Documente Academic
Documente Profesional
Documente Cultură
DE bATOS
EN PSICOLOGA I
Jos Mara Merino
Enrique Moreno
Miguel Padilla
Pedro Rodrguez-Min
ngel Villarino
ANLISIS DE DATOS
EN PSICOLOGA I
/
UNIDADES DIDCTICAS (47105 UDOI )
ANLIS IS DE DATOS E N PSICOLOGA I
PRLOGO
l. El an
1.1. b
1.2. E
1.3.
Quedal1 rig ll rosQmewl! prohibidas. sil! (a ollton'lAcill escrita
de los tillares del . COliyriJgt. , bajo fas SaI/olles establecidas en las leyes.
la refJrotlllcciIf /0/01 o parcial ,le es/a obra por cllalquier medio o procedimiento
compnmdidos la reprografa y el tralamimlo ,,(ormtftico, y la dislribllcitl
tle ejem plares ,Je ellas me}iallle alquiler Q prsltlmo p blicos.
I
I
I
1.4.
I
I
l.
"
1.5. R
1.6. E
1. 7. S
2. Clasi6
2.!.
2. 2.
Ir
'"
2.
2.
2.3. E
2.
2.
2.4. D
2.5. R>
2.6. E.
NDICE
PRLOGO .......... . .... . .... .. ....................... .
17
19
21
22
26
26
28
29
30
33
35
37
40
42
42
44
47
49
49
50
52
52
53
55
58
66
66
2. 7.
69
fNDICE
107
109
110
110
110
111
112
112
112
116
117
118
120
123
127
127
129
130
130
4.2
4.3
4.4.
4.5.
Re
Ej<:
4.6. Sol
5. ndices I
5.1. Int
5.2. Ind
5.2.
5.2.
5.2.
5.2.
5.3.
5.4.
5.5.
5.6.
5.2.
Ind:
5.3.
5.3.
5.3 ..
Res'
Ejel
Soh
6. P untuad
cu rtos is .
6.1. [ntri
6.2. Pun
6.2.
6.2.:
6.3. Lae
6.3.
6.3.:
6.3.4
6.3.:
6.3.<
6.4. Resl
6.5. Ejer
6.6. Solu
NDICE
155
157
l 58
159
160
161
162
163
166
171
173
174
174
175
176
177
181
187
189
189
191
191
193
145
147
148
148
149
150
150
15 1
10
NDICE
199
201
201
203
208
211
212
213
215
215
216
219
219
223
9. Relacin
9.1. lnln
9.2. Lap
9.3. fndie
drad
9.3. 1
9.3.2
9.3.3
9.4. Indie
225
227
228
10. Relacin e:
cretas
8.4.1. Medias de las distribuciones condicionadas ...
8. 4.2. ReI::tcin entre la med ia de una varia ble y s us
med ias condi cionadas .................... .
Dis\ribucin conjunta de dos val;ables cuanti\alivas contluas . . .. . .. . .. . .. . ..........................
El concepto de relacin en tre va riables. . . . . . . . . . . . ..
Representacin grfica conjunta de dos variables cuaHt a ti _y~ i~ ~ . . . . . . . . . . . . . . ..........
8.7. 1. Representacin tridimensional . .............
8.7.2. Representaci n bidimensiollo:ll . ........ . ....
Representacin grfi ca conjunta de dos valiables cuantitati vas . ........................... . .. ........
8.8.1. Representacin tridimensio na l ..............
8.8.3. Diagra ma de dispersin . . . . . . . . . . . . . . . . ..
Resumen ............... ... . . ... . ..... . . .. .....
Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
Sol uc iones a los ejercicios ............ .. ... .....
237
SS
8.6.
8.7.
8.8.
8.9.
8. 10.
8. 11 .
228
232
234
237
241
24 1
244
245
245
246
247
248
249
252
252
256
9.5. ReJa(
tativ"
9.6.
9.7.
9.8.
Resul
Ejerc
Soluc
tO . 1. lntro<.
10.2. Covar
10.2. 1
10.2.2
10.2.3.
10.2.4.
10.3. Coefic
10.3. 1.
10.3.2.
10.3.3.
10.3.4.
lO A. Resum
10.5. Ejercic
10.6. Solucie
j
11. Regresin li
11.1 . lntrodll
11.2. La rect
11.2.1.
11.2.2.
11.2.3.
NDICE
11
259
261
262
264
265
265
268
269
272
276
277
280
_ 1
287
288
28B
292
295
298
300
300
305
306
307
309
3 10
313
319
321
323
325
331
332
12
335
358
358
359
36 1
365
365
367
371
373
374
375
378
379
384
384
385
387
388
390
o o o
o o o
'
oo
o o
349
35 1
353
353
354
354
356
357
1'
1'
14.3. TI
337
340
34 1
341
344
lNDlCE
1114.4. T'
14.5. T'
14.6. Ro
14.7. Ej
14.8. S<
15, Distribl
15. 1. In
15.2. V.
15.3. Til
15
15
15.4. Fu
15
15
15.5. Fu
15
15
15.6. Re
15.7. Eje
15.8. So
16. Variabh
16.1. Int
16.2. M,
16.
16.
16.3. Re
16.4. Ej'
16.5. So
17. Variable
17.1. Inl
17.2. Fu
17.3. Fo
17.4. F,
17.5. M
NDICE
13
399
402
406
406
407
409
411
415
416
41 8
423
425
426
427
427
428
429
432
432
435
437
438
439
440
442
447
449
450
451
454
459
460
462
467
469
470
476
478
481
14.3.
14.4.
14.5.
14.6.
14.7.
14.8.
14
482
483
486
490
494
495
498
18. Algunos modelos de distribuciones continuas de probabilidad . . ........ .................. ...... .. ..........
18. 1. Introduccin
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
18.2. La disu;bucin nonnal . . . . . . . . . . . . . . . . . . . . . . . ..
18.3. La di st!'ibucin chi-cuadrado (;e ) .................
18.4. La dis tl'ibucin t de Student ... . ....... . .. . .. ....
18.5. La dis tl'ibuci n F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
18.6. Resumen........ .. .......... ............ . . .. .
18.7. Ejercicios .................... .... .. .... . .... ..
18.8 Soluciones a los ejercicios . ....... . .... ... .. . ....
503
505
506
515
521
525
530
53 1
534
19.4.
19.5.
19.6.
19.7.
19.8.
19.9.
537
539
541
542
543
544
546
548
5~
559
560
563
566
567
568
569
572
572
575
575
577
IN DICE
20.
Apca.!:
lidad .
20.1. In
20.2. D
2(
2e
20
20.3. Re
20.4. Ej<
20.5. So
Referencias .
Apndice: TA
Tabla Al
Tabla Al
Tabla A3
Tabla A4
Tabla AS
Tabla A6
Tabla A7
Tabla A8
tNDJCE
20. Aplicaciones de las distribuciones Continuas de probabilidad ........... . ... . ... . ... . ......................
20.1. In troduccin ...................................
20.2. Distribucin muestral . . . . . . . . . . . . . . . . . . . . . . . . . . ..
20.2. 1. Distribucin muestraJ de la media ...........
20.2.1. 1. Intervalo de probabilidad y de confian ~
za de la media .... ...............
20.2.2. Distribucin muestra! de la varianza .........
20.2.2. 1. Inten1alo de probabilidad y de confian za de la varianza ......... . ........
20.2.3. Distribucin muestra! del cociente entre varianzas . . ... . ......... . ............ ' ....... .
20.2.3.1. Intervalo de probabilidad y de confianza del cociente en tre varianzas .... . .
20.3. Resumen
2004. Ejercicios ...... ... . . . ... ... . ... . ............. . .
20.5. Soluciones a los ejercicios .. . .. .. .. . .. .. ......
15
583
585
587
588
594
601
602
606
607
611
6 11
613
619
621
623
624
625
631
636
641
644
PRtOGO
Los temas que se tratan en este texto son los relativos a teorta de la
medicin en Psicologa, Estadistica Descriptiva para una y dos variables, concep tos bsicos de la Teora de la Probabilidad y una introduccin
l las distribuciones de probabilidad de variables aleatorias discretas y
continuas.
Para el anlisis de datos en el mbito de la Psicologa, y del resto de
las Ciencias Sociales y de la Salud, es cada vez ms imprescindible la ayuda del ordenador. Por este motivo hemos incorporado un CD que contiene un programa de anlisis que permite obtener los ndices estadsticos
descriptivos bsicos, representar grficamente una y dos variables y tambin permite el estudio, manipulando los parmetros, de las distribuciones de probabilidad discretas y continuas.
Adems del software de anlisis estads ti co, en el en tambin se ha
incorporado una presentacin en PowerPoint, con una serie de diapositivas en las que se trata de manera resumida toda la asignatura, que
pensamos puede ser muy til para el estudio de la materia.
18
Los AUTORES
Madrid, ablil de 200 I
Tema 1
El anlisis de datos
y la medicin en Psicologa
SUMARIO
1.1. Introduccin
1.2 . El m tod o cientfico y el an lis is de d a tos
1.3. Conceptos generales
1.3.1. Poblacin y muestra
1.3 .2. Parm etro v estadstico
1.3.3. Caracterstica y modalidad
1.4. Medicin y escalas de medida
1.4.1.
1.4. 2.
1.4. 3 .
1.4.4 .
Escala
Esca la
Escala
Esca.la
nominal
ordinal
de intervalo
de razn
t .5. Resumen
1.6. Ejercicios
1.7. Soluciones a los ejercicios
.1.1. INTROI
El efecto qu
Jos padres, Jos 1
de una empres<
cigar rill os, los
pendi en tes .. " ~
referencias de (
sus vecinos, qu
la ligereza con
ellos. Probable
temtica de lo
casos su base s
mr a la opini('
d e autoridad
conocimiento ]
hombre en la
vamos a referil
cimiento adquiJ
n as se alarem~
m b ito d e la P
Datos y analiz.
m os encontrar
Los objetiv(
siguientes:
AdquirirJ
papel qu
1.1. INTHODUCCIN
El efecto que sobre la educacin de los hijos tienen las conduclas de
los padres, los factores a tener en cuenta en la seleccin de los ejecutivos
de una empresa, las consecuencias de la publicidad sobre el consumo de
cigarri ll os. los efectos de una determin ada terapia en sujetos drogodependientes .... y un sinfn de temas ms pueden constituir captulos o
referencias de cualquier tratado de Psicologa. Si Vd. pregunta a uno de
sus vecinos. que no sea psiclogo , sobre estos temas se asombrar de
la ligereza con que a veces se opina o se supone un conocimiento sobre
ellos. Proba blemen te su vecino se apoyar en una observacin no sistemtica de lo que ocurre en su entorno familiar, de trabajo, etc.; en otros
casos s u base ser <{el sentido comn ,. 0 , en el mejor de los casos, recurrir a la opinin o los comen tarios de un expeno apoyndose en su nivel
de autoridad en la materia. Se trata d e distintas formas d e adquirir
conocimiento y, de hecho, s te ha sido el procedimiento utilizado por el
hombre en la mayor parte de su historia sobre la tierra. Noso tros nos
vamos a referir nicamente al conocim ien to cientfico, es decir al conocimiento adquirido utilizando el mtodo cientfico. En las prximas pginas sefialaremos las caracteristicas fu ndamentales de es te mtodo en el
mbito de la Psicologa y el papel que en l desempea el Anlisis de
Datos y analizaremos despus los distintos niveles de medida que podemos encontrar en las variables psicolgicas.
Los objetivos que pretendemos alcan zar podemos resumidos en los
siguientes:
" Adquirir las nociones bsicas del mtodo cientfico y estudiar el
papel que juega en ste el Anlisis de datos.
22
EL ANLISIS DE
a) El nivel
Diferenciar y manejar con precisin algunos conceptos funclamentales como muestra y poblacin, parmetro y estads t ico,
caractenstica y modalidad.
Adquirir un conocimiento preciso de Jo que es una escala de medi da y la importancia de la medicin en Psicologa.
Distinguir con claridad los disti ntos niveles de med ida (no minal,
ordinal, de intervalos y de razn), las relaciones que pueden establecerse dentro de cada una de estas escalas y el grupo de transformacio nes adm is ibles para cada una de ellas.
b) El nive l
e) El nivel
El pri mer r
hiptesis conlr
tos propiamer
determinacin
datos, es decir
es taclstico-am
tras te de hipt
vara nuevame
proceso y dand
ligacin cientfl
Vamos, a c,
ejemplo concn
Ejem plo I
Un ps ic
tas estereo
Su hiptes '
entre s i. Par
vd eo oculu
como taJes
Ejemplo 2
Un nuevt
d es e ntre lo
implanta. U
Para ello, y
conju nto d
nario.
Ejemplo 3
Se supo
efecto nega
da en que
clogo del
23
a) El nivel terico-conceptual
b) El nivel tcnico-metodolgico
e) El nivel estadstico-analtico.
Ejemplo 3
Se supone que el consumo de una determinada droga tiene un
efecto negativo sobre el aprendizaje y que ste disminuye en la medida en que su consumo aumenta. Para probar esta hiptesis, un psi
clogo del aprendizaje selecciona un conjunto de ratas de la misma
24
cepa y de caractetisticas simjlares. Divide a las ratas en cuatro grupos (A, B, e y D). A las ratas del grupo A les administra, por va venosa, una pequefta cantidad de droga (por ejemplo 0,0 I mg); a las del
grupo B una cantidad de 0,05 mg; a las del grupo e les administra
0.1 mg. Finalmente a las de grupo D no les administra ninguna cantidad de droga. Durante un tiempo determinado no facilita comida
a ninguna de las ratas y. a continuacin, las coloca en la salida de un
laberinto en cuyo final hay una bolita de comida (pelet) y registra el
tiempo que cada una de las ralas tarda en recorrerlo.
En los tres ejemplos sealados, y en lodos aquellos que podamos considerar, es necesado tratal' un conjunto de datos o nmeros con los que
desc ribir aquello que es ta mos estudiando. En el primer ejemplo, el psiclogo se ha limitado a registrar u observar unas conduclas que se producen espontneamente (diseo observacional) '1 el tratam iento de los
datos es meramente d e scriptivo: enumerar tos tipos de conducla, determinar la fn~.cuencia y/o el porcentaje de cada una de las conductas, calcular la cO ITeladn entre ellas y efectuar una representacin gr fi ca.
En el segundo ejemplo, debemos asegurar que el grupo elegido (que
denominamos muestra) es representativo de la pobla cin (el conj unto
de todos los alumnos y profesores en este caso) y aunque realizaremos un
anlisis dcscripth10 de los resultados obtenidos nuestro objeth1o fundamental es extenderlos, con un detelminado nivel de cITar o probabilidad,
a loda la poblacin. ueslro objetivo es fundam entalmente inferencia!.
El ca rcler meramente descriptivo y el inrerencial constituyen las dos
partes fundamentales de la Estadstica. Esta ciencia, que es una rama de
las mat emtica s, constituye una herrami enta rundamental en todas las
ci encias empricas. La estadstica, puede definirse como;
La cien cia que recoge, ordena y a na li za los da tos de una muestra, extrada de cierta poblac in, y qu e, a pa rt ir de esa muestra,
valindose d el clculo de probabilidades, se encarga de hacer inrerencias ace rca de la poblacin (Am n, 1984, p. 37).
Ellercer ejemplo estara denlro de la considerada metodologa experime ntal. En este caso es el experimentador el que manipula o determi~
na lo que en metodologa se denomina vadable independiente (la cantidad de droga administrada). La estadstica, en este caso, interviene
EL ANUSIS
lambin en
pos. En fun
cons ideranc
extremos se
mo de mani
u n grado m~
con . Ia obse
mento de lat
cuasi-experi
selec tivos o
mediante la ~
n Sl icas.
En mucho
10 que permil
guajes formal
empricamen'
entr<l.r a consi
(Vase Jez,
la con trastaCl
nidos. En este
te entre los m
adecuacin de
lo confirma.n e
que \a. discrep
zo nuevamentt
ca con la ley d<
v6 a S.S. Stevel
es sabido, pres
Es rrecue nt
estadst ica apl
los aspectos rOl
aplicacin a un
la es tadstica de
citar algunos ej
dstica aplicada
ca aplicada a. la
la PSicologa, e>
con nombres C(
coesladslica- (:
han propuesto ~
de datos y as f
25
tambin en la asignacin de los sujetos experimentales a los dislintos grupos. En fu ncin del grado de manipulacin de las variables que estemos
considerando nos encontraremos ante distintos diseos. En uno d e los
extremos se sita el diseo observacional -con ausencia o un grado mnimo de ma nipulacin- y, en el otro extremo, el diseo experimental con
un grado mximo de manip ulacin y se corresponden, respectivamente,
con ula observacin naturalista o estudios d e campo y con el experi men to de laboratorio. A medio camino entre ellos se sitan los diseos
cuasi-experimentales, que utilizan grupos no equivalen tes, y los diseos
selectivos o correlacionales que estudian las relaciones en tre variables
mediante la seleccin de los sujetos en funcin de alguna de sus caractersticas.
En muchos casos, una vez formulado un problema se plantea un modelo que permile, h aciendo uso de desalrollos matemticos o de otros lenguajes formales, elaborar una predicciones que pueden ser contrastadas
empricamente. Dado que no es este el momen to ni el lugar op0l1uno de
en trar a considerar en detalle los aspectos relacionados con los modelos
(Vase Jez, 1989) , baste decir que la Estadstica interviene tambin en
la contrastacin de las predicciones del modelo con los resultados ob tenidos. En este sentido, segn Pea (1987), u... acta como disciplina puente entre los modelos matemticos y los fe nmenos reales ... lO (p. 19). La
adecu acin de los resultados experimentales y las predicciones del modelo confirman el carcter explicativo de la teona que Jo sustenta en tanto
que la discrepancia obliga a una reformulacin del modelo y el com ienzo nuevamente del proceso. Esto ha sido lo que ha ocurrido en Psicofsica con la ley de Fechner : la discrepancia con los resultados existentes Uev a S.S. S tevens a presentar un nuevo modelo, la ley potencial, que, como
es sabido, presenta un mejor ajuste.
Es frecuente tambin distinguir entre una estadstica terica y un a
estadstica aplicada. La primera se ocupa, como su nombre indica , de
los aspectos formales y nonnativos en tanto que la segunda constituye la
aplicacin a un campo concreto. No todas las ciencias empricas utilizan
la estadstica de la misma manera y, desde esta perspectiva se habla, por
citar algunos ejemplos, de Es tadstica aplicada a la economa , uEstadistica aplicada a las ciencias de la vida o Bioes tadslica y uEstadstica aplicada a la Psicologa o Psicoestadstica. En esta ln ea, y dentro de
la Psicologa, existen algunos planes de estudio y algunas publicaciones
con nombres como uEstadstica para psiclogos (Amn , 1984) o Psicoestadstica (San Martn y Pardo, 1989; Carro, 1994). Algunos au tores
han propuesto para la Estadstica aplicada la denominacin de Anlisis
de datos y as est siendo recogida en algunas p ublicacion es (Botella,
EL ANLISIS DE I
su acepcin est
Ha. Len y Sar.
26
Vamos ;1 expon er a cont inuacin a lgun os de los conce pt os funda mentales usados en esta disciplina.
I .:L l . PohliH'iou
~ 11111(':-;11-<1
Por pobla
mentos que,
A cada uno
mina de mancr
ro de las entid:
infinita. El con,
municipios cor
el lnsti lu lo Na,
ao por una c<
caneleras es p~
ciones finitas. :
o el conjunto
"es infinitas d,
dos conjuntos;
al conj unto de
siempre habr
La teora el
tar con ambos
poblacin fini
estadfsticos co
que no siempI
ciones objeto
tadas como vi
ACLARACIC
investigador
tica obtener
describir adc
cultad, lo qll
esle subcon,
describir 1~
la que ha sic
se le denom
1..0 (undan
tengan valide
27
I
I
Por poblacin estadstica se entiende el conju nto de todos los elementas que comparten una o varias caracterslicas
A cada u no de los elementos que componen una poblacin se le deno.mina de manera genrica entidades estadsticas, y de acuerdo al nmero de las en tidades que la componen, una poblacin puede ser finita o
infinita, E l conjunto de espaoles que padecen trastornos epilpticos, los
municipios con cinco mil habitantes o menos, los parados registrados en
el Instituto Nacional d e E mpleo, el conjunto de li bros p ublicados en un
ao por una editorial, el total de accidentes d e trfico ocurridos en las
carreLeras espao las durante el ao 1999, son ejemplos claros de poblaciones fi nitas. Por el contrario, el lanzamiento reilerado de una moneda,
o el conjunto de nmeros naturales (1,2 ,3 ... ), son ejemplos de poblaciones infin itas dado que no hay un lmite establecido en ninguno de estos
dos conjuntos; siem pre se puede tirar la moneda una vez ms y, respecto
al conjun to d e nmeros naturales, por muy grande que sea u n n mero
siempre habr otros que lo su peren.
La teora es tadstica proporciona procedimientos diferentes para tratar con ambos tipos de poblaciones, pero a medida que el tamao de una
poblacin 6 ni ta se incremen ta se puede considerar a efectos prcticos
estadsticos como si fuera infinita . Esto es lo que sucede en general, aunque no siempre, en las ciencias sociales, donde el tamao de las poblaciones objeto de inters es lo su ficien temente grande como para ser tratadas como virtualm ente infini tas (o finitas no numerables).
ACLARACIN: El hecho de que las poblaciones que tienen inters para el
investigador social tengan numerosas entidades, hace imposible en la prctica obtener informacin de todos y cada uno de estos elementos para poder
describir adecuadamente alguna de sus propiedades . Para superar eSla dificultad, lo que se hace es trabajar con un subconjunto de la poblacin, y en
este subconjunto se efect an las operaciones pertinentes que permitirn
describir las propiedades que luego sern inferidas a la poblacin tOlal de
la que ha sido extrado el subconjunto. A este subconjunlo de la poblacin
se le denomina m uest ra.
28
sido extrada. Una muestra no r ep resentaliva puede aportar una descripci n distors io nada , y por tanto incOITeCta, de la poblacin. Si se quiere, por eje mpl o, estudiar por medio de una encues ta la acti tud de los
madrileos hacia los espectculos taurinos, y para ello el encuestador se
si ta e n la puel1a grande de la plaza de lOros de las Ventas y pregunta a
una per"sona de cada cuatro que van saliendo su opinin sob,"c el asunto,
lo ms probabLe es que sta sea mayotilaliamente [avorable. Si con los
resultados de esa muestra se hace una inferencia al conjunto de los madrileos. la conc lu s i n ser claramen te equivocada, pues la muestra no es
representativa de todos los madrileos. As pues, definiremos la muestra
de la s iguien te ma nera:
Una muestra es un subconjunto representativo de los elementos
de una poblacin
EL ANLISIS O
Pa
E
Es import
nales tienen'
por el contra
se extraigan (
investigador~
maco para au
(Virus de lnn
tra de 100 in<
ca. Al cabo dE
aumentado hl
to de mejora '
100 indjviduo
tado las defer
ca, con un va
ci n de dicht
infectados, PI
mo el camete
Por fortun
yos una y otr:
tcnicas de h
poblacional h
tcnica se der
Con objet<
una diferente
parmetros ~
tras que para
las del a1fabe,
porcin y deS'
en la mues lra
\':\':\, Ca .. "
Uno de l o~
propiedades
29
- -- - - - - - - - - - ,
Es importante te ner en cu enta que m ientras los parmetros pOblacionaJes tienen valores nicos, aunque sean desconocidos, los estads ti cos,
por el con trario, p ueden tener tantos valor es di fere n tes com o m uestras
se extraigan de la poblacin . Supongamos, p or ejemplo, que u n grupo de
inves tigadores ha estado trabajan do en la ela boracin de un nuevo f rmaco para aumentar las defensas inmunolgicas de los enfermos po\' VIH
(Virus de Inmunodeficiencia Humana). Para probarlo eligen u na muestra de 100 individuos con rucha enfermedad y les adm inistran el frma co, Al cabo de un tiempo observan que, de los 100 individuos, a 40 les ha
aumentado las defen sas. Este resultado favorable del cuarenta por cien to de mejora es un estadstico. Si posterionnente eligen otra m uestra de
100 individuos, y despus del tratamiento observan que en 45 han aumentado las defe nsas, este resultado , 45 por ciento, es tamb in u n estadstico, con un valor d iferen te al obtenido en la m u estra an terior, La repeticin de dich o experimento clnico con o tras muestras d e in d ividuos
infectados, produ cir resultados diversos, y todos ellos tendrn asimismo el carcter de estadsticos.
Por fortu na, en la prctica investigadora no es preciso repetir los ensayos una y otra vez, sino que, a p artir de una m uestra representativa, las
tcnicas de la estadstica infer encial permitirn estimar el parm etro
pobJacional basndose en los resulr.ados obtenidos en dicha m uestra. Esta
tcnica se denomina Estimacin de Parmetros.
