestra estratificada: Muestra. esco-
gida por estratos donde cada uno
de ellos forma un subuniverso. De-
nominada tambin de Poisson.
Muestra de Lexis: Muestra de uno
de los estratos del universo que lit
quiere investigar.
Muestra controlada: Recibe tambin
el nombre de muestra sistemtica y
consiste en dividir la poblacin en
varias categoras y tomar de cada
una de ellas al azar un nmero' de
elementos que de ese estrato hay
en la poblacin.
Muestra de probabilidad: Aquella
muestra elegida de acuerdo con un
mecanismo casual.
Normalizar: Accin para hacer que
los datos se ajusten a las suposicio-
nes usuales. Fundamentalmente se
utiliza en el ajuste de la curva.
Parmetro: Es el valor real corres-
pondiente o esperado del universo.
Perfil: Trmino fundamentalmente
psicomtrico representado mediante
una grfica de los resultados obte-
nidos por un sujeto o grupo de
sujetos en una prueba o conjunto
de pruebas.
Poblacin: Sinnimo de colectivo y
universo y se define por el conjunto
del cual se han extrado los nmeros
o atributos que forman la serie esta-
dstica,
Polgonos de frecuencias: Represen-
tacin grfica de una distribuci6n
resultante de la uni6n de 101 puntos
derivados de la interseccin de la
perpendicular al eje de las X donde
le inscriben los lmites inferioJ't!l de
cada intervalo de clase y de la pero
pendicular al eje de 181 Y donde se
inscriben las frecuencias pelr orden
ascendente.
430
Prueba de significacin: Es aquella
por medio de la cual podernos pre-
decir los lmites probables en que
nuestros resultados pueden experi-
mentar fluctuaciones a causa de los
posibles errores.
Prueba de la j cuadrada: Prueba de
significacin'estadstica que permite
establecer una concordancia entre
'los valores empricos y tericos.
Prueba t de Student: Prueba de sig-
nificacin que permite comprobar
la significancia de las medias de las
muestras pequeas.
Psicotecnia: Estudio y aplicaci6n de
mtodos cientficamente experimen-
tales o pscomtrcos.
Punto medio: Valor medio entre el
lmite superior e inferior de una
clase.
Puntuacin: Valor, medida, magnitud
o score. Crditos asignados a datos
matemticos, estadsticos o psicol-
gicos. As tenemos, puntuaciones es-
tndar' o tpicas derivadas de la
escala estndar, puntuaciones Z de-
rivadas de la escala Z, etc.
Probabilidad: En trminos matem-
tico-estadsticos, probabilidad de rea-
lizacin de un suceso; es el nmero
a que tiende la frecuencia relativa
al aumentar indefinidamente el n-
mero de elementos del colectivo.
ProbabDidad total: Probabilidad de
producirse un sucesoque puede atrio
burse a varias hiptesis o causas.
Razn critica: Cociente resultante en-
tre la constante T y su error tpico.
Tambin es llamada razn de sig-
nificacin.
Regresin: Mtodo utilizado para de-
terminar la mejor relacin funcio-
nal entre las variables.
Sigma: Pronunciacin de la letra grie-
ga o (l. La primera cuando es
mayscula, y significa luma; y la
JESUS DE LA ROSA
segunda corno minscula es smbolo
de la desviacin tpica o estndar.
Tabulacin: Condensacin de los da-
tos obtenidos mediante un proceso
de clasificacin y agrupamiento de'
los mismos.
Test: Vocablo de origen ingls am-
pliamente introducido en todos los
idiomas para caracterizar a las prue-
bas psicolgicas. La Asociacin In-
ternacional de Psicologa Aplicada
lo define de Ia siguiente manera:
"Es una prueba definida que im-
plica una tarea que se ha de cum-
plir, idntica para todos los sujetos
examinados, con tcnica precisa
para la apreciacin del xito o del
fracaso, o para la valoracin nu-
mrica del resultado logrado. La
tarea puede comprender una ac-
tuacin, ya sea de conocimientos
adquiridos (prueba pedaggica),
ya sea de funciones sensoriomotrices
o mentales (prueba psicolgica)."
Universo: Sinnimo de poblacin.
Validez: Cualidad de un test cuando
ste mide lo que pretende medir.
La fidelidad y la validez son las
cualidades principales que debe te-
ner un test para considerarlo v-
lido.
Variable: Cualidad que varia de mag-
nitud.
Variable aleatoria o casual: Funcin
evaluada numricamente, definida
en un espacio muestra. Puede ser
discreta o continua.
Variable DC! cuantitativa: Una cuali-
dad que no se puede medir va-
lindose de unidades, pero que vara
en cantidad.
Varianza: ndice que refleja el grado
de variabilidad en un grupo de pun-
tuaciones que ea igual al cuadrado
de la desviacin estndar.
APENOICEE
FORMULARIO
ESTADISTICO
Media aritmtica:
M =I,lpm
N
Mediana:
(
N )
--fa
Mdn=l+ T i
Media geomtrica:
MG ~ oaf,'oaJ;
Amplitud total o rango:
AT=X.-X",
Desviacin media:
DM= !.':
Deaviacin cuartilar:
* Frmulu b.sicaa.
I = Frecuencias.
pm= Puntos medios de las clases.
N = Total de elemento. o frecuencia s.
l = Lmite inferior.
la = Frecuencia acumulada de la clase
anterior.
[m = Frecuencia modal.
i =Intervalo de clase.
a = Punto medio.
, = Exponente o potencia a la que se
eleva al'
AT = Amplitud total.
X", =Puntuacin mayor.
X", = Puntuacin menor.
I =Frecuencias.
Idl= Diferencias absolutas entre punto
medio y media aritmtica.
.Q.. = Tercer cuartil.
Q = Primer cuarti1.
Q = Desviacin cuartilar o cuartil.
431
432
Desviacin tpica o estndar:
u=
Coeficiente de variacin:
v =lOOer
M
lodice de sime1ria:
Sk =3(M-Md)
u
JESUS DE LA ROSA
f = Frecuencias.
d = Diferencia o desviacin de la me-
dia.
u = (Sigma.) Desviacin tpica.
N =Total de elementos.
u =Desviacin tpica.
M =Media aritmtica.
Sk =Indice de simetra.
M =Media aritmtica.
Md = Mediana.
u =Desviacin tpica.
Corrdacin cUAntitativa lineal o de Pearson:
- NMxMy XY = Producto de las variables.
r =-v'=:=(I""x=-'=-==-N;';'M'='=:':") Mx = Media de la variable X.
My = Media de la variable Y.
N = Nmero de elementos.
Correlacin ordinal:
6ID
l' =1 - -n-:-(n-=.:-----.,.l-:-)
Correlacin biserial:
_Mp -M, pq
'bla'- e_
af' y
D =Diferencia numrica entre los n-
meros de orden.
n = Nmero de pare. de observacio-
nes.
p =Coeficiente de correlacin ordinal.
p =Proporcin de casos en el grupo
superior o valores ms bajos de
la variable dicotmica.
q = Valores ma altos de la variable
dicotmica.
Mp - M q = Medas correspondientes a p y q.
y = Ordenada de la curva normal.
Uf' =Desviacin tpica de la distribu-
cin.
Coeficiente experimental de McCaIl:
D
.CE = 2.78.
D=M
t
-
'D = V + .:ro
Modelo matemtico de la curva de Gauss o normal:
433
" = Ordenada.
7/" = Constante matemtica, igual a
3.1416.
e =Constante matemtica, base del
sistema del logaritmo de Napier,
igual a 2.71828.
Clculo de unidades Z:
X-M
zc..:_--
a
Clculo de unidades T:
T = 50 + IOz
Clculo de percentiles:
100
p
x = Puntuacin bruta.
M = Media aritmtica.
u = Desviacin tpica o estndar.
z = Puntuaciones Z.
fa = Frecuencia acumulada.
.N =Nmero total de frecuencias.

X - ft
V,= N!.d"
k - 1

V'=-k(N_I)
Clculo de ji cuadrada o cuadrado de contingencia:
X
2
= Ji cuadrada.
fe =Frecuencias empricas y oh-
servadas.
fl =Frecuencias tericas.
Clculo de t de Student: [muestras independientes)
MI-M.
MI YM. = Medias aritmticas de grupos
y 2.
Y = Varianzas de grupos 1 y 2.
N, YN. = Poblaciones muestreadas.
Clculo de las varianzas VI y V.: (anlisis de varianza)
'.t,d
2
= Suma de las desviaciones de la
media al cuadrado por el nmero
de elementos.
k - l = Grados de libertad.
!.d =Suma de las desviaciones al cua-
drado de los elementos de cada
grupo.
k(N - 1) = Grados de libertad.
434
ndice F de Snedecor:
F=!-
v
JESUS DE LA ROSA
v = Varianza mayor obtenida (intra-
grupos).
v = Varianza menor obtenida (inter-
grupos).
Coeficiente de eonfiabilidad de Spearman-Browm
R = Nr _ 2r
l+(N-l)r-l+r
ndice de discriminacin:
Id l = %A - %B
N= 2.
R = Coeficiente de fidelidad o confa-
bilidad.
r =Correlacin entre las dos mitades
de la prueba o test.
%A = Porcentaje de sujetos del grupo
alto que contestaron correctamen-
te la pregunta.
%B:= Porcentaje de sujetos del grupo
bajo que contestaron correctamen-
te la pregunta.
Error tpico de una correlacin lineal:
1 - r
a
e. = ..[
t, := Error tpico de una correlacin
lineal.
r = Coeficiente de correlacin al cua-
drado.
N = Nmero de elementos o poblacin
de la muestra.
Error tpico del coeficiente de correlaci6n ordinal:
(1 - p')
.p=1.05---
y=
Error tpico de una mediana:
U
tJU.. =1.253 YN
p = Coeficiente de correlacin ordinal
al cuadrado.
N = Nmero total de elementos.
tlld.. := Error tpico de mediana.
Error tpico del coeficiente de correlacin bi'lerial:
...rq 2
y.--r...
~ r ... - ~ ~ _ . ,fh! ~
.r... = Error tpico del coeficiente de co-
rrelacin biserial,
Error tpico de una discrepancia:
2- 2 ~ e--a _
N
Error tpico de una frecuencia:
el = yNFq
Razn crtica o de significacin:
R C ~
ed
435
e ~ = Error tpico de una discrepancia.
e = Error tpico de una frecuencia.
p = Proporcin en la categora de in-
ters.
q = 1 - p.
d = Diferencia de dos valores.
ed = Error tpico de d.
Error de la diferencia entre dos medias:
e"1-Jl2 = Error tpico de la diferencia entre
dos medias.
Diferencia entre dos coeficientes de correlacin:
1
e" = 7N -3
Zl = Error tpico del valor z,
Error tpico entre las diferencias de dos medianas:
ej{d .lid = Ye
2
+ e' e.lld.-Jld'2 =Error tpico de las diferencias en-
'H- n2 Jld'h Mdn2 tre dos medianas,
Error tpico entre las diferencias de dos desviaciones tpicas:
eUI-U, = Error tpico de las diferencias en-
tre dos desviaciones tpicas.
Error tpico entre las diferencias de dos coeficientes de correlaci6n lineal:
',,-ro = Error tpico de las diferencias en-
tre dos coeficientes de correlacin
lineal,
Correlacin tetracrica:
rt = _1_ [1 - .L.N" - 2hk(bc - ad) ]
hk N' HK
, _ V' l x O5 _ 1n rt =C0r.relaci6n tetrac6rica.
1I - a or de - en, N H Lo d d la rd--"- "
o = ngtu e o "'._ en
k = Valor de; en 0.5 - ~ K =Longitud de la ordenada en k.
436
Coeficiente de contingencia:

c-
Correlacin intercIase:
Ku
2
- u'
r= M
<J'(K - 1)
Coeficiente de asociacin:
ad>- be
Q = ad + be
Coeficiente de alineacin:
JESUS DE LA ROSA
x' = Ji cuadrada.
N = Nmero de elementos.
e = Coeficiente de contingencia.
u = Desviacin tpica.
UIl =Desviacin tpica de las medias de
las clases.
k =Nmero de individuos por clase.
Q = Coeficiente de asociacin.
K = Coeficiente de alineacin.
Coeficiente fi:
lf1 = (ad - be)
.,(a +b) (c +d) (a +e) (b + d)
Correlacin de Bravais-Pearson:
a, b, e, d =Frecuencias de las
casillas a, b, e, d.
Ix,>
n
r=--

