Professional Documents
Culture Documents
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-
ESTADISTICA PSICO-EDUCATIVA 29
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.
ESTADISTICA PSICO-EDUCATIVA 43
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-
ESTADISTICA PSICO-EDUCATIVA 45
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
30 - 34 3 20
N = 10
20
18
16
14
12
10
8
6
4
2
V
ESTADISTICA PSICO-EDUCATlVA 69
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):
ESTADISTICA PSICO-EDUCATlVA
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.
ESTADISTICA PSICO-EDUCATIVA
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
ESTADISTICA PSICO-EDUCATIVA
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'
ESTADISTICA PSICO-EDUCATlVA
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-)
ESTADISTICA PSICO-EDUCATlVA
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
ESTADISTICA PSICO-EDUCATIVA 97
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.
ESTADISTICA PSICO-EDUCATIVA 99
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.
ESTADISTICA PSICO-EDUCATlVA
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
ESTADISTICA PSICO-EDUCATIVA
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!.
124 JESUS DE LA ROSA
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-
126 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATIVA
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)
130 JESUS DE LA ROSA
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
ESTADISTICA PSICD-EDUCATIVA 131
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
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-
ESTADISTICA PSICO-EDUCATIVA 153
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
160 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATIVA 163
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
164 JESUS DE LA ROSA
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
166 JESUS DE LA ROSA
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,
ESTADISTICA PSICO-EDUCATIVA 167
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.....
ESTADISTICA PSICO-EDUCATlVA
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
174 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATlVA
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)
178 JESUS DE LA ROSA
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".
ESTADISTICA PSICO-EDUCATIVA
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
ESTADISTICA PSICD-EDUCATIVA 187
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.
ESTADISTICA PSICO-EDUCATIVA 193
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.
196 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATlVA
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-
ESTADISTICA PSICO-EDUCATIVA
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
ESTADISTICA PSICD-EDUCATIVA 201
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
ESTADISTICA PSICD-EDUCATIVA
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
ESTADISTICA PSICO-EDUCATIVA
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
218 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATIVA
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.
ESTADISTICA PSICO-EDUCATlVA
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-
224 JESUS DE LA ROSA
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-
ESTADISTICA PSICD-EDUCATIVA 226
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-
ESTADISTICA PSICO-EDUCATIVA 227
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.
228 JESUS DE LA ROSA
~ 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;
ESTADISTICA PSICO-EDUCATIVA
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.
ESTADISTICA PSICD-EDUCATlVA
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.
232 JESUS DE LA ROSA
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
248 JESUS DE LA ROSA
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:
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
ESTADISTICA PSICO-EDUCATIVA
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
ESTADISTICA PSICO-EDUCATlVA
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.
390 JESUS DE LA ROSA
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,
392 JESUS DE LA RDSA
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
)
396 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATIVA
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
406 JESUS DE LA ROSA
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,
ESTADISTICA PSICO-EDUCATlVA 407
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
ESTADISTICA PSICO-EDUCATIVA
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.
ESTADISTICA PSICO-EDUCATIVA
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-
ESTADISTICA PSICO-E DUCATIVA
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
422 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATIVA
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.
ESTADISTICA PSICO-EDUCATlVA
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.
ESTADISTICA PSICD-EDUCATlVA
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
ESTADISTICA PSICO-EDUCATlVA
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,
ESTADISTICA PSICO-EDUCATIVA
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,
N = Nmero total de elementos.
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.
ESTADISTICA PSICO-EDUCATIVA
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.
N = Nmero total de elementos.
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-
ESTADISTICA PSICO-EDUCATIVA 441
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 sub- ndices 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
448 JESUS DE LA ROSA
(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
ESTADISTICA PSICQ-EDUCATIVA 449
(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
ESTADISTICA PSICO-EDUCATIVA
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
ESTADISTICA PSICO-EDUCATIVA
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
ESTADISTICA PSICD-EDUCATIVA
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
ESTADISTICA PSICO-EDUCATIVA 457
(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.
ESTADISTICA PSICD-EDUCATlVA
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
ESTADISTICA PSICQ-EDUCATIVA
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
ESTADISTICA PSICD-EDUCATIVA
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
ESTADISTICA PSICO-EDUCATIVA 465
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
ESTADISTICA PSICO-EDUCATIVA 469
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
474 JESUS DE LA ROSA
. 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.
ESTADISTICA PSICO-EDUCATIVA
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.
476 JESUS DE LA ROSA
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
ESTADISTICA PSICO-EDUCATlVA 479
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
ESTADISTICA PSICO-EDUCATIVA
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
ESTADISTICA PSICO-EDUCATlVA
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
486 JESUS DE LA ROSA
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