Con objeto de distinguir los parm etros de los estadsticos se emplea
una diferente simbologa para cad a u no, Para representar los diversos
parmetros se u tilizan letras del alfabeto griego, tales como ~ , '!t, 0, m ientras que para representar los estadsticos se utilizan las letras maysculas del alfabeto latino tales como X, P, S" para representar a la media, proporcin y desviacin tpica, respectivamente, tanto en la poblacin como
en la mues tra.
30
EL ANLISIS DE
sen tes en todos y cada uno de los individuos que la confonnan. Sin embargo, aunque todos los elementos tengan esa prop iedad no todos la tienen
e n el mi s mo grado. Po r ejemplo, una prop iedad de los mamferos es el
sexo, que presenta dos alternativas: macho y hembra; una propiedad d e
Jos seres humanos es el estado civil. con sus diferentes alt ernativas: soltero, casado, separado, viudo. etc.; otra puede ser las creencias religiosas:
cd st ianos, mahometanos, budis tas ... agnsticos o ateos.
desarrollo de
(1824- 1907), q
media nte nm
ce algo sobre I
came nte, el ce
en Cowles, 19f
De estas y.
que la meruci
medicin? En
Medici6t
o caracteris
Esta definic
y por otro
li dades. Entre
trQ de! mund(
modalidades e
son verificabh
b ien, medir s u
nmeros y el r
en e! mundo m
van en el mUfi(
ricas que pued
ceimos por ej
vicluo (no imp<
dar a 011'0 ind
as ignen a estas
s uperior del p:
primer individ
esas dos moda
to a otra ca ra(
m3rse que un
diferente a otn
simplemente lz
otro. Pues biet
ciones que se j
con los llamad
medida.
1'05,
El estado civil. o las creencias religiosas, son caracteris licas que presentan pocas modalidades. Por el contralio, muchas caracteristicas o bjeto de estudio cientfico pueden presentar un nmero casi infinito de modalidades. S i tomamos por ejempl o la a ltu ra o el peso de la poblacin
espaola, estaremos a nte caractensticas con un infinito nmero de modalid ades, pues au nque dos modalidades estn muy prximas, s iempre son
pos ib les moda li dades intennedias.
En el m b ito de la Psicologa los estudios se refieren a caractersticas
ta les como perso nalidad, m emoria, percepcin, ate nci n , inteligencia ,
motivacin, etc. Respecto a cada una de estas caracterfst icas los indi viduos adoptan d iversas modalidades, y estas modalidades, para poder ser
tra tadas estads ti came nt e, han d e estar ex presadas en fo rma numrica.
En la p l-x ima seccin tratare mos el proceso de as ignacin de nmeros
a las moda li dades de una ca racters tica.
31
II
Esta definicin implica poner en correspondencia, por un lado, nmeros, y por otro objetos o caractersticas con sus correspondientes modalidades . Entre los nmeros se dan ciertas relacion es que son vlidas dentro del mundo aritmtico, que es un mundo ideal. Tambin entre las
modalidades de las caractersticas se dan detenninadas relaciones que
son verificables en el mundo emprico, es decir en el mundo real. Pues
bien, medir supone poner en relacin estos dos mundos, el ideal de los
nmeros y el real de los objetos, de modo que las relaciones que se dan
en el mundo numrico preserven exactamente las relaciones que se observan en el mundo emprico, y slo sern vlidas aquellas relaciones numricas que puedan ser verificables empricamente (Stevens, 1946). Si nos
ceimos por ejemplo a la caracterstica peso, puede decirse que un individuo (no importa de qu especie) presenta una modaldad de peso superior a otro individuo. Dada esta relacin emprica, los n meros que se
asignen a estas modalidades deben reflejar de manera inequvoca el peso
superior del primer individuo respecto del segundo: si, por ejemplo, el
primer individuo pesa el doble que el segundo, los nmeros asignados a
esas dos modalidades deben reflejar exactamente esta relacin. Respecto a otra caracterstica tal como el sexo, no puede em pricamente afirmarse que un detenninado sexo sea superior a otro, sino que un sexo es
diferente a otro, por lo que los nmeros asignados a cada sexo reflejarn
simplemente la diferencia, sin que ello suponga superioridad de uno sobre
otro. Pues bien, la medicin, como ya se ha dicho, debe reflejar las relaciones que se obsel\1an en el mundo emprico, y para lograrlo se cuenta
con los llamados modelos de medicin, ms conocidos como escalas de
medida.
32
EL ANLISIS Of
gin emos un a reg la con cien rayas equid istant es, num eradas en orden
asce ndente de cero a cien; es decir 100 intervalos iguales, La distanc ia
que hay entre la raya O y la raya SO es exacta mente la mitad de la que hay
entre la raya O y la raya 100; o tra ,'elacin es, po,' ejemplo, que la distancia que hay ent re la raya 25 y la raya SO es la misma que hay entre la raya
70 y la raya 95.
Sin embargo, en el mbito de la Psicologa, yen general en las ciencias soc iales, las relaciones que se pueden velificar nO siempre alca nzan
este nivel de complejidad , Pues bien, atendiendo a las relaciones que pued an ve rifi carse empricament e entre las modal idades de los objetos o
caracte,isticas pueden distinguirse cuatro tipo de escalas de med ida, seg n
el esquema tradicional propuesto por Steve ns ( 1946) en su plimera publicacin sob re teora d e la medida,
Adems de la complejidad de las relaciones velificables empricamente,
hay otro concepto jntimamente relacionado con las escalas de m edida, el
de transformacin admisible , concepto que hace referencia a l problema d e la unicidad de la medida y q ue pu ede plant earse de la siguiente
manel'a: son las represemaciones numricas que hacemos de las modalid ades las nicas posibles? La respuesta es un rot un do NO, ya que cualq uiel' representac i n numrica que preserve las relac iones emplicamente
veli ficab les ser esenciaJmente correcta, En el sigu iente esquema (Fig, 1.1)
se representa el proceso de medicin, donde 0 , representa un objeto cualquiera, X, es un nmero, es la regla que asigna a cada obje to un nmero y g es la transformac in admi sible de la escala.
En los pr6xi
de medida y I ~
se distorsionen
lidades de las e
1.-1.1. 1."-,,1,,
En todas aq
comprobacin
gualdad, su re~
te no minal. Si, J
gen de los ciud
nmero diferet
n(m1Cros o mocil
mos atribuir, p(
los de Espaa, l
el I S a los c iud~
slo podemos al
ro per1enecen a
ce a un Estado e
con ella slo pUl
nes de igualdad-i
33
ESCALA
1
o, --
o, ...
o, ---
----------------- -
~~i~> ''M
,o.
'
X, --
X, n
XI ---
X~ --
clo\l.~.
)
r
1
34
terstica. En el ejemplo an terior, el hecho de atribuir un I a los ciudadanos de Luxemburgo y un 15 a los de FinJandia no supone, en ningn sentido, que stos sean m ejores que aquellos; s610 son diferentes respecto a
la caracterstica Estado de origenll. Se podria haber intercambiado ambos
nmeros (un 1 para los de Finlandia y un 15 para los de Luxemburgo) y
el sign ificado sena el m ismo.
* X,
Despus de lo expuesto hasta el momento respecto a la esca la nom ina l, es fcil adivinar el tipo de transformacin admisible que se puede
aplicar: cualquiera que preserve las relaciones de igualdad-desigualdad de los objetos respecto a una determinada caracterstica.
Respecto a la carac ters tica sexo, se puede asignar un 1 a la modali dad
he mbra ,. y un O a la modalidad macho ,. , pero tambin se puede asig-
EL ANLISIS DE
nar un 5 a la pi
naciones (5 y 4
dad de la carac
y O).
En algunas (
ciones de un nh
teriza la escala
caracteristica ,
que Jos represel
Un ejemplo tpi
la dureza de lo~
que otros por el
Ira de la gama (
que es rayado t=
duro, porque ell
otro mineral. Pt
nstica dureza, e
Las relacion
la igualdad-desil
terstica durez.
rente de otro y
numrica estab
mente las relacic
ros a los minen:
el yeso, y as SUI
Los valores asig
minera l detenn
ha asignado el '
minera l es cmru
3 que le s iguen,
En el mbitc
e n las que las rt
caracteristicas, I
libro, nos han II
En todos los CUI
tenido que expo!
de curso (los fal
35
36
EL ANliSIS
Respecte
med ida, pUl
vlida sieml
ciente. en q
a una serie d
grado de ma,
7, 9 Y 11 (res,
peta las can<
trario, si se
valor por - 1),
da de las dos
madn admi
!.-I.:!. ,.:,""
Si, ademfu
objetos, y la n
senten esos 01
to da que sta
ya que penni)
cias en tre las
de, por ejempl
o bjetos (los ter
la es relativan
duce en agua (
y se enfria has
de m ercurio al
to se marca el
lIicin, y se ma
dido el mercur
divide e n I 00 ~
y que es en def
to la unjdad de
origen de la es<
37
38
EL ANLISIS
Respec tl
escala de in
tipo:
Una vez medidos un conjunto de objetos co n una escala de inlc lva los
se p ued e n eX lme '- algu nas conclus iones int eresa nt es. Por eje mplo , y
siguiendo con la caracterstica temperatura, s i dos objetos tienen una temperat ura de 40 y 46 ce, I'especti vamente , y otros dos objetos, ti enen una
temperatura de 27 y 33 ce , respectivamente, se puede afirmar que la diferenc ia de tempe rat ura es igual entre los objetos J y 2, qu e entre los objelOS 3 Y 4 , S i se m ide la temperatura de a iras dos obje tos y resulta ser de
14 y 17 grados , respectivamen te, podemos afirmar que la diferencia d e
tempera tum (3 grados) es infcl;or que la diferencia de temperatura de los
obje tos J y 2 (6 grados), Este tipo de afirmaciones acerca de la igualdad
o desigualdad de las diferencias es im posible en una escala ordinal.
Otro ejemplo, tambin muy fa miliaJ~ de escala de intelvalo es el calenda rio que, de una otra ma nera, pauta nuestras vidas, Por razones histrico-religiosas se tom como punto O el nacimiento de Jess; y, por razones astronmicas, se tom como unidad de medida el tiempo que tarda
la ten... en dar una vuelta al sol (3651 /4 das).
FO l'malizare mos aho!'a lo dicho sobre la escala de intelvalo. Supongamos que d isponemos de un conjunto de 11 objetos y cada uno con una
cierta magnitud en una ca racters ti ca determinada que adopta di stinlas modalidades, A la magnitud de un objeto genrico i la re prese ntaremos po r O, y el nmero asignado a ese objeto, (O;), ser Xi' De la mis ma
manera a la magnitud d e un objeto i la des igna remos pOI' O; Y el nmero
as ignad o se r X;, a la magnitud de un objeto k la designa re mos po r Ok y
el nmero as ignado se r Xl; y a la magnitud de un o bje to 111 la des igna rem os po r 0 ,,, y el nmero asignado ser Xm En lonces deber n cumplirse
las s iguien tes condiciones:
Si O, - 0 , = Ok - 0 ,,, entonces X, - X, = X k - X m
Si 0 , - 0 , > Ok - 0 '" entonces X, - X, > X4 - X",
Si 0 , - 0 , < O, - 0 '" entonces X, - X, < X, -Xm
Es decir,
esca la de in
estipuladas.
AClAMCI
res puesta,
ra 0, una v
escala origi
tivo, la tral
invariante J
un se ntido
Un ejemp
ta nuevamen
escala Celsiu!
pasar de una
formac i n:
Segn est~
ponde con el
escala se corr
do centfgraclc
do Fahrenhei
dial de estas e
de las diferen
En Ps icolc
lineales.
ACLARAC II
parar valore
ra transfom
resulta.do de
s u lectura rf
pos itivos, y
segunda tra l
lA 1
iJla
'.
39
llos
0,
emuna
lifebjer de
de
:los
dad
Jen.stazomla
>onuna
.tin:are-
, ma
nero
O,y
tarelirse
Un ejemplo claro de transformacin de la esca la d e in terva lo lo aporta nueva mente la escala de tempemtura. En a lgunos pases se emplea la
escala Celsius. m ientras que en otros se emplea la escala Fahrenhei l. Para
pasar de una escala a otra simplemente hay que aplicar la siguiente tm nsformaci n:
F < (9IS) oc + 32
Segn esta transfolmacin el valo r cero en la escala Celsi us se con'esponde con el valor 32 en la escala Fahrenheit. mientras que el cero de esta
escala se cO'Tesponde con el valor-17.7777 de la Cclsius. Adems. el grado centgrado (unidad en escala Celsius) es igua l a nu eve quintos de gmdo Fa hren hcit. La tl'ansformacin deja inva-iante la prop iedad primordial de estas escalas: la posibilidad de compara r la igualdad o desigualdad
de las diferencias enll'e pares de va lores.
40
Como hemos explicado en el epgrafe anterior, las escalas de intervalo sirven para medir caracterst icas en las que el valor cero no significa
ausencia de dicha ca racterstica, lo cual limi ta necesariamenle las conclusiones que se pueden extraer. En el caso de la escala de temperatura,
una conclusin del tipo: si un objeto 1 tiene una temperalUra de 30, y
Ol ro objeto 2 tie ne una temperatura de 60, el objeto 2 tiene el doble de
temperatura que el objeto /", sera totalmente im p rocedente por incon -ce la. Al no existir un cero absoluto, como valor que representa la ausencia de caractelislica, no se pueden establecer conclusiones en trminos
de razones ent re valores .
Pocas so n las caractedsticas objeto de est udi o cientfico q ue admitan
una med ida co n escala de razn, y la mayoda d e ell as forman pal1e de l
abanico tem ti co de las denominadas ge nrica mente como C iencias de
la Na tu raleza . Carac lersti cas tales como la di stancia (y sus derivados,
su perfi cie y volumen), masa, velocidad y tiem po (no en su se ntido crono lgico, s ino e n su sentido cro nomtrico), po r ejemplo, tienen un Ori gen absoluto, no arbitrari o, o valor cero absoluto que s r s ignifica a usenc ia de caractel"stica.
ACLARACIN : Una de las caractersticas distintivas de la escala de razn
fl"Cnte a la escala de intervalo es, como.se ha visto, que el pUnlO cero es absolula y significa carencia absolura de la caraclcrislica medida. En el caso del
peso, medido en gramos, el valor O significa ausencia de peso. Como consecucncia dc ello. las conclusiones que pueden extraerse de la lectura de los
valo,"es de una escala de razn van ms all de lo que pocHa conclu irse de
las escalas antc;ores.
EL AN LI SIS DE :
una ca racterls
magnitud de UI
asignado a ese
de un objeto i ,
magnitud de UJ
ser XI: y a la m,
ro asignado ser
ciones:
Si
Si
Si
Al tener un
admisible para
Esta transfol
medida de la es<
plo de transforn
medida de longi
da: en el sistem;
que en algunos 1
valencia entre a
da a otro. Por ej
se est en dispo:
s ido medida en
En el Cuadre
pueden extraers
ejemplos.
Has ta el mor
para referirnos
ticas que se estu
escalas de medi
mente a las cat
se ntacin slo I
moda lidades de
nal, emplearem
41
una caracter s tica determinada que adop ta dis tintas m odalidad es. A la
magnitud de un objeto genrico i la representaremos por Di y el n mero
asignado a ese objeto, f (O;), ser Xi' De la m isma manera a la m agnitud
de un objeto j la design aremos por O y el n mero asignado ser Xi' a la
magni tud de un objeto k la d esign aremos por O" y el nm ero asign ado
ser X" y a la m agnitud de un objeto m la designaremos por Om Yel nm ero asignado ser Xm Ento nces d eber n cump li rse las s igu ientes con di ciones:
Si O ( Di = Okl Om entoncesX (Xi ::, X k I Km
Si O . I O > Ok I Om entoncesX IXi > Xk IX",
Si Di / Di < Ok I O", entonces Xi / X < X k IX",
siendo b > O.
42
El ANLISIS
b) de i
e) de r
Cuadro 1.1.
Resumen de las escalas de medida
Tipo de escala
Conclusiones
QCerca ele
Nominal
Ordinal
Transformockm
admisible
Xreser.
Cualquiera que
E.mpIos
a) ordi
b) de r,
e) de iI
En un"
valores
mosun
JnlervoJo
~ooldod O desigualdad
e di(erencos.
0+0 )(
(0)01
turo, inteligencia.
35 para
Rozn
~uoldod o desigualdad
e razooes.
b x
(b>O)
a) No e
b) Es u
e) No"
Calendario, tempero-
la nc
IILSl \11.\
1.11. 1:.I1.1WIClOS
QJ
La van
una eSt
1..,.
[IJ
variables no minales:
a) s6lo pu ede n tener dos valores pos ibles
)(siempre tiene n 2 o ms valores posi bl es
e) las dos a nt eriores son ciel1as
Indique
macin
a) nom.
b) nom:
e) toda!
Sea g (x
ITl escala
d
escala d
a) Sie m
b) Nu n<
e) Cuac
L HS
Utilizar
res (x):
macin
valores:
a) g (xl
b) g (xl
e) g (xl
La lram
a) Siem
b) e uax
e) Nun<
)LOGfA I
43
b) de intervalos
e) de razn
lif\efole\,
xiol de
ubicacin
~pero!\CIO.
no, tiem
valores
:s, indis-
Anlisis
algunos
Lds tico,
--oblema
fe intermtienen
a) ordinal
b) de razn
e) de intervalos
Indique en qu escala o escalas es admisible la siguiente transformacin g (x) = -l /x donde x slo admite valores positivos
a ) nom ina l
b) nominal y ordinal
e) todas
Sea g (x) = a + bx co n b > O u na tra nsformacin adm is ible en una
escala de in tervalos. Esta transforlll <lcin ser admisible para una
escala de razn:
a) Siempre
b) Nunca
e) Cuando a = O
La transr-ormaci6n g (x) = Xl es admisible para una escala nominal:
memo-
a) Siempre
b) Cuando x > O
e) Nunca
44
[2]
El ANLISIS DI
11 Situartenen
sob
te, los va
van la ig.
que pres
que 3 es
embargc
manera.
admisibl,
escala de
es ms re
La transfOlmacin g(x) =
Fx
1. ~ .
La res pUi
11 escala
ter
mos - l a:
COITec ta es b.
s ib le par~
nmero a
35 sigu en mant eniendo la re laci n de igua ldad I des igua ldad que
con 'esponde n a una escala nom ina l. Por tanto , la respues ta COtTecta es b.
11
La respu,
transfon:
escala de
11 Launarespue:
escala
rior de me
cior a tod
Da
La respue
negativos
piejos) y a
negativos.
45
(x) = bx
b >
escala de razn.
La respuesta correcta es cuando x O, la alternativa b. Si en una
11 escala
tenemos valores positivos y negativos (por ejemplo asigna>
mos - 1 a ser mujer y 1 a ser varn) la transfonnacin no ser admisib le para la escala pues _1 2 = 12 = 1 impli cara asignar el mismo
nmero a dos modalidades distintas d e la misma caractensti ca.
COlTecta es c. Si una transfonnacin es admisible para
11 unarespueSLa
escala lo ser tambin para todas las que presentan un nivel infeLa
rior de medida y la escala de razn presenta u n nivel de medida superior a todas las dems.
La res puesta correcta es c. No existe la raz cuadrada de nmeros
negativos en el campo de los nmeros reales (si en el de los complejos) y adems la raz cuadrada puede tomar valores positivos y
negativos.
Tema 12
Introduccin a la probabilidad
12.1. 1\'1'1
SUMARIO
En los (el
tadoa lad~
12.1. Introduccin
12.2.
COIICCI'(08IlrC\'ios
12.4. HC8umcn
12.5. Ejercicios
12.6. Soluciones
ti
los ejercicios
ci6n de los f
entre otros. ~
generalizar l
denominarel
tras conc!usi-
probabilisti
mos con una
ducimos el
HIPTESIS.
curso, es ne<
La2l.a e.
porciona do
verosmil o fi.
un juicio o e
probable eua
verdadero sin
cos alegan r
fumador pad
posiblementl
Otra dcfi
der porque
Bajo esta in<
determinada
dad de ocur
entiende qUE
.1
En los temas estudiados hasta ahora, el anlisis estadsLico se ha limitado a la descripcin de un conjunto pequeo de datos mediante la obtencin de los ndices de tendencia central. de dispersin y de asociacin,
entre otros. Sin embargo, en cualquier investigacin es importante poder
generalizar nuestros resultados a un colectivo mucho ms amplio al que
denominaremos poblacin o universo. En este caso, la extensin de nuestras conclusiones requiere llevar a cabo una inferencia que siempre ser
probabilstica o fonnular una hiptesis que aceptaremos o rechazaremos con una detenninada probabilidad. Por esta razn, y antes de introducirnos en la INFERENCIA ESTADISTICA Y CONTRASTE DE
HIPTESIS, que se estudia en .Anlisis de Datos en Psicologa Il en 2
curso, es necesario abordar el estudio de la probabilidad.
La 21. a edicin del Diccionario de la Real Academia Espaola proporciona dos definiciones de Probabilidad. La primera se refiere a lo
veros{mil o fundada aparieltcia de verdad,. y equivale al valor de verdad de
un juicio o conocimiento. En este sentido, se entiende que un juicio es
probable cuando existen suficientes razones que permiten aFilmarlo como
verdadero sin que pueda excluirse lo contrat;o. As, por ejemplo, los mdicos alegan razones de peso para decirnos que es muy probable que el
fumador padezca trastornos cardiovasculares siendo esta una afinnacin
posiblemente verdadera.
Otra definicin se refiere a la calidad de probable o qlle puede stlceden> porque hay buenas razones para creer que se verificar o suceder.
Bajo esta inclinacin, la probabilidad se aplica, no al valor de verdad de
detenninadas proposiciones, juicios o conocimientos, sino a la posibilidad de oculTencia de sucesos o acontecimientos y, en este sentido. se
entiende que un suceso es probable cuando puede ocurrir O no. Estudia-
352
INTRODUCCU
CaJcuJa
definicl
mento 1
Haciendo un poco de historia, cabe sealar que el estudio malemlico-cientffico de la probabilidad surge a mediados del siglo XV11 cuando,
en t 654 Y por el inters en los juegos de azar; el caballero de Mer IUVO la
idea de consultar con el matemtico Pascal una serie de preguntas orienladas a dominar el desarrollo del azar durante los juegos de cartas o de
dados. El problema era decidir si en 24 lanzamientos de un dado tena el
mismo riesgo apostar la misma cantidad de dinero a favor o en conlra de
la aparicin de, por lo menos, un doble seis. Estas y otras preguntas similares dieron lugar a un intercambio de correspondencia entre Pascal y
Fermal que pusieron las bases para que, ms tarde, Laplace diese su definicin, hoy llamada clsica, de probabilidad y que puede considerarse
como el inicio del estudio matemtico de la probabilidad y que veremos
ms adelante.
Como ya se ha apuntado, necesitamos conocer la probabilidad porque
cualquier lipo de inferencia que se haga, tanto en la investigacin cientfica como en la vida cOlidiana, a partir de la observacin de unos pocos
hechos, se realiza en tmlinos probabilsticos. En el campo de la Psico
logia, y de las Ciencias Sociales en general, cualquier hiptesis que se formule se acepla o se rechaza en trminos probabilsticos. o podemos
tener una seguridad absoluta (del cien por cien) de que porque veamos
romper las olas todos los das en nuestra playa, las olas rompan tambin
maana, ni tampoco de que porque unos fumadores padezcan enfermedades c.ardiovascuJares lodos Jos fumadores lengan que padecerlas (de
hecho no es as y en eso confiamos probabilsticamente,. para seguir
fumando).
Los objetivos que pretendemos son los siguientes:
Conocer los conceptos de expelimento aleatorio y espacio muestra!.
Distinguir los distJltos tipos de sucesos: sucesos elementales y com
puestos, suceso imposible, suceso seguro, sucesos compatibles e
incompatibles.
Concepto de probabilidad y sus definiciones: clsica, eSladIslica y
axiomtica. Un mismo concepto definido de tres formas diferen
tes pero intimamente relacionadas.
, .).,
-._..."
(O~,
Antes de i
tes, que nos
so, es necesa
J.-.:ico propif
ceptos y la te
I ~.~.1. l ..