Coeficiente de concordaoc:ia:
x = Variable x,
y = Variable y.
x =Desviacin tpica de x.
y = Desviacin tpica de y.
w= 12S
m
2(n8
- n)
Coeficiente de regrc:llII:
Ye=r!!.x
'1""
$.= Suma de los cuadrados de las des-
viaciones a partir de la media.
m(n - 1) /2 = Valor promedio de los totales de
los rangos.
Yc =Coeficiente de regresin.
T = Coeficiente de correlacin.
y = Desviacin tpica de y.
x =Desviacin tpica de x.
Error tpico de una proporcin:
tp=
Error tpico de una media aritmtica:
a
EI/ = "l/N
Error tpico de una desviacin tpica:
a
Ea =--.-
fi
437
p = Probabilidad real o esperada.
q = 1 - p.
EJI. = Error tpico de una- media arito
mtica.
a =Desviacin tpica de la muestra.
N = Poblacin de la muestra.
ea = Error tpico de la desviacin t-
pica.
a = Desviacin tpica de la muestra
simple.
N = Poblacin de la muestra.
APENOICEF
O ~ U T O S
La palabra conjunto se emplea para referirse a una coleccin de
objetos. Cada objeto de un conjunto se llama elemento o miembro del
conjunto.
Hay varias maneras de designar un conjunto. Frecuentemente, se
usarn letras maysculas para designarlos. Una manera de designar un
conjunto es listar, entre llaves { }, todos sus elementos. Ese mtodo se
conoce como mtodo de la lista. Por ejemplo, el conjunto de nmeros
entre I y 9, inclusive, lo denotaremos por A, y lo escribiremos as:
A ={1,2,3,4,5,6,7,8,9}
Cuando se listan los elementos de un conjunto, el orden no tiene
importancia. El conjunto {a, b les el mismo que {b, a}.
Otra manera de designar al conjunto A es:
A = {x/x es un nmero natural y O<x < 10 }
Ese se conoce como mtodo de la regla. La expresin anterior se
lee "el conjunto de todos los x tales que x es un nmero natural y
O<x < 10". Ntese que la lnea vertical se lee "tal (es) que".
El conjunto N de todos los nmeros naturales se puede designar
por
N={x/x es un nmero natural}
439
440
JESUS DE LA ROSA
Podemos usar, as mismo, tres puntos para indicar que un conjun-
to de elementos contina indefinidamente.
N={ 1,2,3,4,5... }
Cuando un conjunto est limitado, se debe listar el ltimo elemen-
to. As, si S es el conjunto de nmeros naturales entre l y 100, inclusi-
ve, entonces:
S={1,2,3,4, ... ,IOO}
La notaci6nde tres puntos se puede usar al principio o al final de
una lista. Luego, el conjunto E de todos los enteros se puede indicar
como:
E={... ,-2,-1,0, 1,2,3, ... }
El smbolo E significa "es un elemento de", por ejemplo:
a E {a, b, c}
Algunas veces es conveniente hablar del conjunto que carece de
elementos. Ese conjunto se llama conjunto vaco o conjunto nulo y se
designa con el smbolo 1/1.
Dos conjuntos son iguales s y slo si tienen los mismos elementos.
Si dos conjuntos no tienen los mismos elementos, no son iguales. As,
si Ay Bson dos conjuntos
A= Bsi solo s x E A implica x E BYx E Bimplica x E A
El conjunto A es un sub-conjunto del conjunto Bs y slo si cada
elemento de A es tambin elemento de B. "A sub-conjunto de B" se
escribe A e S. Usando smbolos, la definicin de subconjunto se puede
establecer:
Aes s slo si para toda x, x E A implica x E S
De la definicin de sub-conjunto, es evidente que todo conjunto
es un sub-conjunto de s mismo; es decir, si B es un conjunto, enton-
ces B e B. Es verdad, pero no evidente, que el conjunto vaco es un
sub-conjunto de todo conjunto; es decir, si 8 es un conjunto, entonces
<peB.
El conjunto A es un sub-conjunto propio de Bs y slo si hay por
lo menos un elemento de B que no es elemento de A; esto es, si A es un
sub-conjunto de B y A no es igual a B. Luego, los sub-conjuntos pro-
pros de Bson todos los sub-conjuntos de Bexcepto el propio B.
La nocin de sub-conjunto permite demostrar la igualdad de dos
conjuntos. Basta con demostrar que A e 8 y que BeA para que A y B
sean iguales.
Para cualquier conjunto, existe siempre otro, del cual el primero es
un subconjunto. Ese conjunto se \lama Conjunto Universal y general-
mente se usa la letra U para designarlo.
Las operaciones binarias importantes en conjuntos son la unin
y la interseccin. La interseccin del conjunto A es el conjunto B se
representa por el smbolo A n B y se define como el conjunto de
todas las x tales que x pertenece a A y x pertenece a B; es decir:
A n B ={xl E A y x E B }
Por ejemplo, si A ={1,2, 3,4,5 } y B = { 2, 4, 6 }, entonces,
A n B = { 2,4 }
La unin del conjunto A y el conjunto B se representa por el sm-
bolo A U B y se define como el conjunto de todas las x tales que x per-
tenece a A o X pertenece a B; es decir
A U B ={xix E A x E B }
Note que la "O" es "O" inclusive, lo que quiere decir que x puede
pertenecer al conjunto A, al conjunto B o a ambos conjuntos. Por ejem-
plo, si A= { 1,2,3,4,5 }y B= {2, 4, 6 }, entonces
AUB={ 1,2,3,4,5,6}
442
JESUS DE LA ROSA
Otra operacin de conjuntos es la complementacion, Dado un con-
junto A y el conjunto universal U, se forma un conjunto A que se lee
"complemento de A", y se define como el conjunto de todas las x en el'
conjunto universal que no pertenece al conjunto A. Simblicamente:
A ={x/x E U y x A}
Por ejemplo, si A ={1,.3,5 }y U ={1,2,3,4,5 J entonces
A = {2, 4 }
Otro concepto importante es el producto cartesiano; se designa
por el smbolo A x B (se lee "A cruz B"), es el producto cartesiano de
dos conjuntos A y B se define como el conjunto de todas las parejas or-
denadas en las cuales el primer miembro es un elemento de A y el se-
gundo es un elemento de B; es decir,
A x B = {x, y/x E A; YE B }
Por ejemplo, si A = { 1,2,3,4,5 }y B= { 1,2,3,4,5 }entonces
A x B = { (1, 1),
(1,2),
(1,3),
(1,4),
(1, 5),
(2, 1),
(2,2),
(2,3),
(2,4),
(2, 5),
(3, 1),
(3,2),
(3,3),
(3,4),
(3,5),
(4, 1),
(4,2),
(4,3),
(4,4),
(4,5),
(5, 1)
(5,2)
(5,3)
(5,4)
(5,5)}
APENOICEG
SUMAS
Si tenemos 100 variables, que deseamos estudiar, de las cuales no
necesariamente conocemos sus vaJores, una manera conveniente de
nombrarlas es la siguiente:
x es la primera variable
X2 es la segunda variable
X3 es la tercera variable
X
100
es la ltima variable
Se dice que esa notacin es con subndices y el smbolo XI, se
lee "X sub-uno". Si se desea discutir una lista cualquiera, sin especificar
algn miembro de la misma, se habla de Xi (se lee sub-i, donde i es un
sub- ndice o ndice inferior). As Xi puede tomar el lugar de cualquier
variable de nuestro universo. Cualquier letra se puede usar para este pro-
psito pero i, j Yk son las ms comnmente empleadas.
Supongamos que se desea considerar la suma de n variables
La letra griega, sigma mayscula ~ se emplea para denotar la ope-
racin "la suma de". Entonces,
n
S ~ Xi
I
443
444 JESUS,DE LA ROSA
Los smbolos que se encuentran debajo y encima de la sigma, in-
dican cuales Xi se van a sumar. La expresin anterior se lec "S igual a la
suma desde i igual a 1 hasta I igual a n, de x sub i". Esto significa que
la i, se reemplaza por nmeros enteros. en orden ascendente. empezan-
do con 1 y terminando con n, y se suman los valores de las variables.
Por ejemplo. supongamos que se tienen cinco variables Xi' con va-
lores 9. 8, 11,6 Y7. Entonces:
5
LXi = 9 + 8 + 11 + 6 + 7 =41
I
Si se desea sumar slo las ltimas tres variables, se escribe
5
L Xi = 11 + 6 + 7 =24
3
Si se van a sumar todos los datos disponibles, los ndices superio-
res e inferiores del smbolo de suma se simplifican o se omiten, puesto
que no puede haber confusin. Entonces, frecuentemente se escribe
o bien,
LX
i 1
LXi
Sin embargo, el sub-ndice se omite slo en expresiones muy sim-
ples, donde el conjunto de valores que se va a incluir en la suma es
perfectamente claro.
En cualquier momento que haya duda respecto a cmo se debe
interpretar una suma, se puede desarrollar sta para saberlo. Por ejem-
plo, si se tiene
10
L (x, - 3)
1
Es igual a
10
L x, - 3?
1
ESTADiSTICA PSICQ-EDUCATlVA
Desarrollando la primera de las sumas, se tiene
lO
I: (X - 3)=(x
I
- 3) +(X2 3) ... +(x
I O
- 3)
l
445
= (XI + X2 + XI o) - (3 + 3 + 3 ... + 3)
en esta expresin el tres aparece diez veces en el
segundo miembro, es decir
10
= I: x - 30
l
lO 10
As que I: (x, - 3) no es igual a I: x, - 3
1 l
Consideraremos ahora unos cuntos teoremas bsicos en que inter-
viene el smbolo I: y cuya demostracin se obtiene de su definicin.
Teorema 1: La suma de una constante multiplicada por una variable
es igual a la constante multiplicada por la suma de la va-
riable; es decir:
n n
7KX = K 7x,
n
Demostracin: I: KX = KX
I
+ KXi ... + KX
n
I
Teorema 2:
tambin,
n
=K I: x, O
I
La 'suma de la suma (o diferencia) de dos o ms varia-
bles es igual a la suma (o diferencia) de sus sumas. As,
n n n
I: (X + Y)=I: X + I: Y
1 1 I
cicio.
446
JESUS DE LA ROSA
Demostracin:
n
L (X+Y) =(X +Yd+(X2 +Y2)",+(x
n
+Yn)
1
n n
=L x, + Y O
1 1
La demostracin de la suma de una diferencia se deja como ejer-
Teorema '3:
Demostracin:
La suma de una constante, desde 1 hasta n, es igual a
n veces la constante; esto es,
n
L K=nK
n
K = K + K + K + K (n sumandos)
1
=nKD
APENOICEH
TABLAS
ESTADlSTICAS
Representacin 1. Cuadrados y races cuadradas *
Nmero Cuadrado Raz cuadrada INmero Cuadrado Raz cuadrada
I
---_.-----'-_._-------
I I 1.0000 31 961 S.567H-
2 4 1.4142
1\
32 102+ 5.6569
3 9 1.7321
'j'!J
1089 5.7446
4, 16 2.0UOO
I1
H 1156 5.8:HO
5 2S 2.2361
1I
35 1225 5.9161
6 36 2.4495
11
3ii 1296 6.1I11fJO
1I
7 2.6'15U
1I
:17
1:1"9
(J.l)1l21l
tl 64- 2.112tl4 31J HH 5.J6H
9 tll 3.00(JO
I
1
39 h.245lJ
10 100 3.11>23
,1
-JI}
1000 63246
II 121 :1.3166
1,1
fl 166\ 6.40:11
12 144 3,4641 q
42 171,4 /,,4807
13 169
3.60:;
1I
4'\ lIlo1!1 6.557-1-
14 196 3.7417
il
44 19:H
6.6332
15 225 3.8730
1
I
45 2025 6.70H2
16 256 4.0000
1I
46 2116 6.7823
17 289 4.1231 47 2209 6.1J557
18 324
1\
'Hl 230f 69282
19 361 4.35119 -19 UDI 7.0(]OO
20 400 4.4721 50 2500 7.0711
21 4'11 4..'>1126
1,
51 2601 7.1414
22
484 4.6904
"
2704 7.2111
23 529 4.795/l 53 21109 7.2801
24 576 .51 291l 7.HU5
25
625 5.U(JOO 5;)
3025 7.4l2
26
676 5.0990 St, :H3fj 7.4833
27
729
5.19.;2 :l7 :12-19 7.549tl
211
7U4 5 5 :1:1"4
7.fi1:)8
29
Ufl 5.:'H:J2 59 3411! 7.6811
30
900
S,41n 60 3600 7.7460
Preparada por el autor

(Continuacin)
Nmero Cuadrado Raz cuadrada NmeTo
Cuadrado RaS. cu",ada
61 3721 7.8102 111 12321 10.5357
62 3844
7.8740
112 12544 10.5830
63 3969 7.9373 113 12769 10.6301
64 4096 8.0000
114 12996 10.6771
65 4225 8.0623
115 13225 10.7238
66 4356
8.1240
116 13456 10.7703
67 4489
8.1854 117 13689 10.8167
68 4624
8.2462 118 13924 10.8628
69 4-761 8.3066
119 14161 10.9087
70 4900 8.3666
120 14400 10.9545
71
5041 8.4261 121 14641 11.0000
72 5184 8.4853
122 14684 11.0454
73 5329
8.54+0 123 15129 11.0905
..
5476 8.6023
124 15376 11.1355
75
5625 8.6603
125 15625 11.1803
76 5776 8.7178
126 15876 11.2250
77 5929 8.7750
127 16129 11.2694
78 6084 8.8318
I
128 16384 11.3137
79 6241 8.8882
129 16641 11.3578
60 6400 8.9443
\1
130 16900 11.4018
81
6561
9.0000 131 17161 11.4+55
82
6724 9.0554
li
132 17424 11.0\891
83
6889 9.1104 133 17689 11.5326
He
7056

:\
134 17956 1
85
7225 9.2195
11
135 16225 11.6190
86 7396
9.n:J6
136 18496 11.6619
87 7569
9.3274
i
137 18769 11.7047
IIU
774+
136 19044 11.7473
!l9
7921
1,
139 19321 11.7898
1
I
90 81U0 9.4868
i
140 19600 11.8322
1;
19681 1\.8743
91
8281 9.5394
l'
141
92 8464 9.5917
II
142 20164 11.9164
93 8649
9.6437
143 20449 11.9583
94- 8!l%

