AA - Psicoestadistica I

CATEDRA: PSICOESTADISTICA I
Facultad de Psicología - UDA

1
UNIDAD 1
GENERALIDADES
Se entiende por estadística la recopilación y presentación de datos numéricos por medio de tablas y gráficos.
La estadística es una disciplina que tiene por objeto el estudio de los fenómenos que se presentan en grandes
números y en condiciones generalmente complejas
La estadística es una herramienta de la que se puede valer cualquier ciencia. La estadística es una
condición necesaria para llevar a cabo estudios e investigaciones, es por tanto, una herramienta útil para
investigar con mayor o menor grado de precisión, dependiendo del campo que se estudie.
La estadística es una manera de pensar y elaborar cierta problemática de la realidad, sobre todo
cuando tenemos que tomar una decisión, ya que nos permite lograr un mayor grado de objetividad por el
grado de control de las variables de la investigación.
La estadística es un conjunto de métodos científicos que permiten recolectar, presentar, resumir y

analizar un conjunto de datos u observaciones y efectuar predicciones lógicas, y sacar conclusiones válidas en
función de dichos análisis
La estadística no es un ciencia, sino un conjunto de métodos aplicados a una ciencia en particular

Azar: tendencia de los resultados a variar, aun cuando las observaciones se realizan en condiciones
idénticas, esto se debe a una multiplicidad de causas desconocidas. Contrario a la probabilidad.
El lenguaje que se utiliza es unívoco (no hay interpretaciones) y el método utilizado es inductivo-deductivo
(de lo particular a lo general y viceversa)
Nada que no sea definido en forma operativa u operacional se puede investigar. Para que algo pueda
ser investigado x la estadística deb poder ser definido operacionalmente
Si, por ejemplo, estamos investigando sobre apego, una definición teórica plantearía que apego se
refiere a la cercanía emocional existente entre el niño y su cuidador. En cambio, una definición operativa
diría que son conductas de apego aquellas que fomentan la cercanía con la persona a la que el niño esta
vinculado: todos los mimos, el jugueteo, las intimidades de la lactancia, los rituales de bañarlo y vestirlo, etc.;
solo si el niño las dirige a uno o dos cuidadores en particular. La definición operativa es concreta y medible.
Funciones de la estadística en la investigación. La estadística permite u obliga al investigador a:

1. Hacer explicitas sus suposiciones. (presentar una hipótesis)
2. Definir con precisión sus conceptos.
3. Enunciar propósitos.
4. Diseñar métodos apropiados para el estudio de un problema.
Hay distintas definiciones de estadística:

1. Según Nuria Cortada de Kohan es el conjunto de los métodos científicos por medio de los cuales
puedo recolectar, organizar, resumir, presentar y analizar datos numéricos, relativos a un conjunto de
individuos u observaciones, que nos permiten extraer conclusiones validas y efectuar
decisiones lógicas.
2. Para Gini es una técnica que permite realizar estudios cuantitativos de los fenómenos colectivos o de
masas.
3. Yule expresa que son datos cuantitativos influenciados por una multiplicidad de causas.
1
2
El termino estadística proviene del vocablo latino status (estado de las cosas) dando cuenta que el
Estado fue el propulsor de esta necesidad de cuantificar cosas.
Las primeras referencias en la literatura de tipo estadísticas las encontramos en la
Biblia, en el libro de los números
Los autores más representativas de la estadística son: Galton, Spearman, Pearson y Student.
__________________________
La realidad no es un continuo indiferenciado, presenta muchas diferencias sensibles

(variaciones) sobre las cuales podemos realizar una serie de actividades psicológicas que son: la clasificación,
la seriación, y la relación.
Estas diferencias sensibles son las que puedo establecer en la realidad. No observamos la
totalidad de las entidades existentes o la totalidad de las propiedades, solo algunos aspectos. La selección que
establecemos es sobre una muestra de la realidad, y las operaciones psicológicas las realizamos sobre las
propiedades de los objetos. Estas propiedades varían de una entidad a otra (y estamos frente a un estudio
transversal), o en la misma entidad a lo largo del tiempo (y nos encontramos ante una investigación
longitudinal).
Si, por ejemplo, estoy investigando cual es la proporción en la conducta de lo innato y cual de las
estructuras adquiridas por el contacto con el ambiente, debería separar lo adquirido de lo dado, controlando
ambas variables; pero resulta que en la practica seria casi imposible controlar la variable ambiente, por lo que
podría, con mayor facilidad, controlar la variable referida a lo innato usando el caso de los gemelos univitelinos
(cuya herencia es rigurosamente idéntica) y educar a uno en una tribu africana y al otro en una familia burguesa
de una gran ciudad. Ahora bien, si cotejo mediante algún instrumento la influencia del ambiente en un
momento dado, sería una investigación transversal porque intenta en un momento dado delimitar aquello que
en la conducta pertenece a lo dado o a lo adquirido. Seria longitudinal si para la verificación utilizó el
transcurso de tiempo, siguiendo cuidadosamente la evolución de los distintos componentes (lo dado y o
adquirido) en la conducta.
Estadística: conjunto de métodos científicos por medio de los cuales podemos:
Recolectar
Organizar
Resumir
Presentar y
Analizar
datos numéricos relativos a un conjunto de individuos u observaciones, que nos permiten extraer conclusiones
validas y efectuar decisiones lógicas basadas en dicho análisis
La estadística se vale de dos herramientas para llevar a cabo sus objetivos:

1. Observación: tanto la observación como la percepción juegan un papel muy importante en la
estadística, porque es a través de ellas que puedo establecer las diferencias sensibles sobre la realidad.
Cada diferencia establecida se denomina estado de la variable. Existen distintos métodos de
observación; los dos más comunes son:
a. Observación directa: trabajo de campo, el observador está en el ámbito natural y
observa.Desentaja es q puede ser defromada x nuestra percepción
b. Observación indirecta: cuestionarios, tests, escalas, etc.
2
3
Cuanto más distancia haya entre el fenómeno observado y el método utilizado para observar, la
observación es más indirecta. Hay campos de investigación en donde todo es indirecto, por ejemplo el caso de
las relaciones sexuales; y otros, donde la mayoría es directa, el caso de las investigaciones antropológicas o de
las investigaciones sociales de tipo participativa. La observación directa-participante presenta la desventaja de
alterar las cualidades de la interacción propias. De todos modos, no existen las investigaciones perfectas, pero
aun con eso, son siempre preferibles a las suposiciones.
Hay algunos casos en los que se da una especie de mix de ambos tipos de observación, por ejemplo
cuando entrevisto a una mamá con su hijo presente, a ella le aplico un cuestionario mientras observo la
interacción de ambos.
2. Matemática 1
Utilizamos la estadística en aquellos casos en los que tenemos una gran cantidad de observaciones y cuya aparición
se rige por las leyes aleatorias, o del azar
Ciencia: conjunto de conocimientos racionales ciertos o probables definidos metódicamente,

sistematizados y verificables que hacen referencia a objetos de una misma naturaleza. Se usa un lenguaje
objetivo, donde cada término tiene un significado univoco
Conocimiento vulgar: asistemático, no metódico. Usa un lenguaje subjetivo
La estadística es el método de las ciencias y su lenguaje es fundamentalmente matemático.
Pasos de la Investigación Científica en Psicología:
1. determinar el tema
2. formular el problema
3. diseñar la investigation
4. recopilar datos
5. describir datos
6. analizar datos
7. interpretar datos
8. concluir y eventualmente formular una ley
La aplicación de los métodos cuantitativos al estudio de la ciencia en general implica.
1- una definición operacional del atributo en estudio

2- la elección de una escala de medición adecuada
3- adopción de un modelo matemático que permita someter a prueba las
hipótesis que se formulan acerca de los fenómenos en estudio
1- Toda definición experimental implica una definición teórica y una operacional:
Definición teórica: concepto que es definido por otros conceptos que se supone plenamente adquirido por
nuestro conocimiento Ej. Triangulo, inteligencia
Definición operacional: descripción del instrumento de medición, con las instrucciones para su
aplicación, evaluación del resultado que nos proporciona, campo de su empleo, límites y posibilidades del
mismo
1
Se desarrolla en página 7
3
4
Solo aquel concepto que haya sido definido operacionalmente puede ser incluido en p roposiciones o juicios que se
presenten como hipótesis a verificar experimentalmente en una investigación científica. Ejemplo: INTELIGENCIA:
“es la posibilidad de resolver los ítems presentados en el Test de Raven, siempre y cuando lo sujetos sean adultos,
la toma se haga de tal o cual manera y la evaluación se realice de acuerdo a la escala/tabla correspondiente.”
Las variaciones a las que nos referimos más arriba (pg. 2) se denominan variables, que son fenómenos que
se pueden medir en un nivel superior de medición (intervalar o métrico).
Las variables pueden existir en distintas cantidades; en cambio, Ios atributos están o no presentes, pero
no pueden tener variaciones en su cantidad. Si estoy estudiando sobre la incidencia de la cosecha en la deserción
escolar en varones y en niñas que habitan sitios rurales. La variable seria la deserción escolar que puede ser mayor
o menor; y el atributo seria hombre y mujer.
Cuando no puedo establecer ningún tipo de diferencia sensible sobre el continuo de la realidad estamos
frente a una constante (k). Un ejemplo de la geometría seria π, cuyo valor es siempre 3,14...; en las ciencias
sociales es muy poco probable encontrar casos que se mantengan siempre iguales y que se presenten sin
variaciones.
Dicotómicos (ej. género)