Entenden
cual obtenen
fin de realiza
el adjetivo "a
nmento ale:
puede repel
resultado nl
nicin tanto]
no entrenada
elige o asom;
bre o una ml
sulta padece
experimento
las. cuatro co
- Se puec
- En cad.
conjunt
- Antes d
que oht
- A medi
va -o pl
aproxin
)GfA t
e nos
~ elepro-
lNTRODUCC1N A LA PROBABLUDAD
353
ntindo,
10
la
I~_~_
CO\CU'TOS I'HE\-IOS
ien-
)de
a el
.de
roi-
al y
di
ne
:\os
lue
ir:os
:0>r-
os
os
!n
ele
ir
Antes de introducimos de lleno en el estudio de este tema y los siguientes, que nos van a pennilir obtener probabilidades asociadas a un suceso, es necesario presentar algunos conceptos que nos familiaricen con el
lxico propio de esta materia y nos faciliten la comprensin de los conceptos y la teora de la probabilidad.
12.2.1. L'lwrilllt'lIlO
\lt'<.IltHjo
354
que definen las condiciones que debe cumplir un experimento para que
podemos considerarlas como experimento aleatorio.
'Iu('~lral
INTRODUCCI(
A su vez,
ro, suceso in
Suceso 51
aleatorio. P<
nemas, el su
que con toda
punlUacin 1
Suceso J
que se repita
de seis caras
imposible. e
-que como SE
el COUoCw
conjunto Yac
Dado un:
deA, y se re:
rreA.
A = {3]
Siguiendl
mas el SUce!
A = {obtener
so contrario I
Sucesos E
presentarse
dcin simulll
patibles son
miento del d
e = (5.3.1). u
recer simult
SULesos A y B
simultneaml
Sucesos c.
depende del
dependencia:
babilidad de
Marruecos, p
lugar de proo
en el tema 14
les de la prob
1
"..OGlA I
INTRODUCCIN A LA PROBABJUDAD
ra que
'ados
letfa.
'oto.
355
segu~
~spa
\0, el
:e en
~r, el
nos
del
ion
,el
meslos
le-
'"le,
,.
le
r-
,1
e
356
1:1.:1. :J.
/. Op(l"mioflf... ('(UI
...11('(..." ...
Las posibles operaciones que pueden realizarse con los sucesos son
equivalentes a las que se pueden realizar con el lgebra de conjuntos y
que el alumno recordar de sus estudios de eDU o del Curso de Acceso.
La siguiente tabla recoge las operaciones ms importantes del lgebra de
conjuntos y sus equivalencias con los sucesos.
Tabla 12.1. Correspondencia entTe el lgebra de conjuntos
y los sucesos
seguro
INTRODUCCIC
suceso
suceso elemental
suceso imposible
suceso contrario
sucesos incompatibles
unin de sucesos
interseccin de sucesos
conjunto universal
subconjunto del conjunto
universal
elemento del conjunto
universal
conjunto vaco
conjunto complementario
conjuntos disjuntos
unin de conjuntos
interseccin de conjuntos
De la Interseccin
A"" = B rvI
(A"") ,.., C = A,.., (B,..,C)
A,.., (BuC) - (A"")u(A,..,C)
A,.., (BuA)
=A
Actividad 14
sosA=(1,2,
las propiedal
_..,._. l'.el
l ),)
Asumida
vamos a utili
operaciones (
lo 12.2.3. los
nuestro a1fab
esta forma la
ya conocidas,
Cuadro
EsI
SU(
SU(
Unl
yes
se 1
Inll
se.!
yes
sel
357
INTRODUCCIN A LA PROBABfLlDAD
Actividad 12.1. Imagine que lanzamos un dado y considerarnos los suce= (2, 5, 6) Y e = (3, 5), compruebe que se cumplen
las propiedades anteriores.
Suceso
E
A
Suceso complementario de A
AuB
'Y es el suceso que ocurre siempre que
se presenta A o B o ambos
Interseccin de sucesos: se representa por
AnB
yes d suceso que ocurre siempre que
se presentan A y B
AuS
AnS
358
INTRODUCCiN .
Por tant
Respecto a es
- La primera
incorrecta I
probabilid,
la mayora
dicin de I
necesita co
favorables (
tados posib
recurre en r
tema siguie
- La segunda
ma de enter
trata de obt!
probabilida!
rre, por ejen
na el valor (
o mujer. Lo
trastorno ps
Cmo oblenE
cin nos proporci
I :!.:~.:!. Ul'Iinh.
Puesto que en
los sucesos entre I
bilidad, algunos a'
otra basada en la I
idea con un ejemp
ellan7.amiento de
IGAI
CIO
!bili
:las a
Vere:uannpo1 que
:rix y
:e su
nunlS un
:ncla
i
caJ1 en
dad
:avo:5 en
<1 de
adla
lte el
INTRODUCCIN A U. PROBABILIDAD
359
E:: (1,2, 3, 4, 5, 6) donde cada uno de los seis resultados tiene la misma probabilidad de salir. Sobre stos 6 casos posibles y equiprobabies slo hay un caso favorable (obtener un dos).
Por tanto: P(2)
=!
6
incorrecta pues introduce en la definicin e1tnnino definido (equjprobabilidad) pero desde el punto de vista prctico es aplicable en
la mayoa de los experimentos aleatorios donde se cumple la condicin de equiprobabilidad. Para su aplicacin prctica slo se
necesita contar, en un experimento aleatorio, el nmero de casos
favorables de ocurrencia del suceso A y el nmero de casos o resultados posibles que resultan del experimento aleatorio. Para ello, se
recurre en muchos casos a la combinatoria que estudiaremos en el
tema siguiente.
- La segunda es que el gran problema de esta definicin est en la for-
ayu-
2).
es:
360
INTRODUCCiN J
P(A) = tim
N-+_
!!..d..
N
0,5
O,"
0,25
38
21
0,55
'"
30
0,60
170
90
0,53
178.4
902
0,505
2000
999
0,.499
3
4
De esta segul
P.
1
1
2
1
Adoptando t
experiencia y, CI
elevado de pruel
determinado su
babiHdad a mee
ejemplo, imagin
ma de que por e:
51.264 son varor
babilidad de nac
mos visto que es
Jos casos favoral
- Comonoe
babilidad t,
un suceso
As las cosas,
factora del cono
bo de su pensam
a.xiomtica que;
11,:1,:1. D,-fin;
La dificultad
0-1-
--1
equiprobabilidad
relativa, llev a I
nmero -entre I
piedades que se
que se aceptan si
partir de los 1mb;
ca un trabajo do'
cin de probabili
este curso introd
361
)GA 1
INTRODUCCiN A LA PROBABILIDAD
a; en
l tres
Con esta idea, Richard Van Mises define la probabiJidad como una frecuencia relativa de la siguiente fonna: si se realiza un experimento aleatorio un nmero suficientemente elevado de veces, la frecuencia
relativa o proporcin de veces que aparece un determinado suceso
tiende a aproximarse a un valor constante que es la probabilidad de
aparicin de ese suceso.
I()rei
iva o
lente
!'O de
.pro,lini. fre"O de
Iliva.
362
INTRODUCCiN J
Actividad 12
vindose de UJ:
teoremas. Es d
sos: A = (1; 5)
mas anteno
-P(E)=!
siempre que los distintos sucesos A, del espacio muestra) sean mutuamente excluyentes o incompatibles.
Las dos primeras propiedades indican que la probabilidad es cuanci[cable numricamente con un nmero positivo comprendido entre cero
y uno. Como se dijo en la introduccin de este tema, asignamos un cero
a un suceso que no puede ocurrir nunca y un uno al suceso que se pro
duce con seguridad. La tercera indica que la probabilidad de la unin de
sucesos disjuntos (disjuntos porque su interseccin es vaca: A, n Al = 41)
o, con OIl"3S palabras, incompatibles (porque no se pueden producir a la
vez.) es igual a la suma de sus probabilidades individuales.
Con el fin dt
expuestos en el :
Ejemplo
se presen
dedicado al
lidad de a
quec. e
a I,deap
1. lo probabilidad
es cero.
de la unin).
Veamos ahor.
Escrito, ahora formalmente, los teoremas son:
1. P{P)_ O
Ejemplo
su probab'
2. P(AI- 1 - P{AI
3. Si AcB=>
PIB -
4. P(A0B):S"PlAvB)
y par los
363
Actividad 12.2. En esta actividad animamos al alumno a que sirvindose de un dado, como ejemplo, compruebe que se cumplen estos
teoremas. Es decir, suponiendo que se obtienen los siguientes tres sucesos: A = (1; 5) Y B = (1; 2; 4; S) compruebe que se cumplen los teoremas anteriores.
Con el fin de asentar estos conceptos vamos a aplicar los teoremas
expuestos en el siguiente ejemplo.
e
.)
a
,1
e
P(a)
Y P(e) =X=O,4
364
2 -
- [2 ]
="75 =0.7143
Y P(A)
2 5
=5'"7
= 0.2857
o bien:
P(A)
y para hace
rrollaremos
l~A.
de donde despejando:
P(A)
lNTRODUCcr'
les 8610 uno -que salga el cinco- es favorable. De modo que la probabilidad de que salga un cinco es 1/6.
RES
En este ti
fntimamentl
cnto. Postel
de las cuaje
define como
cin de un s
frecuencia n
caso, estas e
casos ravara
aparicin dI
medida que
otra pane, h:
dos procedil
malo axiollJ
meo en dos i
ro positivo (
vaco, y 1, p;
de la unin I
lidades indh
En el pro
rrencia de UI
silamos Conl
bies de apar.
1~.5.
Q]
[(CC),(CX).(XC),(XX))
EJEI
Enlad
bies:
a) No~
b) Son
e) Son
Desgraciadamente para e1leclor temeroso de los nmeros, no siempre es tan fcil contar el nmero de casos favorables y el de los posibles
Cinco
hombn
espacie
:oLOGIA I
INTRODUCCiN A LA PROBABILIDAD
365
11.-1. HI:Sl'\IE\
muchas
dad aso
Laplace
~ el suce~ultado
jemplos.
<o al
del
cuapro-
cara
11..;. E.lEIIClClOS
do
vale
no siemposibles
366
INTRODUC
al PI
bl PI
el PI
al [M,H]
b) (MM).(HH)]
el (MM).(MH),(HH)]
Con los mismos datos del ejercicio anterior. elegidos dos al azar, el
suceso .hombre o mujer.:
Un g
psic(
Udad
de l;
a) Es el suceso seguro.
b) Son sucesos incompatibles.
e) Son sucesos simultneos.
al
bl
el
>
o.
En e
amb
En e
tes:
se cumple que:
a)
P(A)~P(B)
bl P(A r.B)'P(A-B)
e) P(A u B) < P(A r. B)
Un gabinete psicolgico cuenta con 6 terapeutas condUClistas. e, 4
psicoanalticos, S, y S cognitivos, G. Elegido uno al aZal~ el suceso
que sea condllctista o cognitivo se representa por:
a) enG
b) CuG
e) G-C
qu
a) (1
b) (2
e) [1
1:1.6. S(
11 ElbIes..
la te
El e,
11 pue!
367
INTRODUCCIN A LA PROBABILIDAD
Al
a} peS) = 1 - peS)
b} P(C) . P (G)
c} P(CnG)
el
a}
b}
:Ks
V.
, 4
el 0,5
En d aula de un colegio hay 10 nios diestros, D, 7 zurdos, Z, y 3
ambidiestros, A. Su representacin grfica es:
a}
b}
c}
A=(Lz,J:4j
B=(Z,3,S}
C=[1,3,5,6j
qu elementos pertenecen a la siguiente expresin: (A n C) n 13?
al [1,2J
b} (2, 3)
c} [l}
El espado muestral o universo est fonnado por todos los casos posibles que pueden producirse en un experimento aleatOlio, por lo que
la respuesta correcta es la b.
espacio muestral est formado por una serie de sucesos com11 Elpuestos
puesto que se trata de ocupar dos puestos de trabajo y los
368
posibles resultados son: que sean dos hombres (HH), que sean dos
mujeres (MM) o que sean un hombre)' una mujer (HM) indistinta
mente del orden, por lo que la respuesta C01Tccta es la c.
11
Desde luego no hay ninguna razn para pensar que. con toda seguridad. los elegidos son un hombre y una mujer porque son posibles
otras soluciones y el hecho de elegir un hombre y una mujer no son,
como fcilmente entender. incompatibles. Por tanto, elegir un hombre y una mujer son sucesos que se pueden producir simuhneamente. La solucin correcta es la c.
COITeC-
la es a.
11
La probabilidad de que sea elegido e o e, P(C u e), es iguaJ a la probabilidad de que no sea elegido S. Es decir, la respuesla con-eCla es
a.
111 El
an
a)
4
Pu
sin
l1li 4,(A (
es I
el suceso A est incluido en B, por tanto se cumplirn varias condiciones como que la probabilidad de A es menor o igual que la de B.
La interseccin de A y B es igual a A; y la unin de A con B es igual
a B. Al ser A < B, A - B no se podra calcular, es imposible mientras
que B - A coincidiria con el anillo_ Finalmente, al ser B mayor que
A se cumple que peA u B) "" By peA ('\ B) :: A por tanto peA v B) ~
~ peA n B). La respuesta con"ecta es la c_
11
B
INTROD
(}{s).
INTRODUCCiN A LA PROBABILIDAD
369
(A ()C) ()8= [[1, 2, 3, 4) ()(I, 3, 5, 6)] ()8= [1, 3) ()8 =(1, 3) () (1,
4, 6} = {l}. Por tanto, el nico elemento comn a los dos conjuntos
es el 1 por lo que la respuesta correcta es la c.
Tema 13
Combinatoria
SUMARIO
13.1. Introduccin
13.2. Princil)io (undamental
13.3. Permutaciones
13.4. Variaciones
13.5. Combinaciones
13.6. Permutaciones con repeticin
"13.7. Vuriaciones con repeticin
13.9. HeslIlllen
13.10. Ejercicios
13.11. Soluciones a los ejercicios
13.1.
I"T~
Haciendo
cin sisteml
sobre el ao
combinatorio
natorio en u[
editaba. denc
la el libro de
de se perfecci
tericos de la
taciones a la
Rea, aharnen
del clculo d.
elementos.
La combir
rentes formo
elementos y
pamientos re
to nos permir
De cual
en la pri.
-Conunl
tes de 2:
De cul
de un ca
1:1.1. I,\THOIlLCCI\
Haciendo un poco de historia, cabe sealar que la primera aproximacin sistemtica de la combinatoria fue dada por Leibnitz (1646-17 J6),
sobre el ao 1666. cuando presenta su libro .. Ra:oIlQmieuto sobre el arte
combillatorio. En los aos siguientes perfeccion el simbolismo combi4
natOlio en una serie de trabajos que public en una revista que l mismo
editaba, denominada .Acta Eroditonwl. Posteriormente en 1713 se edita el libro de Jacobo Bemouilli (1654-170S) Arte de la suposicin donde se perfeccionan estas tcnicas y se resuelven muchos de los problemas
tericos de la probabilidad. Los siglos posteriores fueron sumando aportaciones a la tcora general y nos ha llegado como una disciplina cientfica, altamente elaborada, que nos permite resolver muchos problemas
del clculo de probabilidades que se relacionan con la enumeracin de
elementos.
La combinatOlia es una rama de las matemticas que estudia las diferentes formas de agrupamiento y combinacin de un conjunto de
elementos y establece las propiedades y leyes de formacin de las agrupamientos resultantes. Conocer estas diferentes formas de agrupamiento nos pemlitir dar respuesta a preguntas como las siguientes:
374
Desclibiremos las tcnicas bsicas que se refieren a los distintos agrupamientos que se pueden fOlmar, segn una ley dada. con los elementos
de un conjunto finito. y que nos dar respuesta a las preguntas antelores y otras similares como las que se plantean en las distintas actividades
que iremos proponiendo. Veremos que estos agrupa miemos reciben los
nombres de variaciones. permutaciones y combinaciones ordinarias,
de acue-do a sus distintivas leyes de formacin, a los que se les puede
cambiar el adjetivo _ordinarias. por el de _con repeticin" si los elementos
que los (annan pueden presentarse repelidos.
COMBINA'
E
camin
de irse
tintas
I:I.~.
de3x
super!<
Pero e
no da res;
tran en la
junto de j
siguiente,
1:3.:3. 1'1
En un
las disfu
tos de ta
elorde
Eln
tirde m t
pio de la
375
COMBINATORIA
Logroo
~
AAAA 55555555
AAAA 55555S5S
AAAA
55555555
~
L L L L
L L L L
L L L L
13.:3. PERMUTACIONES
En un conjunto de m elementos, se definen las pennutaciones como
las distintas agropaciones que se pueden formar con sus m elementos de tal forma que dos agrupaciones son distintas si difieren por
el orden de colocacin de los mismos.
El nmero de pennutaciones diferentes que se pueden fonnaf a partir de m elementos, se puede deducir intuitivamente a partir del principio de la ml1ltiplic:;::cin visto anr.enormenle. Por ejemplo, Oe cunl;::s
376
P",
=:
COMBlNATOR
eleccin
quiera d
podemos
tercera
gira
cala
muJtip"
de5x4
Obsrv~
ro de e1emer
uno de los el
(oen este~
idea.
m . (m - J) . (m - 2) . (111 - 3) .... 3 . 2 . 1
P", =m!
que se lee 11/ factorial y es igual al pmducto de los nmeros naturales
existentes desde el 1 hasta el mI.
Con las permutaciones damos respuesta a la primera pregunta planteada en la introduccin que es muy similar a la que se presenta en el
siguiente ejemplo que sirve para aclarar este concepto.
Ejemplo 13.2. De cuntas maneras distintas pueden sentarse
tres nios y dos nias en la fila de un cine?
En primer lugar, podemos elegir a cualquiera de los 5 nios, sin
distincin de sexo, para la primera butaca. Una vez realizada esta
1
De
den sen
Por definicin: O! = 1
-1/1 ...
1)
no se sen
377
COMBINATORlA
eleccin y para ocupar la siguiente butaca podemos elegir a cualquiera de los 5 - 1 "" 4 restantes y siguiendo con el procedimiento
podemos elegir a cualquiera de los 5 - 2 = 3 restantes para ocupar la
tercera butaca. Posteriormente y para la cuarta butaca podemos elegir a cualquiera de los 5 - 3 =2 restantes y finalmente la quinta butaca la ocupar el 5 - 4 = 1 nio que resta. Aplicando el principio de la
multiplicacin tenemos que los cinco angelitos se pueden sentar
de 5 x 4 x 3 x 2 x 1 = 120 fonnas diferentes.
Obsrvese que todos los grupos estn formados por el mismo nmero de elementos. Lo que diferencia a un grupo de otro no es que cambie
uno de los elementos (en este caso nios) sino el orden en que se colocan
(o en este caso, el orden de sentarse). El siguiente ejemplo profundiza esta
idea.
Los nios pueden permutarse, es decir se pueden sentar de 3! = 6 formas distintas y por su
parte las nias pueden sentarse de 2! = 2 fonTIaS
distintas. En total3! x 2! = 12 formas distintas.
Pero tambin hay que considerar que los nios
se sienten a la izquierda de las Lias de la
siguiente forma:
99333
De modo que en total, sumando ambas opciones, los nios se pueden sentar de (3! x 20 + (31 x 2!) = 24 faunas distintas ("Posiblemente
no se sentirian conformes con ninguna).
378
COMBINATOI
Eje
neacion
Consi
-Martine
ya en dif
de ocho
po en un
v.
11 (11
Puede ot
lar de las va
variaciones
AM.M,AP,M,ME,MP.W,U.8,n
~,~.M.M,EM.m,m.ff,n,ff
donde los distintos agrupamientos difieren por la 'la/l/raleza de sus elemell/Os o por el ordell de colocaci/1 de los mismos. Ntese que a diferencia de las permutaciones dos grupos son distintos si cambia la identidad
de alguno de sus elementos (de modo que el gnlpo AM es distinto que el
AP) y, de forma similar a las permutaciones, si cambia el orden de colocacin de los elementos (que hace que el grupo AM sea distinto al grupo
MA).
Por tant(
der calcuJaJ1
co elemento
entonces la
ve est en qt
tes que se pi
mientras qu.
derar O T<
menros(n d
1:\..,.
vm.u
:=
(111
111!
-Il)!
111
cm
n + 1)
Siguiend
biar la preg.
den formar
dos: Jos y E
JGfA 1
379
COMBINATORJA
v. S.l -
ngeJ,
a un
51
_ 54 A! _ S 4 =20
(5 _ 2)! A!
- .
ue el
:;tri-
le se
pre)tro:
denanle
:te la
roen
lue-
Ejemplo 13.4. Con una plantilJa de ocho jugadores cuntas alineaciones diferentes se pueden fonnar en un equipo de baloncesto?
Considerando que dos alineaciones son distintas si el jugador
.Martinez juega de pvot o de base (lo que hace que el orden influya en diferenciar dos grupos) estamos ante un caso de variaciones
de ocho elementos tomados de cinco -nmero de jugadores de cam-
v.
8.5
8! = 8! = 876543! =8.7.6.5.4=6720
(8 _ 5)! 3!
3!
ifiecin
~el,
,M,
,ina-
Puede obsen'arse que las permutaciones constituyen un caso particular de las variaciones de 111 elementos tomados de 111 en m, es decir, de las
variaciones de orden ni. ya que:
11m ....
elerenidad
leel
010-
upo
m!
_ 11I! _
1_ P
- - - 1 1 1 . - '"
(m-m)!
0\
Por tanto, a la primera pregunta planteada tambin podemos responder calculando las diferentes variaciones que se pueden fonnar con cinco elementos (alumnos en este caso) tomados de cinco en cinco. Cul es
entonces la diferencia entre las variaciones y bs pel111utaciones? La clave est en que las pennutaciones considera el nmero de gl1.lpos diferentes que se pueden f0l111ar con TODOS! los elementos, (los 111 elementos)
mientras que las variaciones aade la particulaidad de que puede considerar NO TODOS los elemenlos, sino tambin un nmero menor de clementos (11 de los 111 elementos, siendo /1 meno.. que 111).
rde
em-
Siguiendo con el ejemplo de los cinco profesores, ahora vamos a cambia'la pregunta: cuntos tribunales diferentes de dos miembros se pueden fOfmar sin hacer distincin entre ellos? Supongamos que se eligen
dos: Jos y Emique. Este tribunal es diferente al fom1ado por Jos y Pedro,
380
COMBINATORIA
pero el mismo que el fonnado por Enrique y Jos. Esta distincin nos lJeva al concepto de combinaciones que definimos de la siguiente forma:
dado un conjunto de 111 elementos, se denomina combinaciones de orden
11 (11 < m) a las distintas agrupaciones de estos n elementos que pueden realizarse de modo que dos agrupaciones son distintas si se distinguen nicamente por uno o ms de los elementos que la componen. Por ejemplo. dado el conjunto e = {A,M ,E,P,l}, se pueden fonnar las
siguientes combinaciones de orden dos o binarias:
tanto, dado el
mientas EPy
cin y lo miso
como se recog
Tabla 13.1.
lo",
El nmero de combinaciones de orden tl que se pueden fonnar a partir de m elementos, viene dado por la siguiente expresin:
m.n
De fonnaq
distimas y en J
nes distintas. I
tos, haya n! ve
se cumple la si
m!
11!.(m _ n)!
o bien,
Cabe preguntarse ahora en qu se diferencian las combinaciones de
las vadaciones? Si ha entendido los conceptos ver que cuando el orden
influye se trata de variaciones. Es lo que ocun'e en el ejemplo del tribunaJ de examen donde al actuar el primero de presideme y el segundo de
secretario, el tribunal Pedro-Enrique es distinto del tribunal EnriquePedro. Lo mismo con el ejemplo 13.4 donde la alineacin del equipo de
baloncesto, an formada por los mismos cinco jugadores, es diferente
cuando cambiamos su situacin en el campo. Finalmente, piense en lo
que ocurre con los nmeros: si el nmero premiado de la lotera es el
78.903 Y hemos jugado al 38.709 no hay motivo de reclamacin (pero s
de desesperacin). Por el contrado, al pedir un plato combinado .. de
pollo con ensaladilla y croquetas, el orden en que lo mencionemos no
cambia la naturaleza del plato. De forma similar, si no hay distincin dentro de los miembros de un t1ibunal, el fonnado por Miguel y ngel es el
mismo que forman ngel y Miguel.
Siendo las combinaciones y las variaciones diferemes conceptos existe, sin embargo, relacin entre ambas como veremos a continuacin. Para
ello insistimos en lo dicho: las
son el nmero de forolas de seleccionar tn elementos de un conjunto de 111 sin tener en cuenta el orden. Por
;....
despej~
Las combin
sentan por el
Ejempl
a)
b)
11
381
OGfA J
COMBINATORJA
os lIe)rma:
orden
~ puee dismpo
tanto, dado el conjunto C "" (A, M, E, P, J], las ordenaciones o agrupamientos EP y PE son dos variaciones diferentes pero la misma combinacin y lo mismo para las ordenaciones AM y MA Y con AE y EA, etc., lal
como se recoge en la tabla 13.1;
<arIas
~nte
~en-
:l
par-
AM,AE.AP,AJ,ME,
MP .MJ, EP, El, PJ,
MA,EA,PA,JA.EM.