1I
144 20736 12.0000
95 9025
9.746B
145 21025 12.0416
96 9215
9.7980
'1
146 21316 12.0830
97 94119
9.H489 1
I
147 21609 12.1244-
911 9bU4 9.lJ995
148 21904 12.1655
99 91101
9.9499
I
149 22201 12.2066
lOO 10000
10.0000 t 150 22500 12.2474
101 10201
1O.001!l9
1
1
151 221101 12.2882
1(H04
lO'(I'J95
ji
152 23104 12.3288
un 10609
10.14119
153 23409 12.3693
104 I01Jl6
ro.JUliO
1\
154 23716 12.4097
\05 J 1025 10.2470
155 24025 12.4499
106 1123b
10.2956
11
156 24336 12.4900
107 11449
10.3441
157 24649 12.5300
JOIl 11664
10.3923
1
1 156 24964 12.5698
109 11881
10.4403
!I
159 25281 12.6095
lID 12100 10.41Wl
160 25600 12.6491
ti
(Continuacin)
Nmero
Cuadrado Raz cuadrada Nmero Cuadrado
RaIz cuadrada
161 25921 12.6886 211
44-521 14.5258
162
26214- 12.7279 212
44914-
14-.5602
163
26569 12.7671 213
45369
14.5945
164- 26896 12.8062 214
45796
14.6287
165
27225 12.8452 215
46225
14.6629
166
27556 12.8841 216
46656 14-.6969
167 27889 12.9228 217
47089
14.7309
168 28224- 2 ~ 6 5 218
47524
14.7648
169 28561 13.0000
219
47961 14.7986
170 28900 13.0384 220
48400
14.8324
171 29241 1:'.0767 221
48841 . 14.8661
172 29584- 13.1149 222
49284-
14.8997
173 29929 13.1529 223 49729
14.9332
174 30276 13.1909 224 50176
14.9666
175 30625 13.2288 225
50625
15.0000
176 30976 13.2665
226
51076
15.0333
177 31329 13.3041
227
51529 15.0665
178 31684 13.3417
228 51984
15.0997
179 32041 13.3791
229
52441
15.1327
180 32400 13.4164 230
52900
15.1658
181 32761 13.4536 231
53361
15.1987
182 33124 13.4907 232
53824-
15.2315
183 33489 13.5277 233
54289 15.2643
184 33856 13.5647 234
54756
15.2971
185 34225 13.6015 235
55225 15.3297
1B6 34596 13.6382 236
55696 15.3623
187 34969 13.6748 237
56169 15.3948
188 35344 13.7113 238 56644-
15.4272
189 35721 13.7477 239
57121 15.4596
190 36100 13.7840 240 57600
15.4919
191 36481 13.8203 241 58081
15.5242
192 36864 13.8564 242 58564- 15.5563
193 37249 13.8924 243 59040 15.5885
194 37636 13.9284 244 59536 15.6205
195 38025 13.9642 245
60025 15.6525
196 38416 14.0000 246 60516 15.6844
197 38809 14.0357
2+7 61009 15.7162
198 39204 14.0712 248 61504 15.7480
199 39601 14.1067 249 62001 15.7797
200 40000 14.1421 250 62500 15.8114
201 40401 14.1774
251 63001 15.8430
202 40804 14.2127
252 63504 15.8745
203 41209 14.24-78
253 64009 15.9060
204 +1616 14.2829
254- 64516 15.9374-
205 +2025 14.3178
255
65025 15.9687
206 42436 14.3527 256 65536 16.0000
207 42849 14.3875
257 66049 16.0312
208 43264 14.4222 258
66564- 16.0624-
209 43681 14.4568 259 67081
16.0935
210 44-100 14.4914 260 67600
16.1245
460
JESUS DE LA ROSA
(Continuacin)
N.m.ro C...tl,..o
RtI e....'.tl. N"',ro C....,.tlo
RtI e....'Gtl.
261 68121 16.1555 311
96721
17.6352
262 68644- 16.1864 312
97341-
17.6635
263 69169 16.2173 313
97969
17.6918
26+ 69696 16.2+81 31+
98596
17.7200
265 70225 16.2788 315
99225 17.7482
266 70756 16.3095 316
99856 17.7764
267 71289 16.3401 317
100489
17.8045
268 71824 16.3707 318
10112+
17.8326
269 72361 16.4012 319
101761
17.8606
270 72900 16.4317 320
102400
17.8885
271 73441 16.4621 321
103041
17.9165
272 73984 16.4924 322
10368+
17.94+1-
273 74529 16.5227 323
104329
17.9722
274- 75076 16.5529 324-
104976
18.0000
275 75625 15':>831 325
10S625
18.0278
276 76176 16.6132 326 106276
18.0555
277 76729 16.6433 327 106929
18.0831
278 7728+ 16.6733 328
107584 18.1108
279 77841 16.7033 329 1082+1
18.1384
280 78400 16.7332 330 108900
18.1659
281 78961 16.7631 331 109561
18.1934
282 7952+ 16.7929
332 110224
18.2209
283 80089 16.8226 333 110889 18.2+83
28+ 80656 16.8523 334 I11S56
18.2757
285 81225 16.8819 335
112225 18.3030
286
81796 16.9115 336
112896 18.3303
287 82369 16.9+11
337 113569 18.3576
288 82944 16.9706
338 11+241- 18.3848
289 83521 17.0000
339
11+921 18.+120
290 84100 17.0294
340 115600 18.4391
291
84681 17.0587
341 116281
18.4662
292
85264 17.0880
342 116964
18.4932
293 85849
17.1172
3'13 117649
18.5203
29+ 86436
17.146+
34+ 118336
18.5472
295 87025 17.1756
345 119025 18.5742
296 87616
17.2047
346
119716 18.6011
297 88209
17.2337 347
120409 18.6279
298 88804
17.2627
348 121104 18.6548
299 89401
17.2916
349 121801 18.6815
300 90000
17.3205 350
122500 18.7083
301 90601
17.3494
351 123201 18.7350
302 91204
17.3781
352 123904 18.7617
303 91809
17.4069
353 124609 18.7883
304 92216
17.4356
354 125316 18.81+9
305 93025 17.4642
355 126025
18.8414
306 93636
17.4929
356 126736 18.8680
307 9<1-2<1-9
17.5214
357
127++9 18.11944
308 94864-
17.5499
358 128164- 18.9209
309 9 ~ 17.578+
359 128881
18.9473
310 96100 17.6068
360
129600 18.9737
451
(ConlinlUUin)
Nm.,o Cuadrado
Raz elJ4drad4 Nmero C...drGdo
RG euGdrtul.
361 130321 19.0000 411 168921
20.2731
362 131044-
19.0263 412 169744
20.2978
363 131769
19.0526 413 170569
20.322+
364 132496
19.0788 414
171396
20.3470
365 133225 19.1050 415 172225
20.3715
366 133956
19.1311 416 173056
20.3961
367
134689 19.1372 417 173889
20.+206
368
135424 19.1833 418
174724
2MUO
369 136161 19.2094 419 175561
20.4695
370 136900 19.2354 420 176400
20.+939
371
137641 19.261+ 421
177241
20.5183
372
138384 19.287.3 422
178084
20.5426
373 139129 19.3132 423 178929
20.5670
374 139876 19.3391 424
179776
20.5913
375 140625 19.3649 425 180625
20.61.55
376 141376 19.3907 426 18147:;
20.6398
377 142129 19.4165 427
182329 20.6640
378 142884 19.40422 426
183184-
20.6882
379 143641 19.4679
429 184-041
20.7123
380 144400 19.4936 430 184900
20.736+
381 145161 19.5192 431 185761 20.7605
382 1+5924- 19.5448 432 186624 20.780!6
383 146689 19.5704- 433 187489 20.8087
384 147456 19.5959 434 188356 20.8327
385 148225 19.6214- 435 189225 20.8567
386 148996 19.6469 436 190096 20.8806
387 149769 19.6723 437 190969
20.9045
388 150544 19.6977 438 191844 20.9284
389 151321 19.7231 439 192721
20.9523
390 152100 19.7484 4040 193600
20.9762
391 152881
19.7737 441 194481
21.0000
392 153664 19.7990 442 195364
21.0238
393 154449 19.8242 443 196249
21.0+76
394 155236
19.8494 444 197136
21.0713
395 156025 19.8746
"445
198025
21.0950
396 156816 19.8997 446 198916 21.1187
397 157609 19.9249 447 199809
21.142+
398 158404 19.9499 448 200704 21.1660
399 159201 1'9.9750 449 201601 21.1896
400 160000 20.0000 450 202500
21.2132
401 160801 20.0250 451 203401
21.2368
402 161604 20.0399 452 204304
21.2603
403 162409 20.0749 453 205209
21.2838
404 163216 20.0998 454 206116
21.3073
405 164025 20.1246 455 207025
21.3307
406 164836 20.1494 456 207936
21.3542
407 165649 20.1742 4-57 208849 21.3776
408 166464 20.1990 458 209764
21.4009
409 167281 20.2237 4-59 210681
21.4243
410 168100 20.2485 460 211600
21.4476
452
JESUS DE LA ROSA
(Continuacin)
Nm.,ro Cuadrado Ra cuadrada Nmero Cuadrado Ra. cuadrada
461 212521
2104709 511 261121 22.6053
462 213444 21.4942 512 262144 22.6274
463 214369 2l.5174 513 263169 22.6495
464 215296 21.5407 514 264196 22.6716
465 216225 21.5639 515 265225 22.6936
466 217156 21.5870 516 266256 22.7156
467 218089 21.6102 517 267289 22.7376
468 219024 21.6333 518 268324 22.7596
469 219961 21.6564 519 269361 22.7816
470 220900 21.6795 520 270400 22.8035
471 221841 21.7025 521 271441 22.8254
472 222784 21.7256 522 272484 22.8473
473 223729 21.7486 523 273529 22.8692
474 224676 21.7715 524 274576 22.8910
475 225625 21.7945 525 275665 22.9129
476 226576 21.8174 526 276676 22.9347
477 227529 21.8403 527 277729 22.9565
478 228484 21.8632 528 278784 22.9783
479 229441 21.8861 529 279841 23.0000
480 230400 21.9089 530 280900 23.0217
481 231361 21.9317 531 281961 23.0434-
482 232324 21.9545 532 283024 23.0651
483 233289 21.9773 533 284089 23.0868
484 234256 22.0000 534 285156 23.1084
485 235225 22.0227 535 286225 23.1301
486 236196 22.0454 536 287296 23.1517
487 237169 22.0681 537 288369 23.1733
488 238144 22.0907 538 289444 23.1948
489 239121 22.1133 539 290521 23.2164-
490 240100 22.1359 540 291600 23.2379
491 241081 22.1585 541 292681 23.2594
492 242064- 22.1811 542 293764 23.2809
493 243049 22.2036 543 294849 23.3024
494 2+4036 22.2261 544 295936 23.3238
495 24-5025 22.2486 545 297025 23.3452
496 246016 22.2711 546 298116 23.3666
497 247009 22.2935 547 299209 23.3880
498 24-8004 22.3159 548 300304 23.4094
499 249001 22.3383 549 301401 23.4307
500 250000 22.3607 550 302500 23.4521
501 251001 22.3830 551 303601
23.4734
502 252004 2204054 552 304704 23.4947
503 253009 22.4277 553 305809 23.5160
504 254016 22.4499 554 306916 23.5372
505 255025 22.4722 555 308025 23.5584.
506 256036 22.4944 556 309136 23.5797
507 257049 22.5167 557 310249 23.6008
508 258064 22.5389 558 311364 23.6220
509 259081 22.5610 559 3124111 23.6432
510 260100 22.5832 560 313600 23.6643
453
(Continuacin)
Nmero Cuadrado Raz cuadrada Nmero
Cuadrado
R4z <liadr""
561 314721 23.6854 611
373321
24.7184
562 315844- 23.7065 612 374-544
24.7385
563 316969 23.7276 613
375769
24.7588
564- 318096 23.7487 614 376996
24.7790
565 319225 23.7697 615
378225
24.7992
566 320356 23.7908 616
379-t56
24.8193
567 321489 23.8118 617
380689
24.8395
568 322624 23.8328 618 381924-
24-.8596
569 323761 23.8537 619
383161
24.8797
570 324900 23.8747 620
3844-00
24.8998
571 326041 23.8956 621
3856401
24.9199
572 327184 23.9165 622 386884
24.9399
573 328329 23.9374 623 388129
24-.9600
574 329476 23.9583 624 389376
24.9800
575 330625 23.9792 625 390625 25.0000
576 331776 24.0000 626 391876 25.0200
577 332929 24.0208 627 293129
25.0400
578 334084 24-.0H6 628 394384
25.0599
579 335241 24.0624 629 395641 25.0799
580 336400 24.0832 630 396900 25.0998
581 337561 24.1039 631 398161
25.1197
582 338724 24.1247 632 3994-24
25.1396
583 339889 24.1454 633 400689
25.1595
584 341056 24.1661 634 401956 25.1794
585 342225 24.1868 635
403225 25.1992
586 343396 24-.2074 636 4044-96 25.2190
587 344569 24.2281 637 405769 25.2389
588 34-5744- 24.2487 638 4-07044 25.2587
589 3+6921 24.2693 639 408321 25.2784
590 348100 24.2899 640 409600 25.2982
591 34-9281 24.3105 611 410881 25.3180
592 350161 21.3311 6+2 412164 25.3377
593 351649 24.3516 643 413449 25.3574
594 352836 24.3721 644 414736 25.3712
595 354025 24.3926 645
416025 25.3969
596 355216 24.H31 646 41731t
25.4165
597 356409 24.4336 647 418609
25.4362
598 357604- 24.4540 6+8 H9904 2M558
599 358801 2+.4745 649 421201 2M755
600 360000 24.4949 650 4-22500 25.4951.
601 361201 24-.5153 651 423801 25.6147
602 3624-04- 24-.5357 652 425104- 25.534-3
603 363609 24-.5561 653 4-26409 25.5539
604 364816
24.5764- 654 4-27716 25.5734
605 366025 24.5967 655 129025 25.5930
606 367236
H.6171 656 130336 25.6125
607 3684049
24.6374 657 4-3164-9 25.6320
608 369661
2+.6577 658 432964 25.6515
609 370881
24.6779 659 434281 25.6710
610 372100
24.6982 660 435600 25.6905
(Conrinuadn)
JESUS DE LA ROSA
Ninne,o
Cucd,tldo
RII &ucd,tld"l Nmero C..IId,,.do
RII &ucd,,,d,.
661 4-36921
25.7099
711
505521
26.6646
662 4-3824-4- 25.7294
712 50694-4-
26.6833
663 4-39569
25.7488
713
508369
26.7021
664 44-0896
25.7682
714
509796
26.7208
665
+42225 25.7876
715
511225
26.7395
666 4-4-3556 25.8070
716
512656
26.7582
667 4-4-4-889 25.8263
717
514-089
26.7769
668 446224 25.8457
718 515524
26.7955
669 4-4-7561 25.8650
719 516961
26.8142
670 4-4-8900
25.884-4-
720 518400
26.8328
671 450241
25.9037
721 519841
26.8514-
672 451584
25.9230
722 521284-
26.8701
615 4529211 25.9422
723
522729
26.8887
674 ~ 7 6
25.9615
72...
524176
26.9072
675 455625 25.9808
7U
525825
26.9258
676 456976 26.0000
726
527076
26.94+4-
677 458329 26;0192
727 528529 26.9629
678 459684
26.03M
728 529984 26.9815
679 4610+1 26.0576
729 531441
27.0000
680 462400 26.0768
730 532900 27.0185
681 463761
26.0960
731 534361 27.0370
682 465124
26.1151
732 535824
27.0555
683 466489
26.134-3
733
557289 27.0740
684 467856
26.1534
734 538756
27.0924
685 469225 26.1725
735
540225
27.1109
686 470596 26.1916
736 541696
27.1293
687 471969
26.2107
737 5...3169 27.1+77
688 473344 26.2298
738 54-464+ 27.1662
689 474721
26.2488
739 546121 27.1846
690 476100 26.2679
7+0 547600 27.2029
891 +77481
26.2869
741 549081 27.2213
6112 4781164
28.9059
7..2 550SM 27.2397
893 48024!l
26.92"'9
743 5520+9 27.2580
6e.. +81636
26.3439
7.... 553556 27.276+
695
+8'025 26:'629
745 555025 27.2947
696 ...84416
26.3818
746 556516 27.3130
697
485809
26.4008
747 558009 27.3313
698 487204
26.4197
748 559504 27.3496
699 488601
26.4336
749 561001 27.3679
700 490000 26.4575 .
750 562500 27.3861
701 ...91+01
26.476+
751 564001 27.+0+4
702 492804
26.4953
752 565504 27.4226
703 494209
26.5141
753 567009 27.4408
704 495616
26.5330
75'" 568516 27.4-591
705 497025
26.5518
755
570025 27....773
706 498436
26.5707
756 571536 27.4955
707 499849
26.5895
757 573049 27.5136
708 501264
26.6083
758 574564 27.5318
709 502681
26.6271
759 576081 27.5500
710 504100
26.6458
760 577600 27.5681
466
(Continuacin)
Nmero
C"sr.o Rsl: cuatl,ah N"mero Cuatir.o Ra c,,",ad.
761
579121 27.5862 811
657721
28.4781
762
5806+4-
27.6043 812
659344
28.4956
763
582169 27.6225 813
660969
28.5132
764
583696 27.6405 814
662596
28.5307
765
585225
27.6586 815
664225
28.5482
766
586756 27.6767 816
665856
28.5657
767
588289 27.6948 817
667489
28.5832
768
589824 27.7128 818
669124
28.6007
769
591361 27.7308 819
670761
8 6 ~ 8
770 592900 27.7489 820
672400
28.6356
771 594441 27.7669 821
674041
28.6531
772
595984 27.7849 822
675684
28.6705
773
597529 27.8029 823
677329
28.6880
774 599076
27.8209 824
678976
28.7054
775 600625
27.8388 825
680625
28.7228
776 602176 27.8568 826 682276
28.7402
777 603729
27.8747 827 683929
28.7576
718 605284 27.8927 828 685584
28.7750
779 606841
27.9106 829 687241 28.7924
780
608400 27.9285 830 688900
28.8097
781
609961 27.9464- 831
690561
28.8271
782 611524
27.9643 832
692224
28.8440\-
783 613089 27.9821 833 693889
28.8617
784 614656
28.0000 834
695556
28.8791
785 616225 28.0179 835
697225
28.8964
786 617796 28.0357 836 698896
28.91S7
787 619369 28.0535 857 700569 28.9310
788
620944 28.0713 838
702244 28.9482
789 622521 28.0891 839 705921
21.9655
790 624100 28.1069 840 70S6Oll
21.9821
791
625681 28.1247 841 707281
29.0000
792 627264
28.1425 842
70896t
29.0172
793
628849
28.1603 843 710649
29.0345
794 630436
28.1780 844
7123" 29.0517
795
632025 28.1957 845
714025 29.D689
796 633616 28.2135 846 715716 29.0861
797 635209
28.2312 847 717409 29.1035
198 6368001- 28.2489 848 7191001- 29.12Q4
799 638401 28.2666 849 720801 29.1376
800 640000
28.2843 850 722500 29.1548
801 641601
28.3019 851
724201 29.1719
802 643204 28.3196 852 725904 29.1890
803 644809 28.3373 853 727609
29.2062
804 646416 28.3549 854 729316 29.2233
805 648025 28.3725 855 731025
29.2404
806 649636 28.3901 856 732758
29.2575
807 651249 28.4077 857 734449
29.2741
808 652864 28.4253 858 73816+
29.2IU6
809 654481 28.4429 859 737881 2",087
810 656100 28.4605 860 739600
2",251
456
JESUS DE LA ROSA
(Continuacin)
Nmf'O
Cuad,ado Rais cuad,ada Nmero Cuad,adD Ralz cuad,tJda
861 741321 29.3428 911 929921 30.1828
862 743044 29.3598 912 831744 30.1993
863 744769 29.3769 913 833569 30.2159
864 746496 29.3939 914 835396 30.2324
865 748225 29.4109 915 837225 30.2490
866 744956 29.4279 916 839056 30.2655
867 751689 29.4449 917 840889
30.2820
868 753424 29.4618 918 842724- 30.2985
869 755161 29.4788 919 844561 30.3150
870 756900 29.4958 920 846400 30.3315
871 758641 29.5127 921 848241 30.3480
872 760384 29.5296 922 850084 30.3645
873 762129 29.5466 923 851929 30.3809
814 763876 29.5635 924 853776 30.3974
875 765625 29.5804 925 855625 30.4138
876 767376 29.5973 926 857476 30.4302
877 769129 29.6142 927 859329 30.4467
878 770884 29.6311 928 861184 30.4631
879 772641 29.6479 929 863041 30.4795
880 774-400 29.6648 930 864900 30.4959
881 176161 29.6816 931 866761 30.5123
882 777924 29.6985 932 868624- 30.5287
883 179689 29.7153 933 870489 30.5450
884 781456 29.7321 934 872356 30.5614
885 783225 29.1489 935 874225 30.5778
886 784996 29.7658 936 876096 30.5941
887 786769 297825 937 871969 30.6105
888 788544- 29.7993 938 879844 30.6268
889 790321 29.8161 939 881721 30J;43 I
890 792100 29.8329 940 883600 30.6594
891 793881 29.8496 941 885481 30.6757
892 795664- 29.8664 942 887364 30.6920
893 7974+9 29.8831 9+3 889249 30.7083
894 799236 29.8998 944 891136 30.7246
895 801025 29.9166 945 893025 30.7409
896 802816 29.9333 946 894916 30.7571
897 804609 29.9500 947 896809 30.7734
898 806404 29.9666 948 898704 30.7896
899 808201 29.9833 949 900601 30.8058
900 810000 30.0000 950 902500 30.8221
901 811801 30.0167 951 904401 30.8383
902 813604 30.0333 952 906304 30.8545
903 815409 30.0500 953 908209 30.8707
904 817216 30.0666 954 910116 30.8869
905 819025 30.0832 955 912025 30.9031
906 820836 30.0998 956 913936 30.9192
907 822649 30.1164 957 915849 30.9354
908 824464 30.1330
958 917764 30.9516
909 826281 30.1496 959 919681 30.9677
910 828100 30.1662 960 921600 30.9839
(Continuacin)
Nmero
Cuadrado Rai: cuadrada
Nmero Cuadrado R al: cuadrada
961
923521 31.0000
981 962361 31.3209
962
925444 31.0161
982 964324 31.3369
963 927369 31.0322 983 966289 31.3528
964 929296 31.0483
984 968256 31.3688
965
931225 31.0644 985 970225 31.3847
966
933156 31.0805 986 972196 31.4006
967 935089 31.0966 987 974169 31.+166
968
937024 31.1127 988 976144 31.4325
969 938961 31.1288
989 978121 31.4484
970 940900 31.1448 990 980100 31.4643
971 942841 31.1609 991 982081 31.4802
972 9447R4 31.1769 992 984064 31.4960
973 946729 31.1929 993 986049 31.5119
974 948676 31.2090 994 988036 31.5278
975 950625 31.2250 995 990025 31.5436
976 952576 31.2410 996 992016 31.5595
977 954529 31.2570 997 994-009 31.5753
978 9564-84 31.2730 998 996004 31.5911
979 958441 31.2890 999 998001 31.6070
980 960400 31.3050 1000 1000000 31.6228
458
JESUS DE LA ROSA
Representacin 2. Valores del coeficiente de correlacin,
para distintos niveles de importancia *