Atributos Se utilizan sólo en el
Variables Multiclase (ej. nacionalidad) nivel de medición
cualitativas nominal
Dicotomizados (ej. River-Boca)
Variables
Cuasivariables Se utilizan solo en el
(características, nivel de medición
rasgos de las ordinal
cosas)
Variables Discretas Se utilizan en los

cuantitativas niveles de medición
intervalar y métrico
Continuas
Los atributos pueden ser:

a) dicotómicos: las categorías son solo dos. En el ejemplo de la deserción escolar, las categorías son
hombre mujer.
b) multiclase: permite clasificar a los sujetos en 3 o más categorías. Si estudio los distintos tipos de
familia existentes en la actualidad las categorías podrían ser, según un criterio, familia
nuclear, familia monoparental, personas sin familla, equivalentes familiares, etc.
c) dicotomizado: el atributo es multiclase pero, arbitrariamente, lo convierto en dicotómico a
partir de una necesidad u objetivo de la investigación. En el caso del ejemplo anterior, el
atributo es multiclase, pero resulta que a mi solo me interesa investigar sobre la incidencia de
los valores culturales de la sociedad actual y como estos afectan a la constitución de famillas
nucleares; por tanto, en mi investigación solo utilizare las dos categorías que me van a permitir
demostrar mi cometido: familias nucleares y familias no-nucleares.
4
5
Las variables pueden ser:

a) discretas; aquellas que no admiten subdivisiones, entre dos valores sucesivos de la variable no existen
valores intermedios. Un ejemplo podría ser una señora que tiene 6 hijos, no 6,50. Otros ejemplos: nº de
habitantes por vivienda,
b) continuas: corresponden a la mayoría de las variables psicológicas. Si se midiera a todos los sujetos de
una población a partir de una variable continua, resultaría empíricamente una línea recta sin ningún
espacio vacío. Es decir, son aquellas propiedades de la entidad que se pueden presentar en distintas
cantidades y admiten subdivisiones infinitas. Cuando entre dos valores sucesivos de la variable
existen valores intermedios. Un niño puede medir 1,5 m; o 1,25 m; o 1,125 m; etc.
2- Elección de una escala de medición adecuada:
Existen 4 niveles de medición aplicables a las ciencias de la conducta:

1- Nominal
2- Ordinal
3- Intervalar
4- Métrico
1) Nivel nominal: o de clasificación:
Algunos autores no lo consideran un verdadero nivel de medición, es el mas pobre y primitivo.

Solo sirve para contar y clasificar objetos, personas o características.
Permite asignar números a objetos o individuos de tal manera que se pueda clasificar a los
mismos en categorías de acuerdo a una característica. El único postulado que se puede aplicar en este
nivel es el de identidad o equivalencia; sólo podemos saber si 2 sujetos son iguales o distintos. Por
ejemplo: clasificación de nacionalidad: argentino, uruguayo, chileno, etc. (no se puede jerarquizar)
Por ejemplo puedo usarlo si necesito saber cuantas personas viven en el B° Tres Estrellas, cuantas
terminaron la primaria, cuantas tienen empleo, etc. La condición necesaria para que los objetos sean
miembros de una clase es que sean idénticos (adaptación a la propiedad de identidad o equivalencia)
En este nivel se pueden establecer porcentajes y frecuencias; se pueden aplicar muy pocas pruebas
estadísticas y la única medida de tendencia central que se puede utilizar es el modo, que es aquella
observación que
se repite con mayor frecuencia dentro de una distribución. Si investigara la adhesión a los cuadros de fútbol
en el BQ Tres Estrellas, estos serian: River, Boca, Independiente, etc.; aquel equipo que contenga la mayor
cantidad de personas seria el modo
2). Nivel ordinal: o de orden jerárquico:
Permite además de clasificar, ordenar a los sujetos en función de un orden intrínseco a la característica
que se está estudiando. Por ejemplo: jerarquías eclesiásticas
Dado que se pueden establecer relaciones de “mayor que…” y “menor que…”, a este nivel de medición le
corresponden los postulados de identidad y de orden jerárquico.
Se trata de un ordenamiento en función del menor o mayor grado con el que se presenta un atributo. Su
ventaja con respecto al anterior es que si bien el valor atribuido a la característica no implica que se puedan aplicar
operaciones matemáticas, también es cierto que en todo orden hay un valor mayor que otro. Pero no se puede
hablar de distancia.
No solo sé cuantos miembros tiene cada categoría, sino que además me permite
establecer un orden jerárquico entre los valores de la distribución. Si investigara, en el B° Tres
Estrellas, el grado de conocimiento existente de las políticas de salud que están a disposición de la población en el
5
6
Centro de Salud de la zona, podría establecer las siguientes categorías, ordenadas jerárquicamente: conoce todas
las medidas ejecutadas, conoce solo algunas, las desconoce.
Las medidas de tendencia central que se pueden aplicar son el modo y la mediana.
3). Nivel Intervalar o de intervalos iguales:

Es el nivel a que se aspira cuando medimos la mayoría de las variables psicológicas. Permite
clasificar, ordenar y además conocer las distancias que existen entre dos sujetos o observaciones. Las
distancias numéricas se corresponden con las distancias reales empíricas: se puede asegurar que la distancia
que existe entre dos sujetos que obtuvieron 5 y 10 puntos, es la misma distancia que existe entre dos
sujetos que obtuvieron 20 y 25 puntos.
Algunas variables psicológicas que se pueden medir en este nivel son: inteligencia, aptitudes
(capacidad para), actitudes (opinión hacia), destrezas, etc.
Tanto la unidad de medida como el punto 0, que se utiliza en este nivel, son arbitrarios. Por
ejemplo respecto de los puntajes del Cl (Coeficiente Intelectual), el hecho de que un sujeto obtuviera un
puntaje igual a 0 no equivaldría a no- inteligencia, ya que e! 0 es, en este caso, producto de una convención, fue
inventado.
Este nivel se adapta a las tres propiedades de los números, se pueden aplicar todas las medidas de
tendencia central, y también todas las pruebas estadísticas con excepción del coeficiente de variación.
Cuando una escala tiene esta posibilidad la medición es más eficiente. Se cumplen los postulados de
Identidad, orden jerárquico y aditividad.
4). Nivel métrico o de cocientes o razones

Tiene los mismos alcances que el nivel intervalar pero el punto 0, o punto de partida de la escala es real,
es decir, coincide empíricamente con la inexistencia de la característica. Este nivel se utiliza básicamente para la
medición de variables físicas como el peso, altura, distancia, volumen, etc.
Son aplicables todas las operaciones aritméticas y todas las pruebas estadísticas.
3. Adopción de un modelo matemático
La estadística se vale de dos herramientas para llevar a cabo sus objetivos:

1. Observación 2
2. Matemática: todo lo que existe, existe en alguna cantidad, de ahí la importancia de cuantificar. La
medida es el arma de la investi gación. Las matemáti cas permiten cuanti ficar el estado de la
variable. A través de la medición podemos establecer juicios, sacar conclusiones, tomar decisiones,
etc. No es lo mismo saber que en nuestro país hay desocupación, que saber que el porcentaje de
personas desempleadas asciende al 7,5 % (según los datos oficiales del INDEC a enero de 2008).
Se requiere encontrar el nivel de medición más adecuado para el fenómeno estudiado, aunque a veces se
utilizan, en una misma investigación, distintos niveles de medición.
Como las mediciones se hacen a partir de números, es necesario entender o describir algunas
propiedades inherentes a los mismos que son importantes para la medición. Se denominan postulados básicos
para la medición, entendiéndose por postulado todo “juicio que se establece respecto a las relaciones entre
objetos”
Propiedades de los numeros importantes para la medicion Postulados básicos
2
Desarrollado en página 3
6
7
1- Identidad o equivalencia:
• a=b, o bien a≠b los n° son iguales o diferentes
• si a =b → b=a relación de igualdad es simétrica
• si a=b y b=c → a=c dos cosas iguales a una tercera son iguales entre si
2- Orden jerárquico
• Si a>b → b<a la relación mayor que es asimétrica
• Si a>b y b>c → a>c propiedad transitiva
3- Aditividad
• Si a=p y b>0 → a+b>p posibilidad de sumar
• a+b=b+a el orden no afecta el resultado
• a=p y b=q → a+b=p+q los objetos idénticos pueden ser sustituidos
• (a+b) +c=a+(b+c) el orden de las combinaciones o asociaciones no
produce diferencia en los resultados
_____________________
Conceptos relevantes:
Universo o Población: totalidad de entidades que poseen la característica a medir
Muestra: grupo de entidades extraídas de la población
Parámetros poblacionales: estadísticos obtenidos (media, desviación estándar, varianza) de una

población
Estadísticos muestrales: estadísticos obtenidos (media, desviación estándar, varianza) de una muestra
Estadística aplicada: Es la estadística matemática aplicada a cualquier campo, pero que según sea este,
se enfatizan unos u otros temas y/o problemas
Estadística descriptiva: Conjunto de procedimientos para describir, resumir y analizar datos referentes a
un determinado aspecto de la realidad, de modo que estos datos se puedan emplear mejor o en forma
más significativa. Partiendo de un conjunto de datos, se obtienen conclusiones de los mismos que no
rebasan el conjunto de conocimientos que proporcionan esos datos. Permite obtener conclusiones a
través de síntesis numéricas y son útiles en un corte transversal de los fenómenos. La conclusión es el
número
Estadística inferencial: Conjunto de procedimientos para extender las conclusiones que se obtienen de
una muestra a la población general. Posibilita la obtención de conclusiones validas y confiables que
suponen una posibilidad de generalización. Las conclusiones rebasan los límites del conjunto de datos
aportados y nos permite inferir, dentro de límites probables, valores para un individuo o conjunto mayor.
7
8
GRAFICOS UNIDAD 3
Las representaciones gráficas acompañan y complementan la información suministrada por las tablas.
 El tipo de gráfico o representación gráfica utilizada dependerá del nivel de medición que se utilice.
 El punto de partida de las representaciones gráficas son los ejes cartesianos, que son dos líneas cruzadas en el
espacio delimitando 4 cuadrantes de 90º cada uno.
 El origen de los dos ejes es la intersección de ambas rectas y por lo tanto vale 0.
 El eje horizontal (X) se denomina abscisa y el vertical (Y) ordenada.
Y
0X
 Los gráficos permiten la representación gráfica de la información, traduciendo hechos numéricos a una forma
más concreta, clara, sencilla y sintética.
 Todos los gráficos deben llevar título y número para facilitar su comprensión
 Sólo trabajaremos con el primer cuadrante y debemos tener las siguientes consideraciones:
1- los ejes deben ser proporcionales, es decir, Y representará el 75% de X
2- todos los gráficos deben tener título
LOS GRÁFICOS SEGÚN EL NIVEL DE TIPO DE GRÁFICO