PM.JM,PE,JE.JP,
AM,AE,AP.AJ~,
Iv""", =II!C""",
o bien, despejando las combinaciones:
les de
>rden
:ribu-
io de
iquepo
de
rente
colo
es el
~ro s
011 de
)s no
I denes el
Las combinaciones de m elementos tomadas de 11 en 11, (Cm",)' se representan por el nmero combinatorio: (':,') que se lee 111 sobre 11.
e) Cul es la probabilidad de que escogido un grupo de tres alumnos, los tres sean ninas?
exisPara
:cciol.
Por
En la primera pregunta, los distintos grupos de nias se distinguirn, lgicamente. por las nias que lo fonnan, no influyendo el
orden como elijamos a las nias, puesto que ni van a sentarse ni a
382
e8,3 ~_(8)_
8!
3 - 31(8-3)!
8-7-6-5!=8_7=56
3!5!
COMBINA'
Estos n
los nn
rior (el
('~')
- Uom
e
20,3
=(20)=
20!
3! (20 - 3)!
=20-19-18-17'=1140
3! I 7!
o bien
cal:
cociente entre casos favorables y casos posibles. Acabamos de calcular que hay 1.140 posibles grupos formados por tres alumnos y en
la primera pregunta hemos calculado que se pueden formar 56 grupos distintos formados por tres nias. de modo que la probabilidad
pedida es:
En el:
ros comb
P(tres nias) = 1~:o = 0,049
Eje
siguie
recibe el nombre de nmero combinatorio y goza de caraclersticas inleresantes que a continuacin expondremos sin demoslracin. Si m y 11 son
nmeros enleros y tales que O ~ 11 ~ m, entonces:
Sel
riorse
y los n
Por ejemplo, el nmero de combinaciones de orden dos que pueden realizarse con seis elementos. coincide con el nmero de combinaciones de orden
cuatro, ya que:
Lo vis
den fonn
se denoro
tivo de or
383
COMBINATORlA
-('"J-
-~-....!..-l
m!
O - O!(m -O)! - Olm! - 01-
yaqueO!:=1
(2:~JU~2)
Se tiene que cumplir que la suma de los nmeros de la parte inferior sea igual a 20, por tanto:
2X + 7 + 3X - 2 = 20 --..?5X + 5 = 20
--..? X =
Lo visto hasta aqu trata de los diferentes agrupamientos que se pueden formar con m elementos, todos ellos distintos. Estos agrupamientos
se denominan permutaciones, variaciones o combinaciones con el adjetivo de ordinarias que se suele omitir. Qu ocurre si los elementos ya no
384
COMBIN,
son todos distinlOs sino que uno o varios de ellos se pueden presentar
repetidos? Los conceptos son los mismos, pero ahora se denominan permutaciones con repeticin, variaciones con repeticin y combinaciones
con repeticin y lgicamente cambiar la expl'C:sin que nos permite su
clculo. Lo veremos en los apartados siguientes.
colocac:
elemenL
orden 2.
Engl
prodUCll
cin de 1
expresi
.s
=~= la
3!.2!
1:3.8.
1:1::. \
(J
Dado
nes con 1
den fon
tos y di
distingu
ponen. ~
385
lA 1
COMBINATORIA
tar
er
leS
su
I CxC
e
b
m
>D
.r
e
ee
be
me
b
eb
bb
mb
m
em
bm
mm
= (m+n-l)!
m.n
n!.(m -1)!
386
CR m .n =
C(m+"_I),,,
COMBINATOJ
ciones
gorras y
(m+I1-1)
11
Se trata de repartir las seis gorras a los tres nios sin ninguna condicin restrictiva, es decir que Juanilo se puede llevar las seis gorras
(G) y los otros ninguna o l se puede llevar cinco, Jorgito una y Jaimito ninguna, o dos cada uno de los niftos, etc., tal y como se ilustra
en el siguiente dibujo:
GGGGGGI
Juanito
JOIl!ilO JairnllO
Present~
Eje
cinco
tos?
Se
rep
C,de
queBy
te don
~~~
Se
GGGGGI G I
mentas
~~~
Juan!!
Jorglto Jaimllo
GGIGGIGG
~~
etc.
que representas las distintas combinaciones con repeticin de tres
elementos (los nios) tomados de seis en seis (las gorras). En definitiva, disponemos de ocho elementos -las seis gorras iguales (G) ms
las dos barras de separacin- que tenemos que combinar de seis en
seis, Por tanto:
CR
_(3+6-1)_(8)_
8! _8! -28
6
- 6 - 6!(8-6)1 - 6!2!
3.6 -
y. si consi
nes con rep'
duccin y
rente situ
U.9. RB
En el te
babilidad)
lidad. de lz
oe la misrr
.oG{AI
ticin
;iones
387
COMBINATORIA
guien-
ir
on
as
ai
ltra
= Jl!..
=
6!2!
(8)6 = (8)2 = 28
IXX
e
~~~
Se trata por tanto de las combinaciones con repeticin de tres elementos tomados de cinco en cinco:
CR
es
nins
en
3,_~
_(3+5-1)_(7)_ 7!
-~-''8' , -
- 5 - 5!(7-5)! - 512!-1@)
y, si comidera adquiridos estos conceptos, resolver que las combinaciones con repeticin da respuesta a la ltima pregunta planteada en la introduccin ya que constituye el mismo planteamiento numJico pero en diferente situacin.
13.9. fiESlJ:\'lEN
seis
os
, la
En el tema anterior se han introducido los conceptos bsicos de la probabilidad y posterionnente se han dado las tres definiciones de probabilidad, de las cuales en la prctica se aplica la definicin clsica que define la misma como el cociente entre casos favorables y casos posibles de
388
COMBiNA
el I
8]
Sel
de.
cue
18:
Pal
nes
al I
bl )
(
1:1.10. I:.IEHClCIOS
Como se sabe. las matrculas europeas de los vehculos matriculados en Espaa constan de cuatro nmeros seguidas por tres de las
21 leu"3s consonantes (excepto la Q y -). Cuntos vehculos se pueden matricular con este procedimiento?
a) VR 3 1.1
b) CR 104 CR 2I 3
el J
0
0
e) VR 10.4 VR 2U
Un gabinele de Psicologa que est formado por siete mujeres y cuaIro varones desea formar una comisin pal"3 el seguimiento y estudio de casos clnicos. Si se desea Que dicha comisin est fonnada
por cinco miembl"Os (tres mujeres y dos varones) tenemos que calcular:
a) Las variaciones de 1I elementos lomados de cinco en cinco.
b) Las combinaciones de siete elementos tomados de tres en tres y,
por el principio fundamental. multiplicarlas por las combinaciones de cuatro elementos tomados de dos en dos.
al )
bl I
el I
Se)
sac
al )
(
COI
bl J
(
el J
(
Sigo
es:
al
bl
e) j
Si j
ra 1
dos
al I
bl
itA l
COMBtNA.TORIA.
389
tras
ita)Ies
inaelenes
ele-
"'Y
.pales,
nes
lOS.
co en cinco.
el Las pennutaciones de cinco elementos.
COnlinuando con el ejercicio antel;or, los casos favorables son:
J1a-
las
oUe-
Jad
itarel
ser
de dos en dos.
e) Las valiaciones oon repeticin de dos dementas lomados de cinco en cinco.
Siguiendo con el ejercicio anterior, el nmero de casos favorables
es:
ua-
ai 20
b) [O
tu
e) 25
.da
:a1
Si jugamos al az.ar una apuesta a las quinielas y queremos cak.ulara la probabilidad de aeerla' un pleno al 15, el nmero de resuhados posibles viene dado por:
a) Las combinaciones con repeticin de 15 elementos Lomados de
:sy,
:io-
15 en \5.
b) Las vaJiaciones con repeticin de 15 elementos lomados de 3 en 3.
390
COMBlN
15.
fOl
11 losEl
eu
b) Vu
e) CR7.l
de>
cia
no
too
e) PR 10l
El.
sel
la n
Pa.
11 cin<
de,
ces
dist
la r
ci~
la respuesta es c.
lom
Puesto que influye el orden, se trata de las variaciones de ocho elementos tomados de dos en dos y por tanto:
la"
82 -
8!
(8 - 2)1
= 876! =56
6!
Eln
la respuesta es a.
Las
mujeres se eligen de un grupo de siele y como el orden no
11 influye
se pueden elegir de C fOlmas distintas. Por la misma razn
res
7 .3
la r
Los
111 caso
se",
Al
COMBINATORIA
391
en
c7,3e-1,2
de
a
'Y
en
7! 4'
(37X4)2 =---=210
3!4! 2!2!
le-
e30.5 = (30)
=
30'
= 142506
5
5!(30 S}!
la respuesta es a.
tl"es
e18,3 -_(18)_
3 los
en
-816
la respuesta es c.
on
la-
18!
3!(18-3)!-
Para detemlinar los casos posibles que se pueden obtener con los
11 cinco
JanzamienlOs hay que detenninar las dislintas agrupaciones
al.
de cinco elementos que se pueden formar con las caras (e) y las cruces (X) donde los elementos e y X se repiten y la tirada CXCXX es
distint:J que la tirada XCCXX. Por tanto el orden innuye y la solucin es el nmero de va-aciones con repeticin de dos elementos
lomados de cinco en cinco:
lela '-espuesla es c.
no
6n
-el
le
la respuesta es b.
Los casos favonlbles son las apueslas que jugamos que en nuestro
caso es una y los casos posibles son los distintos agrupamientos que
se pueden f0l'1l1ar con los smbolos I-X2 tomados de 15 en 15. Como
392
ys
= 14348907
la respuesta es c.
una de las fichas de domin consta de dos partes, en cada una
11 Cada
de las cuales puede estar uno de los siete elementos posibles (blan-
CR 7 .l
8!
87 6!
= -- =
=28
- 6!2!
6!2!
=C8~
la respuesta es c.
Resuha evidente que de los 10 problemas de la plimcra parte puede elegir C IO.l exmenes distintos con dos problemas y lo mismo con
los de la segunda parte y por el principio fundamental el nmero de
exmenes diferentes con dos ejercicios de cada parte es:
C IO. l ' ClO,l
la respuesla es 3.
Tema 14
Teoremas de probabilidad
SUMAIlJO
14.1. introduccin
14.2. Teorema del producto
14.2.1. Para sucesos independientes
14.2.2. Para sucesos depe.ndientes
14.3. Teorema de la suma
14.3.1. Para sucesos mutuamente excluyentes
14.3.2. Para sucesos simultneos
14.4. Teorema de la probabilidad iotnl
14.1.
En
penniti
dicionc
as con
que ele
la UNE
tes o si
c
e
o
co
e
o
Las
nifiea
Para l1f
cficos:
O ser
mujer?
Psi~
396
TEORE
Co
dicion
Distinguir entre aquellas situaciones que requieren aplicar el teorema de la suma de las que requieren aplicar el teorema del pro-
Bes la
ducto.
Diferenciar los conceptos de probabilidad a priori, probabilidad a
posteriori y verosimilitud.
OU
con cil
los suc
probal
Representar en un diagrama de rbol las anteriores probabilidades para, poslerionnente, ser capaces de identificar las situaciones
que requieren aplicar el teorema de Bayes o el teorema de la pro-
babilidad lOtal
Si I
Y volvt'
las m
bies sil
mos la
probal
bolas.
y P(R)
que en
eonti
total d+
des P(,
p(
PO
Si ~
la urna
babili
De
nada q
dicio
En
A cone
dido E
397
TEOREMAS DE PROBABILIDAD
Como el lector conoce sobradamente, la probabilidad de A est condicionada o depende de la aparicin de 8 y lo escribimos P (AJB) donde
B es la condicin requerida.
Otro ejemplo, por el momento ms ilustrativo: supongamos una urna
con cinco bolas de las cuales tres son azules y dos son rojas. Definimos
los sucesos A = {bola Al.ul) y R = {bola Roja). En la primera extraccin las
probabilidades de cada suceso son respectivamente:
P(A)
=",3
y P(R)
=",2
P(AI R)
P(R I R)
=24
la uma quedarn dos bolas azules y dos mjas (casos favorables) y las pmhabilidades en la segunda extraccin son:
P(AI A)
="42
y P(RI A)
="42
De esla forma, hemos expuesto el concepto de probabilidad condicionada que en general lo escl;bimos P(AIB) y se lee probabilidad de A con
dicionada a B.
Entonces, si los sucesos son dependientes, se llama probabilidad de
A condicionada a D a la probabilidad de A suponiendo que ha suce
dido D, y es:
398
P(AI B)
= peA n
TEOREMA~
*O
= P(AnB)
peA)
sIempre que
P(A)
'* O
de este tema:
- Cul es la probabilidad de estudiar psicologfa siendo mujer?
- Cul es la probabilidad de ser mujer estudiando psicologa?
En el primer caso la condicin es ser mujer y en el segundo la condicin es estudiar psicologa, de modo que llamando a los sucesos S = estudiar psicologa y M -= ser mujer. en el primer caso tendramos que obtener
P(SlM) y en el segundo P(M/5) sin ningn motivo que nos lleve a pensar
que ambos resultados tengan que ser iguaJes. En el siguiente ejemplo aplicaremos este mismo teOrema a otra situacin.
Ejemplo 14.1. De los 3.570 alumnos matriculados en una asignatura durante el cu.(So 1992-93, 1.428 se presentaron a la convocatoria de febrero en la primera semana (1) de los cuales aprobaron (A)
1.071, mientras que, de los que se presentaron en la segunda semana (2), suspendieron (5) 1.478. Elegido un alumno al azar, calcula:
1-1.2.1. l'
Comas
de ellos de]
que se p~
ne despeja
nada que s
y despejanl
simultnea
A
S
1071
357
1428
644
1478
2142
y como la ~
bin poden
que se lee
dependien
la probabiJ
1735
1835
3570
nido. Est:
acuerdo ca
=P
399
TEOREMAS DE PROBABILlDAD
3570
1,0
3570
{ P(S) = 1835 =0.514
3570
=>
:er-
0.5 14
di-
P(A"B) .
P(B)
siempre que P(S)
*O
Y"Z)=
P (l/A" B "C " ... Y)
400
TEO
pel
SOl
6y
sandalias?
;;
~~
en
las
rep
001
GG
per
POI
es
tienen que ser uno de cada color. Puesto que los calcetines los extrae
uno tTas otro y sin reposicin se trata de sucesos dependientes. Si el
orden de extraccin fuese GAB. su probabilidad es:
y
p
EOREMAS DE PROBABILIDAD
4(
402
TEORl
En
se pro
pero (
queda
Si Uamamos A 2 a aprobar la segunda parte, Al aprobar la primera parte y S a suspender, conocemos las siguientes probabilidades a
partir del enunciado del problema:
Es'
Que in
al pro
qu
las
di
1.J.:!.:!. 1'<lnI
sus~
~Il('('~(l~ ind('lu'IHli('lltt':-i
el
co
,OLOGA I
403
TEOREMAS DE PROBABILIDAD
o
~robar
P (BIA) P (B)
Wum-
egunaos
rapro--
ende
::
meIdesa
,ysu
que
, sus-
"dad de
lelotro.
1 1
p(acertar)
=--=,. =
1
VR 4 3
0.0156
404
TEOREMAS DE
Ejemplo 14.6. En un experimento de perce:x:in auditiva se presenta aleatoriamente uno de los dos estimulos utilizados A y B. El
estimulo A se corresponde con un tono de SO dB Yel B con un rono
de 90 dB. Si ambos estmulos son equiprobables y en cada sesin
experimental se presentan 5 estmulos aleatoriamente:
y la probat
dente ser.
Ejemp
enfermos:
sola vez?
e) Cul es la probabilidad de que los estimulas se presenten en
un orden ascendente en cuanto a la intensidad del tono?
: 0,50,50,50,50,5: 0,03125
b) La probabilidad de que se presente una sola vez el estnulo B
suponiendo que fuese el primero en presentarse (BAAAA) es:
P (B "A "A "A "A): P (B) P (A) P (A) P (A) P (A): 0,03125
Realizam
cula la pro
a) los b
b) las e:
a) Que
los tres sea
zofrnicos
cular la Pf(
P(N"
b) Qu
que una
ejemplo:
5'
c) Tenemos que calcular la probabilidad de que se presente primero el estfmulo A, que es el menos intenso, una, dos tres y cuatro
veces, es decir:
P (A "B "B "B "B) : 0,03125
peA "A "B" B "B): 0,03125
P (A "A "A "B "B): 0,03125
pero estos
queco
secuencia
lAr
TEOREMAS DE PROBABILIDAD
405
y la probabilidad de que los estmulos se presenten en orden ascendente ser, por tanto, 4 x 0.03125 = 0.125.
tres
cular la probabilidad:
P(N r,N r,N)vP(Pr,pr,p) = P(N) P(NI N) P(N I N r,N) +
+P(p) P(pl p). P(pl P r, p) =
32154366066
= - ~-+-~_=-+-=-=O.0917
10 9 8 10 9 8 720 720 720
b) Que las enfermedades de los tres pacientes no coincidan, es,
que una sea neurtico, otro psictico y el tercero esquizofrnico. Por
ejemplo:
P(N r,pn E) = P(N) P(pl N) P(EI N r, p) =
3 5 2 30
__-=-=0.0417
1098720
pero estos tres enfermos se pueden presentar en distintos rdenes
que corresponden a las permutaciones de tres elementos y en consecuencia la probabilidad pedida es:
NpE - pNE - pEN - NEp - ENp - EpN
30
3!P(N r, P r, El = 6 720 = 0,25
406
TEORI
Pero para ello. y antes de enunciarlo, hay que profundizar en la distincin entre los conceptos, ya introducidos en el tema 12, de lo que se
entiende por sucesos excluyentes o incompatibles y los sucesos simwtneos. Como ya se present, los sucesos excluyentes o incompatibles
son los que no pueden ocurrir simultneamente. Por ejemplo, en el
lanzamiento de una moneda el suceso cara y Cruz no se pueden dar a la
vez y la aparicin de uno de ellos excluye la aparicin del otro. Lo mismo
ocurre con los sucesos ser hombre y mujer: Por esta raron, el suceso interseccin que, como hemos visto anteriormente, se refiere a la aparicin de
un suceso y el otro es un suceso imposible y su probabilidad es cero (v.gr.
ser hombre y mujer_; obtener cara y cruz en un lanzamiento; pertenecer al centro de Valdepeas y al de Vizcaya, etc.).
Por su parte. los sucesos simultneos pueden aparecer a la vez. Por
ejemplo, en el lanzamiento de un dado, el suceso A = {3} y el suceso
B = {nmero impar] pueden darse simultneamente, de igual forma que
los sucesos ser mujer_ y estudiar psicologa. Con esta distincin, el
teorema de la suma distingue que los sucesos sean simultneos o excluyentes.
mUIU<lJUI'J)'I' t',dU\l'JJ'I',..
este n
mutuo
A. B}
mos~
Es
en la i
e
ciado
cerof
y esta
a Vale
IU.
Si
A = !
mujel
tamo)
de ap
bifida
ci":
Si los sucesos son excluyentes es imposible que OCUlTan simultneamente por lo que se cumple la condicin de que su interseccin es vaca:
A n B = 0 Y pOI" tanto la probabilidad de aparicin del suceso A o B (la
unin) es igual a la suma de sus probabilidades, Lal como se indica a continuacin:
E
ya qu
dame
:OLOGA I
407
TEOREMAS DE PROBABILIDAD
~
P (A
:quieren
'Obabili~
; la letra
disyuna unin
dis'que se
imultatibJes
), en el
lar a la
mismo
) inter:in de
'o (v.gr.
(perte-
1 [a
Por
;uceso
13. que
in, el
exclu-
v 8)
= P (A) + P (8)
ya que:
AnB=o y por tanto P(AnB)=O
~z.
Si los sucesos
SOIl
'*
cil/:
nea,aca:
B (la
. con-
P (A
v 8) = P (A) + P (8) - P (A n B)
408
TI
cologa O ser mujer? Puesto que Jos dos sucesos son compatibles tendramos que sumar la probabilidad de ser mujer ms la probabiHdad de estudiar psicologa y restar la probabilidad de apal;cin simultnea de los dos
sucesos (ser mujer y estudiar psicologa).
Nuevamente. este resultado se puede generalizar al caso de ms sucesos. Para el caso de Lres sucesos A, B Y e que son compatibles, llamemos
S a la unin de A y B. es decir: S = A u 8 enlonces:
P (A v B v C) = P (S v C) = P (S) + P (C) - P (S n C) =
v B) + P (C) - P [(A v B) n C]
= P (A) + P (B) - P (A
n B) +
+ P (C) - P [(A v B) n C) =
el
P[(A vE)n C]
C)
=P [(A nC) v
pi
(B n C)] =
La generalizacin de esta propiedad para K sucesos simuJtneos rebasa los objetivos de este curso y. por tanto. la omitimos.
la
A
h
ii
Al
409
TEOREMAS DE PROBABILIDAD
r-
uDS
e-
P(M
]S
C)
~0.3 +
0.\5-0,\
0.35
uB=E
;_1 I
B,
B,
B,
B,
B,
B,
B,
B,
B,
410
TEOREM.
Ot
babili
Ap
P(A)-
Ejemplo 14.9. La Jefatura de Trfico ha estimado que la probabilidad de infraccin por adelantamiento en cambio de rasante es
0.20; por .no respetar la seal de stop es de 0.30 y por .el resto de
las infracciones es de 0.50. Se sabe, adems. que la probabilidad de
accidente por adelantamiento en cambio de rasante es de 0.90; la
probabilidad de accidente por no respetar stop es de 0.80 y la pro+
babilidad de accidente por otras infracciones es de 0.30. Calcular
la probabilidad de accidente.
Tenemos que calcular la probabilidad de tener un accidente, peA),
por cometer estas infracciones y conocemos las probabilidades a priori y las verosimilitudesJ'l de tener un accidente por cada una de estas
causas que son:
que
que h
tados
14.5. '1'
Enl~
pleLO de:
que se c(
mamos ~
partir de
y como ]<
ducto al
JGfA I
411
TEOREMAS DE PROBABILIDAD
Otra presentacin alternativa y quizs ms intuitiva de estas probabilidades es el diagrama de rbol. En este caso sera:
0,90
0,10
la! a!
0,80
0.20
0.30
e los
0,70
...
es
a.
a.
),
14.,';.
TEORE~lA
DE RAVES
En las mismas condiciones anteriores. es decir; sea B un sistema completo de sucesos, tales que P(B) > 0, y sea A un suceso cualquiera para el
que se conocen las probabilidades condicionadas P(AIB;) a las que llamamos verosimilitudes (zonas sombreadas de la figura). entonces, a
partir de la expresin general de los sucesos dependientes:
P(B lA): P(B, nA)
,
peA)
y como los sucesos BI< y A son dependientes, aplicamos el teorema del producto al numerador:
412
TEOREMAS
Apa
las _ven
P(B,IA)= ;(B,).P(AIB,)
P(B).P(AIB,)
ial
quepod
masqu
El teorema recibe tambin el nombre de Teorema de la probabilidad de las causas porque si designamos a B k corno causas, podemos
determinar la probabilidad de que el suceso A. consecuencia, aparezca
bajo cada una de las causas B.. El siguiente ejemplo puede ilustrar lo que
decimos y la aplicacin del Teorema de Bayes como ayuda en el diagnstico clnico.
la enfermedad B l ; dos enfermos con la enfermedad 8 2 y cinco enfermos con la enfennedad B J Sabernos que la probabilidad de curacin
completa (C) de la enfermedad B I es 113, de la enfermedad ~ es 2/3
y de la enfermedad B J es 117.
a) Cul es la probabilidad total de curarse?
Al
a)
prObabj
P(
queco
trazo
b)
estaba
413
TEOREMAS DE PROBABILIDAD
JGiA 1
vista
P(B,)
nos
zca
que
ag-
414
P(B IC) =
P(B,) P(C lB,)
,
P(B) P(CI B) + P(B) P(CI B) + P(B,) P(C lB,)
D.S. 1
= __
7 =D.234
0.305
TEOREMAS
En c;
salidas J
salidas
5V con
da ByO
descalJ!'
Sienc;
carga,a
Ejemplo 14.11. La Jefatura de Trfico ha estimado que la probabilidad de infraccin por adelantamiento en cambio de rasante".
P(cr), es 0.20; _no respetar la seal de stop", P(stop), es de 0.30 y por
el resto de las infracciones_, P(r), es de 0.50. Se sabe adems que la
probabilidad de _accidente por adelantamiento en cambio de rasante. es de 0.90; la probabilidad de ..accidente por no respetar stop. es
de 0.80 y la probabilidad de accidente por otras infracciones_ es de
0.30. Ha ocurrido un accidente, calcular la probabilidad de que haya
sido debido a un adelantamiento en cambio de rasante.