0.05 0.01
1 0.996917 0.9998766
2 0.95000 0.990000
3 0.8783 0.95873
4- 0.8114- 0.91720
5 0.7545 0.874-5
6 0.7066 0.8343
7 0.6664- 0.7977
8 0.6319 0.7646
9 0.6021 0.7348
lO 0.:>760 0.7079
11 0.5:>29 0.6835
12 0.:>324 0.6614
13
0.5139 0.6411
1-4 0.4973 0.6226
15 0.4821 0.6055
16 0.4683 0.5897
17 0.4555 0.5751
18 0.4-438 0.5614
19 0.4329 0.5487
20 0.4227 0.5368
25 0.3809 0.4869
30 0.3494 0.4487
35 0.3246 0.4182
40 0.3044 0.3932
45 0.2875 0.3721
50 0.2732 0.3541
60 0.2500 0.3248
70 0.2319 0.3017
80 0.2172 0.2830
90 0.2050 0.2673
100 0.1946 0.2540
Tomada de FIIHaa R. A.. Sla/il/i,. M"hotl, 'o, R.., ..reh Wo,k",. Edimburgo:
Oliver &lid Bord.
459
(Continuacin)
xl"
re" Orde""d" (y)
xl" re"
O,d.""d" (y)
o.gl
0.3185887 0.2630880 1.36 0.4-130850
0.158224-8
0.92
0.3212136 0.2612863 1.37 0.4-146565
0.1560797
0.93
0.3238145 0.2588805 1.38 0.4-177356
0.1518308
0.94-
0.3263912 0.2564713 1.39 0.4-177356
0.1518308
0.95
0.3289439 0.254-0591 1.4-0 0.4-192433
0.a97275
0.96
0.3314724- 0.2516443 1.4-1 0.4-207302
0.1476385
0.97
0.3339768 0.2492277 1.42
0.4-221962 0.145564-1
0.98
0.3364569 0.24-68095
1.43 0.4-236415
0.1435046
0.99
0.3389129 0.2443904
1.44 0.4250663 0.14-14600
1.00 0.3413447 0.24-19707
1.45 0.4264707 0.1394306
1.01 0.3437624 0.2395511 1.46 0.4-278550
0.1314-165
1.02 0.3461358 0.2311320
1.47 0.4292191 0.1354181
1.03 0.34-84950 0.2347138 1.48 0.4305634-
0.13H353
L04- 0.3508300 0.2322970 1.49 0.4318879
0.1314684
1.05 0.3531409 0.2298821
1.50 0.4331928
0.1295176
1.06 0.03554217 0.2274696 1.51 0.4344783 0.1275830
1.07 0.3576903 0.2250559 1.52 0.4357445
0.1256646
1.08 0.3599289 0.2226535 1.53 0.4369916
0.1237628
1.09 0.3621434 0.2202508
1.54 0.4382198
0.1218175
1.10 0.3643339 0.2178522
1.55 0.4394292 0.1200090
1.11 0.3665005 0.2154582
1.51> 0.4406201 0.1181573
1.12 0.3686431 0.2130691 1.57 0.4417924
0.1163225
1.13 0.3707619 0.2106856
1.58 0.4429466 0.1145048
1.14 0.3728568 0.2083078
1.59 0.4440826
0.1127042
1.15 0.374-9281 0.2059363
1.60 0.4452007 0.1109208
1.16 0.3769756 0.203571+
1.61 0.4463011 0.1091548
1.17 0.3789995 0.2012135
1.62 0.4473839
0.1074061
0.18 0.3809999 0.1988631
1.63 0.4484493
0.1056748
0.19 0.3829768 0.19652D5
1.64 0.4494974- 0.1039611
1.20 0.3849303
0.194-1861
1.65 0.+505285 0.1022649
1.21 0.3868606 0.1918602
1.66 0.45154211 0.1005864
1.22 0.3887676 0.1895432
1.67 0.4-525403 0.0989255
1.23 0.3906514 0.1872354
1.68 0.4535213 0.0972823
1.24 0.3925123 0.1849373
1.69 0.4544860 0.0956568
1.25 0.3943502
0.1826491
1.70 0.4554345 0.0940491
1.26 0.3961653 0.1803313
1.71 0.4563671 0.0924591
1.27 0.3979517
0.1781038
1.72 0.4572838 0.0908870
1.28 0.3997274 0.1758474-
1.73 0.4581849 0.0893326
1.29 0.4014747 0.1736022
1.74 0.4590705
0.0877961
1.30 0.4031995 0.1713686
1.75 0.045994Q8
0.0862773
1.31 0.4049021 0.1691468 1.76 0.4607961
0.0847764
1.32 0.4065825 0.1669370
1.77 0.4616364
0.0832932
l.S3 0.4082409 0.1647397
1.78 0.4624620
0.0618278
1.34 0.4098773 0.1625551
1.79 0.4632730
0.0803801
l.S5 0.4114920 0.1603833
1.80 0.4640697
0.0789502
460
JESUS DE LA ROSA
(Continuacin)
x/a Area Ordenada (y)
Ir
xl" Area
Ordenada (y)
1.81 0.464852 !
0.0775379
II
2.26
0.4880894
0.0310319
1.82 0.4656205
0.0761433
2.27 0.4883962
0.0303370
1.83
0.4363750
0.0747663
I
2.28 0.4886962
0.0296546
1.84- 0.4671159 0.0734068
2.29 0.4889893
0.0289847
1.85 0.4678432 0.0720649
,1
2.30
0.4892759
0.0283270
1.86 0.4685572
0.0707404 2.31
0.4895559
0.0176816
1.87 0.4692581 0.0694333
2.32 0.4898296
0.0270481
1.88 0.4699460 0.0681436 1, 2.33 0.4900969
0.2644265
1.89 0.4706210
0.0668711
11
2.34- 0.4903581
0.0258166
1.90 0.4712834
0.0656158
I
2.35 0.4906133 0.0252182
1.91 0.4719334 0.0643777
2.36 0.4908625 0.0246313
1.92 0.4725711
0.0631566 2.37 0.4911060
0.0240556
1.93 0.4731966
0.0619524
1,
2.38 0.4913437
0.0234910
1.94 0.4738102 0.0607652
1
1 2.39 0.4915758
0.0229374
1.95 0.4744119 0.0595947
,1
2.40 01918025
0.0223945
'1
1.96 0.4750021 0.0584409
li
2.41 0.4920237
0.0218624
1.97 0.4755808
0.0573038 2.42 0.4922397
0.0213407
1.98 0.4761482
0.0561831
1
1
2.43 0.4924506
0.0208294
1.99 0.4767045 0.0550789
2.44- 0.4926564 0.0203284
2.00
0.4772199 0.0539910
ii
2.45 0.4928572
0.0198374
2.01 0.4777844- 0.0529192
1
1
2,<16 0.4930531
0.0193563
2.02 0.4783083
0.0518636
2.47 0.493244-3
0.0188850
2.03
0.4788217 0.0508239
2.48 0.4934309 0.0184233
2.04 0.4793248 O.04980l
2.49 0.4936128 0.0179711
2.05 0.4798178 0.0487920
I
2.50 0.4937903 0.0175283
2.06 0.4803007
0.0477996
I
2.51 0.4939634 0.01709f7
2.07
0.4807738 0.0468226
11
2.52 0.4941323 0.0166701
2.08
0.4812372 0.045B611 2.53 0.4943001 0.0162452
2.09
0.4816911
0.0449148
2.54 0.4944574 0.015M76
2.10
0.4'821356 0.04398:16
li
2.55 0.4946139 0.0154493
2.11 0.4825708
0.0430674-
1I
2.56 0.4947664 0.0150596
2.12
0.4829970 0.0421661
2.57 0.4949151 0.0146782
2.13 0.4834142
0.0412795
li
2.58 0.4950600 0.0143051
2.14 0.4838226
0.0404076
if
2.59 0.4952012 0.0139401
2.15 0.4842224
0.0395500
11
2.60 0.4953388 0.0135830
2.16 0.4846137 0.0387069
2.61 0.4954729 0.0132337
2.17 0.4819966 0.0378779 11
2.62 0.4956035 0.0128921
2.18 0.4853713 0.0370629
1
2.63 0.4957308 0.0125581
2.19
0.4857379 0.0362619
1
1
2.64 0.4958547 0.0122315
2.20 0.4860966
0.0354746
2.65 0.4959754 0.0119122
2.21 0.4864474- 0.0347009
2.66 0.4960930 0.0116001
2.22
0.4867906 0.03394008
2.67 0.49620H 0.0112951
2.23 0.4871263 0.0331939
2.68 0.4963089 0.0109969
2.24 0.48H545 0.0324630
li
2.69 0.4964274- 0.0107056
2.25 0.4877755
0.0317397
2.70 0.4965330 0.0104209
461
(Continuacin)
x/u Area Ordenada (y)
x/o Area
Ordenada (y)
2.71
0.4966368 0.01Ol4-28 3.16
0.4992112 0.0027075
2.72
0.4967359 0.0098712
3.17 0.4992378 0.0026231
2.73
0.4968333 0.0096058
3.18 0.4992636 0.00254-02
2.74
0.4969280 0.0093466
3.19 0.4-992886 0.0024615
2.75
0.4970202 0.0090936
3.20 0.4993129 0.0023841
2.76
0.4971099 0.001;8465
3.21 04993363 0.0023089
2.77
0.4971972 0.0086052
3.22 0.4-993590 0.0022358
2.78
0.4972821 0.0083697
3.23 04993810 0.0021649
2.79
0.497364-6 0.0081398
3.2+ 0.4994024- 0.0020960
2.80
0.4-974449 0.0079155
3.25 0.4-994-230 0.0020290
2.81
0.4-975229 0.0076965 326 0.4994429 0.0019641
2.82 0.4975988
0.0074829 3.27 04994-623 0,0019010
2.83
0.4976726 0.0072744 3.2B 0.4994-810 0.0018397
2.84 0.4977443 0.0070711 3.29 0.4-994991 0.0017813
2.85 a.4978140 0,0068728 3.30 0.4995166 0.0017226
2,36
0.4-978818 0.0066793 331 0,4-995335 0.0016666
2.87 0,4-9794-76
0.0064907 3.32 0.499H99 0.0016122
2.88 0.4980116 0.0063067 3.33 0.499565lJ
0.0015595
2.lJ9 0.4980738
0.0061274- 3.34 0.4995811
0.0015084
2.90
0.4981342 0.0059525 3.35 0.4995959 0.0014-587
2.91 0.04981929
0.0057821 3.36 0.4996103
0.0014106
2.92 0.4-982498
0.0056160 3.37 0.4996242 0.0013639
2.93
0.4983052 0.005454>1 3.38 0.4996376 0.0014-187
2.94 0.4983589
0.0052963 3.39 0.4996505 0.0012748
2.95 0.4984111 0.0051426
3.40 0.4996631 0.0012322
2.96 0.4984618 0.0049929 3.41 0.4996752 0.0011910
2.97 0.4985110
0.0048470 3.4-2 0.4996869 0.0011510
2.98
0.4985588 0.0047050 3.43 0.4996982 0.0011122
2.99 0.4986051
0.0045666
1
1
3.44 0.4997091 0.00107+7
3.00
0.4986501
0.0044318 3.45 0.4997197 0.0010383
3.01
0.4986938
0.0043007 3.46 0.4-997299 0.0010030
3.02
0.+987361
0.0041729
l
3.47 0A997398
0.0009689
303 0,4987772
0.0040486
I
3.48 0.4997493 0.0009358
3.04
0.4988171
0.0039276 3.49 0.4997585 0.0009637
3.05
0.4-988558
0.0038098 3.50 0.4997674-
0.0008727
3.06
0.4988933
0.0036951 3.51 0.4997759
0.0008426
3.07
0.4989297
0.0035836 3.52 0.4997842
0.0008135
3.08 0.4989650
0.0034751 3.53 0.4997922
0.0007853
3.09
0.4989992
0.0033695 3.54 0.+997999
0.0007581
3.10
0.4990324
0.0032668 3.55 0.4998074
0.0007317
3.11
0.4990646 0.0031669 3.56 0.+9981+6
0.0007061
3.12 0.0030698 3.57 0.OOOG81i
3.13
0.4991260 0.0029H4
3.58 0.4998282
0.0006575
3.11.
0.49915.53 0.002883.5
3.59 0.+998347 0.0006343
3.15 0,;1991836 0.0027943 3.60 0.4998409
0.000611-9
462
JESUS DE LA ROSA

xl"
Area Ordl1lada (y)
xl" Area
Ordmad" (y)
3.61 0.4998469 0.0005902 4.06
0.4999755
0.0001051
3.62 0.4998527 0.0005693 4.07
0.4999765
0.0001009
3.63 0.4998583 0.0005490 4.08
0.4999775
0.0000969
3.64 0.4998637 0.0005294 4.09
0.4999784
0.0000930
3.65 0.4998689 0.0005105 4.10
0.4999793
0.0000893
3.66 0.4998739 0.0004921 4.11
0.4999802
0.0000857
3.67 0.4998787 0.0004744 4.12
0.4999811
0.0000822
3.68 0.4998834 0.0004573 4.13 0.4999819
0.0000789
3.69 0.4998879 0.0004408 4.14
0.4999826
0.0000757
3.70 0.4998922 0.0004248 4.15
0.4999834
0.0000726
3.71 0.4998964 0.0004093 4.16
0.4999841
0.0000697
3.72 0.4999004 0.0003800 4.17
0.4999848
0.0000668
3.73 0.4999043 0.0003661 4.18 0.4999854
0.0000641
3.74 0.4999080 0.0003526 4.19
0.4999861
0.0000615
g.75
0.4999116 0.0003286 4.20 0.4999867
0.0000589
3.76 0.4999150 0.0003396 4.21 0.4999872
0.0000565
3.77 0.4999184 0.0003271 4.22 0.4999878
0.0000542
3.78 0.4999216 0.0003149 4.23
0.4999883
0.0000519
3.79 0.4999247 0.0003032 4.24
0.4999888
0.0000498
3.80 0.4999277 0.0002919 +.25 0.4999893
0.0000487
3.81 0.4999305 0.0002810 +.26
0.4999898
0.0000457
3.82 0.4999333 0.0002705 +.27 0.4999902
0.0000438
3.83 o.t999359 0.000260+ 4.28 0.4999907
0.0000420
3.84 0.4999385 0.0002506 4.29
0.+999911
0.0000402
3.85 0.4999409 0.0002411 4.30
0.4999915
0.0000385
3.86 0.4999+33 0.0002320 4.31
0.4999918
0.0000369
3.87 0.4999456 0.0002232 4.32
0.4999922
0.0000354
3.88 0.4999478 0.0002147
4.33 0.4999925
0.0000339
3.89 0.4999499 0.0002065 4.34
0.4999929
0.0000324-
3.90 0.4999519 0.0001987 4.35
0.4999932 0.0000310
3.91 0.4999539 0.0001910 4.36 0.4999935
0.0000297
3.92 0.4999557 0.0001837 4.37
0.4999938
0.0000284
3.93 o.t999575 0.0001766 4.38
0.499994'1
0.0000272
3.94- 0.4999593 0.0001698
4.39 0.4999929
0.0000264
3.95 0.4999609
0.0001633 4.40 0.4999946
0.0000249
3.96 0.4999625 0.0001569 4.41
0.49999+8
0.0000239
3.97 0.4999641 0.0001508
4.42 0.4999951
0.0000228
3.98 0.4999655 0.00014+9
4.+3 0.4999953