MEDICIÓN NIVEL
NOMINAL Pictograma, de barras, sectorial, pastel o
torta
ORDINAL De barras
INTERVALAR - MÉTRICO Histograma, Polígono de Frecuencias,
Ojiva de Galton
NIVEL NOMINAL
PICTOGRAMA: en el eje de las X se colocan las categorías presentadas con el mismo orden arbitrario de la tabla
correspondiente, y en el eje de las Y se colocan las frecuencias, ya sean absolutas o relativas (en proporciones o
porcentajes).
La frecuencia de la categoría se representa con una figura alusiva.
Las categorías deben estar igualmente espaciadas entre sí.
En cada categoría se inserta un dibujo alusivo a la característica que se está midiendo.
GRÁFICO DE BARRAS: en el eje X se colocan las categorías y en el eje Y las frecuencias.

La frecuencia de la categoría se representa con una barra.
Las barras tendrán el mismo ancho y también los espacios entre ellas.
SECTORIAL, PASTEL O TORTA: se elabora a partir de un círculo que se divide proporcionalmente en una cantidad de
sectores de acuerdo a la cantidad de categorías.
El tamaño de cada sector se calcula por regla de 3 simple, teniendo en cuenta que el círculo tiene 360º.
Cuando elaboramos este tipo de gráfico con Excel, el programa calcula el tamaño de cada sector en forma
automática, ya sea en frecuencias o porcentajes.
NIVEL ORDINAL
GRÁFICO DE BARRAS: en el eje X se colocan las categorías ordenadas y en el eje Y las frecuencias.
La frecuencia de la categoría se representa con una barra.
Las barras tendrán el mismo ancho y también los espacios entre ellas.
NIVEL INTERVALAR O MÉTRICO