Tenemos que calcular P(cr/A} para 10 cual aplicamos el teorema
de Bayes, teniendo en cuenta que en el ejemplo 14.9 ya hemos calculado la probabilidad total de tener un accidente por estas causas.
Por tanto:
P(crl A)
Por e
B dado.
P(
0.57
I-I.h. IIU
En los U
nido los COI
\l
415
TEOREMAS DE PROBABILIDAD
En cada UDa de los ensayos la rata elige siempre una de las tres
salidas A,B o e con igual probabilidad. El suelo de cada una de estas
salidas tiene una rejilla elctrica que dispensa una descarga, D, de
4
4
da B y O para la C. En un detenninado ensayo la rata no recibi la
_
P(B).P(~IB)
=
prAl P(D lA) + P(B) P(D I B) + P(C) P(D IC)
I 3
=
3 4
=0.375
1 1 I 3 1
---+---+--1
3 4 3 4 3
1~.6.
HESUMEl\
En los temas anteriores, de introduccin a la probabilidad, se han definido los conceptos bsicos de la probabilidad, ntimamente relacionados
416
1-1.7. E.lEHC1CIOS
Una urna consta de 4 bolas blancas, 2 negras y 3 rojas. Extraemos
una a una, y con reposicin, 2 bolas. La probabilidad de que las 2
bolas sean rojas es:
a) 1/27
b) 1/9
e) 6/81
Continuando con el ejercicio anterior, la probabilidad de que ninguna sea negra est comprendida enll-e:
a) 0.2 y OA
b) 0.7 Y0,9
e) 0.5 y 0,7
TE
OLOGIA I
.e se han
les en la
lte entre
:sla defios casos
le aparimedida
usmo,la
:ro como
:in for-
)Ies y de
matoria.
e la proque son
:ntre los
lizamos
Iad total
Uciones.
traemos
[Ue las 2
TEOREMAS DE PROBABILIDAD
417
b) 0,3
e) 0,4
Un psiclogo sabe que un 25% de los alumnos de EGB tiene problemas de rendimiento escolar, en tanto que el 75% restante tiene.
durante esta etapa, problemas de adaptacin social. Tambin sabe
que este tipo de problemas se reduce cuando los alumnos comienzan los estudios de SUP, de tal rOlma que si el problema es de ren
dimiento la probabilidad de que desaparezca es 0,2 en tanto que si
el problema es de adaptacin social la probabilidad de que desapa
rezca es de 0,8. Esto supuesto, el psiclogo elige aleatoriamente un
alumno de un grupo de BUP y comprueba que no presenta ningn
tipo de problema. La probabilidad de que durante su etapa de EGB
haya padecido aJgn problema de adaptacin social est comprendida entre:
a) 0,15 Y0,35
b) 0,45 Y0,65
e) 0,75 y 0,95
b) 0,05 Y0,09
lue nin-
"ambos
ida cuaque ten-
e) 0,09 y 0,3
TEO
Los alumnos de los ltimos cursos de Psicologa cursan una especialidad detclminada. El 60% de los alumnos escogen la especialidad de clnica. e1300.!cl la de escolar y el resto la especialidad de industrial. Teniendo en cuenta que ellO, el 25 y el 5% de los alumnos de
las especialidades clnica. escolar e industrial, respectivamente, proceden del curso de adaptacin y el resto lo hacen por el sistema habilual de acceso, si elegimos aleatoriamente un alumno de dicha facultad cul es la probabilidad de que proceda del curso de adaptacin?
11
418
a) 0,24
b) 0,14
e) 0,34
a) 0,54
b) 0,35
e) 0,28
Con los mismos datos del ejercicio 8. y supuesto que el alumno procede del curso de adaptacin, la probabilidad de que curse psicologa escolar est comprendida entre:
a) 0,7 Y 0,8
b) 0,2 Y 0,3
e) 0,5 y 0,6
11.11,
~Oll (I()\I~
IO~
1..11 !I(I(lOS
la respuesta es b.
11
9 9
la respuesta es c.
49
81
0,6049
1
5ICOLOGlA I
419
TEOREMAS DE PROBABILIDAD
P(H)
= P(M) = 0.5
= 0.35
P(EIH)
Y P(E/M)
= 0.25
P (E) = P (E n H) + P (E n M) =
P (H) . P (E/H) + P (M) - P (E/M)
= 0,50,35 + 0,50,25 = 0,175 + 0,125 = 0,3
la respuesta es b.
iad de que
la especia-
y sabemos que:
..
P(M / E)
= P(M n
E)
PiE)
= P(M) - PiE / M)
PiE)
-.
donde:
P (E/M)
= 1 - P (E/M) = 1 -
0.25
= 0,75
Por tanto:
P(M/E) = 0.5-0.75 =0 536
0.7
r tanto,
1) - (3/9) =
la respuesta es a.
11 Llamando:
RE .. al suceso presentar problemas de rendimiento escolar
cAS .. al suceso .. presentar problemas de adaptacin social.. D. al suceso .. desaparicin de cualquier tipo de problema.
a negra:
= 0.25
P(DIRE)
= 0.2
peAS)
= 0.75
P(D/AS)
= 0.8
420
P(AS)-P(DIAS) =
0,75-0,8
=0,9231
P(D)
0,25-0,2+0,75-0,8
P(ASI D)
la respuesta es c.
11
P(REID)
= P(RE)-P(DIRE)
P(D)
0,25 -0,2
= 0,0769
0,25 -0,2 + 0,75 -0,8
o tambin:
P (REID)
la respuesla es b.
11
Llamando:
.. R. al suceso recuperarse con tratamiento psicolgicocR .. al suceso _no recuperarse con tratamiento psicolgico
.A.. al suceso ser tratado medicamente con anterioridad.
Sabemos que:
P (R)
P (R) = 1 - 0,85
= 0,15
Por tanto:
P(R I A) = P(R) -P(AI R) =
P(R) P(Ar..R )
=
peA)
P(R) -P(AI R) + P(R) -P(AI R)
0,85 -0,10
0,85 0,10+0,15-0,25
0,085
0,1225
6939
'
la respuesta es c.
11
la respuesta es b.
11
la respuesta es a.
= P (C)
- P (NIC)
TE
TEOREMAS DE PROBABILIDAD
421
l1li Siguiendo
con la misma tenninologa de los dos ejercicios anteriores:
Tema 15
Distribuciones de probabilidad
de variables aleatorias
SUMARIO
15.1. Introduccin
15.2. Variable aleatoria: definicin
15.3. TIpos de variables aleatorias
15.3.1. Variables aleatorias discretas
15.3.2. Variables aleatorias continuas
15.4. Funcin de probabilidad
15.4.1. Representacin grfica
15.4.2. Propiedades
15.5. Funcin de distribucin
15.5.1. Representacin grfica
15.5.2. Propiedades
15.6. Resumen
15.7. Ejercicios
15.8. Solucin a los ejercicios
1.;.1. I
Yasa~
denomina
no se real
muestral.l
ciendo tOO
diente pro!
Veremc
una, o una
naturaJeza
tos en el tel
bin comol
funcin de
ms prou
creta, gene:
no haremo:
requiere CCl
el objetivo
ceptos y de
raJizar al
en cuenta
inforrnativ
mas. Procu
lan en este
referidos
ceptuales
siguiente t
15.1. 1 THODVCCI:'>'
Ya sabemos que un experimento cuyo resultado depende del azar se
denomina experimento aleatorio o estocstico. Si el experimento aleat().
no se realiza una sola vez se obtendr un nico resultado del espacio
muestral, pero a medida que aumenta el nmero de ensayos irn apareciendo todos los resultados posibles, cada uno de ellos con su correspondiente probabilidad.
Veremos en este tema que para cada experimento podemos definir
una, o unas variables definidas por el experimentador que pueden ser de
naturaleza discreta o continua (de acuerdo a los mismos conceptos vislos en el tema 2, referidos a las variables estadsticas). Mostraremos tambin como para esta, o estas variables aleatorias, podernos construir su
funcin de probabilidad y de distribucin. En este tema trabajaremos con
ms profundidad estos conceptos referidos a una variable aleatoria discreta, generalizando los mismos a las variables continuas; pero con stas
no haremos ningn tipo de operaciones matemticas porque para ello se
requiere conocer y utilizar el clculo integral que supera, ampliamente.
el objetivo de este curso. Pero ello no es obstculo para que todos los conceptos y definiciones referidas a las variables discretas se puedan generalizar a las variables continuas. Esta informacin es importante tenerla
en cuenta para que cuando vea smbolos de integrales las torne a titulo
informativo con la seguridad de que no tendr que operar con las mismas. Procure entender bien todos los conceptos tericos que se presen
tan en este tema porque en otro trabajaremos los mismos conceptos pero
referidos a dos variables aleatorias discretas y todas las lagunas conceptuales_ que ahora se generen dificultarn enonnemente el estudio del
siguiente tema.
426
DISTR
Di)
muesl
o regl
ciom
bies d
tinua.
1.;.:1.
Al
lar po
letras
queto
En
selecci
los val
lN
cretas
tados.
).;.:l.
CU
definic
rabie I
vatia~
noex
res nl
Pi sien
427
DISTRIBUC
de esta m(
diezmilsi
428
ACLARJ
Continu~
pemtita
la malen
"
L.ala
ACLARACiN: Un tipo especial de variable discreta es la variable aleato
ria de BemouH, que estudiaremos en el tema 19 y que, como Veremos, se
origina en aquellos experimentos en los que slo se pueden dar dos valores:
hombre-mujer, cara-cruz; salud-enfermedad; acieno-Fallo. etc. El espacio
muestral es binario y los valores numricos asignados a cada suceso del
espacio muestral suelen ser I y O. Entre las distribuciones de \'ariables discretas ms importantes estn la distribucin binomial, binomial negativa, multinomial, Poisson, pascal e Hipergeomtrica algunas de las cuales estudiaremos en los temas siguientes.
;_1
continu~
gral no I
dientes s
ce de est
Por otra
modelos
cio 001
decor y.
el tema I
hiptesis
Demom
aprender
nos evita
aplicaci
cin yva
(.,.4. F
A partil
tico de las
los temas i
se determi
cias acumt
La fune
de una van
lieo, lo cu~
los posible
asociadas 1
nes, lIamal
b,bilidadque asignl
429
LOGIA I
de Psi-
)na de
~to
_,se
ores:
oacio
> del
; disgati.
rua-
>de un
ecimos
es cua;onLrar
continua en un intervalo [a,b]. Pero no hay que alarmarse, el clculo integral no lo abordaremos porque las soluciones de las integrales correspondientes se encuentran recogidas en unas tablas que aparecen en el apndice de este libro y que aprenderemos a manejar en su momento.
Por otra pane, este tipo de variables pueden distribuirse de acuerdo a unos
modelos de distribucin conocidos entre los que se encuentran la distribucin nonnal, la distribucin "1" de Sludent, la distribucin "P' de Sne-decor y la distribucin chi-cuadrado de Pearson, que describiremos en
el tema 18, y en las que se basa la inferencia estadstica y el contraste de
hiptesis que se estudiar con ms detalle y profundidad en segundo curso.
De momento solo daremos una ligera descripcin de sus caractersticas,
aprenderemos a utilizar sus correspondientes tablas de probabilidad (que
nos evita aplicar el clculo integral) y \'eremos, a modo de introduccin, su
aplicacin para la inferencia de los valores poblacionalcs: media, proporcin '! variam.a.
de per-
preseniquiera
s como
no disemplo,
.actitud
A pal1ir de este punLO vamos a describir el comportamiento matemtico de las variables aleatorias (v.a.) de forma similar a como se hizo, en
los temas iniciales del temario, con las variables estadfsticas para las que
se determin su distribucin de frecuencias, de proporciones, frecuencias acumuladas, proporciones acumuladas, etc.
La funcin de probabilidad --o funcin de densidad de probabilidadde una val-iable aleatoria es la definicin de su cOmpaI1imiento mat.emtico, lo cul implica detelminal~ por un lado su espacio muestral -todos
los posibles valores que loma la v.a- y por 011'0 lado las probabilidades
asociadas a cada elemento del espacio muestra!. Con estas consideraciones, llamamos funcin de densidad\re"pI.0babilidad --o funcin de probabilidad- de una variable aleatoria: X:atrt:incin, ecuacin o regla
que asigna probabilidades a cada uno de los posibles valores nurn
... '
r~).-_
430
ricos, Xl' que toma la variable aleatoria, X. Por tanto, nos posibilita el
clculo de la probabilidad asociada a cada elemento del espacio muestral
de dicha variable aleatoria.
Esta funcin se representa por f(x) y, tanto para variables aleatorias
discretas como para las~~expresa:
D1STR
de
me
priJ
apl
f(x)~P(X~x)
ein
pr
Xl
XJ
En
tarse 1
senta I
-
l
que desan-ollaremos en el siguiente ejemplo.
- e
d
El,
sigL\
.
O) = P(X ~ O) =P(H nH)
=P(H)
P(H I H)
2 1 I
=54
=10 ~0.1
dete
431
2 3 3 2 12
=---+---=-=0_6
5 4 5 4 20
el mismo razonamiento para el valor X igual a 2, que el lector comprender fcilmente, y vale:
[(2)~ P(X ~ 2) = P(M() M) ~ P(M)-P(MIM) ~
3 2
6
5-4
~ 20 =0_3
[(x)
0,1
0,6
0,3
En general, pero no siempre, la funcin de probabilidad puede presentarse tambin mediante una ecuacin matemtica. En este caso se pre-
- - Parax=2, 3, 4, 5
432
Dl5T1l
P,
depr
la rer
conti:
Parax=2=>{(2)=P(X=2)=
{(x)
2
3
4
5
2126
5126
8126
11126
o
Fig. 1!
"'
15.4.
e
la de
433
1.3.4.2. Propiedndes
Las dos propiedades fundamentales que debe cumplir la funcin de
probabilidad son:
vX E X
[(xi) ~ O
En el caso discreto:
"
2,f(x,)
~ [(x) + f(x,) + ... + f(x,,) = 1
;..1
434
DIST
da
( (x) =
3X-4
26
- - Parax=2, 3, 4, 5
{
ha
en otro caso
"
l{(Xi)
e
ne
.,,\
{(x)
2
3
2/26
5/26
8/26
11/26
4
5
ta
15.,3.
Se
de pro
la vac
creto
LOGiA I
435
:a,b],
inito
uela
'valo
uido
'litas
,
2
5
8
J J 26
2/(x)=-+-+-+-=-=1
,.,
'
26 26 26 26 26
mse-
En consecuencia, como se cumplen las dos propiedades requeridas, se trata de una verdadera funcin de probabilidad.
eun
{(x)
~ {(X'
n
-7) e'
~ 3; 4; 5; 6; 7.
= 0.1
la
436
DlSTRlBUCI(
F (X,) = P (X",,"x,)
LoSVl
como la.
Para variables aleatorias discretas, es:
F(x,)
Dicho con otros palabras. seguramente menos rigurosas pero ms comprensible. Si ordenarnos de menor a mayor los valores Xl de la variable
aleatoria discreta (Xl < X2 < X.l < ... X,,), la funcin de distribucin se
obtiene acumulando (o sumando) los valores de la funcin de probabilidad, de forma que para una variable aleatoria discreta aplicaremos
la siguiente expresin:
(;-,21W t
~;
De form
de probabiJ
continuas.
Si la var
distribuci
lo [a,x], es (
tome valOrE
Estafun
taria distrib
variable poI
gral Y su eX"
Ejemplo 15.5. Con los mismos datos del ejemplo 15.1, donde el
experimento aleatorio consista en escoger a dos personas para un
trabajo de seleccin vamos a calcular su funcin de distribucin.
siendo
tal y con
probabilidad de que la variable aleatoria X: nmero de mujeres seleccionadas tome un valor menor o igual a cero, esto es:
1.;..;. J. 11,
F (O) = P (X ~ O) = P (X = O) = 0,1
La repre
dad de una
de fonna similar F(l) es la probabilidad de que el _nmero de mujeres seleccionadas,. sea menor o igual a 1, esto es, que sea cero y una
mujeres:
F(I) = P(X~ 1) = P (X = O) + P (X = 1) ={(O) + ((I) = 0,1 + 0,6 = 0,7
F(X)
Ylo mismo para calcular la probabilidad de que el ~nmero de mujeres sea menor o igual a dos:
F (2) = P (X ~ 2) = P (X = O) + P (X = I) + P (X = 2) =
=
+ 0,6 + 0,3 = 1
F;g. 15.4
101'
uno voril
lAl
437
x
F (x)
n-
,le
..
,.
)5
le
.e
.~
0,1
I
0,7
2
I
Esta funcin de distribucin se puede interpretar como una masa unjtlria distribuida continuamente a lo largo del intervalo de variacin de la
\'ariable por lo que, en lugar del sumatorio, tenemos que emplear la nregrol y su expresin para variables aleatorias continuas es:
F(x)=P(X~x,)= J:f(x).d.x
siendo
F(x)=O
SiX<3
sia<x<b
six~b
y F(x)= 1
La '"epreselHacin grfica de la funcin de distribucin de probabilidad de una variable discreta adopta la forma de un diagrama de barras
F(x}
f(ll,f---f
F(X)
.....~--I~-t--x
4
438
OISTRlBl
de probabilidades acumuladas donde la altura de cada balTa corresponde al valor de su funcin de distribucin o probabilidad acumulada. En
el caso continuo la representacin granea es una funcin continua sin
aspecto quebrado.
- Pal
val
CUI
de
b,l
1.)..~.2. I'ropitdade..
Observando las grficas de las [iguras 15.4 (a y b) se deduce, sin necesidad de recunir a demostraciones matemticas. las propiedades fundamentales que debe cumplir la funcin de distribucin de probabilidad.
Estas son:
- Todos los valores que t.oma la funcin de distribucin de pro
habilidad son positivos o nulos, es decir:
Para lodo valor x, de X -+ F (x,) ~ O
- F(x) es nula para todo valor de la variable inferior al menor
valor de la variable aleatoria En otras palabras. si F(x) est definida en el intervalo (a,b), la funcin de distribucin de probabilidad
fuera del lmite infelior de ese intervalo es cero:
qUI
mi>
<as
esp
de:
la i
da
I AC~
de prol
sern (
F(x)=Osix<Q
concre
probab
babilid
nuas, f
mtica
F(x}=lsix>b
l.',t>, H
- Tanto para las variables aleatorias discretas como para las continuas, la probabilidad, P, de que la variable aleatOlia X tome valores
x comprendidos entre Xl y X2 (x 1 ~ X S x 2) es la diferencia entre los
valores de la funcin de distribucin correspondientes a su valor
superior menos su valor inferior, tal como se representa en la siguiente grfica.
En lO!
do. El es
nos da u:
darse. Pe
siendo el
poco mal
de esto, J
test fom
que solo
las difere
F(x)
P(xl<xSx,)=F(x 2 )-F(x l )
F(x~ 1
'1',1
o
x, x
1 Enes
de contesta
cin de 3 el
439
- Para el caso de una variable aleatoria continua definida en el intervalo [a,b] como la representada en la figura IS.I (b) y teniendo en
cuenta que para valores por debajo del lmite inferior, a, la funcin
de distribucin es nula y para valores superiores al lmite superior,
b, es uno, podemos escribir que;
15.6. HESVMEI\
En los temas anteriores aprendimos lo que es un experimento aleatorio. El espacio muestral o universo de resultados posibles asociado a l,
nos da una desclipcin exhaustiva de todos los resultados que pueden
darse. Pero en muchas situaciones de la vida cotidiana, esta descripcin
siendo exhaustiva puede ser enormemente extensa y, en consecuencia,
poco manejable para describir una variable aleaLOria. Como ilusLracin
de esto, pinsese en la puntuacin que una persona puede obtener en un
tesL formado por 20 preguntas con tres altemativas de respuesta de las
que solo una es cOITecta, sera capaz de construir el espacio muestral de
las diferentes formas de responder al test?]. Pinselo pero no lo acabe por1 En esta situacin el espacio muestral est fonnado por las diferentes formas distintas
de contestar a este test que. como se ha visto en el tema 13, son las variaciones con repeli
cin de 3 elementos. tomados de 2.0 en 20. Es decir. VR uo =3N =3.486.784.401.
440
que seJia una prdida de tiempo ms til para otros objetivos. Si, como
suele ser habitual, solo estamos interesados en el nmero de respuestas
acertadas en el test, podemos recunir, como eSludiamos en este tema a
la variable aleatoria X '" nmero de respuestas acertadas contestando al
azar, y con los conocimientos adquiridos hasta el momento, construir
su tabla de distribucin de probabilidad, que nos proporcionarla una des
cripcin mucho ms resumida, manejable e igualmente exhaustiva de esta
v3;able aleatoria.
Habr observado tambin, y as lo esperamos, que una tabla de dis
tribucin de probabilidad de una variable aleatoria discreta es similar a
una tabla de distribucin de proporciones de una variable estadstica dis
creta. El mismo paralelismo se produce entre la tabla de la funcin de
distribucin y la tabla de proporciones acumuladas, y por supuesto entre
sus respectivas representaciones grficas. Cuales son, entonces, las dife
rencias?: la variable aleatoria representa el universo (espacio muestra o
poblacin de resultados posibles de un experimento aleatorio, en tanto
que la variable estadstica incluye los valores obsen'ados en una muestra,
pero no necesariamente todos los valores posibles. En consecuencia una
distribucin de probabilidad es la distribucin terica de los valores de
una variable aleatoria, que forman el espacio muestra!. poblacin o universo de resultados posibles, mientras que la distribucin de proporcio
nes de una muestra es la distribucin emprica de unos valores observados en esa muestra y que no constituyen la poblacin o universo de
resultados posibles. Por otra parte, la proporcin de valores obsenrados
para una variable estadstica, calculada mediante el cociente entre los
valores obsen'ados, n, y el IOtal, , (similar al cociente entre casos ravo
rabies y casos posibles) no es ms que una tosca aproximacin a la definicin estadstica de probabilidad que, para una variable aleatoria, calcularamos con los procedimientos estudiados hasta el momento.
Por ltimo, podemos anunciar que de forma similar a como desc;b(amos una va;able estadistica discreta -recurriendo a la obtencin de diferentes ndices: de tendencia central; de posicin; de variabilidad-lo haremos con la variable aleatOl;l, Pero esto lo trataremos en el prximo tema.
Antes asegrese de haber asimilado todos los conceptos realizando los
ejercicios que aparecen l continuacin,
D1STRJBUCll
ITJ
[!]
El esF
a) 7 s
b) 8 s
e) 2 s
La
V31
a) O; 1
b) 1;;
e) O; I
[I]
La fUI
a)
O
I
8]
La fu,
a)
O
I
2
3
[I]
Cansie
dad de
a) los
b) la p
e) la f,
ImagiJ
babilid
roja y
entre -4
1.. 7. EH.IlCIClOS
que UIl
y 580 1
Se lanza sucesivamente una moneda tres veces y definimos la variable aleatoria X = .. numero de caras obtenidas entre la primera y la tercera moneda .
a) f(SS
b) F(S'
e) F(S:
ifA 1
mo
O]
;tas
441
.a a
,al
b) 8 sucesos
e) 2 sucesos
uir
105-
~ta
a)0;1;2;3
b) 1; 2; 3
lis-
e) O; 1; 2
ra
lisde
.tre
f(x)
f(x)
f(x)
O
1
0,25
1
2
0,25
0,25
O
1
0,25
0,5
F(x)
F(x)
F(x)
de
los
los
O
1
1
2
3
0,25
0,50
O
1
0,25
0.75
1
vo-
0,25
0,50
0.75
1
ife
1)0
>lo
Ta,
ma
de
ruioer-
:13.
los
ia:e
e)
Considerando la representacin grfica de la funcin de probabilidad de una variable X, en el eje de ordenadas se recoge:
re-
b)
a)
,6al-
fe-
0,25
0,25
3
0,50
2
2
0,25
3
0,25
La funcin de distribucin de esta variable aleatoria es:
a) los valores de X
b) la probabilidad
e) la frecuencia
lmagine que conocemos la ecuacin que denne la funcin de pro
babilidad del tiempo de "eaccin de unos sujetos nonnales a una luz
roja y que esta funcin est definida en el intervalo comprendido
entre 400 mseg y 630 mseg. Si deseamos calcular la probabilidad de
que un sujeto tenga un liempo de reaccin comprendido entre 500
y 580 mseg, tendramos que realizar la siguiente operacin:
a) f(580) + f(500)
b) F(500) - F(580)
e) F(580) - F(500)
442
DISTRlBUC
11
lidad.
b) es cero.
De ac:
los va
mera
colurr
la es 1
creto, x.
b) La probabilidad de que la variable aleatoria X tome un \'3101'
menor o igual que x.
e) La probabilidad de que la variable aleatoria X tome un valor
menor que x.