3.99 0.4999670 0.0001393
4.4+
0.4999955
0.0000209
4.00 0.4999683 0.0001338
4.45
0.4999957
0.0000200
4.01 0.4999696 0.0001286 4.46
0.4999959
0.0000191
4.02 0.4999709 0.0001235
4.47 0.4999961
0.0000183
4.0.3 0.4999721 0.0001186
4.48 0.4999963
0.0000175
4.04 0.4999733 0.0001140
4.49 0.4999964
0.0000167
4.05 0.499974+ 0.0001094
4.50 0.4999966
0.0000160
463
Representacin 6.
Valores de Z para valores dados de r
0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009
0.000 0.0000 0.0010 0.0020 0.0030 0.0040 0.0050 0.0060 0.0070 0.0080 0.0090
0.010 0.0100 0.0110 0.0120 0.0130 0.0140 0.0150 0.0160 0.0170 0.0180 0.0190
0.020 0.0200 0.0210 0.0220 0.0230 0.0240 0.0250 0.0260 0.0270 0.0280 0.0290
0.030 0.0300 0.0310 0.0320 0.0330 0.0340 0.0350 0.0360 0.0370 0.0380 0.0390
0.040 0.0400 0.0410 0.0420 0.0430 0.0+1:0 0.0450 0.0460 0.0470 0.0480 0.0490
0.050 0.0501 0.0511 0.0521 0.0531 0.0541 0.0551 0.0561 0.0571 0.0581 0.0591
0.060 0.0601 0.0611 0.0621 0.cJ631 0.0641 0.0651 0.0661 0.0671 0.0681 0.0691
0.070 0.0701 0.0711 0.0721 0.0731 0.07+1 0.0751 0.0761 0.0771 0.0781 0.0791
0.080 0.0802 0.0812 0.0822 0.0832 0.08+2 0.0852 0.0862 0.0872 0.0882 0.0892
0.090 0.0902 0.0912 0.0922 0.0933 0.0943 0.0953 0.0963 0.0973 0.0983 0.0993
0.100 0.1003 0.1013 0.1024- 0.1034 O.IOH 0.105+ 0.106+ 0.1074- 0.108+ 0.1094-
0.110 0.1105 0.1115 0.1125 0.1135 0.1145 0.1155 0.1165 0.1175 0.1185 0.1195
0.120 0.1206 0.1216 0.1226 0.1236 0.1246 0.1257 0.1267 0.1277 0.1287 0.1297
0.130 0.1308 0.1318 0.1328 0.1338 0.13+8 0.1358 0.1368 0.1379 0.1389 0.1399
0.140 0.1409 0.1419 0.1+30 0.14400 0.1450 0.1460 0.1470 0.1481 0.1491 0.1501
O.UO 0.1511 0.1522 0.1532 0.1542 0.1552 0.1563 0.1573 0.1583 0.1593 0.1604
0.160 0.1614 0.1624- 0.1634- 0.1654- 0.1655 0.1665 0.1676 0.1686 0.1696 0.1706
0.170 0.1717 0.1727 0.1737 0.174:8 0.1758 0.1768 0.1779 0.1789 0.1799 0.1810
0.180 0.1820 0.1830 0.1841 0.1851 0.1861 0.1872 0.1882 0.1892 .0.1903 0.1913
0.190 0.1923 0.1934 0.19+4 0.1954 0.1965 0.1975 0.1986 0.1996 0.2007 0.2017
0.200 0.2027 0.2238 0.2048 0.2059 0.2069 0.2079 0.2090 0.2100 0.2111 0.2121
0.210 0.2132 0.2142 0.2153 0.2163 0.2174- 0.218+ 0.219+ 0.2205 0.2215 0.2226
0.220 0.2237 0.22+7 0.2258 0.2268 0.2279 0.2289 0.2300 0.2310 0.2321 0.2331
0.230 0.2342 0.2353 0.2363 0.2374- 0.238+ 0.2395 0.2405 0.2416 0.2427 0.2437
0.240 0.2+48 0.2+58 0.2469 0.2480 0.2490 0.2501 0.2511 0.2522 0.2533 0.2543
0.250 0.2554 0.2565 0.2575 0.2586 0.2597 0.2608 0.2618 0.2629 0.2640 0.2650
0.260 0.2661 0.2672 0.2682 0.2693 0.2704- 0.2715 0.2726 0.2736 0.2747 0.2758
0.210 0.2769 0.2779 0.2790 0.2801 0.2812 0.2823 0.2833 0.2844 0.2855 0.2866
0.280 0.2877 0.2888 0.2898 0.2909 0.2920 0.2931 0.2942 0.2953 0.2964 0.2975
0.290 0.2986 0.2997 0.3008 0.3019 0.3029 0.3040 0.3051 0.3062 0.3073 0.3084
0.300 0.3095 0.3106 0.3117 0.3128 0.3139 0.3150 0.3161 0.3172 0.3183 0.3195
0.310 0.3206 0.3217 0.3228 0.3239 0.3250 0.3261 0.3272 0.3283 0.3294- 0.3305
0.320 0.3317 0.3328 0.3339 0.3350 0.3361 0.3372 0.3384- 0.3395 0.3406 0.3417
0.330 0.3428 0.3439 0.3451 0.3462 0.3473 0.3484- 0.3496 0.3507 0.3518 0.3530
0.340 0.3541 0.35n 0.3564- 0.3575 0.3586 0.3597 0.3609 0.3620 0.3632 0.3643
0.350 0.3654 0.3666 0.3677 0.3689 0.3700 0.3712 0.3723 0.3734 0.3746 0.3757
0.360 0.3769 0.3780 0.3792 0.3803 0.3815 0.3826 0.3838 0.3850 0.3861 0.3873
0.370 0.3884 0.3896 0.3907 0.3919 0.3931 0.394-2 0.3954 0.3966 0.3977 0.3989
0.380 0.4001 0.4012 0.4024 0.4036 0.4047 0.4059 0.+071 0.4083 0.Kl94 0.4106
0.390 0.4118 0.4130 0.4142 0.+153 0.4165 0.+177 0.+189 0.+201 0.+213 0.4225
0.400 0.4236 0.4248 0.4260 0.4272 0.4284 0.4296 0.4308 0.4320 0.4332 0.43H
0.410 0.4356 0.4368 0.4380 0.4392 0.440+ 0.4416 0.4429 0.4441 0.+453 0.4465
0.420 0.4477 0.4489 0.4501 0.4513 0.4526 0.4538 0.4550 0.+562 0.+57,\ 0.4587
0.430 0.4599 0.4611 0.4623 0.4636 0.4648 0.4660 0.4673 0.4685 0.+697 0.4710
D.440 0.4722 0.4735 0.4747 0.4760 0.4772 0.4784 0.4797 0.+809 0.4822 0.4835
0.450 0.4847 0.4860 0.4872 0.4885 0.4897 0.+910 0.4923 0.4935 0.49+8 0.4961
0.460 0.4973 0.4986 0.4999 0.5011 0.5024 0.5037 0.504-9 0.5062 0.5075 0.5088
0.470 0.5101 0.5114 0.5126 0.5139 0.5152 0.5165 0.5178 0.5191 0.5204 0.5217
0.480 0.5230 0.5243 0.5256 0.5279 0.5282 0.5295 0.5308 0.5321 0.5331- 0.5347
0.490 0.5361 0.5374- 0.5387 0.5400 0.5413 0.5427 0.5440 0.5453 0.5466 0.5480
Tomada de WAUOH. A. B.. L"bo,,,'o,,, M"nllal Dnd P,oble".. (Dr eleme..'. o(
S'GU,"G. Nueva Yodt: McGraw-Hill.
464
JESUS DE LA ROSA
(Continuacin)
0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.001 0.008 0.009
0.500 0.5493 0.5506 0.5520 0.5533 0.5541 0.5560 0.5513 0.5581 0.5600 0.5614
0.510 0.5621 0.5641 0.5654 0.5668 0.5681 ' 0.5695 0.5109 0.5122 0.5136 0.5150
0.520 0.5163 0.5777 0.5791 0.5805 0.5818 0.5832 0.5646 0.5860 0.5814 0.5888
0.530 0.5901 0.5915 0.5929 0.5943 0.5951 0.5911 0.5985 0.5999 0.6013 0.6027
0.540 0.6042 0.6056 0.6010 0.6084 0.6098 0.6112 0.6121 0.6141 0.6155 0.6170
0.550 0.6184 0.6198 0.6213 0.6227 0.6241 0.6256 0.6210 0.6265 0.6299 0.6314
0.5&0 0.6328 0.6343 0.6368 0.6312 0.6381 0.6401 0.6416 0.6431 0.6446 0.6460
0.510 0.6415 0.6490 0.6505 0.6520 0.6535 0.6550 0.6565 0.6579 0.6594 0.6610
0.580 0.6625 0.6640 0.6655 0.6670 0.6685 0.6100 0.6715 0.6731 0.6746 0.6761
0.590 0.6117 0.6792 0.6807 0.6823 0.6838 0.6654 0.6869 0.6885 0.6900 0.6916
0.600 0.6931 0.6947 0.6963 0.6978 0.6994 0.7010 0.7026 0.7042 0.7057 0.7073
0.610 0.7089 0.7105 0.7121 0.7137 0.7153 0.7169 0.7165 0.1201 0.7216 0.7234
0.620 0.1250 0.7266 0.7283 0.7299 0.7315 0.7332 0.7348 0.7364 0.7381 0.7398
0.630 0.7414 0.1431 0.7441 0.7464 0.74111 0.7497 0.7514 0.7531 0.7548 0.7565
0.640 0.7582 0.7599 0.7616 0.7633 0.7650 0.7661 0.7664 0.7701 0.7718 0.7736
0.650 0.7753 0.7770 0.7788 0.7805 0.7623 0.7840 0.7858 0.71175 0.7393 0.7910
0.660 0.7928 0.794 0.1964 0.7981 0.7999 0,8011 0,8035 0.8053 0.8011 0.8089
0.610 0.8107 0.8126 0.8144 0.8162 0.8160 0.8199 0.8217 0.8236 0.8254 0.8273
0.680 0.8291 0.8310 0.8328 0.8347 0.8366 0.8365 0.8404 0.8423 0.8442 0.8461
0.690 0.8480 0.6499 0.6516 0.8531 0.8556 0.8516 0.6595 0.8614 0.8634 0.8653
0.100 0.8613 0.6693 0.8712 0.8732 0.8152 0.8772 0.8792 0.8812 0.8832 0.8852
0.710 0.8872 0.8892 0.8912 0.8933 0.8953 0.8973 0.8994 0.9014 0.9035 0.9056
0.720 0.9076 0.9097 0.9118 0.9139 0.9160 0.9181 0.9202 0.9223 0.9245 0.9266
0.730 0.9287 0.9309 0.9330 0.9352 0.9373 0,9395 0.9417 0.9439 0.9461 0.9483
0.140 0.9505 0.9527 0.9549 0.9571 0.9594 0.9616 0.9639 0.9661 0.9684 0.9707
0.750 0.9730 0.9752 0.9776 0.9799 0.9822 0,9845 0.9868 0.9892 0.9916 0.9939
0.760 0.9962 0.9986 1.0010 1.0034 1.0058 1.0082 1.0106 1.0130 1.0154 1.0179
0.770 1.0203 1.0226 1.0253 1.0277 1.0302 1.0327 1.0362 1.0378 1.0403 1.0428
0.780 1.0454 1.(}179 1.0505 1.0531 1.0557 1.0583 1.0609 1.0635 1.0661 1.0688
0.790 1.0741 1.0714 1.0766 1.0795 1.0822 1.0849 1.0876 1.0903 1.0931 1.0958
C.600 1.0986 1.10l+ 1.1041 1.1070 1.1098 1.1127 1.1155 1.1184 1.1212 1.1241
0.810 1.1270 1.1299 1.1329 1.1358 1.1388 1.1417 1.1447 1.1477 1.1507 1.1538
0.620 1.1568 1.1599 1.1630 1.1660 1.1692 1.1123 1.1754 1.1786 1.1817 1.1649
0.830 1.1870 1.1913 1.1946 1.1979 1.2011 1.2044 1.2077 1.2111 1.2144 1.2178
0.840 1.2212 1.2246 1.2260 1.2315 1.2349 1.2384 1.2419 1.2454 1.2490 1.2526
0.850 1.2561 1.2598 1.2634 1.2670 1.2708 1.2744 1.2782 1.2819 1.2857 1.2895
0.860 1.2934 1.2972 1.3011 1.3050 1.3069 1.3129 1.3168 1.3209 1.3249 1.3290
0.870 1.3331 1.3312 1.3414 1.3456 1.3498 l.3540 1.3583 l.3626 1.3670 l.3714
0.880 1.3758 1.3802 1.3847 1.3892 1.3938 1.3984 1.4030 1.4077 1.4124 1.4171
0.890 1.4219 1.4266 1.4316 1.4366 1.4415 1.4465 1.4516 1,4566 1.4618 1.4670
0.900 1.4722 1.4775 1.4828 1.4883 1.4937 1.4992 1.5047 1.5103 1.5160 1.5217
0.910 1.5275 1.5334, 1.5393 1.5453 1.5513 1.5574 1.56'36 1.5698 1.5762 1.5825
0.920 1.5890 1.5956 1.6022 1.6089 1.6157 1.6226 1.6296 1.6366 1.6438 1.6510
0.930 1.6584 1.6659 1.6734 1.6811 1.6868 1.6967 1.7047 1.7129 1.7211 1.7295
0.940 1.7380 1.7467 1.7555 1.7645 1.7736 1.7828 1.7923 1.8019 1.8117 1.8216
0.950 1.8318 1.8421 1.8527 1.8635 1.8745 1.8857 1.8972 1.9090 1.9210 1.9333
0.960 1.9450 1.9588 1.9721 1.9857 1.9996 2.0140 2.0287 2.0439 2.0595 2.0756
0.970 2.0923 2.1095 2.1273 2.1457 2.1649 2.1647 2.2054 2.2269 2.2494 2.9729
0.980 2.2976 2.3223 2.3507 2.3796 2.4101 2.4426 2.4774 2.5147 2.5550 2.5988
0.990 2.6467 2.6996 2.7587 2.6257 2.9031 2.9945 3.1063 3.2504 3.4534 3.8002
Repraentacin 7. Coeficientes del binomio nCr *
A
Q 2 3 4-
5 6 7 8 9 10 11 12 u 1. 15
1 1 1
2 1 2 1
3 1 3 3 1
4- 1 4- 6 4 1
5 1 5 10 io 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
9 1 9 36 84 126 126
36 9 1
10 1 10 45 120 210 252 210 120 45 10 1
11 1 11 55 165 330 462 462 330 165 55 11 1
12 1 12 66 220 495 792 924 792 495 220 66 12 1
13 1 13 78 286 715 1287 1716 1716 1287 715 286 78 18
14- 1 14- 91 364 1001 2002 3003 3+32 3003 2002 1001 36+ 91 1+ 1
15 1 15 105 455 1365 3003 5005 6435 6+35 5005 300S 1365 .55 105 15
TOIIUIda do D.wJN&L.ON. E/em,nl, DI ChiCliJo, e.e.a.!.
466
JESUS DE LA ROSA
11 F(II) 11 F(II)
I
z
F(z)
1.36 1.81 0.9648521
2.26 0.9880894-
1.37 0.91406565
1.82 0.9656205
2.27 0.9883962
1.38 0.9162067
1.83 0.9663750 2.28 0.9886962
1.39 0.9177356
1.84- 0.9671159 2.29 0.9889893
1.40 0.9192433
1.85 0.96784-32 2.30 0.9892759
0.9207302
1.86 0.9685572
2.31 0.9895559 1.4-1
1.87 0.9692581
2.32 0.9898296 1.42 0.9221962
1.88 0.96994-60
2.33 0.9900969 1.4-3 0.92364-15
1.89
0.9706210
2.34- 0.9903581
1.44- 0.9250663
1.90 0.9712834-
2.35 0.9906133 1.4-5 0.9264-707
2.36 0.9908625 1.46
0.9278550
1.91
0.9719334-
2.37 0.9911060 1.47 0.9292191
1.97,
0.9725711
2.38 0.99134-37 1.4-8 0.9305634-
1.93 0.9731966
2.39 0.9915758 1.49
0.9318879
1.94- 0.9738102
2.4-0
0.9918025 1.50
0.9331928
1.95 0.9744119
2.41
0.9920237 1.96 0.9750021
1.51
0.9344783
1.97
2.42 0.9922397
1.52 0.9357445
1.98 0.97014082
2.43 0.9924-506
1.53 0.9369916
1.99 0.9767045
2.44- 0.9926564-
1.54 0.9382198
2.00 0.9772499
2.45

0.9390+292
2.46
0.9930531
1.56
0.9406201
2.01 0.9777844- 2.47 0.9932443
l.57 0.94-17924
2.02
0.9783083 2.48 0.9934-309
1.58
0.90+29466
2.03 0.9788217 2.49 0.9936128
1.59 0.9440826
2.04
0.9793218 2.50 0.9937903
1.60 0.94-52007
2.05
0.9798178
2.51
0.9939634
0.9463011
2.06 0.9803007
2.52 0.9941323 1.61
2.07
0.9807738
2.53
0.9942969 1.62
0.94-73839
2.08
0.98123i2
2.54
0.9944574 1.63
0.9484419
2.09 0.981691!
2.55
0.9946139 1.64 0.9494974
2.10 0.9821356
2.56
0.9947664- 1.65
0.9505285
2.57
0.994-9151
1.66 0.9515428
2,11
0.9825708
2.58
0.9950600 1.67 0.9525403
2.12
0.9829970
2.59
0.9952012
1.68 0.9535213
2.13
0.98341402
2.60
0.9953388
1.69

2.14
0.9838226
2.70 0.9965330 1.70
0.9534345
2.15
0.9842224
2.80
0.9974449
1.71
0.9563671
2.16
0.9846137
2.90
0.9981342
2.17
0.9849966
3.00
G.9986501
1.72
0.9572838
2.18
0.9853713
3.20
0.9993129
1.73 0.9581849
2.19
0.9857379
1.74
0.9590705
0.9860966
3.40
0.9996631
1.75
0.9599408
3.60
0.9998409
1.76
0.9607961
2.21
0.986447.
3.80
0.9999277
1.77 0.9616364
2.22 0.9867906
4.00
0.9999683
1.78
0.9624620
2.23
0.9871263
4.50
0.9999966
1.79
0.9632730
I
2.2.
0.9874545

0.99999!l7
1.80
0.9640697
2.25
0.9877755
5.50
0.9999999
]"
R.epresentacin 8. Probabilidades normales *
z F(z)
z F(z)
z F(z)
0.00 0.5000000
0.46 0.6772419
0.91
0.8185887
0.01 0.5039894
0.47 0.6808225
0.92
0.8212136
0.02 0.5079783
0.48 0.6843863
0.93 0.8238145
0.03
0.5119665
0.49 0.6879331
0.94 0.8263912
0.04 0.5159534
0.50 0.6914625
0.95
0.8289439
0.05 0.5199388
0.96 0.8314724
0.06 0.5239222
0.51 0.6949743
0.97 0.8339768
0.07 0.5279032
0.52 0.6984682
0.98 0.8364569
0.08 0.5318814
0.53 0.7019440
M9 0.8389129
0.09 0.5358564
0.54 0.7054015
1.00
0.8415447
0.10 0.5398278
0.55 0.7088403
0.56 0.7122603 1.01
0.8487$24
0.11 0.5437953
0.57 0.71561512
1.02 0.846US8
0.12 0.!I477584
0.58 0.7190427
1.03 0.8484950
0.13
0.U11I68
0.59 0.7224047
1.04 0.8508500
0.14 0.5556700
0.60 0.7257469 1.05 0.8531409
0.15 0.5596177
1.06 0.8554277
0.16 0.5635595
0.61 0.7290691
1.07 0.8576903
0.17 0.5674949
0.62 0.7323711
1.08 0.8599289
0.18 0.5714237
0.63 '0.7356527
1.09 0.8621431
0.19 0.5753454
0.64 Q.7389137
1.10 0.8643339
0.20 0.5792597
0.65 0.7421539
0.21 0.5831662
0.66 0.7453731
1.11 0.8665005
0.67 0.7485711
1.12 0.8686431 0.22 0.5870604
0.68 0.7517478
1.18 0.8707619 0.23 0.59093+1
0.69 0.7549029
1.14 0.8728568 0.2+ 0.5948349
0.70 0.7580363
1.15 0.87+9281 0.25 0.5987063
1.16 0.8769756 0.26 0.6025681
0.71 0.7611+79
1.17 0.8789995
0.27 0.6064199
0.72 0.7642375
1.18 0.8809999
0.28 0.6102612
0.73 0.7673049
1.19 0.8829788 0.29 0.6140919
0.7+ 0.7703500
1.20
0.8849'03 0.30 0.6179114
0.75 0.7733726
0.31 0.6217195
0.76 0.7763727
1.21 0.8868606
0.32 0.6255158 0.77 0..7793501
1.22 0.8887676
0.33 0.6293000 0.78 0.7823046
1.23 0.8906514
0.34 0.6330717 0.79 0.7852361
1.2+ 0.8925125
0.35 0.6368307 0.80 0.7881446
1.25
0.8943502
0.36 0.6405764
1.26 0.8961653
0.37 0.6443088
0.81 0.7910299
1.27 0.8979577
0.38 0.6480273
0.82 0.7938919
1.28 0.899727+
0.39 0.6517317
0.83 0.7967306
1.29 0.901+747
0.40
0.6554217
0.84- 0.7995458
1.30 0.9031995
0.85 0.8023375
0.+1
0.6590970
0.86 0.8051055
l.31 0.9049021
0.+2 0.6627573
0.87 0.8078498
l.S2 0.9065825
0.43
0.6664022
0.88
0.810"03 1.33
0.9032+08
0.44
0.670031+
0.89 0.8132671
U! 0.9098715
0.+5 .0.6738448
0.90 0.8159399
l.S!I 0.911+920
Condensada por el autor, de P&AJl'ON-H.uTLav. Obra citada. Tabla 18.
467
R.epJacntacia 10. Tabla de la F de Snedecer
'><
2 3 4 5 6 8 12 24
co
2 18.51 19.00 19.16 19.25 19.30 19.33 19.37 19.41 19.45 19.50
98.49 99.00 99.17 99.25 99.30 99.33 99.36 99.42 99.46 99.50
3 10.13 9.55 9.28 9.12 9.01 8.94- 8.8+ 8.74- 8.6+ 8.55
3U2 '30.82 29.46 28.71 28.24 27.91 27.49 27.05 26.60 26.12
4- 7.71 6.94- 6.59 6.39 6.26 6.16 6.04- 5.91 5.77 5.63
21.20 18.00 16.69 15.98 15.52 15.21 14.80 14.37 13.95 13.46
5 6.61 5.79 5 ~ 5.19 5.05 4.95 4.82 4.68 4.53 4.36
16.26 13.27 12.06 11.39 10.97 10.67 10.27 9.89 9.47 9.02
6 5.99 5.14 4.76 +.53 4.39 4.28 U5 4.00 3.84 3.67
13.74 10.92 9.78 9.15 8.75 8.47 8.10 7.72 7.31 6.88
7 5.59
4.7"
4.35 4.12 3.97 3.87 3.73 3.57 3.41 3.23
12.U 9..55 U5. 7.85 7.+6 7.19 6.84 6.+7 6.07 5.65
8 5.32 +.46 4.07 3.84 3.69 3.58 5.40+ 3.28 3.12 2.93
1l.26 8.65 7.59 7.01 6.65 6.37 6.03 :1.67 5.28 +.86
5.12
".26
3.86 U3 3.+8 3.57 3.23 3.07 2090 2.71
10.56 8.02 6.99 1.42 6.06 5.80 5.47 5.11 4.73 +.31
10 ....1 UD 3.71 9.48 3.53 3.22 3.07 2.91 2.74 2.54-
10.0+ 7.56 6.55 5.99 5.64- 5.39 5.06 4.71 4.33 3.91
12 4.75 3.88 3.49 3.26 5.11 3.00 2.85 2.69 2.50 2.30
9.33 6.93 5.95 5.41 5.06 +.82 4.50 4.16 3.78 3.36
1+ +.60 3.74 5.3+ 5.11 2;96 2.85 2.70 2.53 2.55 2.13
8.86 6.51 5.56 5.03 +.69 +.46 4.14 3.80 3.43 3.00
11 +.49 3.63 3.2+ MI 2.85 2.7+ 2.59 2.42 2.24- 2.01
8.53 6.23 5.29 1,.77 4.+4 4.20 3.89 3.55 3.18 2.75
18 Ul 3.55 !l.l6 2.93 2.77 2.66 2.51
2.'4
2.15 1.92
8.28 6.01 5.Oi +.58 .... 25 4.01 3.71 3.37 3.01 2.57
20 ....35 U,
3.10 2.87 2.71 2.60 2.45 2.28 2.08 1.84
8.10 5.85 4094 .....3
".10
3.87 3056 3.23 2.86 2.42
25
U"
3.18 2.99 2.76 2.60 2.49 2.54 2.l11 1.911 1.71
7.77 5.57 4068 4.18 3.86 3.63 3.52 2.99 2.62 2.17
30 U7 3.32 2.92 2.69 2.53 2.42 2.27 2.09 1.89 1.62
7.56 5.39
".51
4.02 3.70 3.47 3.17 2.84 2.+7 2.01
40
....08 3.23 2.8+ 2.61 2.+5 2.34 2.18 2.00 1.79 1.51
7.31 5.18 +.31 3.83 3.51 3.29 2.99 2.66 2.29 1.81
60 ....00 3.15 2.76 2.52 2.37 2.25 2.10 1.92 1;70 1.39
7.08 4.98 . 13 3.65 3.3. 3.12 2.82 2.50 2.12 1.60
80 3.96 3.11 2.72 2.19 2.33 2.21 2.06 1.88 I.M 1.32
6.96 +.88 ....0+ 3.36 S.U 3.0+ 2.71- 2.41 2.03 1.49
Tomada de SHU>ICJOR. SI.,;'I;,1I1 M_'1lDils. Ameo.l_a: 1__: Slate CoIlese Pro.
461
A
o t
Rcpracutaci6D 9. Tabla de la t de Student.
;::::
0.10 0.05 0.02 0.01
1 6.34 12.71 31.82
8U'
2 2.92 4,30 6.96 9.92
:5 2.35 3.18 4.54 5.84
4 2.13 2.78 3.75 UO
5 2.02 2.57 !l.36 4.05
6 1.94 2.45 3.14 3.71
7 1.90 2.36 3.00 UO
8 1.86 2.31 2.90 S,56
9 1.83 2.26 2.82 3.25
10 1.81 2.23 ".76 5.17
11 1.80 2.20 .72 5.11
12 1.78 2.18 2.68 5.06
13 1.77 2.16 2.65 5.01
14 1.76 2.14 2.62 2.98
15 1.75 2.13 2.60 2.95
16 1.75 2.12 2.58 2.92
17 1.74 2.11 2,57
2.90
18 1.73 2.10 2.55 2.88
19 1.73 2.09 2.54 2.86
20 1.72 2.09 2.53 2.84
21 1.72 2.08 2.52 2.$3
22 1.72 2.07 2.51 2.82
23 1.71 2.07 2.50 2.81
24 1.71 2.06 2.49 2.80
25 1.71 2.06 2.+8 2.79
26 1.71 2.06 2.+8 2.78
27 1.70 2.05 2.+7 2.77
28 1.70 2.05 2.+7
'2.76
29 1.70 2.04 2,46 U.
30 1.70 2.().f 2,46 2.75
S5 1.69 2.0S 2.4+ 2.72
40 1.68 2.02 2.+2 2.71
45 1.68 2.02 UI 2.69
50 1.68 2.01 UO 2.68
60 1.67 2.00 2.39 2.66
00 1.64 1.96 2.55 2.58
TIIIIIada de FIl." Il. 11.. Obr. ,'.d
Representacin 5.
Areas y ordenadas do la WNa ncrmal s A
A.,.. O,d,n..d.. (,,)
x/a
" .. O,d,n..d.. (,,)
--------
0.00 0.0000000 0.3989423
0.46 0.1772419 0.3588903
0.01 0.0039894 0.3989223
0.47 0.1808225 0.3572253
0.02 0.0079783 0.3988625
0.48 0.1843863 0.3555325
0.03 0.0119665 0.3987628
0.49 0.1879331 0.353812+
0.04 0.0159534- 0.0986233
0.50 0.1914625 0.3520653
0.05 0.0199388 0.3984439
0.51 0.1949743 0.3502919
0.06 0.0239222 0.3982248
0.52 0.1984682 0.3484925
0.07 0.0279032 0.3979661
0.53 0.2019440 0.3466677
0.08 0.0318814 0.3976677
0.54 0.2054015 0.3448180
0.09 0.0358564- 0.3973298
0.55 0.2088403 0.3429439
0.10 0.0398278 0.3969525
0.56 0.2122603 0.3410458
0.11 0.0437953 0.3965360
0.57 0.2156612 0.3391243
0.12 0.0+77584 0.3960802
0.58 0.2190427 0.3371799
0.13 0.0517168 0.3955854
0.59 0.2224047 0.3352132
0.14 0.0556700 Oj950517
0.60 0.2257+69 0.3332246
0.15 0.0596177 0.3944793
0.16 0.0635595 0.3938684
0.61 ' 0.2290691 0.3312147
0.62 0.2323711 0.3291840
0.17 0.067+949 0.3932190
0.63 0.2356527 0.3271330
0.18 0.0714237 0.3925315
0.64 0.2389137 0.3250623
0.19 0.0753454 0.3918060
0.6.5 0.2421539 0.322972+
0.20 0.0792597 0.3910+27
0.21 0.0831662 0.3902419
0.66 0.2453731 0.3208638
0.22 0.08706....
0.3894038
0.67 0.2485711 0.3187371
0.23 0.0909541 0.3885286
0.68 0.2417+78 0.3165929
0.24 0.0948549 0.3876166
0.69 0.2549029 0.3144317
0.25 0.0987063 0.3866681
0.70 0.2580363 0.3122539
0.26 0.1025081 0.3856834
0.71 0.2611+79 0.3100603
0.27 0.1064199
0.3846627
0.72 0.2642375 0.3078513
0.28
0.1102612 0.3836063
0:73 0.26730+9 0.3056274
0.29 0.1140919 0.3825146
0.74- 0.2703500 0.3033893
0.30
0.1179114 0.3813878
0.75 0.2733726 0.3011374
0.31
0.1217195
0.3802264-
0.76 0.2763727 0.2988724
0.32 0.1254158 0.3790305
0.77 0.2793501 0.2965948
0.33 0.1293000 0.3778007
0.78 0.2823046 0.29+3050
0.34 0.1330717 0.3765372
0.79 0.2852361 0.2920038
0.:15 0.1368307
0.3752403
0.80 0.2881446 0.2896916
0.36
0.1405764 0.37311106 0.81 0.2910299 0.2873689
0.37 0.1+45088 0.3725483 0.82 0.2938919 0.2850364
0.38 0.1480273
0.3711539 0.83 0.2967306 0.2826945
0.39 0.1517317 0.3697277 0.84 0.2995+58 0.2803+38
0.4{)
0.1555417 0.3682707 0.85 0.3023375 0.27798+9
0.41 0.1590970 0.3667817
0.86 0.3051055 0.2756182
0.+2 0.1627573 0.3652627
0.87 0.3078498 0.2732.......
0.43 0.1664022 0.3637136
0.88 0.3105703 0.2708640
0.+4-
0.1700314
0.36213+9
0.89 0.3132671 0.26t!'t774
0.45
0.17'6448 0.3605270
0.90 0.3159399 0.26(i0852
CoDden.da. TA '-t. 01 s, de KJlNT.
470
472
JESUS DE LA ROSA
B.epresentae:i60 3 (condensada). req bajo la curva normal entre
la media y un valor tpico dado en Z *
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0000 0040 0080 0120 0160 0199 0239 0279 0319 0359
0.1 0398 0438 0478 0517 0557 0596 0636 0675 0714 0753
0.2 0793 0832 0871 0910 0948 0987 1026 1064 1103 1141
0.3 1179 1217 1255 1293 1331 1368 1406 1443 1480 1517
0.4 1554 1591 1628 1664 1700 1736 1772 1808 1844 1879
0.5 1915 1950 1985 2019 2054 208ft 2123 2157 2190 2224
0.6 2257 2291 2324 2357 2389 2422 2454 2486 2517 2549
0.7 2580 2611 2642 2673 2704 2734 2764 2794 8223 2852
0.8 2881 2910 2939 2967 2995 3023 3051 3078 3106 3133
0.9 3159 3186 3212 3238 3264 3290 3315 3340 3365 3389
1.0 3413 3438 3461 3485 3508 3531 3554 3577 3599 3621
1.1 3643 3665 3686 3708 3729 3749 3770 3790 3810 3830
1.2 3849 3869 3888 3907 3925 3944 3962 3980 3997 4015
1.3 4032 4049 4066 4082 4049 4115 4131 4147 4162 4177
1.4 4192 4207 4222 4236 4251 4265 4279 4292 4306 4319
1.5 4332 4345 4357 4370 4383 4394 4406 4418 4429 4441
1.6 4452 4463 4474 4484- 4495 4505 4515 4525 4535 4545
1.7 4554 4564 4573 '4582 4591 4599 4608 4616 4625 4633
1.8 4641 4649 4656 4664- 4671 4678 4686 4693 4699 4706
U 4713 4719 4726 4152 4738 4744- 4750 4756 4761 4767
2.0 4772 4778 4783 4788 4793 4798 4803 4808 4812 4817
2.1 4821 4826 4830 48H 4838 4842 4846 4850 4854 4857
2.2 4861 4864 4868 4871 4875 4878 4881 4884 4887 4890
2.3 4893 4896 4898 4901 4904 4906 4909 4911 4913 4916
2.4 4918 4920 4922 4925 4927 4929 4931 4932 49H 4936
2.5 4938 4940 4941 4943 4945 4946 4948 4949 4951 4952
2.6 4953 4955 4956 4957 4959 4960 4961 4962 4963 4964-
2.7 4965 4966 4967 4968 4969 4970 4971 4972 4973 4974
2.8 4974 4975 4976 4977 4977 4978 4979 4979 4980 4981
2.9 4981 4982 4982 4983 4984 4984 4985 4985 4986 4986
3.0 4986.5
4986.9 4987.4 4987.8 4988.2 4988.6 4988.9 4989.3 4989.7 4990.(
3.1 4990.3
4990.6 4991.0 4991.3 4991.6 4991.8 4992.1 4992.4 4992.6 4992.S
3.2 4993.129
3.3' 4995.166
U 4996.631
U 4997.674
3.8 4998.409
s.7 4998.922
A
3.8 4999.277
U 4999.519
+.04tH.eas
4.5 +991.986
5.0 4999.097173
* OoIIdllll..da de h.ulaox-H.u'I'L&Y. Bio_"ik" T , , . ~ 1M S ~ 'CuD-
bridp: UJvenity ...... 1954, vol. 1, tabla 12.
REFERENCIAS
BIBLIOGRAFICAS
La siguiente lista de libros aunque no es, ni mucho menos, exhaustiva, ofrece al lec-
tor interesado la oportunidad de encontrar mucha lectura suplementaria y comple-
mentaria sobre diversos temas presentados en el texto. Ello, para beneficio del estu-
diante y del lector en general que quiera investigar algunos de los temas tratados en
este libro, y en especial, en relacin con algunas reas particulares.
Alcaide Inchausti, A.: Estadstica aplicada a las Ciencias Sociales. Ediciones Piran,
Madrid. 1976.
Amn, J.: Multidimensionalidad de la religiosidad utilitaria a travs de la afinidad entre
las cuestiones intrnsecas y las extrnsecas. Rev. de Psicol. Gen. y Aplic., 196H.
vol. XXIII, nm. 95, pgs. 983-9118.
Amn, J.: Prejuicio antiprotestante y religiosidad utilitaria; AguiJar, Madrid, 1969.
Amn. J.: La construccin de escalas psicolgicas en funcin del mtodo elegido. Rev.
de Psicol. Gen. y Aplic. , 1972, vol. XXVII, nms. 116-117, pgs. 423-431.
Atkinson, R. C., Bower, O. H. y Crothers, E. J.: An lntroduction to Mathematical
Learning Theory, John Wiley, Nueva York, 1965.
Bailey, N. T. J.: The Malhematieul Approach lo Biology and Medicine. John WiJey,
Nueva York, 1967.
Baow, B., Eulton, H. y Peploe, E.: Reading Comprehension Skll/s Among Hearlng
Impalred Adolescents, VoUa Revew 1971,73. pgs. 113119.
Berman, P. W. Waisman, H. A. YOraham, F. K.: lntelltgence in Treated Pheny/kelo,
nuric Children: A Deoelopmental Study. Child Development, 1966, 37, pginas
731-747.
Bingham, W. Wd., Moore, B. V. YGustad, J. W.: How to Interview, Harper & Row,
Nueva York, 1959.
Bisset, B. M. YRieber, M.: The Effects 01 Age and Incentive Yalue on Discnminaon
Learning, J. Exp. Child Psych . 1966, 3, pgs. 199-206.
Blommers, P. y Lindquist, E. F.: Elementary Statistical Methods in Psychology and
Education, University of London Press, Londres. 1965.
Burt, C.: Is Intellgence Distributed Normal/y?, Brit, J. Statist. Psychol., 1963, 16.
pgs. 175-90.
Calot, G.: Cours de Statistique descnptlve, Dunod , Pars, 1%9. (Traducida al castellano
con el titulo de Curso de estad(stica descriptiva, edtllda por Paraninfo, J970.)
Casa Aruta, E.: 200 problemas de Estadtstlca descriptiva, Vicens Vives, Barcelona, 1969.
Coliman, R. D. Y Stoller, A.: A Survey of Mong%id Births in Victoria, Australia.
1942-1957, Amer. J. Public Heanh, 1962, 52, pgs. 813.829.
Conde, V. y Domenech, D.: Considerations on tne J. Q. Wilh the WAYS iJlaSample 01
Sclzophrenics in Relaon Wlth the Sex, Age. Cullurai Level, Orig/n, Residenct and
Civil State, Rev, de Neurol., Neuroch. y Psich . , Oviedo, 1976.27, pgs. 258-291.
Coombs, C. H., Dawes, R. M. YTverski, A.: Mathematieal Psyehology. An Elementary
lnlroduction. Enlewood ClitIs, N. J.: Prentice-Hall, 1970.
473
. Cravioto, J. y Robles, B.: Evolution of Adaptive and Molar Behavior During R..habilita-
tion from Kwushiorkor, Amer , J. of Orthopsych., 1965, 35, pgs. 449-464.
Croxton, F. E., Cowden, D. J. Y Klein, S.: Applied General Statistics, Pitman, Londres,
1968. (Traducida al castellano con el ttulo Estadistica general aplicada. editada por
Fondo de Cultura Econmica, Mxico).
Chesire, L., Saffir, M. Y Thurstone, L. L.: Computing Diagrams for the Tetracboric
Coefficient. The University of Chicago, Chicago, 1933.
Dement, W. y Kleitman, N.: Cyclic Yariutions in EEG during Sleep and Their Relation