En un experimento aleatorio cualquiera para representar la expresin .Ia probabilidad de que una variable aleatoria, X, tome valores
menores o iguaJes que 4_ utilizamos:
a) f(4)
b) F(4)
e) P(4)
11
La fur
ya que
r(O) =
=0,5
rO)
= 0,5
{(2)=
:: 0,5 .
Por 101
la funl
11 des
ap
siguiefl
CCC
CC'
C'C
'CC
donde
la b.
Por tan
F(O) =
,
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS
Espacio muestral
CCC
CC'
C'C
2
1
2
1
1
O
1
O
cc
C"
'C'
..c
443
11
[(x)
0,25
0,5
0,25
2
ya que:
3.
Por lnto:
F (O)
=P (X ~ O) = {(O) =0,25
444
OISTRI:
l<
(x)
O
1
2
0,25
0,75
I
)'
11 E
FI
di
es
d,
d,
11 p (500
X S; 580), es decir la probabilidad de que la variable aleatoria X sea un valor comprendido entre 500 y 580 que se puede res-
yl
11 unLa
rel
di!
por lo que la respuesta correcta es la e) que grficamente corresponclela a algo similar a lo que se representa en la siguiente grfica:
F(x)
F-----:,...,.I----
F1500) 1---,
1
F1580)
-t---x
500 580
Para toda variable continua la probabilidad de tomar un valor concreto es cero. Tngase en cuenta que el nmero de valores que pue
de tomar una variable continuas es infinito por lo que los puntos
estn infinitamente prximos enlre s. Por tamo, puesto que la suma
de las probabilidades para todos los posibles valores del intervalo
(espacio muestra!) tiene que ser la unidad y este intervalo esta constituido por infinitos valores. la probabilidad asociada a cada uno de
estos infinitos valores de la variable continua es infinitamente peque
o (nulo) y. en consecuencia, la probabilidad de que la valiable alea-
11II
.L
m,
COI
1.,
,fA 1
445
~es
;de
F (x) = I
si
x>630
y la respuesta es a.
lte:
.10-
:-es-
1)
:"es-
lea:
:onlUe
HOS
1ma
ialo
)OS-
,de
~ue
Jea-
lID
Terna 16
Variables Aleatorias Discretas (1):
Una Variable
16.1. 1:\Tf
SUMAIlIO
En los ter
aleal.Orio defj
16.1. Introduccin
16.2. Momentos de la variable aleatoria
16.2.1. La esperanza matemtica o media
16.2.2. La varianza
16.3. Resumen
16.4. Ejercicios
16.5. Soluciones a los ejercicios
lidades asoci
probabilidad
grfica. El sij
su funcin de
ricos que repl
y que denomi
han variables
tad conceptua
a describir ur
zas, tambin:
Todo este
variable aleato
lidad univaria
anterior. en Cl
mas variables
del director de
res y dos homl
cin. En esta:
mujeres seleo
ble Y como.n
de estudios de
De rnodoc;
ciones de pro'
contamos con
16.1. Ii\THODUCCIN
En los temas anteriores hemos visto que cuando en un experimento
aleatorio definimos una variable aleatoria podemos obtener las probabilidades asociadas a todos sus posibles valores, presentar su funcin de
probabilidad resumida en Una tabla y su correspondiente representacin
grfica. El siguiente paso, que abordaremos en este tema ser describir
su funcin de probabilidad mediante la obtencin de unos valores numricos que representen su tendencia central y su dispersin o variabilidad
y que denominaremos con el nombre genrico de momentos. Estos conceptos son similares a los ya vistos en los temas 4 y 5 cuando se estudia
ban variables estadsticas. Ver que no se aade ninguna nueva dificultad conceptual ni de clculo numrico. Si en los temas anteriores aprendi
a describir una dislribucin de frecuencias calculando medias y varian7.aS, tambin lo har ahora con las mismas herramientas de entonces.
Todo este tema se referir a la distribucin de probabilidad de una
variable aleatoria discreta, tambin llamadas distribuciones de probabilidad univariadas. Pero como se ha sealado en la introduccin del tema
anterior, en cualquier experimento aleatorio se pueden definir dos, tres o
mas variables aleatorias. Por ejemplo, recuerde la situacin del ejemplo
del director de un Gabinete de Psicologa Clnica que cuenta con n:es mujeres y dos hombres y desea escoger a dos personas para un trabajo de seleccin. En esta situacin, podemos definir la variable X como nmero de
mujeres seleccionadas. En otras situaciones, podemos definir la variable Y como nmero de hijos en edad escolar y la variable Z como nivel
de estudios del cnyuge.
De modo qu~ en cualquier situacin se pueden originar las distribuciones de probabilidad bivariadas, o en general. multivariadas cuando
contamos con ms de d~s~vana~les_aleatorias.Los conceptos que vere.-
450
VARJABLES AL
mos aqu son los mismos para cada una de las situaciones anteriores aunque, lgicamente, vara la fonna de calcularlos y se pueden obtener nuevos ndices numricos a cada situacin. Nos limitaremos al caso de una
va-jable en este tema, y a la distribucin de probabilidad bivariada (dos
variables) en el tema siguiente al que debe pasar cuando considere alean
zados los siguientes objetivos especficos que podr comprobar con los
ejercicios de autocomprobacin que le proponemos, como siempre, al
final del tema. nimo! Ver que no es tan complicado. Los objetivos son:
nicin que e
siguiente ron
ACLARACfl
momento~
sumatorio Si
ya que se Ita
multiplicado
tendremosq
lo que no ha
En loque~
nuestros objet
cia central cor
media es uno
de el punto p t'
los momento!
el punto p es i
momentos tan
no entrarem~
etre otros.
"
\11.1
\11 \TOHI \
En Jos lemas 4,5 Y6 aprendimos a describir una distlibucin de frecuencias de una variable estadstica mediante los ndices de tendencia
central, de dispersin, de simetra y de apuntamiento o curtosis. Lo mismo podemos hacer ahora con una val;able aleatoria cuya funcin de probabilidad queda perfectamente descrita mediante un conjunto de ndices
a los que vamos a designar con el nombre genl;co de momentos y de los
que posteriormente haremos una clasificacin. De todos stos, nos vamos
a centrar exclusivamente en los siguientes mOmentos: la media y la valianza (y, obviamente, su raz cuadrada, la desviacin tpica)
Se definen los momentos de orden r. respecto a un punto cualquiera p de una variable aleatoria X, como la esperanza matemtj
ca de las potencias de grado r de las desviaciones de los valores de
la variable respecto a este punto p. Pero esto no es ms que una defi-
1h.~. 1. l... Ji
los momel
representareml
nen. pam el ca
ACLARACIN
Al
m-
.ena
"', =
os
451
mos
al
m:
m,
los
'os
1.
m-
alti-
de
,6-
ACLARACiN: Por lo que se ha dicho en la dcfinicin dc momentos se decllce que para las variables continuas. la esperan;,.a tendr la siguiente expresin:
~~
= E(X'):=
J': xi'
{(X,)
'v
452
VARJABL~
,,
Las distlibuciones de probabilidad de variables aleatorias continuas que se
estudiarn en este curso en el tema 18 estn perfectamente especificadas y
en ningn caso tendremos que aplicar esta expresin para obtener su media.
Entre estos, el ms sencillo y uno de los ms importantes, es la esperanza matemtica o media que corresponde al momento respecto al origen de prime- orden. Se representa indistintamente por E (X) o por la
letra griega p (.mu.) y corresponde al valor obtenido al aplicar la expresin anterior considerando que, al ser de primer orden, r = 1, es decir:
~; = E(X) =
LX,'
,., {(x,)
.=1
,.,
El lrmino tiene sus races en los juegos de azar con el fin de poder
estimar las ganancias esperadas si se repitiese el juego un elevado nme
ro de veces. Referido a una variable aleatoria, es sinnimo del concepto
media, estudiado en los temas previos, pero, dentro de la teoria de la probabilidad, es el que se utiliza para representar el promedio terico que
tomara la vaI-iable aleatoria si se repitiese el experimento aleatorio infinitas veces.
tal y co
han obl
primer.:
incluye
El valo
piedades (
se mostraJ
- La
el
-La ..
espel
- La e!
es ig-w
ble.
- Dada
delp
ranu
E()
O
1
f(x)
d(x)
0,1
0,6
0.3
0,6
0,6
1.2
Olro m(
tc'-ores, es
que repreSl
decir E(X 2)
t"es (r = 3),
1 Para salJ
que esperar al
ItOCA J
.ue se
das y
le{lia.
453
espe
) al oriI por la
. expre!ecir:
3.
El valor esperado de una variable aleatoria tiene las siguientes propiedades que expondremos sin demostracin y que son las mismas que
se mostraron en el tema 4 para la media de una variable estadstica:
- La esperanza de una constante es igual a la constante.
X, es
X,que
t,
[(",).
E(e) = e
si c = constante
: poder
nmencepto
la pro-
E(e . X) = e . E(X)
ca que
io infi-
o al
'ao-
Otro momento respecto al origen que nos interesa para clculos posteriores, es el momento respecto al origen de orden dos. Este es:
,,; = E(X') = !:x'.
(x.)
,
I
/"'.
454
VARIABLES Al
f(x)
0.1
0.6
0.3
1
2
que ahora
que indkan.
desviacione
variable ale
0,1
0,6
0,3
Vol:
ACLARACH
que el mom
partimos d~
operamos el
~I
-0,2
0,6
1,2
que es una e
1,6
~=yIr(y,)=-2D,1
+ 10,6+40,6= 1,6
=31,2-2= 1,6
Entre tocle
tivos de descr.
orden dos, qt:
ranza matem
res de la var
para derivar 1,
I h.:!.:!. La ,adanza
Cuando en la expresin general de los momentos, que volvemos a
reproducir:
"', =
Se suele de
griega sigmal
tico se utiliza,
(x,-p)' . {(x,)
es decir, que la
cuadrados d
(E(X'.
455
Entre todos estos momentos el ms importante -para nuestros objetivos de describir una funcin de probabilidad- es el momento central de
orden dos, que recibe el nombre de varianza y corresponde a la espe
ranza matemtica de los cuadrados de las diferencias entre los valores de la variable y la media. Intente el lector comprender esta fTase
para derivar lgicamente que su expresin matemtica es:
a'
456
VARlABL~
Utili
a 1,2. _
to al ori
r.xff(x)=J.I;
f(X,)-=J.11 =J.1
r[(x,)= I
que pro
llegamos a:
r.t; .{(x,) - 2
'
cr
CT
[E(Xl)'
cuyos re
Por tan1
y su ra
Entre Il
- La
- Sean
varia
varia
si y
Ejemplo 16.3. Continuando con el ejemplo anterior, vamos a cal
euJar su varianza y desviacin Lpica.
Vi
51
Nuevan
aleatorias, X 1
eslos y Olf'Os,
1: 1
457
x,f(X)
f(x)
O
1
2
. 0,1
0.6
0.3
0.6
0.6
0.6
1.2
1.2
1.8
X' f(x)
Utilizaremos la expresin:
o' = E (X') -
[E (X)J'
~2
]2.
o' = E (X)' -
~ ...
,,)
si e = constante.
V(X) + V(Y)
458
VARIABLES
- La
VI
iguaJ
de la
desarrollando los cuadrados de los binomios y considerando que la esperanza de la suma es igual a la suma de las esperanzas:
== E (X: + 2XY+ Y:}-(E (') + E(YW '"
E (X') + lE (XY) + E (Y'J - (E (X)' - lE (X) E (Y) - (E (Y))' :
siendo c= conslanle.
l/d. HE
Hemos
ra y la hen
y los mom(
les que hell
fundament
respecto al
la media d(
rencia enln
dode la me
entenderJo
siguiente.
Convien
ciones de u
variable aje
ca y la espe
de cIJo, corr
Para
tUllO
r[.
X=-
x.
N
ma ecuaci
x =2<>,'
los valores (
Senla el cae
nmero de 1
a continuaCl
Para tilla
El cuadlOldo de un binomio (a :l: b)l es igual al cuadradQ del pI;mero mas el cuadrado del segundo m3!> (o menos) el doble del primero par el segundo.
l
(a +b)2 :a +b + 2ab
(a _b)2: al + b l _ 2ilb
E (X) =1
de acuerdo 1
entre el nn
459
Hemos estudiado la funcin de probabilidad de una variable aleatoria y la hemos descrito haciendo uso de los momentos respecto al origen
y los momentos respecto a la media. De estos conceptos tericos generales que hemos definido y expresado matemticamente, hemos utilizado
fundamentalmente dos: la media y la varianza. La media es el momento
respecto al origen d_e--2.r:4en uno, y la varianza es elmomento respectO a--la mooia de orden 2, y para su clculo prctico hay que o tenefla-aife7
rencia entre el momento respecto al origen de orden 2 menos el cuadrado de la media. Y esto no es un juego de palabras, de modo que si cree no
entenderlo, es conveniente que repase este tema antes de abordar el
siguiente.
Conviene insistir en el paralelismo entre la distribucin de proporciones de una variable estadstica y la funcin de probabilidad de una
variable aleatoria e igualmente entre la media de una variable estadstica y la esperanza matemtica de una variable aleatoria y como muestra
de ello, compare sus correspondientes ecuaciones:
Para una variable estadstica, la media es:
x= r~
Xi
E (X)
= 'Ix
460
VARIABLES Al
al 2,7
Para una variable aleaIO!;a, el p;mer trmino corresponde a la media
de X 2, E (Xl) Y el segundo es el cuadrado de la media. (E (XW, de acuer
do con la siguiente expresin:
V (Xl = E (X') - [E (Xl]'
siendo E (X') =
LX' . ((x)
b)7
el 2.4
En la si
X,lam!
En el siguiente tema veremos la distribucin conjunta de dos variables alealOlias anunciando de antemano su paralelismo conceptual con
la distribucin conjunta entre dos variables estadsticas. Antes de ello,
imente realizar los siguientes ejercicios que le indicar si est en condi
ciones de pasar a estudiarlo o conviene un nue\'o repaso de este tema.
IhA. I:.II:IIClCIOS
[J]
l...,;'\
al 3,15
bl 2,95
el 3
En la si
X, la va
[O
al 0,84
el 2,4
En la sil
X,la Val
b)7
F (X)
fl')
1
2
3
4
0,2
,t
0,5
0,9
1
c,~
,,u
",
461
.,,.
,
"~
", '"
"
1, '
a) 2,7
/1t<~
b)7
ei
2,4
{(x)
0,05
0,1
0,2
0,25
0,35
0,05
I
2
3
4
6
a) 3,15
b) 2,95
c)3
En la siguiente tabla de la funcin de distribucin de una variable
X, la varianza es:
F(x)
1
2
3
4
0,2
0,5
0,9
a) 0,84
b)7
e) 2,4
.
En la siguiente tabla de la funcin de probabilidad de una variable
X, la varianza es:
462
(x)
21
0,05
0,1
0,2
0,25
0.35
0,05
3
4
6
VARlABLESA
La res
11 euanti
nesde
ellos (1
de muj
Laresp
11 orden
(
al 3,15
bl 2,95
el 1,84
el valor
r:
Para calcular la varianza de una variable aleatoria, podemos uliL (X - J.1)l . (x) u otra similar que implica
calcular:
5 (p
La resp
11 viamenl
las prot
la tereel
[!Q]
za de la variable.
sanas pa
La respL
11 segunda
al depender de los valores de x (positivos o negativos) puede ser negativo la suma final.
"
463
La respuesta correcta es la c. Vamos a comprobarlo para lo que previamente obtenemos su funcin de probabilidad cdesacumulando_
las probabilidades que aparecen acumuladas y que se muestran en
la tercera columna de la tabla:
X
F(x)
[(x)
x' ((x)
2
3
4
0,2
0,5
0,9
1
0,2
0,3
0,4
0,1
0,2
0,6
1,2
0,4
2,4
E (X)
= Lx [(x) = 2,4
{(x)
x . {(x)
O
1
2
3
4
6
0,05
0,1
0,2
0,25
0,35
0,05
O
0,1
0,4
0,75
1,4
0,30
2,95
E (X) - Lx, {(x) _ 2,95
464
VARIABLES
11
La respuesta correcta es la a. Para comprobarlo, obtenemos primero la funcin de probabilidad de X a partir de la funcin de distri
bucin. Para ello, restamos a la probabilidad acumulada de X la del
!.are
l1li dere
F (x)
I
2
3
4
0,2
0,5
0,9
0,2
0,3
0,4
0, I
v (X) = E (X') -
x . ((x) x'.{(x)
{(x)
0,05
0, \
0,2
0,25
0,35
2
3
4
6
v (>0 = E (X') -
11
[E (X)]'
el pril
2,4
6,6
VO
2,4'
= 0,84
0, I
0,4
0,75
1,4
0,3
0,1
0,8
2,25
2,95
\0,55
5.6
\ ,8
= \0,55 -
2,95'
= 1,847
v (X) = E (X') -
[E (X))'
tificac
gener
i,2
0,05
e~
3,6
\ ,6
En
vaal
0,2
La respuesta correcta es la c.
Supo
0,2
0,6
\ ,2
0,4
= 6,6 -
[E (X)]'
com:
cero I
46S
V (X) ~ L (x; -
. {(S)
Tema 17
Variables Aleatorias Discretas (11):
Dos Variables
SUMARlO
17.1. Introduccin
17.2. Funcin de probabilidad conjunta
17.3. Funcin de probabilidad marginal
17.1. 1:\"
Record
cin del te
una o mas
Iidad univ:
das (tres o
de probabi
dio de las l
como hiciJ
lidad conjl
represent
lo nico q
clculo.
Los obj
Ser ca
aleato!
Consb;
atan
17.1. I :TRODUCCI'\'
Recordemos antes de empezar que, como se indicaba en la introduccin del lema anterior, en todo experimento aleatorio es posible definir
una o mas variables aleatorias originando las distribuciones de probabilidad univariadas (una variable). bivariadas (dos variables) y rnultivariadas (tres o ms vaJiabJes). Una vez estudiada Jo referente a la distribucin
de probabilidad de una variable en el tema 16, abordaremos ahora el estudio de las distribuciones de probabilidad bivariadas y, de forma similar a
como hicimos en el tema anterior. construiremos su funcin de probabilidad conjunta, su funcin de distribucin conjunta y sus momentos ms
representativos. Estos conceptos son los mismos que ya conocemos y
lo nico que cambia, obviamente. es la expresin matemtica para su
clculo.
Los objetivos son:
470
VARIABLES
Tabla 17.'
X\
x,
x,
Calcular la esperanza matemtica y la varianza de una suma (o resla) de dos variables aleatorias discretas.
Cuantificar la intensidad de la relacin entre dos variables aleatorias discretas.
Entender el paralelismo existente entre estos conceptos referidos
a dos variables estadsticas y dos vatiahles aleatorias.
/vrt-- i
V;
'f
xr
Y: y,. y" y, ... , y<
X:
y cuyos resultadO~Ogemosen una tabla (Tabla 17.1.) de doble entrada de dimensione p x Q\d.onde el valor genrico -que aparece en negrita- en el cruce de la . a i con la columna j es "la probabilidad conjunta
de que la rata consiga Xi bolas de comida y reciba YJ descargas elctricas.
que representaremos por f (Xi' Yi)'
Esto que hemos escrito literalmente con palabras lo podemos escribir
de forma resumida utilizando un lenguaje sin palabras, de la siguiente
forma:
{(x" Y,) "P [(X = x,) y (Y = y,)]
De esta
variable al
dentro del
lidad de ql
mea y. con
Por tan
refiere a la
roa similar
que atribl
variable a
aleatoria ~
Si calcl
valores (Xi'
probabilid
una tabla (
ejemplo iN
de probabi
concreto.
Eje
laberin
B. Ca
cada ve
mento
ladocle
atonas.
Al
471
...
...
. ..
X\y
y,
y,
X,
x,
((Xl. 11)
'(X2' y,)
...
...
.. '
f (x2, 12)
...
.. '
...
...
x,
...
. ..
...
((XI' Y11
."
y,
."
(Ix" y)
f (X2. r,l
({x"y,1
(Ix" y,1
...
IV<;. yl
...
.. '
...
...
."
(1",
11", y,)
.. '
11", y)
y,)
y,
Hx" y,l
({x" y,)
...
({x" y,1
...
(1", y.l
f (2,
a
i
,
,
1)
= P [(X = 2) Y (Y = 1)]
472
VARIABLES ALE
Para la
babilidad d(
la A?
p<ObabilMlades, P
Espacio M~trol
AA
2
2
1
0,25
0,125
0,125
0,25
0,125
0,125
ABA
ABB
BB
BAA
BAB
2
I
1
2
2
1
2
Hecho
lenemos q
de la siguie
((O,O)
que en nin
queX",Oe
reciba nin
Sepu
ta y ningu
que en la
situacin
te ocurre
babilidad
cargas el
esta situac'
BAH, cuy
que nos pe
babilidad
473
Para la segunda opcin reflejada en la tabla Cuanto valdr la probabilidad de que primero escoja la salida A, luego la B y finalmente
la A?
P(A " B "A} = prAl . P(B} . peA} = 0,5 0,5 . 0,5 = 0,125. Porque
son sucesos independientes. Y de la misma fonna para los siguien
tes casos, cuya tarea dejamos al lector, insistiendo en que tiene que
basarse en los 'mismo principios que hemos indicado en los dos primeros casos. Por tanto:
peA " B " B}= prAl P(B} P(B} = 0,5' 0,5' 0,5 =0,125
P(B " B} = P(B} P(B} = 0.5' 0,5 = 0,25
P(B "A" A} = P(Bl prAl prAl = 0,5' 0,5' 0,5 = 0,125
P(B "A" B) = P(B) prAl P(B} = 0,5' 0.5' 0,5 = 0,125
Hecho est.o, para obtener la funcin de probabilidad conjunta.
tenemos que obtener cada uno de los valores f(x.y), que se obtienen
de la siguieme forma:
f(O.O) = OEsta situacin no aparece en la tabla anterior puesto
que en ningn caso simultneamente se puede dar la situacin de
que X = O e Y = O. Es decir, en ningn caso es posible que la rala no
reciba ninguna bolita de comida y ninguna descarga eJcUica.
Se puede dar la situacin de que la rata reciba una bola de camita y ninguna descarga elctrica?, es decir cuanto vale f(LO)? Bus
que en la tabla si es posible esta situacin y cuanto valdr. Como esta
situacin no aparece en la tabla, su probabilidad es cero. Igualmente ocurre con f(O,I); f(1 ,O); f(1,1). Sin embargo: Cunto vale la pro
habilidad de que la rata coma una bola de comida y reciba dos descargas elctricas? Es decir cunto vale f{l,2)? Si obsenramos la tabla,
esta situacin se produce cuando la rata elige ABE o cuando elige
BAB, CUY,3S probabilidades valen respectivamente 0,125. Entonces:
{(l, 2) = peA "B"B) uP(B "A "B) = 0,125 +0,125 = 0,25
474
VARIABLES ALE
..
X-l
Y-O
O
O
Y-I
O
O
X-2
0,25
0,25
X-O
Y-2
0,25
0,25
O
(x,y)
2X+Y
100
O en otro caso
Y=8
Y=9
(0,8)
(9.9)
Y=IO
Y=II
La funcin
cretas cumple 1
ble y desarroll,
- Para tod(
valor X, e
X= 1
( O 8) = 2X + Y
100
= 2 O+ 8 =O08
\00
- La suma
conjunta
'
( 09)=2X+Y =20+9=009
,
100
100
'
Antes de pa
dos propiedadE
475
(CO,IO) =
2X+Y 20+10
=0,10
=
10O
100
{(O,IJ) =
2X+Y 2 0+ 1I
=0,11
=
100
100
{(1,7) =
2X+Y 21 +7
=
100
100
0,09
2X+Y 21 +8
=0,10
=
100
100
2X+Y 21 +9
= 0,11
(O,9) =
=
100
100
2X+Y 21+10
=0,12
(O,lO) =
=
100
100
{(1,8) =
{(l,ll) =
,
2X+Y 2J+11
= 0,13
=
100
100
X=O
X- 1
Y=7
0,07
Y=8
0,08
009
010
Y=9
0,09
011
Y=10
0,10
Y= 11
0,11
012
013
La funcin de probabilidad conjunta de dos variables aleatorias discretas cumple las mismas propiedades expuestas para el caso de una vari<lble y desarrolladas en el tema anterior:
- Para todo par de valores, (x;, y), la probabilidad de que X tome el
valor x; e Y tome el valor y es siempre mayor o igual que cero:
I {ex"y,) ,
((x"
;
Yi)
=1
476
indicarla que, o bien no se trata de una verdadera funcin de probabilidad o que hemos cometido algn error (difcilmente perdonable dados
los conocimientos adquiridos hasta el momento) en nuestros clculos.