lo Eye Movements, Body MolililY and Dreuming, Electroenc. Clin. Neurophys.,
1957, 9. pgs. 673-690.
Downie, N. M. YHeath, R. W.: Basie Statistical Methods, Harper & Row, Nueva York,
1970. (Traducida al castellano con el ttulo Mtodos estadisticos aplicados. editada
por Ediciones del Castillo, Madrid, 1971.)
Edwards, A. L.: Stotisco! Methods, Holt, Rinehart & Winston, Nueva York. 1973.
Engelrnan, S.: The Effectiveness of Direct Verbal lnstruction on l. Q.. Performance and
Achievement in Reading and Arithmetic, en G. Hullmuth (Ed.) Disadvantaged
Child, vol. 3. Compensatory Education: A National Debate, Brunner/Mazel, Publis-
hers, 1970, pgs. 339361.
Felsinger , J. M., Gladslone, A. r.. Yarnaguchi, H. G. y Hull. C. L.: Reaction Latency ~ I
as' a Function of the Number of Reinforcements J. Exper. Psychol, 1947.37, pgs.
214-288.
Ferguson, G. A.: Statistical Analysis in Psyehology and Education, McGraw-HiII. Nueva
York. 1976.
Freernan, H.: lntroduction lo Statistical Inference, Addison-Wesley, Reading, Mass.,
1963.
Freeman, L. C.: Elementary Applied Statistics, John Wiley, Nueva York. 1968.
Freund, J. E.: Statistics, a First Course, Englewood ClilTs. N. J.: Preuuce-Hall, 1970.
Games, P. A. Y Klare, G. R.: Elementary Statistlcs: Dala Analysis for the Behavioral
Sciences, McGraw-Hill. Nueva York. 1967.
Getzels y Jackson: Creatlvity and Intetiigence, Bxptorations wllh Gifted Students. John
Wiley. Nueva York, 1968.
Glass, G. V. Y Stanley, J. C.: Statistical Methods in Psyehology and Education,
Englewood Cliffs, N. J.: Prentice-Hall, 1970. (Traducida al castellano con el ttulo de
Mtodos estadisticos aplicados a las Ciencias Sociales. editada por Prentice-Hall,
1974.)
Goodman, L. A. YKruskal, W. H.: Measures 01 Association for Cross-Classificatlons,
Journal J. Amer. Slat. Assoc., 1954,49. pgs. 732.764.
Guilford, J. P. Y Fruchter, B.: Fundamental Statistics In Psyehology and Education,
McGraw-Hill, Nueva York. 1973.
Haber, A. y Runyon, R. P.: General Statistics, Addison-Wesley, Readinll. Mass., 1973.
(Traducida al castellano. con el ttulo de Estadistica General. editada por Fondo
Educativo Interamericano, 1973.)
Harrower, M.: Psychodiagnostic Te8tlng: An Emplrleal Approach Based In 11 Folio'W-up
01 U)(JO Cases, Charles C. Thomas, Sprngfield. 111., 1973.
Hays, W. L.: Statlsttcs for the Social Sciences, Holt, Rinehart & Wlnston. Nueva York,
1973.
Horowitz , L. M.: Elemenls of Stallslles for Psye'holof/Y and Bducao, McGrawHiII.
Nueva York, 1974,
Horst, P.: Psvcological Measurement and Predictian, Wadsworth. Belmont, Cal., 1966.
475
HuI!, C. L., Felsnger, J. M., Gladstone, A. I. Y Yamaguchi, H. G.: A Proposed
Quanlificalion of Hubit Strength, Psychol, Rev., 1947. 54, pgs. 237-254.
Jez, L.: Efectos de la comunidad de asociados en el aprendizaje verbal. tesis doctoral
no publicada. Universidad Complutense de Madrid. 1976.
Kendall, M. G.: Rank Correlation Methods, Ch. Griffin, Londres, 1970.
Kitterle, F. L. YHelson, H.: On the lnhibitory Effect of a Second Stimulus Following the
Primary Stimulus to React: A Successfull Replication, ,d. Exp. Psychol. , 1972. %,
pgs. 138-141.
Kohuot, F. J.: Stutistics for Social Scientists: A Coordinated Learning System, John
Wiley, Nueva York. 1974.
Korin, B. P.: Stutistical Concepts for the Social Sciences. Cambridge Mass. Winthrop ,
1975.
Kuo, Z. Y.: The Genesis of the Ca"s Response lo the Ralo J. Comp. Psychol .... 1930,
11, pgs. 1-30.
Labrousse, Ch.: Statistique. Exercices corriges, tomo 1, Dunod , Pars, 1970. <Traducida
al castellano con el ttulo Estudistica. Ejercicios resueltos. editada por Paraninfo,
1973.)
Levenstein, P. y Sunley, R.: Stimulation of Yerbal Interuction Beuoeen Disadoantaged
Mothers andChildren, Arner. J. of Orthopsych.... 1968,38. pgs. 116-121.
l.ewis, D.: Quantitative Methods in Psychology, McGraw-Hill. Nueva York. 1960.
Lord, F. M. Y Novick , M. R.: Stastlcal Theories of Mental Test Scores, Addisun-
Wesley, Reading, Mass . 1968.
Lorge, L: The Fundamental Nuture of Measurement. en D. N. Jacksun y S. Messick
(Eds.), Problems in Human Asse.lSment, McGraw-HiII, Nueva York, 1967, pginas
4356.
Magnussun, D.: Test Theory, Addison-Wesley, Reading, Mass., 1967.
MeCall, R. B.: Fundamental Statistics [or Psychology, Harcourt, Brace Jovanovich,
Nueva York, 1975.
McNemar. Q.: Psychological Statistics, John Wiley, Nueva York, 1969.
Mller, G. A.: Mathemacs and Psychology , John Wiley, Nueva York, 1964.
Nunnally, J. C.: Psychometric Theory; McGraw-Hill, Nueva York, 1967.
Nunnally, J. C.: lntroduction 10 Statistics for Psyehology and Education, McGraw-HiII,
Nueva York, 1975.
Osgood , C. E.: Method and Theory in Experimental Psychology, Oxford University
Press, Londres, 1953.
Pavlov, 1. P.: Conditioned Reflexes (Selected Experiments}, Oxford University Press,
Londres.
Pfanzagl, J.: Theory of Measurement, Physica-Verlag, Wrzburg-Viena, 1971.
Rachman, S. y Hodson, R. J.: Expertmentalty lnduced Sexual Fetlchism: Repticutto
and Development, ..The Psychol. Record . , 1%8, 18, pgs. 25-27.
Runyon, R. P: y Haber, R,: Fundamentuls of Behavioral Stutistics, Addison-Wesley,
Cambridge, Mass., 1976.
Savage , 1. R.: Nonparametric Stutistics, J. Amer. Statist. Ass . , 1957, .52, pgs.
331344.
Sender, V. L,: Measurement and Statistics, Oxford University Press, 1958.
Siegcl, S.: Non-parametric Statistlcs, McGraw-Hll, Nueva York, 1956.
Sokolov, A. N.: lnner Speech and Thought, Plenum Press, Nueva York. 1972.
Stevens, S. S.: On the Theory 01 Scales of Measurement, Scieece, 1946, vol. 103, nm.
2.684, pgs. 677-680.
Stevens, S. S.: Mathematics, Measurement and Psychophysics, en S. S. Stevens (Ed.),
Handbook of Experimental Psychology, John Wiley, Nueva York, 1951, pgs. 1-49.
Stevens, S. S.: Measurement, Psyehophysies and Utility, en C. W. Churchman y Ph.
Ratoosh (Eds), Measurement : Definitions and Theories , John Wiley, Nueva York,
1959, pgs. 18-63.
Stevens , S. S.: A Metric for the Social Consensus, Science, 1966, 151, pgs. 530-541.
Stevens, S. S.: Ratio Scales of Opinion, en D. K. Whitla (Ed.), Handbook of Meilsure-
mera and Assessment in Behaoioral Sciences, Addison-Wesley, Reading, Mass.,
I 968a, pgs. 171-199.
Stevens, S. S.: Measurement Statistics and the Schemapiric View, Science.. , 1968b;
161, pgs. 843-856.
Stevens, S. S.: Psvchophysics, John Wiley, Nueva York, 1975.
Suppes, P. y Zinnes, J. L.: Basie Measurement Theory, en R. D. Luce, R. R. .Bush y
E. Galanter (Eds.), Handbook of Mathematical Psychology, vol. 1, John Wiley, Nueva
York, 1963, pgs. 1-76.'
Thurstone, L. L.: The Measurement of Yalues, University of Chicago Press, Chicago,
1959.
Torgerson, W. S.: Theory and Methods of Scaling , John Wiley, Nueva York, 1958.
Wadsworth, H. G.: A Motivational Approacb Toward the Remediation 'of Learning of
Disabled Boys. Exceptional Chlldren, 1971, 38, pgs. 3342.
Walker, H. M. Y Lev , J.: Elementary Stattstical Methods, Holt, Rinehart & Winslon,
Nueva York, 1969.
Wallis, W. A. y Roberts, H. Y.: Statistics: A New Approach, The Free Press Glencoe,
11I., 1956.
Warren, R. E.: Norms of Restricted Color Association Bull. of the Psychon. Soc.,
1974, 4, pgs. 3738.
Woudwoith, R. S.: Heredity and Envlronment, Nueva York. SlX:ill1 Scien;e Research
Council, 1941.
Yule, G. U. Y Kenda, M. G.: An lntroduction to the Theof')' of Stati,licl. Orlff'in,
Londres, 1968.
Zelditch, M. Jr.: A Basie Course in Sociologieul Statlltics. Holt, Rlnehart & Winslon,
Nueva York, 1966.
lndict
Dedicatoria , 5
Presentacin . . . . . . . . . . . . . . . . . . . . . ., 11
Del Autor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
PRIMERA PARTE
ESTADISTICA DESCRIPTIVA
CAPITULO 1
QUE ES LA ESTADISTICA? 17
Conceptos Previos. Poblacin, elementos y caracteres 17
Muestra 19
Parmetro , 19
Estadstico . . . . . . . . . . . . . . ., 20
Definicin de la Estadstica 21
Breve Resea Histrica 21
Historia de la Estadstica en la Repblica Dominicana . . . . .. 28
CAPITULO II
MEDIDA EN PEDAGOGIA y PSICOLOGIA . . . . . . . . . . . . . . . . . . . . . .. 35
Introduccin , 35
Caractersticas y modalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 35
Definicin de Medida 35
La Medida Pedaggica: su posibilidad y alcance 36
El Instrumento de Medida en Pedagoga . . . . . . . . . . . . . . . . .. 37
La Estadstica en Pedagoga , 38
Las Medidas Estadrstcas en la Pedagoga Experimental . . . . . . .. 38
Expresin de las Medidas Estadsticas en Pedagoga , 39
La Medida Psicolgica: su posibilidad y alcance 39
Definicin de Escala de Medida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. , 40
Tipos de Escalas de Medida , 42
Escala Nominal 42
Escala Ordinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. , 43
477
478
JESUS DE LA ROSA
Escala de Intervalos " 44
Escala de Razn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . " 46
CAPITULO 1Il
ORGANIZACION DE DATOS 49-
Definiciones previas _ . . . . . _ . . _ _ _ 49
Constante " _ . _ . . _ . _.. _ .. _.. __ .. _ . . __ . _ _ _ _ . . . " 49
Variable _ . _. . . . . . . . . . . . . . . .. 49
Variable Cualitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 49
Variable Cuasi Cuanritativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 49
Variable Cuantitativa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 50
Variable Cuantitativa Discreta '.' . . . . . . . . . . .. 50
Variable Cuantitativa Continua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 50
Modalidades y Clases _ _ . . . . . . . . . . . . . .. 50
Frecuencia, Proporcin, Porcentaje _ __ .. _. _. _ _.. __ , 5O
Organizacin de Datos. Variables Cualitativas , 51
Variables Cuasi Cuantitativas 52
Variables Cuantitativas Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 53
Variables Cuantitativas Continuas.
Interpretacin Continua de los Valores Discretos 54
Intervalos Elementales y Compuestos . . . . . . . . . . . . . . . . . . . . . . . , 55
Lmites Exactos y Lmites Aparentes .. _.. _. . . . . . . . . . . . . . . . . . . . .. 56
Amplitud y Punto Medio de los Intervalos. Amplitud Total .. _.. _.. __ . __ 56
Nmero y Amplitud de Intervalos ... . . . . . . . . . . . . . . . . . . . . . . . . . .. 56
Distribucin de Frecuencias " . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 57
Ejercicios ". 61
CAPITULO IV
PRESENTACION DE DATOS 63
Representaciones Grficas.
Consideraciones Preliminares 63
Polgono de Frecuencias 66
Histograma _.. _.. _ _ __ . . . . . . . . . . . . . . . . . . . . .. 67
Curva de las Frecuencias Acumuladas _ _ _ . _ _ __ . .. 67
Curva del Porcentaje de las Frecuencias Acumuladas _ _ 67
Ejercicios 75
CAPITULO V
MEDIDAS DE TENDENCIA CENTRAL _ . .. 77
Media Aritmtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 77
Propiedades Matemticas de la Media Aritmtica ... .'................ 80
Mediana __ . __ _ _. . . . . . . . . . . . . . . . . . . . .. 82
Moda o Modo __ _ _.. __ . _ .. _. _ __ . _ 83
Media Geomtrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . _. _ 84
Media Armnica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 85
Media Cuadrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 86
Resumen de las Principales Caractersticas de
los Tres Promedios Comunes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8'1
Ejercicios ... o o o o o o o o o o o o o' o o o o o o o o o o o o o o o o o 88
CAPITULO VI
MEDIDAS DE VARIABILIDAD O DISPERSION o o o o o o o o o o o o o o o o o o 91
La Amplitud Total o Rango .. o o o o ' o o , o o _ 92
Desviacin Semi-- Intercuartil o o o o o o o o o o o o o o " 93
Desviacin Media . o o o o o o o o o o o o o o o o o o o o o o 95
~ s v i a ~ n Tpica o o o o o o o o o o o o o o o o 98
Dispersin Relativa .. o o o o o o o o o o o o o o o o o o o o 102
Comparacin de Desviaciones Tpicas en Valores Absolutos o. o o o o o o o o o 103
Caractersticas y Usos de las Medidas de Variabilidad o o o o o o o o o o o o o o 0104
Ejercicios o o o o "0 .. o o, o o o o o o o o o o o o o 105
CAPITULO VII
MEDIDAS DE ASIMETRIA y APUNTAMIENTO .. o o o o o , o o o o o 109
Distribucin Simtrica o o o __ o o o o o o o o o o o o o o o 109
Indices de Asimetra Basado en los Tres Cuartiles .. o o o o o o o o o o o o 111
Apuntamiento o Curtosis . o o o o o o o. o o o o o o o o o o o o o o o 113
Medidas de Apuntamiento o' o o o o o o o o o o o o o o o o o 114
Ejercicios o o o o o o o o o o o o o o o o o o 115
SEGUNDA PARTE
ELEMENTOS DE PROBABILIDADES
Y FUNCIONES PROBABILISTICAS
CAPITULO VIII
ELEMENTOS DE PROBABILIDADES o o o o o o o o o o o o o o o o 119
Una Primera Mirada a la Probabilidad .... o o o o o o o o o o o o o o 119
Concepto de Probabilidad ..... o o o o o o o o o o o o o 0119
Dos Definiciones de Probabilidad .. _o o o o o o o o o o o 119
Modelos Matemticos y Probabilidad . o o o o o o o o o o o o o o o o o o o 121
Espacios Muestrales y Probabilidades . o o o o o o o o o o o o o o o o 122
Probabilidad Axiomtica _ o o o o o o o o o o o o o o o o o o o o o o o o 125
Eventos Complementarios . o o o o o o o o o o o o o o o o o o .'. o _ 127
La Probabilidad de la Unin de Eventos . o o o o _ o o o o o o 128
Probabilidad para Eventos Sucesivos o o o o o o _ o o o o o 130
Eventos Independientes ... o o o o o o o o o o o o o o o 13 3
Teorema de Bayes . o o o o o o o o o o o _ o o o o o o o 134
Variables Aleatorias ... o o o o o o o _ _ o o 138
Esperanza Matemtica o o o o o o o o o o o o o 141
Propiedades Principales de la Esperanza Matemtica o o o o o o o o o o o 142
La Esperanza Matemtica y los Juegos de Azar. o o, o o, o o o o o o 142
Sobre la Teora de la Ruina de los Jugadores o o o o o o _ o o 143
Momentos de una Variable Aleatoria o o o o o o o o - o o o o o _ 145
La Desigualdad de Tchebycheff o o _ o o o _ o o o o o 0._ 145
Ejercicios o o o o o o o o _ o o o o o o 147
480
JESUS DE LA ROSA
CAPITULO IX
DISTRIBUCION NORMAL DE PROBABILIDADES 149
Distribuciones de Probabilidad 149
Distribucin Normal de Probabilidad 150
Observaciones de la Curva NonnaI de Probabilidades 151
Propie,dades d.e Cur::a Normal 151
Funcin de Distribucin 152
Distribucin Normal General 156
Ejercicios 158
CAPITULO X
DISTRIBUCIONES BINOMIALES DE PROBABILIDADES 159
Experimento Binomial 159
Esperanza Matemtica y Varianza de una Variable Binomial 161
Teorema de Bemoulli 161
Leyes de los Grandes Nmeros 162
Cadenas de Markov 164
Funcin de Probabilidad de Poisson 165
Ejercicios 169
TERCERA PARTE
ANAUSIS DE REGRESION y CORRELACION
CAPITULO Xl
REGRESION y CORRELACION 173
Regresin .... . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 173
Cmo se encuentra la lnea de ajuste? 175
Normas para hallar la lnea de ajuste o regresin 175
Correlacin 179
Significado de Trminos 181
Correlacin Cuantitativa Lineal Simple ; 183
Correlacin Ordinal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 190
Correlacin No cuantitativa 192
Clculos de la Correlacin Tetrac6rica 197
Ejercicios 202
CAPITULO XII
ANALlSIS DE CORRELACION PARCIAL y MULTlPLE 205
Generalidades .. 205
Crrelacin Mltiple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
Interpretacin del Coeficiente de Relacin Mltiple R 209
Ejercicios ............................................ 210
CUARTA PARTE
ESTADISTICA INFERENCIAL
481
CAPITULO XIII
MUESTRAS Y MUESTREO 2IS
Estadistica Descriptiva y Estadstica Muestra! 215
Poblacin y Muestra 216
Ventajas y Desventajas del Uso del Muestreo 216
Ventajas 217
Desventajas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
La Tcnica del Muestreo ' 217
Tipos de Muestreo '. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
Muestreo Aleatorio o Muestreo al Azar. CEnqu Consiste? Is
Mtodos Mecnicos 218
Mtodos de las Tabla.s de Nmeros al Azar 219
Muestreo Estratificado. . . . . . . . . . . . . . . . .. ,. . . . . . . . . . . . . . . . . . .. 220
Muestreo por Area 220
Muestreo por Conglomerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 221
Muestreo Sistemtico 221
Etapas Principales de una Encuesta por Muestra . . . . . . . . . . . . . . . . . . . .. 222
Objetivo de la. Encuesta , . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
Poblacin Bajo la Muestra 222
Datos que Deben ser Obtenidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 223
Nivel de Precisibn Deseado 223
Mtodos de Medicin 223
El Marco de la Muestra 223
Seleccin de la Muestra .,. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 224
Prueba del Cuestionario . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .... 224
Organizacin del Trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
Resumen y Anlisis de los Datos 224
Muestreo Estratificado 225
Tamao de los Estratos 226
La Estimacibn del Tamao de la Muestra.
Planeamiento de la.Muestra 227
La Frmula. para (n) en el Muestreo para Medas 228
La Frmula para (n) en el Muestreo para Proporciones 229
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
CAPITULO XIV
INFERENCIA ESTADISTICA
TEORIA DEL ERROR MUESTRAL 233
Error Muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 233
Precisin y Fiabilidad .. 233
Errores MuestraleS: Errores de Sesgo y Errores Aleatorios ' 234
La Distribucin Muestra! 236
Niveles de Confianza y Coeficientes de Riesgo 237
Intervalos Confidenciales . . . . . . . . . . . . . . . . . . . . . . . . 240
482
''''sus DE LA ROSA
Comprobacin de Hiptesis Acerca de Parmetros 241
Lmites Fiduciales 242
E' ..
Jerclclos .. , 243
CAPITULO XV
SIGNIFICACIQN y FIABILIDAD DE LOS PRINCIPALES
VALORES ESTADISTICOS 245
Significacin y Fiabilidad de la Media 245
Significacin de la Media 246
Fiabilidad de la Media . . . . . . . . . . . . . . .. . 251
Significacin de las Diferencias entre Medias de Muestras Independientes 252
\Significacin de las Diferencias entre Medias Relacionadas 256
Observaciones '" 258
Significacin y Fiabilidad de la Mediana 259
Significacin y Fiabilidad de las Proporciones 260
Inconvenientes del Uso del Mtodo Descrito para Determinar Intervalo
Confidencial en el Caso de Proporciones 262
Diferencias entre Proporciones 265
Significacin y Fiabilidad del Coeficiente de Correlacin de Pearson 266
Hiptesis Estadsticas: Toma de Decisiones 270
Errores de la Verificacin de Hiptesis 273
Ensayos Bilaterales y Unilaterales 274
Nivel de Significacin 275
Teora de las Muestras Pequeas 278
Significacin y Fiabilidad de la Media de una Muestra Pequea 282
Significacin de la Diferencia entre las Medias de
Dos Muestras Pequeas e Independientes 284
Significacin de la Diferencia entre Medias de Muestras
Pequeas Relacionadas 285
Significacin y Fiabilidad del Coeficiente de Correlacin
(r) con Muestras Pequeas 288
Diferencia entre Coeficientes de Correlacin Obtenidos en Muestras
Relacionadas o en la Misma Muestra 289
Significacin de la Diferencia entre la Variabilidad de
Dos Muestras Pequeas. Prueba de "F" 290
X
2
("Chi "Cuadrado) 292
Grados de Libertad 294
Pruebas de Independencia 297
Pruebas de Homogeneidad 301
Observaciones para el Uso de X
2
("Chi "Cuadrado) 305
Ejercicios 307
QUINTA PARTE
METODOS DE EXPERlMENTACIONESTADISTICOS
CAPITULO XVI
ANALlSIS DE LA VARIANZA 3lJ
ES'TADISTICA PSICO-EDUCATIVA
483
Anlisis de la Varianza, Significacin 313
La Lgica del Anlisis de Varianza 314
El Desarrollo Matemtico del Anlisis de Varianza 315
Media Cuadrtica Intragrupo 317
La Media Cuadrtica Intergrupo 320
Anlisis de Varianza en los Componentes ........................ 322
Clculo de las Sumas de Cuadrados 322
Ordenacin Prctica de los Clculos 323
Aplicacin de un Ejemplo Concreto 325
El Uso de "t" como Consecuencia de un Anlisis de Varianza 327
Otro Ejemplo de Anlisis de Varianza en Dos Componentes 330
CAPITULO XVII
DISEID EXPERIMENTAL 333
Introduccin ........................................... 333
Variables ............................................. 334
Variables Independientes y Variables Dependientes 334
Variables Organicistas y Variables Interventoras 335
Variables Discretas y Variables Continuas 335
Variables Externas o Extraas 336
Pruebas de Hip6tesis ...................................... 336
Hip6tesis: Nula o Alterna e Hiptesis de Investigacin . . . . . . 337
Significaci6n Estadstica .................... 337
Prueba de Hiptesis Estadsticas 340
Lgica delos Diseos Experimentales 346
Validez Interna 347
Historia 347
Maduracin . . . . . . . . . . . . 348
Coinprobacin O Proceso de Aplicacin de Pruebas, "Testing" 348
Instrumentacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
Regresin Estadstica ......................... ........... 348
Selecci6n ........................................ 349
Mortalidad Experimental . . . . . . . . . . . . . . . . . . . . . . . . . 349
Interacci6n de las variables: Seleccin-Maduracin, etc 349
Reactividad o Efecto de Hawthorne ............................ 350
Contaminaci6n 350
Inestabilidad ' ....... 350
Validez Externa 350
Efectos delnteracci6n de "Testing" 351
Interaccin de Seleccin y Tratamiento Experimental 351
Efecto Reactivo del Convenio Experimental 351
Interferencia de Tratamientos Mltiples ......................... 351
Artificialidad del Experimento ......................,....... 352
Capacidad de Respuestas Irrelevantes de las Medidas ................. 352
Replicabilidad Irrelevante de los Tratamientos 352
Efectos del Experimentador 352.
Tipos del Diseo Experimental 352
484
JESUS DE LA ROSA
Diseos Preexperimentales 353
Diseo 1: Estudio de Casos en "una direccin" 353
Diseo 2: Un Grupo "Pretest-spostest" 354
Diseo 3: Comparacin de "Grupo Esttico" 355
Diseos Experimentales (realmente experimentales) 355
Diseo 4: "Grupo Control, Prctest-Postest" 356
Diseo S: "Cuatro Grupos "de Solomon ......................... 357
Diseo 6: "Grupo Control-Solamente- "Postest " 357
Diseos Cuasiexperimentales 358
Diseo7:"SeriesdeTiempo"(nmerodeveces) 359
Diseo 8, "Muestras de Tiempo Equivalente" 359
Diseo 9: "Muestras de Materiales Equivalentes" 360
Diseo 10: "Grupo Control No Equivalente" 361
Diseo 11: Diseos Contrabalanceados 361
Diseo 11 b: Contrabalanceado al Azar. 364
Diseo 12: "Muestras Separadas, Pretest-Postest" 364
Diseo 13: "Muestras Separadas- Grupo Control Pre y Postest" 365
Diseo 14:"Series de Tiempos Mltiples" 365
Diseo 15: "Ciclo Institucional" 366
Diseo 16: "Discontinuidad de Regresin" 367
Diseo Factorial ........................................ 368
Ejercicios 371
CAPITULO XVIII
FUNDAMENTOS DE COMPUTACION 373
Generalidades sobre la Computadora 373
Nociones Preliminares ................................... 373
Sistemas : .. 374
Elementos en el Proceso de Programacin 381
Lenguaje Fortran , . 387
Esquema General 388
Instrucciones de Entrada y Salida 393
Instrucciones de Transferencia de Control . . . . . . . . . . . .. . 394
TABLAS Y APENDlCES
APENDICEA
APENDICEMATEMATICO 401
Repaso de Conceptos Fundamentales de la Aritmtica y el A1gebra 401
Decimales 401
Fracciones 402
Nmeros Negativos ....................................... 403
Empleo del Cero '.' . 404
Raz Cuadrada 405
Potenciaci6n '.' . . . . . . . . . 408
Fracciones y Tantos por Ciento 408
Redondeo de Nmeros 410
485
Dgitos Significativos " 410
Ejercicios 412
APENDlCE B
ESCALAS DE MEDICIONES 415
Variables Estadsticas. Tipos de Mediciones 415
Lmites Inferior y Superior de una Variable Contnua ................ 415
Escala de Medida. Medicin ' 416
Esca.1a por Intervalos . . . ; . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417
Escala por Razones 418
APENDlCEC
SIMBOLOS ESTADlSTICOS 421
APENDlCE D
GLOSARIO DE TERMINOS ESTADlSTICOS 423
APENDlCE E
FORMULARIO ESTADISTlCO 431
Media Aritmtica 431
Mediana 431
Media Geomtrica. . . . . . . . . . . . . . . . 431
Amplitud Total o Rango 431
Desviacin Media . . . . : . . . . . . . . . . . 431
Desviacin Cuartilar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 431
Desviacin Tpica o Standar 432
Coeficiente de Variacin 432
Indiee de Simetra 432
Correlacin Cuantitativa Lineal o de Pearson 432
Correlacin Ordinal 432
Correlacin Biserial 432
Coeficiente Experimental de McCall . . . '.' . . . . . . . . . . . . . . . . . . . . . . .. 432
Modelo Matemtico de la Curva de Gauss o Normal. . . . . . . . . . . . . . . .... 433
Clculo de Unidades Z s- , 433
Clculo de Unidades T . . . . . . . . . ". . . . . . '. . . . . 43 3
Clculo de ji Cuadrada o Cuadrado de Contingencia 433
Clculo de t de Student 433
Clculo de las Varianzas 433
Indice F de Snedecor , . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434
Coeficiente de Confiabilidad de Spearrnan- Brown 434
Indice de Discriminacin . . . . . . . . . . . . . . . . . . . . . . . . 434
ErrorTpico de una Correlacin Lineal 434
Error Tpico de Coeficiente de Correlacin Ordinal 434
Erro!' Tpico de una Mediana 434
Error Tpico del Coeficiente de Correlacin Biserial 434
Error Tpico de una Discrepancia 435
Error Tpico de una Frecuencia Oo, 435
Raz6n Crtica o de Significacin 435
Error de la Diferencia entre dos Medias .......................... 435
entre Dos Diferencias de dos Medianas : 435
Error Tpico entre las Diferencias de dos Desviaciones Tpicas 435
Error Tpico entre las Diferencias de dos Coeficientes
de Correlacin Lineal ..................................... 435
Condicin Tetraerica 435
Coeficiente deContingencia ................................. 436
Correlacin Interc:lase ................................... 436
Coeficiente de Asoc:iac:in .................................. 436
Coeficiente deAlineacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436
Correlacin de Bravais-Pearson 436
Coeficiente de Concordancia . '. . , , . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436
436
Error Tpico de una Proporcin 437
Error Tpico de una Media Aritmtica 437
Error Tpico de una Desviacin Tpica 437
APENDICE F
CONJUNTOS .......................................... 439
APENDICEG
SUMAS 443
APENDICEH
TABLAS ESTADISTICAS , , 447
Cuadrados y Ralces Cuadradas : 447
Valores de Coeficiente de Correlac:in paraDistintos
N'weles de Importancia ., 458
Valores deZ para Valores Dados de r , , . . . . . . . . . . . . 463
CoefiCientes del Binomio nCr ................................ 465
ProbabiIidades Normales , 467
Tibia de la F deSnedecor .468
Tibia dela t de Student 469
Areas y Ordenadas de la Curva Normal 470
, '" '" .471
Areas Bajo la Curva Normal entre la Media y un
Valor Tpico Dado en Z , , . . . . . . . . . . . . . . . . . . . . . . . .472
, 473
Indice .... ,; , 477
Esta obra se termin de imprimir en el mes de abril de 1982
en los talleres grficos de la Universidad Autnoma de Santo
Domingo con una tirada de 1000 e j e m p ~
VOL. CCT IX
COllCCION CIENCIA Y TEC:\OLOGI.\ :"0. 15

Jesus de La Rosa - Estadistica Psicopedagogica

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Jesus de La Rosa - Estadistica Psicopedagogica

Uploaded by

Copyright:

Available Formats

Psicopedaggica

Pues bien, una atribucin obvia de nmeros a las tres modalidades

Para dos eventos cualesquiera A y B, usaremos el smbolo P (A/B)

que el error tpico de la media, o sea la desviacin tpica de su dis-

Por ejemplo, para poner a prueba la homogeneidad del primer cur-

You might also like