VARl
de p
expl
not(
volvl
X~O
X~I
X~2
Y~O
Y~I
Y~2
O
O
0,25
O
O
0,25
0,25
0,25
O
difel
carg
lida(
las d
cribi
vemos, con una simple inspeccin visual. que las probabilidades reco-
I1
sin e
obte
la te!
ACLARACIN: Esta operacin la vamos a escribir con ms formalidad matemtica, que servir tambin para familiarizarnos con el smbolo del doble
sumatorio visto en el tema 2.
L L {(x, Yi) ~ f(xo, Yo) + f(xo. YI)+ f(xo. y,) + (XI' YO) +
;
+{(X, y)+ {(XI' Y2)+ {(~, Yo)+ {(X2' YI)+ {(X2' h) '"
=0+0+0,25+0+0+0,25+0,25+0,25+0=1
y as
la
carg.
V
X,ql
Como tarea, dejamos al lector que compruebe por su cuenta que estas
dos propiedades se cumplen tambin en el ejemplo 17.2.
nn
XI' ir
tia "r
reali
o lo
477
lAl
ili
los
X"O
x"
X"2
Y"O
Y"I
Y"2
O
O
0,25
O
O
0,25
0,25
0,25
O
{(x"Y,)
;-0
g (x,) ~ P (X " x;) " {(x" y,) + {(x" y,) + .. , + {(x" y,l + .. , + {(x" v,)
o lo que es lo mismo:
478
VARlABL
la prob.
dramo:
,
g(X)
= '<'
1
.t.... (X./. YI )
_l
Y=O
=I
Y=2
O
O
0,25
O
O
0,25
0,25
0,25
O
x=o
X- I
X=2
g (x)
0,25
0,25
0.50
Vist(
deXco
de que
variabl(
De f(
de 1'; qu
(Y,) = P IY= y,) = (x"y,) + (x"y,) + ... + (x" y,) + ... + (x"y,)
Por lanto:
------
Esta
al inicio
,.,
descargo
Se sugie"e al lector que obtenga por si mismo la funcin de probabilidad marginal de Y, siguiendo los mimos pasos realizados para obtener
la de X y compruebe sus resultados con los que se muestran en la siguiente fila:
h (y)
0,25
0,25
0,50
segunda
que la v
probab~
ble X lO
la vanal
ACLAl
go al (
quesi
enton
:ItA 1
479
bla,
lay
'00-
y (Y
2)]
P(Y ~ 2)
g..t.y.(
"al
de
'er
~o-
Ja-
las
da
lal
:re
h(Yi)
y,
h(y./ x)
.bi
YiJJ _ '--((,-;.X;-,;,Y,,-i)
,
~ P(Y ~ y
IX
I
P(X _ Xi)
((x;'Yi)
g(Xi)
p(%)
y tambin:
P(BnA) = P(Bl-P(%)
480
VARJAE
no
p(B/) = P(A,-,B)
/ A
peA)
nin
p(A/)= P(A,-,B)
]B
P(B)
De fonna similar, podemos decir ahora. dentro del contexto en el que nos
encontramos de distribuciones de probabilidad conjuntas (o bivariadas),
que:
-pe
h(Y;/) = {(XiY;)
IXi
g(x}
la e
o similannente:
j X;/)= f(Yj,xi)
5l/ y
h(Yj)
Es decir. que la funcin de probabilidad condicionada se obtiene dividiendo para cada celdilla, Sil probabilidad conjunta entre la probabilidad marginal.
Activil
X=O
X-l
X=2
h (y)
17,5,
Igual
Y=O
Y=1
Y=2
O
O
0,25
0,25
O
O
0,25
0,25
0,25
0,25
O
0,50
g (x)
0,25
0,25
0,50
que las (
moment
ahora va
culando
parquer
variable!
la variro
cado ve~
481
j x=O/
"l
/y=o
P(Y=Ol
h(O)
0,25
"\ O
h(O)
0,25
g (x/y)
Y=O
x=o
X= )
O
O
"
O
X=2
:l
Y=2
{o
', q
y as sucesivamente.
17,5. MOMENTOS
Igual que hicimos con las distribuciones de probabilidad univariadas
que las describamos mediante una serie de ndices que denominamos
momentos (esperanza matemtica y varianza, entre los ms importantes)
ahora vamos a describir las distribuciones de probabHidad bivariadas calculando una serie de ndices que seguiremos denominando momentos,
porque representan los mismos conceptos, solo que referidos ahora a dos
variables aleatori~s. Nos centraremos en dos: la esperanza conjunta y
la varianza conjunta 0, ms habitualmente, covarianza y cuyo significado veremos en su correspondiente apartado.
482
17..). l.
, ,
~~ =E[X'Y'] =(x:y;>f(x"y,)
_ll
Entre lodos estos momentos que se podran obtener sin ms que dar
diferentes valores a r y a s, el ms imponanle para nosotros es el de orden
I en es cual r = I Ys :o 1 y que recibe el nombre de esperanza matemtica conjunta de X e Y, que habitualmente se representa por E(xy), y cuya
expresin, derivada de la anterior, es:
~;, =
E (XY)
VARlABLES
n:x,y/(x" y,l
Estas e
puesta a la
comida qu
ca?, o cUJ
ratas que r
descargas 1
da?, etc. Pf
te los sigui
17..).~. \1
El cono
para el case
tas, X e Y,)
y para el caso de r
de Y:
a la esperar
respecto de
es:
momenlOfl
= OY s
De todo!
asignando (
uno que se (
una variabh
na como ca
sigma_ mil
bies X e Y:
Con fine!
sin ms ser
ocIA l
I L.l/
dv/)=~Y"h(Y'/)
Ix,
6n de
lrigen
le dar
::mlen
mti
. cuya
I
-o
ja)
X ::;
bajo
~"
es la
X,
Estas esperanzas condicionadas, o medias condicionadas, daran respuesta a las siguientes preguntas cul es el nmero medio de bolitas de
comida que lOmarn las ratas que no reciben ninguna descarga elctrica?, o cul es el nmero medio de bolitas de comida que tomarn las
ratas que reciben dos descargas elctricas?, cul es el nmero medio de
descargas elctricas que reciben las ratas que comen dos bolitas de comida?, etc. Pero lo "eremos con un ejemplo cuando abordemos previamenle los siguientes conceptos.
, ,
eren
L, que
propro
a los
483
=I
=E[(X -
~.)'(y - ~'>'l
',,1 ;=1
1
1
a xy =
i=l "'
a los
Con fines prcticos y aplicados, para su clculo se utiliza otra expresin ms sencilla que se deriva de la anterior:
484
~;,
">yo
VARlABLESA
depende de
cualquier vo
E [XY]-E[X] E[Y] ]
)' de esta expresin se deriva matemticamente, la que se utiliza ms habitualmente y vimos en el lema anterior.
Esto hac
te la compa
rentes. Para
cin, que S<
desviacione
una expresj
De la cu.
de la correb
AClARAC
tacin qUl
10con m
car, entre (
aJ.
- Lacom
dades di
E(Y')-[E(Y)]'
paracir
variable!
pro~
Recordacdo lo que se dijo all, la covarianza es un ndice que cuantirica la intensidad y el sentido de la vatiacin conjunta entre dos vaI;ables.
Con sunciellle detalle se ilustr en ese tema que la cuanta de este ndice
- Toma
-1 y +1
revelan (
(o dismi
relacin
ye) la va:
- SI dos v
cin es 1
mos afi
bies.
pel
tipo de r
Y ahora
do varias ve
Al
485
Esto hace que sea un ndice de difcil imerprelacin y que no permite la comparacin con la covarianza obtenida con olras variables diferentes. Para paliar esta dificultad recun;mos al coeficiente de correlacin, que se obtiene dividiendo la covarianza entre el producto de las
desviaciones tpicas de las variables. Si escribimos la frase anterior con
una expresin _sin palabras:
P.n- . O... 0,
ACLARACiN: La correlacin tiene las mismas propiedades e interpretacin que el coeficiente de correlacin de Pearson, estudiado en el tema
10 con ms detalle, y al cual debeliamos regresar un momento, para refrescar, entre otras cosas que:
- La correlacin entre dos variables aleatorias no depende de las uni
dades de medida. Es un nmero adimensional. Como tal pennite la comparacin entre las correlaciones que presentan diferentes conjuntos de
vadables.
'0-
nila
lti-
es.
.ce
486
VARIABLES ALE)
Si dos varia
se cumple, resl
En esta situ
dad y el semidl
Ejemplo
a obtener t
too A saber.
al
bl
La
La
'-al"
el La esp
di La esp
ACLARACIN: Recordemos que en el tema 14 se eSludiaron lo que eran los
sucesos indcpcndicnles y se expuso que dos sucesos. A y B. son independientes cuando la probabilidad de aparicin de uno de ellos no dependa de
la aparicin del otro y se cumpla enlonces que:
P(4 nB) =P(4) P(B)
Ylambin
p(%)=P(4) o p(%)=P(B)
el
La
COY
La es
en el tema t
X, que son
pondeo a las
y su varian
L.'1 misma idea y definicin (pues se trata del mismo concepto) se aplica en
el caso de do~ variables aleatorias.
donde E (x')
lo mismo
es:
donde E (Y'
el que se ha
masque u
cidir neee
487
f (x"
En esta situacin su coeficiente de correlacin nos indica la intensidad y el sentido de la relacin entre ambas variables.
(XF~
y su varianza es:
1,5
-'
488
la esperanza de X condicionada a Y = Ocorresponde al promedio de bolas de comida que tomarn las ralas que reciben cero des-
~~ = y,) = De
VARIABLES AL
- La
vari~
si tenerr
varianz;
tal de (
menos)
y simila
= 1 - 1,5625 = -0,5625
Cmo ql
0 ....,
a.. -o.v
-0.5625
=-0818
/
~O.6875 ,0.6875
dientes? Tm
el ejercicio di
que indica que existe una relacin inversa bastante fuerte entre
las bolas de comida que consigue la rata y las descargas que recibe.
de tal fonna que cuantas mas bolas consigue menos descargas recibe y viceversa. cuantas menos bolas de comida consigue mas des
cargas recibe.
Conocidas las propiedades de la esperanza y de la varianza ya estudiadas en el tema 16, vamos a aadir una propiedad muy utilizada y til,
como tendremos 0p0l1unidad de ver en un ejemplo, que es la propiedad
aditiva de variables aleatorias discretas. Esta propiedad nos permite
obtener" fcilmente:
- La esperan7..a matemtica de la suma o la resta de dos variables aleaLOrias, de la siguiente fonna:
E (X + Y) = E (X) + E (Y)
La nue"
la suma de
descargas
to,siZ",X
y su varian
Var (X + Y)
De no apli
y de forma similar:
E (X - Y) = E (X) - E (Y)
Ejempl
la rata en
medias, \
ra una nu
ro de refu
varianza df:
este caso no e
de probabilid
esta nueva di!
procedimientl
Reproduci
una nueva co,
ble Z como sI!
LOGiA 1
medes-
'" de
489
varianzas y covarianzas, entonces, la varianza de la suma (o resta) de dos variables es igual a la suma de las varianzas ms (o
menos) dos veces la covarianza:
li(r (X + Y) == a; + a; + 2 . an
y similarmente:
Vur (X - Y)
=:
a; + a; - 2 . a..,.
Cmo quedara esta propiedad aplicada a dos variables independientes? Tmese unos segundos antes de responder y mire la solucin en
e! ejercicio de aUlOcomprobaci6n n 6 al final de este tema.
entre
~ibe,
reci-
des-
ya estu::la y til,
lpiedad
permite
,les alea-
Vay (X + Y)
2 (-0.5625) = 0,25
n varia(o resta)
:l
nas.
490
Espacio Mueslral
AA
ABA
ABB
BB
BAA
BAB
2
2
1
O
2
1
O
1
2
2
1
2
0,25
0,125
0,125
0,25
0,125
0,125
2
3
3
2
3
3
VARlABL
es.
conteste:
bies X e
mos qut
sombre.a
ducir a (
e
e
Y= I
Y= 2
en dos ocasiones
en dos ocasiones
2
3
0,5
0,5
POrql
que X es
o igual q
De ro
1
1.5
2
4,5
es decir,
2,5
6,5
las sigui
comida)
en la que las dos ltimas columnas representan las operaciones necesa.ias para obtener la esperanza y varianza que se muestran a continuacin:
E(Z)=LZ(z)=20,5+30,5= 1 + 1,5=2.5
= E (Z') - [E (Z)]' = 6,5 - 2.5' = 0.25
cr;
siendo:
E (Z') = LZ' (z) = 2'.0,5 + 3'0.5 = 2 + 4.5 = 6.5
lleg:'lIldo, lgicamente, al mismo resultado que el obtenido aplicando la
propiedad aditivn, aunque ahora de forma mucho ms laboriosa.
17.7. 11 \(
I('l\
que son I
igual a c~
Iguah
F (2, 1) = P [(X
< 2) y
491
(Y < 1)]
XI = O
Xl
= 1
Xl
= 2
YI = O
Y2 = I
O
O
0,25
O
O
0,25
Y3
-= 2
0,25
0,25
O
,
O
Xl
Xl
= I
Xl
= 2
YI = O
Y2 = 1
O
O
0,25
O
O
0,25
Yl = 2
0,25
0,25
O
que son las nicas que cumplen con la condicin de que X es menor o
igual a cero y la variable Y es menor o igual que dos.
Igualmente, las celdillas sombreadas a continuacin que suman cero:
YI
XI
= O
X2
= 1
Xl
= 2
O
O
0,25
Y2
= 1
O
O
0,25
Y3 = 2
0,25
0,25
O
492
VARIABLES
F(I,I) = P
+((LO) +
F(I,2)
Por tanto, por lo que hemos hecho en estos casos, la funcin de distribucin conjunta se define como una funcin que asigna a todo par
de nmeros (xuYj) la probabilidad de que conjuntamente la variable
aleatoria X sea menor o igual que X y, simultneamente, Y sea menor
o igual que Yj' Es decir:
;
=P
+ ((I,O) +
F(2,2)
{(0,2) + (I
=0+0+0
,,
ACLARAC
xl=O
YI=O
F(OO)=O
Y2"" 1
F(OI)=O
F(IO)=O
F(I1)=O
F(20)=0,25
F(21)=0,50
X2=
x 3 =2
tribucin,
porque re
Y3=2
F(02)=0,25
F(I2)=0,SO
F(22)= 1
En la la'
representa i
lIa que asig
sea menor (
Es el mi:
Estos valores, los hemos obtenido haciendo las sumas que se han explicado, y de la siguienle forma:
o o
F(O,O) = P[(X S O)n(y S O)] = L L{(x;,y) = ((O,O) =
i
LosValOl
gen derecho
+0 =
=0+0+0,25=0,25
F(O,I) = P(X S Oln(y SI)] = L L{(x;,y) = {(O,O) + ((O,I) =
i
De form
Y, H(y;l.
= + + 0,25 = 0,25
Los valor
gen inferior,
493
F(I,2)
= f(O,O) + f(O,I)+
G(x) = P(X 5
Xi)
=Ig(x)
Los valores de esta columna se incluyen en una nueva columna al margen derecho de la tabla que se muestra sombreada.
y, H(y).
Los valores de esta ltima fila se incluyen en una nueva fija en el margen inferior, de la siguiente forma:
494
y/=O
y,=!
x1=O
xI = J
F(O,O)=O
F(O,I)=O
F(I,O)=O
F(!.I)=O
Y3=2
F(O,Z)=0,Z5
F(I,Z)=0,50
x3=2
F(Z,0)=0,Z5
F(Z, I )=0,50
F(Z,Z)=I
H(y,)
Z5
0,50
G(.,)
I
I
0,Z5
0,50
Estas funciones de dislJibucin margjnaJes nos dan respuestas a preguntas como la siguientes: Cunto vale la probabilidad de que la rata
reciba una o menos descargas elctricas sin tener en cuenta el nmero de
bolas de comida que consiga?, o cunto vale la probabilidad de que la
rata consiga una o menos bolas de comida sin considerar el nmero de
descargas que reciba?
A la primera pregunta se contesta calculando H (1) que vale 0,50 y a
la segunda calculando G (2) =P (X:5 2) = 0.50. El que hayamos obtenido
el mismo resultado, es una simple casualidad del ejercicio. porque no tie~
oe que ser necesariamente as.
VARIABLE:
dislribuci
la de dos
pero reCQ
lo que ju~
este punt.
ma una n
riada, y-:::
varianza
Los e}
prender e!
En un
Tcond~
A recibe
una pequ
do dos Ve!
rumos do
X: nl
Y:
nI
Obter
QJ
Par
(pe
a) I
b) 1
e) 1
495
distribucin de probabilidad univariada (que se obtiene por suma o resta de dos) debera haberse incluido. quizs, en el tema de una variable,
pero recordar que en su tratamiento incluye el concepto de covarianza,
lo que justifica su inclusin en este tema. Conviene que reflexione sobre
este punto, porque una variable Z suma (o resta) de otras dos (X e Y) forma una nueva distribucin de probabilidad univariada pero nunca bivariada. y como lal pel"mite su descripcin mediante su esperanza de Z,
valianza de Z, pero nunca la covarianza de Z.
Los ejemplos desarrollados a lo largo del tema deben ayudarle a comprender estos conceplOs.
I()~
,
1
X.O
Xl
X 2
YO
O
O
0.25
Y.I
O
O
0.25
Y.2
0.25
0.25
O
=p (X =O)
VARiABLES ALEATI
e) La esper
496
a) g (O) = P (X = O) = 0,25
b) G (O) = P (X < O) = 0,25
e)
la \'arian~
pendientes
a) La resta
,,(x =/.v1/ = 1) =
P[(X = I)n(y
P(Y = 1)
=1)] = ((1,1)
,,(1)
J" = 1/
"\
[TI
ai
,,(x
i/
)=
P[(X
/y = 1
b) La suma
c) La suma
[TI
La probab
da y no rec:
a) La espero
b) La fund
e) La funci
En un deterr
miento abstrael
mana. Se definel
los valores Opar
cin obtenida er
ci" de probabL
la siguiente eeu
=l)n(y -1 = ((1,1)
P(Y = 1)
),(1)
que oligina I
r:;;
)= p[(x=l)n(Y=I
Jy=l/
6\ /x = 1
P(= 1)
= (1,1)
g(l)
g(
= 1/ )
/x=1
b) La esperanza condicionada:
P(=I)
E(%
g(1)
1) = I:y,.
~-'X)
lE
La probabi
de 10 es:
a) 0,2
b) 0,09
e} 0.155
La puntua
a) 4,15
497
e) La esperanza condicionada:
En un determinado Centro Escolar se pasa una prueba de razonamiento abstracto a un grupo de alumnos y alumnas de Educacin Primaria. Se definen las variables aleatorias: X '" .sexo del alumno. que toma
los valores O para los nios y 1 para las nias y la variable Y '" .puntuacin obtenida en el test con valores comprendidos entre 7 y 11. La funcin de probabilidad conjunta de estas dos variables viene deEinida por
la siguiente ecuacin:
2X+Y
; X = 0,1; Y = 7, 8, 9, lO, 11
f (x,y) = { 100
O en otro caso
x=o
X=I
Y=7
Y=8
Y=9
0,07
0,09
0,08
0,10
0,09
0,11
Y = 10 Y = 11
0,10
0,12
0,11
0,13
b) 0,09
e) 0.155
498
VARIABLES ALEAr
b) 9,2
El resto de
e) 20,25
,(Ji) =
es:
,(%) =
a) 0,45
b) 0,5
e) 0,54
,(X) =
1"7.111. SOI.l UO'\I:S \ LOS LJLHClUOS
que se reco
La solucin COITccta es la a, donde P(X=O) nos proporciona la probabilidad de que la variable aleatoria X lome el valor O con independencia de los valores que lome Y. Por tanto. en una funcin de
probabilidad conjunta, la expresin P(X=O) corresponde a la funcin de probabilidad marginal.
EslOS \'alor
funcin de
des, aplicar
es la que se
g(O)
(x,y,) =
1"'0
0+0+0,25=0,25
La alternativa b se refiere ms concretamente a la funcin de distribucin de probabilidad que es un concepto difel"enlc aunque se
obtuviese el mismo valor numrico.
11
"Y=I)
~)
0,25
La a!ternali
conseguido
de que redl
La respuest
11 dicionada
d
condicin d
11
La expresi6
499
h(O/)
= f(O,l) = _0_ =
11
h(l)
0,25
h(721/) = f(l,I)
= 0,25 = 5
h(2) 0,50
'
12
h(2)
0,50
'
h(X)1 = f(U)
=_0 =
h(l)
0,25
h(2/) = f(2,l)
72
h(2)
=I
=_0_ =
0,50
h (x/y) y=o
X=O
X=1
X=2
Y=!
h (011) = O
h(1I1)=0
h (VI) = 1
Y=2
h (0/2) = 0,5
h (112) = 0,5
h (V2) =
Estos valores no son los mismos que los que se obtendran para la
funcin de probabilidad de y condicionada a X cuyas probabilidades, aplicando la expresin:
h (x/y) Y=O
X=
X=l
X=2
0,5
Y=l
Y=2
0,5
500
l'
<JI
a,-
+ 2 . 0.n =
l'
(JI
o;
+ 2 . r:n' .
<JI
O,
VARIABLES ALE
g(ylx)
v. g(ylx)
Por lo ql
Va" (X + Y) = a; + a,!
de distril
zas:
que \ y'I
Var (X - Y) =
o; + o; - 2 . 0t,
o; + o,:
La alternativa correcta es la c.
,(Y
= 71
Ix
) = P[(Y
=O
=O)
g(O)
0.45
'
p(Y = y'
Ix = O
= (eO,y,) = (eO,y,)
g(O)
0,45
La altcrn
501
X=O
g(y/x)
y. g(y/x)
Y=7
0,Q7
0,155
1,085
Y=8
0,08
0,177
1,416
Y=9
0,09
0,2
1,8
Y=IO
Y=!1
0,11
0,244
2,684
. 0,10
0,222
2,22
G(x)
0.45
9,2
E(%=O)=LY{YX=O)=
= 1.085 + 1.416 + 1.8 + 2.22 + 2.684 = 9.2
La alternativa correcta es la c. que se obtiene al calcuJar la funcin
de distribucin conjunta o probabilidad de que X sea menor o igual
que 1 y Y sea menor o igual que 9. Esto es:
i
F(xi'Yi)
F(l,9)
I{(Xi'Yi)
1
=P[(X<l) y (Y <9)] =
Tema 18
Algunos modelos de distribuciones
continuas de probabilidad
18.1. INTI
SUMARIO
En los tel
referidos a I~
de distribuc
18.1. Introduccin
caractensticl
18.3.
18.4.
18.5.
18.6.
18.7.
18.8.
La distribucin chi-cuadrado
La distribucin i de sludent
La distribucin F
Resumen
Ejercicios
Soluciones H los ejercicios
ex,>
ceptas para t
bies continu:
de probabilic
bir una funci
mos construi
do a que el
definicin, in
ecuacin (COl
habilidades.
ciones contin
plo u otros si
ilustracin ge
nonnal y la o
bilidad chi-a.
que asumime
como es el c
ciones. Sin el
con fines apli
nas continua
alumno estud
Los mocleL
funciones de (
por ecuaciom
lar la probabi
lome unos va)
18.1. l",mODLCC"!
En los temas anteriores se han expuesto los conceptos fundamentales
referidos a las variables aleatorias discretas: su funcin de probabilidad,
de distribucin, sus propiedades fundamentales y los momentos ms
caracteristicos (media y varianza) y se han generalizado los mismos con
ceptos para las distt;buciones de probabilidad bivariadas y para las variables continuas. En este tema vamos a estudiar unos modelos concretos
de probabilidad de variables continuas. La dificultad a la hora de describir una funcin de probabilidad de una variable continua es que no podemos consuuir la tabla incluyendo los valores que toma la variable debi
do a que el nmero de valores que puede tomar es, por su propia
definicin, infinito. De forma que solo podemos describirla mediante una
ecuacin (como se hizo en el ejemplo 15.2) y utilizarla para obtener probabilidades. Estas ecuaciones que caracterizan algunas de las distribu-
ciones continuas son algo ms complejas que las expuestas en ese ejemplo u otros similares para el nivel de este curso, por lo que, a modo de
ilustracin general de conceptos solo la expondremos para la distribucin
normal y la omitiremos en los restantes casos (la distribucin de probabilidad chi-cuadrado, la distribucin t de Student y la distribucin F) ya
que asumimos que el alumno carece de una herramienta fundamental,
como es el clculo integral, para la correcta manipulacin de sus ecuaciones. Sin embargo, ello no obstaculiza que en este tema describamos,
con fines aplicados, estos modelos de probabilidad de variables aleatorias continuas en los que se fundamenta la inferencia estadstica que el
alumno estudiar en el prximo curso.
Los modelos probabilsticos que ahora estudiaremos son aquellos cuyas
funciones de densidad de probabilidad vienen definidos, como se ha dicho,
por ecuaciones o frmulas matemticas concretas y nos permiten calcular la probabilidad de que una determinada variable aleatoria continua
tome unos valores determinados. Entre estos modelos de variables alea-
506
ALG
oca
nOIT
182'
por
cimi
ca ql
losq
lo pr
a1eal
modo
cribi
siend
fsica
sed
propl
mejol
deja
fica, (
la var
Si 1I
panad2
mal. Si
ximaci
Ten,
tribuci
507
o campana de Gauss en honor de Cad Frledrich Gauss (1777-1855), astrnomo y matemtico alemn, que junto con Pierre Simon Laplace (l749~
1827), astrnomo y matemtico francs nombrado marqus de Laplace
por Luis XVIII, hicieron importantes contribuciones para un mejor COnocimiento de esta distribucin.
El adjetivo nonnal aplicado a este modelo de distribucin, no significa que otras distribuciones sean anormales, sino que se debe a los intentos que se hicieron, durante los siglos XVIII y XIX, para convertir este modelo probabilstico en ley, casi universal, a la que obedecen las variables
aleatorias continuas. Veremos que esto no fue posible y aparecieron otros
modelos probabilsticos, como la distribucin F, t o X2 que ms tarde describiremos. Sin embargo, es una distribucin importante porque, aun
siendo una distribucin terica, se ha comprobado que muchas variables
fsicas, como el peso, la altura, etc_, y psicolgicas, como la inteligencia,
se distribuyen de fonna muy aproximada a la nonnal. Como muestra, le
proponemos que coja dos dados y los lance al aire cuantas ms veces
mejor; pongamos que 100 veces. Considere la variable aleatoria X = .Suma
de la puntuacin obtenida en los dos dados," y complete la siguiente grfica, donde en el eje de abscisa se representa los valores que puede tomar
la variable X, y en el eje de ordenadas la frecuencia.
f
10
12
Si lo hace, observar que la distribucin grfica adopta forma acampanada y bastante simtrica y se va aproximando a la distribucin normal. Si en lugar de realizar 100 lanzamientos 10 hiciera 1000 "-eces la aproximacin sera mejor, y mucho mejor cuantas ms veces lance los dados.
Tenga presente que se trata slo de un ejemplo para ilustrar que la dis
tribucin nonnal est presente en muchas situaciones de la vida coLidia-
508
ALGU1\
na, pero que en esta variable X del ejemplo, se trata, como bien sabe, de
una variable discreta y aqu eslamos estudiando la distribucin de variables conrinuas.
Nc
nonTI!
I
(x)
I
I
'r,-,)
=---:-e-i\"-
'I
Jame'
pero I
impo:
puede
tes ca
sobra
O"v2rr
-(xO
- C(x). d(x) = I
De fonna similar a como ocurra con las variables discretas, la primera propiedad indica que la probabiJidad asociada a un valor de la \'ariable aleatoria es nula o positiva y la segunda que la suma l de las pro-
A,
de pI
en el
do )(
esle n
"'ne.,
ene! ,
le
,a
509
lOS donde la curva pasa de ser cncava hacia abajo ~ ser cncava
hacia aniba 1 . Eslos puntos de inflexin estn situados simtricamente a una desviacin tpica (J . a) de la media, es decir, en Jos
puntos: Xl '= J.I - a y Xl = J.I + a.
..-
.,
e
Z Una curva l'S cncava hacia alriba si tiene f0l111a de un plato capaz de rctcner lquido )~ y cncava hacia abajo si la fOlma es la de un plato dcl quc se saldrla c1lquido 1(. De
este 111000. la CUl'\'a nOlma1 es cncava hacia abajo en su zona !!>upcrior \ se va haciendo
cnca\"a hacia aniba a medida que nos accrcamos a los extremos.
J E!!>ta es una propiedad general de la media y de la desviacin tpica tambin contada
en cltcma 4 )" 5.
510
ALGUNOS I
~a + O'i .
- La funcin de distribucin de probabilidad de la distribucin normal N (p; a) viene dada por la siguienle ecuacin:
Figuro
norm<
y difere
y se puede calcular para cualquier valor de x siempre y cuando se
conozcan los valores de la media (ll) y la desviacin tpica (a) a los
que denominamos parmetros de la distribucin.
Cualql
distribuci
cada,que
N(O,l l, tal
....
x
"
Por lanlo, existe una familia de distribuciones nonnales que difieren en cuanto a su posicin (p) y dispersin (O') y que genricamente se
simbolizan por N (p, a)como las que se muestran en las figuras 18.3 y
18.4.
Figuro
Esto 54
puntuaci<
sin ya c<
, Recue
ca 1. Repa51
Al
511
ra
ta-
Lx.
>r-
se
OS
..
...
..
'-"""
"/:0
.....
'
se
Iy
,:
''
...
"'"
le-
.. , ,
, .. ,.,
,,
S,.1.'
,
'
"""""
,
,,
,,
al en
la distribucin
, o;
I Ro.:-cucrde que ya estudi que estas punwacioncs;: lienen media cero v dcsviacin lpica 1. Repase cllema 6. para refrescar <:slos conceptos anles de seguir leyendo.
512
(uacian
cr
Z(com
f()
z,.
1
=~.e
ALGUN(
_o.'
2
con lo (
I
Para
_!.. I
ACLARACiN: Af0l1unadamenle no es necesario dominal' el clculo integraJ y en consecuencia no se necesita hacer esta operacin ya que el resuJtado de casi todas estas posibles opemciones se encuentra consultando la
tabla A.l que se incluye en el apndice, donde se presentan todas las puntuaciones tpicas desde -3.59 hasta +3.59 con intervalos de O.01.La pl'illlera
columna encabezada con la letm z consta de un nmero con un decimal
que cOITcsponde a la puntuacin tpica y la pdmera fila (a la derecha de la
letra z) cOlTesponde al segundo decimal de la plllllllacin z. Todos los valores interiores representan probabilidades y llevan, obviamente, un cero
delante de la coma.
Imaginemos que pasamos un test de comprensin verbal en una determinada aula de un colegio a los nios de 6. 0 de Primaria, sabiendo que
las puntuaciones dc este tcst se distlibuyen normalmente con media 100
Ydesviacin tpica 25, y queremos calcular la probabilidad de que un niilo
obtenga en elleS! una punluacin menor o igual a 131 punlos. Un procedimiento sera aplicar la ecuacin que aparece en la Figura 18.2 siendo
los valol-es de la ecuacin los aqu proporcionados, es decir, media 100,
desviacin tpica 25 y puntuacin X = 131. El segundo procedimiento, que
es el que utilizal-emos siempre, es transformar esta distribucin de pun-
racin:
acudiml
en la pr:
tramos
encontr;
513
x-x
z=-5-'
"
= 131-100 =124
25
'
1,24) =
"
1
f___ :--.
e-,12"
v2 . rr.
1.24
F(I,24) = P(Z
. dz = 0,8925
1 2 ... 4.
0,0
0,1
" --c;:>
1
J :--.
e-rlJ~l . d~ = 0,8925
1,z.I
._-------.;~-
-----:---~-
_ .,z. 1t
,,
,.
----~,..-
"
le
~
..
-~-
\,
,
,,, .
,
,o
)-
o
D,
"--3,59 -2,89
-._-- -----!.-
,,
, --,--,,
,
_- ,,
,
-'.-. ,,
e-
~~._----~----~-----~"
~2,17
1,44 2,17
2.89 3,59
le
,-
514
Este valor significa que la probabilidad de obtener puntuaciones tpicas menores o iguales a 1,24 vale 0.8925. En otras palabras. la probabiJidad de que un nio obtenga en el test pUnluaciones menores o iguales a
131 es 0,8925. Tambin es frecuente or que el nit'io que obtenga en ese
test la puntuacin 131 se encontrarla en el percemil 89. Por lo t3nto, todas
las probabilidades que aparecen en esta tabla se refieren a la probabilidad de obtener valores mellores o igllales a una puntuacin tpica z
determinada.
ALGUNOS M
b)
fica por
nes del
Ejemplo 18.1. Las puntuaciones de un test se distribuyen normalmente con media ISO y varianza 144. Calcular:
a) La probabilidad de obtener puntuaciones mayores o iguales a
130.
b) La probabilidad de obtener puntuaciones comprendidas entre
140 y 180.
a) Primeramente tenemos que transfonnar esta disUibucin nor
mal en la distribucin normal tipificada. Para eUo, transformamos
las puntuaciones del test, X, en puntuaciones tpicas, Z, mediante la
siguiente expresin:
X=130=>Z=X-X =130-150=_167
S,
12
'
x- 130
x- 1SO
z-o
que es
111.2. I \
z.,_1,4~
El tnnin
primer lugalj
lizado la letr:
da- y, en segl
515
140-150
= -{J,83
12
180-150
'z.
= 2,5
J =\
x= 140
z= 0,83
x .. 180
z: 2.5
<-{J,83) = 0,2033
=>
F(-O, 83) =
516
habilidad -como hemos hecho con la distribucin normal que se ha representado por N ().l. 0)-. Veremos que conceptualmente no es ms compleja que otros modelos de probabilidad, ya descritos en epgrafes anteriores, sino que muy al contrario. vamos a facilitar al mximo su comprensin
y su utilizacin prctica.
Como el resto de las distribuciones de probabilidad ya estudiadas, puede ser definida por una ecuacin matemtica que permite obtener probabilidades para cada valor concreto de la variable. Ocurre, sin embargo.
que esta ecuacin no es nada sencilla, y por eso la omitiremos6 , sin que
ello sea un obstculo para su correcto entendimiento o impida obtener
probabilidades con ayuda de las tablas que se incluyen en el apndice y
de fcil uso.
A
p:
a
n
rr
rr
le
..
n:
le
B
el
el
Puesto que omitimos la ecuacin de la funcin de densidad de probabilidad de la distribucin chicuadrado, vamos a definir qu es una
variable chi-cuadrado. Para eIJo partimos de n variables aleatorias inde
pendientes, Xl' X!, XJ'
X"' con distribucin normal estandarizada,
(0,1); definamos ahora una nueva variable mediante la siguiente expre
sin:
2
le
1I
000'
X; + xi + xi +
000
X;
que representaremos con la letra griega chi y el exponente 2 (se escribe X~ y se lee chicuadrado), que es tambin una variable aleatoria continua que tiene una funcin de densidad de probabilidad conocida -<uya
expresin matemtica omitimos- que es la distribucin chi-cuadrado con
n grados de libertad. Por consiguiente, definimos la variable chi--euadra
do como la suma de los cuadrados de n variables nonnales N(O,I) e independientes:
x~
re a
situ
el nI
lriC
dra,
= zl + z~ + z~ + ... +
tie~
nel
cua
517
Como se ha intentado aclarar, el concepto de grado de libertad se refiere al nmero de obsct\'aciones que pueden elegirse libremente en una
situacin matemtica concreta y, por lo general, es igual a n-k siendo n
el nmero de observaciones o de datos y k el nmero de condiciones restrictivas que se imponen a los clculos. Las siguientes variables chi-cuadrado, tal y como se han definido:
2
2
X3
= Zj
X = Z
X2=Z+Z2
222
+ Z2 + Z3
....... etc.
2
X"
518
AlGt
n.8
o'l.L.-~~~
Figura 18.7: Di$linlos distribuciones;(2 !oe9n sus grados de libertad.
A(
as
fa.
u
q.
m
ro
- La variable -l definida como suma de cuadrados de n variables aleatorias independienles N(O, 1) no puede tomar valores negativos
(una puntuacin al cuadrado siempre es positivo) pudiendo tomar
cualquier valor positivo en el intervalo desde cero hasta infinilo (0,<><.
re
X'
fie
d.
".
es
1
repn
coilll
~=E(X)="
cr'=V(X)=2."
- La distribucin X2 es asimtl;ca positiva pero a medida que aumentan sus grados de libet1ad se va aproximando a la distribucin
nonnal Observe en la grfica como la distribucin con 11 = 20 grados de Iibel1ad se pan~ce bastante a la distJibuci6n nomlal que hemos
descrito anteriormente. Con fines prcticos la aproximacin es bastante buena a partir de cien grados de libel1ad (" > 100) y las probabilidades asociadas a esta distribucin se pueden obtener a partir
de la normal. Entonces la va.-iable:
519
}~
~
520
ALGUNOS
0,10
0.95
1
2
3
21
A
13,24
32.67
P(X' ~xi) = 0,05 => P (X' S xi) = I-P(X' ~xi) = 1-0,05 = 0,95 =>
~"lb= 32,67
111..1. 1,
A la ~
Que sea
sentido:
acuerdo
cia! de di
dremos.
Para
indepen<
N(O, 1). [
sin:
o.-f-r'-----::::",-"'_ 0-1Lr-----:::;>---_
6,7~
6,74
18,3
que es u
y que tie
be el nOI
maternA'
0.7
o,-h-----::;::,~6,7~
18,3
dom~'
Que el n
tualmen
521
por tanto:
\
xf +x; +... +x;'
n
que es tambin una variable aleatoria continua que representamos por t
y que tiene una funcin de densidad de probabilidad conocida que recibe el nombre de distribucin t de Student en honor de su descubridOl~ el
matemtico Gosset que public bajo el seudnimo de Student. Analizando ms detenidamente la expresin matemtica de su definicin, vemos
que el numerador es una variable norIllal estndar o tipificada -habitualmente representada. por la letra z- y el denominador es la raiz cua-
522
ALGUl
drada de un cociente, donde a su vez, el numerador es la suma de los cuadrados de n variables aleatorias notmales e independientes -es decir una
variable X2 con n grados de Iibertad- que est dividida por n -los grados
de libertad de X2 _. Por tanto, podemos definir la variable aleatoria t
como el cociente entre una variable normal estndar, z, y la raz cuadrada de una variable chi-cuadrado, Xl, dividida por sus grados de
libertad, es decir:
Un breve anlisis de esta expresin matemtica nos permitir deduciJ~ sin necesidad de I-ecurrir a demostraciones matemticas, el rango de
valores que puede tomar. Vemos que el numerador es una variable con
disuibucin nOlmaJ estandalizada, que ya sabemos que puede tomar cualquier valor del intervalo (-00,"")' Por su palte el denominador es una variable chi-cuadrado que, como vimos, solo puede tomar valores positivos;
en consecuencia, la variable t, cociente de estas dos citadas, puede
tomar cualquier valor, positivo o negativo en el intervalo (-00,00).
Como en el caso de la distribucin l, repetir nuevamente que la V3li3ble aleatol'ia continua, t, tiene una distribucin de densidad de probabilidad como otra cualquiera (ni ms sencilla ni ms compleja) con su expresin matemtica que asigna probabilidades, que pueden tambin obtenerse
por medio de una tabla, gracias a la cual podemos prescindir de escribir
su expresin matemtica que elleclor interesado puede encontrarla en
otros textos. Nos limitaremos, por tanto, a descdbir ahora sus caracte
rsticas ms sobresalientes y el manejo de su tabla (Tabla A.3).
- La variable aleatoria t tiene el mismo nmero de grados de libertad
(n) que la distribucin de Xl incluida en el denominador de su derinicin algebl'aica, por lo que su distlibucin de probabilidad depende del nmero de grados de libertad de 'l. Nuevamente, la disll-ibucin t constituye una familia de disllibuciones de probabilidad cuya
CorOla depende del valor de n tal y como se ve en la figura 18.9.
- Una distribucin 1 queda pelfectameme delenninada por sus grados
de Iibeliad, n, de tal forma que si una vaJiable, X, se distlibuye segn
t con n grados de libeltad, sus parmetros media y varianza son:
_p_=_E_(_X)_=~
,ACI
apll
cu.
aw
rnn
sie~
sie~
buc
va (
dos
su
Si 1
Ca
n> 1\
ta lOO
de la 4
523
"-2
o
Figuro 18.9: Dos distribuciones I para 1 y A grados de libertad
n-2
100 ==1,02
100-2
524
ALGUN(
15 g.
esO.
Tenemos Que calcular P (l S 1,943) que grficamente corresponde a la zona sombreada del dibujo inferior Que representa una dislribucin t con 6 g.1. Para ello. consultamos la tabla A.3 la cual recoge algunos valores de la distintas distribuciones t desde I hasta tOO
gol. La primera columna corresponde a los g.J . En esta columna tenemos que localizar el valor 6, que son los g.l de la distribucin de nuestro ejemplo. Los valores incluidos en su fija correspondiente son distintos valores t y la probabilidad de encontrar valores menores o
iguales a stos se encuentra en la parte superior de la tabla. Es decir.
. 0,95
/ ~
1
2
5
5
1,943
98.
19 g.
Por
los
c
ycle
1,943
PlYS2,13)
PlY2: 2,13)
2,13
18.5.
Recurrimos a la tabla que nos proporciona siempre informacin
sobre la probabilidad de encontrar valores de la distribucin t menores o iguales a un vaJor t determinado. Por tanto, en nuestro caso con
Uol
vamos
definid
52.
15gJla~
.. o.~
97y
98.
1,73
-1,73
526
xf +xi +
1';2 + Yl +
+X;11l
+ Y~/m
x~
F=--lL
,
X;"
111
Puesto que las dos variables X2 estn definidas cada una de ellas en el
intervalo (0,00), es decir, siempre toman valores positivos, la variable F
tambin estar definida en el mismo intervalo (0,00) no pudiendo tomar
valores negativos.
Respecto a la dis\tibudn de probabilidad, la funcin de densidad de
probabilidad de la variable F tiene, como en el caso de las distribuciones
vistas anter"iOlmente, una compleja ecuacin matemtica que la define y
con la que, operando matemticamente, se obtiene las probabilidades que
afortunadnmente se encuentran tabuladas sin necesidad de realizar ahom tales opemciones (el uso de estas tablas se explicar ms tarde con ayuda de ejemplos). Por esta razn omitimos dicha frmula y nos limitaremos a descr"ibir sus caracteristicas ms importantes.
- Puesto que la variable F se define a partir de dos variables X2 cada
una de ellas con sus respectivos grados de libertad, no debe sor
ALe
DLOGA J
~
definir
s con la
ue recidor, Sir
temti~ antetinador
e indes decir.
iable F
e ellas
. a con-
527
m
111-2
~=--
cr =
param>2
2m 2 (n+m_2)
1l(m-2)2(m_4)
parom>4
'--------=
en el
iable F
tomar
IS
dad de
.ciones
efine y
les que
Ir ahomayunitarelcada
Je
sor-
- Una importante propiedad de esta distribucin es la llamada propiedad reciproca y dice que si X es una vaIiabJe con distribucin F
con n y m grados de libertad, entonces la variable Y '" lfX es tambin una distribucin F con m y n grados de Iibel1ad. Esta propiedad la podemos tambin expresar de la siguiente forma:
F
-F. -
l-p "," -
m"
528
donde p es la probabilidad asociada al valor de la variable. La figura 18.11 representa grficamente esta propiedad. Esta propiedad es
de enonne importancia para obtener algunos percentiles O probabilidades que no aparecen en la tabla, tal y como se ver en ejemplos
posteriores.
ALGUNO
ysu v
y la re
bucil
xl
J'
b)
p[~ >2,21]
Ce
babili
lesal
prim
loca1t
los g
la
deja
de la
caq
igu
ejerc
de6
que
valo
0,90:
Por definicin sabemos que el cociente entre dos variables chicuadrado es una variable F con los grados de libertad de las dos varia
:=
F6 "15
. Es decir, esta variable U se
1
2
m
m-2
15
15-2
= - - = - - = 1,154
p,
que
529
y su varianza es:
0"'
1~ ~
2,21] = P(F"15
~ 2,21)
ConsuJtamos las tablas A.4 del apndice para encontrar esta probabilidad. Disponemos de 6 tablas cada una de ellas correspondientes a las probabilidades: 0,05; 0,90; 0,95; 0,975; 0,99 Y0,995_ Eo la
primera fila correspondiente a los grados de Iibenad del numerador,
localizamos el valor 6, y en la primera columna, correspondiente a
los g.l del denominador localizamos el valor 15. La interseccin de
la fija con la columna nos proporciona el valor de la variable F que
deja por debajo la probabilidad que se indica en el encabezamiento
de la tabla. As, en la primera tabla A4(a) este valor es 0,254 que indica que la probabilidad de obtener valores de la variable F menores o
iguales que 0,254 es 0,05 -es decir P (F.s; 0,254) = 0,05-. Para este
ejercicio, tenemos que buscar en alguna de esas tablas, en el cruce
de 6 y 15 grados de libertad el valor 2.21 o el ms prximo que es el
que aparece en Ia ta bla A4(b)- P or tan to, Ia pro bab-d
I a d d e o b tener
valores F con 6 y 1S grados de libertad menores o iguales que 2,21 es
0,90: P (F S 2,21) -= 0,90 Yen consecuencia
P (F ~ 2,21) = 1- 0,90 = 0,10
Probabilidad 0,90
,23
6
1
2
15
j
2,21
_RFS2,2110,90
~p(n 2,21) _1_ P(F< 2,21).1-0,90.0,10
J~.
0,21
530
AlGUNO~
maespe
la distril
En lO
la variab
1, e iguah
bies en f
cin de (
nido en:
dislribu<
funcin
..
0,9SI"15;6
- 9 = 0,2538
3. 4
definen e
ellas corr
Se ha
de proba)
tablas do
de saberl
soenelq
tersticas
definida,
determin
En el
su aplica!
tratarlo a
ca del ter
puesta a I
tema: y I
ra pausa<
mo curso
111.:. EJ
11l.1>.
1I1~1
\11-."
La sigt
probabilic
zas de die
ciones o b
531
1::.- 1.11 IH
1(
lOS
que
~ste
la
dig-
::
Media
Varianza
v,
V,
V,
;<Q
.0
32
1,2
14
V,
532
[!]
El valor
a) b: O,
b) b = 5.'
e) b
el modelo:
[I]
=O,,
La varial
a) chi-cuadrado
a) nonm
b) I de Student
e) no se puede determinar
b) 1 de
e) F
a) 7
ALGUNOSMOD
[I]
SI
Para la Yo
a) F (4,1~
b) 4
e) 12
b) F(4,J:
e) F(4,1'
El percer
a) no exil
b) P5 esu
e)
P5esU
El percen
a)
Distribucin
0,20
N(O,I)
,
Xi
V
W
N(O,I)
xi
---olIIIf
p;
b)
e)
:itA 1
oS.
b) '" 0,025
a) b = 0,506
bl b = 5,06
e) b = 0,051
el F
a) F(4,15)=P(ZS4,IS)=O,2
b) F (4,15) = P (Z S 4,15) = 0,95
el
[2]
F(4,15)=P(Z=4,15)=O
a) no existe.
b) Ps es un valor comprendido entre O y t.
e) P s es un valor comprendido entre 4 y 6.
i-
~ El percentil 20 de la variable
a)
b)
2Q%
0,8
2,04
e)
0.20
b.O,0506
e, vale:
533
534
ALGUNOSMOD
11
La respuesta es a.
La varia"
ble con (
te entre
sus resp
11
11
11-2
11
= 12. La respuesta es
,
(J.
11
=--
11-2
3.
Consult
La respl
0,57 2,1
11 5Conde a)'t
un
0.279 el
radar.
ya que:
P(U~2,1)= 1-P(U52,1)= 1-0,9821 (rabIa) =0,0179
La respuesta es a.
valiable A es la suma de dos valiables con disllibucin nonnal, por
11 lo que
se disllibuye segn chi-cuadraclo
dos grados de libel1ad.
La
con
Tambi
oblenie
Por lan
0,975
b- 0,051
La van:
11II dislribl
'1
535
"O.
La respuesta es c.
La v31iable Z es, tal y como se ha definido en el enunciado. una variable con distribucin F con 8 y 6 grados de libertad ya que es el cociente entre dos variables chi-cuadrado divididas, cada una de ellas. por
11
~-
La respuesta es b.
11
os
0,05
"'s
Tambin se puede aplicar la propiedad inversa de la distribucin F
obteniendo, como se puede comprobar, el mismo valor:
Ps
536
do dividida por sus grados de Iibel1ad (8), se distribuye segn la distribucin t de Student con 8 grados de libertad.
t (Tabla A3) solo recoge los valores posi~
livos, es decir los valores por encima de la media, que eS cero. Como
es una dislIibucin simtrica, el percentil 20 es el mismo que el percentil 80 pero con signo negativo. Por tanto, buscamos el percentil
80 o valor de la variable t que deja por debajo el 800A, de los valores
de la variable t con 8 g.l Yeste valor es 0.889. Entonces el percentiJ
20 es -0.889.
La tabla de la distribucin
P80.0.889
P20. -0.889