HISTOGRAMA: en el eje X se coloca el valor de la variable y en eje Y las frecuencias.
La frecuencia se representa con una barra.
Las barras tendrán el mismo ancho y no habrá espacio entre ellas, dado que se trata de variables continuas.
8
9
El término “histo” proviene del griego y significa columna.
POLÍGONO DE FRECUENCIA: este grafico se utiliza cuando trabajamos con variables contínuas medidas en un nivel
intervalar o métrico.
Cuando se trata de un nivel de medición intervalar, en el eje X se consigna el punto central de cada intervalo; y en
el eje Y, la frecuencia del intervalo.
Finalmente se unen los puntos de intersección entre ambos ejes, conformando un perfil con líneas rectas. Se
puede utilizar para comparar dos muestras, siempre que ambas muestras tengan el mismo número de sujetos.
Si los picos más altos del polígono son los valores intermedios, ésta se asemeja a una Distribución Normal
(Campana de Gauss).
En el eje Y también se pueden utilizar frecuencias relativas cuando se quiere comparar en un mismo gráfico dos
grupos de sujetos con diferente cantidad de sujetos. En este caso se expresan las frecuencias en proporciones y se
logra un número comparable ya que la sumatoria de las frecuencias será igual a 1.
Para elaborar el Polígono de Frecuencia se marca un punto en la intersección de cada valor de X con la frecuencia
correspondiente, luego se unen todos los puntos y se baja la recta al principio y al final suponiendo que existe un
intervalo anterior y uno posterior. Es decir que el Polígono de Frecuencia no queda suspendido, sino que comienza
y termina tocando el eje X. Por esta razón en la distribución de frecuencias de este ejemplo, la misma comienza y
termina en cero. Cuando elaboramos el gráfico con Excel debemos seleccionar todos los valores, incluyendo los
ceros.
OJIVA DE GALTON: se utiliza para trabajar en el nivel métrico.
Se pueden usar frecuencias acumuladas absolutas o relativas, que se indican en la ordenada, y en la abscisa se
coloca el valor de X.
Se unen los puntos de intersección con una línea continua.
Tanto este grafico como el anterior, facilitan la comparación de dos distribuciones.
Además de ser un tipo de representación gráfica, sirve para obtener gráficamente fractiles, los cuales son medidas
de orden o posición que poseen las ventajas de las medidas estandarizadas.
Para la determinación gráfica de fractiles se utilizará en Y la frecuencia acumulada en proporción o porcentaje.
La Ojiva de Galton es útil para visualizar rápidamente cuantos sujetos o qué proporción de sujetos se ubican hasta
determinado punto de la escala.
Medidas de tendencia central
Sirven fundamentalmente para resumir la información. Estas medidas permiten presentar en vez de todas las
observaciones de una distribución de frecuencias, sólo algunas características que definen los aspectos fundamentales de
la misma. La posibilidad de reducción de información depende del nivel de medición utilizado. Se denominan Medidas de
Tendencia Central porque se ha comprobado empíricamente que en escalas ordinales, intervalares y métricas, estas
medidas tienden a ubicarse en el centro de la distribución.
A. Modo (Mo): se llama también moda. Es aquel valor (si se tratara de números) o categoría de la
variable que presenta la mayor frecuencia dentro de una distribución, es decir, que se repite mayor
cantidad de veces.
En los niveles intervalar o métrico el modo es el punto medio del intervalo que presenta la mayor
frecuencia.
Se puede utilizar en todos los niveles de medición y es por eso único, pero la desventaja que
presenta es que brinda muy poca información (es la que menos información brinda), ya que con él
solo sabemos lo que se presenta más, tenemos así una idea de donde se presenta la mayor cantidad
de observaciones.
Una distribución puede ser unimodal, bimodal o multimodal según presente uno, dos o más modos.
En caso de que la distribución sea simétrica y unimodal, puedo calcular el modo utilizando la
Relación de Pearson: Mo = 3 .M d n - 2 X
9
10
- Para nivel Nominal y datos sin agrupar el Modo es la categoría que a simple vista se repite mayor
cantidad de veces. Ej.:
católico- católico- judío- protestante- católico-evangelista-mahometano. Mo= católico
- Para nivel nominal y datos agrupados el Modo es igual a la categoría que presenta mayor frecuencia. Ej.:
Categoría f
Empleada 20
domestica Mo= Albañil –Panadero
Albañil 35
Mozo 21 En esta distribución
Panadero 35 tenemos dos modos, por lo
tanto es bimodal
Carpintero 12
Desempleado 6
N 10
- Para un nivel Ordinal la obtención de Modo es exactamente igual que para nivel
nominal. Ej.:
Si investigara, en el B° XXX el grado de conocimiento existente de las políticas de salud que

están a disposición de la población en el Centro de Salud de la zona, podría establecer las
siguientes categorías, ordenadas jerárquicamente: conoce todas las medidas ejecutadas,
conoce solo algunas, las desconoce.
las desconoce, las conoce todas, conoce solo algunas, conoce solo algunas, las desconoce, las conoce
todas, las desconoce, conoce solo algunas, conoce solo algunas, las conoce todas, las
desconoce, las conoce todas, conoce solo algunas, conoce solo algunas, las desconoce, las conoce
todas, las desconoce, conoce solo algunas, conoce solo algunas, conoce solo algunas. N=20
En esta distribución tenemos un modo, es por lo tanto, unimodal.
Mo = conoce solo algunas (es la categoría que presenta la mayor frecuencia.)
Si agrupamos o tabulamos los datos:
Categorías f
conoce todas 5
conoce solo algunas 9
las desconoce 6
10
11
- Para un nivel intervalar o métrico el modo es igual al valor que más se repite. Ej.:
7-8-6-5-7-3-2-1-7-6-5-4-7-9-4-8-5-7-5-7-7-6-3-7-1-7
Mo = 7 (esta distribución tiene un modo, es unimodal)
___________________________
B. Mediana (Mdn): Es aquel valor o categoría que da el orden medio de una distribución , dejando por
encima y por debajo la misma cantidad de observaciones, siempre y cuando estén ordenados de > a < o
viceversa. Divide a la distribución en dos partes iguales. No se utiliza en el nivel nominal. Es la MTC que
mejor representa a una distribución cuando existen puntuaciones extremas no compensadas (que se
alejan significativamente de la mayoría) o cuando tenemos intervalos abiertos.
• Para datos sin tabular:

a En un nivel ordinal con numero impar; se ordenan los datos y se toma al que esta en el medio.
Mala-mala-mala- reg- reg- buena -buena-buena-muy buena-muy buena- muy buena
Mdn= buena
b En un nivel ordinal con un numero par: la Mdn es la categoría que más se repite de las 2 centrales
Mala-mala-mala- reg- reg-buena- muy buena -muy buena- muy buena- muy buena-muy buena- muy buena
Mdn= muy buena
c En niveles intervalares o métricos con N impar, la Mdn es igual al valor que se ubica exactamente en el
centro:
3-3-5-7-9-10-11-11-13-14-15
Mdn= 10
Si el nº de observaciones es par, la Mdn es igual al promedio de las 2 observaciones centrales:

3-3-5-7-9-10-11-11-13-14-15-15
Mdn= 10,50
• Para datos agrupados o tabulados manualmente:

a En un nivel ordinal:
1- se determina el orden de la mediana que se simboliza: Mdn o = N/2
2- Se obtienen las F↑ en la tabla de distribución de frecuencias
3-La Mdn será = a la categoría que de acuerdo a la F↑ contenga el orden de la Mdn
11
12
Mdno = 110 = 55 Categoría F F↑
2 20 20
Malo
35 55
Regular
Mdn= regular 40 95
Bueno
15 110
Muy bueno
N= 110
b En un nivel intervalar o métrico: procedemos utilizando la función correspondiente de Excel o SPSS
3 Excel: Fx/estadísti cas/Mediana

3
5 SPSS: Analizar/estadísti cos descripti vos/frecuencias
7
9
11
11
13
15
15
Estadísticos
Puntaje
N Válido 10
Perdidos 0
Mediana 10,0000
Puntaje
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válido 3,00 2 20,0 20,0 20,0
5,00 1 10,0 10,0 30,0
7,00 1 10,0 10,0 40,0
9,00 1 10,0 10,0 50,0
11,00 2 20,0 20,0 70,0
13,00 1 10,0 10,0 80,0
15,00 2 20,0 20,0 100,0
12
13
Total 10 100,0 100,0
EJEMPLOS:
Datos sin agrupar (se refiere a aquellos casos, como a continuación, en los que los datos no han
sido sistematizados en la Tabla de distribución de frecuencias)
1. La Mediana en el nivel Ordinal con número impar:

Si investigara, en el B° Tres Estrellas, el grado de conocimiento existente de las políticas de salud que están a
disposición de la población en el Centro de Salud de la zona, podría establecer las siguientes categorías,
ordenadas jerárquicamente: conoce todas las medidas ejecutadas, conoce solo algunas, las desconoce.
Datos desordenados: las desconoce, las conoce todas, conoce solo algunas, conoce solo algunas, las
desconoce, las conoce todas, las desconoce, conoce solo algunas, conoce solo algunas, conoce solo
algunas, las conoce todas, las desconoce, las conoce todas, conoce solo algunas, conoce solo algunas, las
desconoce, las conoce todas, las desconoce, conoce solo algunas, conoce solo algunas, conoce solo algunas.
N = 21 (numero impar)
Datos ordenados: las conoce todas, las conoce todas, las conoce todas, las conoce todas, las conoce todas,
conoce solo algunas, conoce solo algunas, conoce solo algunas, conoce solo algunas, conoce solo algunas,
CONOCE SOLO ALGUNAS , conoce solo algunas, conoce solo algunas, conoce solo algunas, conoce solo
algunas, las desconoce, las desconoce, las desconoce, las desconoce, las desconoce, las desconoce.
Mdn = conoce solo algunas. Es el dato que esta en el medio, y que deja la misma cantidad de observaciones
por encima que por debajo.
2. La Mediana en el nivel Ordinal con número par:

Datos desordenados: las desconoce, las conoce todas, conoce solo algunas, conoce solo algunas, las
desconoce, las conoce todas, las desconoce, conoce solo algunas, conoce solo algunas.
N = 20 (numero par)
Datos ordenados: las conoce todas, las conoce todas, las conoce todas, las conoce todas, las
conoce todas, conoce solo algunas, conoce solo algunas, conoce solo algunas, conoce solo algunas,
CONOCE SOLO ALGUNAS, CONOCE SOLO ALGUNAS, conoce solo algunas, conoce solo algunas, conoce solo
algunas, las desconoce, las desconoce, las desconoce, las desconoce, las desconoce, las desconoce.
Mdn = conoce solo algunas. Tomo los dos datos del medio, y como en este caso tienen la misma
frecuencia, tomo cualquiera de los dos.
EJEMPLOS:
3. La Mediana en el nivel Intervalar con número impar:

La variable en estudio es el coeficiente de inteligencia de 51 alumnos de 7° año de una escuela.
Datos desordenados: 73, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 147, 100, 96, 99,
88, 73, 98, 103, 89, 74, 148, 100, 96, 99, 88, 88, 73, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86, 93, 104, 110, 133,
147, 100, 96, 99, 88.
13
14
Datos ordenados: 73, 73, 73, 74, 74, 74, 86, 86, 88, 88, 88, 88, 89, 89, 89, 93, 93, 96, 96, 96, 98, 98, 98, 99,
99, 99, 100, 100, 100, 103, 103, 103, 104, 104, 105, 105, 110, 110, 112, 112, 117, 117, 123, 123, 133, 133, 142, 142,
147, 147, 148.
Mdn = 99. Es el dato que esta en el medio, y que deja la misma cantidad de observaciones por encima
que por debajo.
4. La Mediana en el nivel Intervalar con número par:

La variable en estudio es el coeficiente de inteligencia de 50 alumnos de 7° ano de una escuela.
Datos desordenados: 73, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 147, 100, 96, 99, 88,
73, 98, 103, 89, 74, 148, 100, 96, 99, 88, 88, 73, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 147,
100, 96, 99.
N = 50 (numero par) . .
Datos ordenados: 73, 73, 73, 74, 74, 74, 86, 86, 88, 88, 88, 89, 89, 89, 93, 93, 96, 96, 96, 98, 98, 98, 99, 99,
99, 100, 100, 100, 103, 103, 103, 104, 104, 105, 105, 110, 110, 112, 112, 117, 117, 123, 123, 133, 133, 142, 142, 147,
147, 148.
Mdn = 99,5. Es el promedio de los dos valores centrales.
5. La Mediana en el nivel Métrico con número impar:

La variable en estudio es el peso de 61 niños de 8 anos.
Datos desordenados: 25, 32, 23, 22, 28, 26, 31, 29, 27, 33, 22, 26, 25, 26, 30, 24, 27, 30, 25, 25, 25, 32, 23,
22, 28, 26, 31, 29, 27, 33, 22, 26, 25, 26, 30, 24, 27, 30, 25, 25, 25, 32, 23, 22, 28, 26, 31, 29, 27, 33, 22, 26, 25, 26, 30,
24, 27, 30, 25, 25, 27.
Datos ordenados: 22, 22, 22, 22, 22, 22, 23, 23, 23, 23, 24, 24, 24, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25,
26, 26, 26, 26, 26,_26, 26, 26, 26, 27, 27, 27, 27, 27, 27, 27, 28, 28, 28, 29, 29, 29, 30, 30, 30, 30, 30, 30, 31, 31, 31, 32, 32,
32, 33, 33.
Mdn = 26. Es el dato que esta en el medio, y que deja la misma cantidad de observaciones por encima que por
debajo.
EJEMPLOS:
6. La Mediana en el nivel Métrico con número par:

La variable en estudio es el peso de 60 niños de 8 anos.
Datos desordenados: 25, 32, 23, 22, 28, 26, 31, 29, 27, 33, 22, 26, 25, 26, 30, 24, 27, 30, 25, 25, 25,
32, 23, 22, 28, 26, 31, 29, 27, 33, 22, 26, 25, 26, 30, 24, 27, 30, 25, 25, 25, 32, 23, 22, 28, 26, 31, 29, 27, 33,
22, 26, 25, 26, 30, 24, 27, 30, 25, 25.
N = 60 (numero par)
Datos ordenados: 22, 22, 22, 22, 22, 22, 23, 23, 23, 23, 24, 24, 24, 25, 25, 25, 25, 25, 25, 25, 25, 25,
25, 25, 25, 26, 26, 26, 26. 26, 26, 26, 26, 26, 27, 27, 27, 27, 27, 27, 28, 28, 28, 29, 29, 29, 30, 30, 30, 30, 30,
30, 31, 31, 31, 32, 32, 32, 33, 33.
Mdn - 26. Es el promedio de los dos valores centrales.
14
15
EJEMPLOS:
Datos agrupados (se refiere a aquellos casos, como a continuación, en los que los datos ya han
sido sistematizados en la Tabla de distribución de frecuencias)
1. La Mediana en el nivel Ordinal:

Pasos para obtener la mediana en el nivel ordinal:
 Se obtiene la F↑ de la distribución.
 Se obtiene el orden del N/2.
 El valor obtenido se ubica en la F↑ que lo contenga.
 La categoría a la que corresponde dicha F↑, será la mediana de la distribución.
Si investigara, en el B° Tres Estrellas, el grado de conocimiento existente de las políticas de salud
que están a disposición de la población en el Centra de Salud de la zona, podría establecer las siguientes
categorías, ordenadas jerárquicamente; conoce todas las medidas ejecutadas, conoce solo algunas, las
desconoce.
Datos: las desconoce, las conoce todas, conoce solo algunas, conoce solo algunas, las
desconoce, las conoce todas, las desconoce, conoce solo algunas, conoce solo algunas.
N=20
Datos agrupados
Categoria Tab. f F↑
Las conoce todas IIIIII 6 6
Conoce solo alqunas IIIIIIII 8 14
Las desconoce IIIIII 6 20
=
N= 20
2
0
/
2
1
0
Mdn = conoce solo algunas. Ya que en esta categoría se ubican desde el Iugar8 al 14, por lo tanto 10 esta
incluido en ella.
15
16
EJEMPLOS:
2. La Mediana en el nivel Intervalar con SPSS:
La variable en estudio es el coeficiente de inteligencia de 50 alumnos de 7° año de una escuela. Datos: (30
puntajes de Cl) 73, 98, 103, 89, 74,112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 147, 100, 96, 99, 88, 73, 98,
103, 89, 74, 148, 100, 96, 99, 88, 72, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 147, 100,
96, 99, 88. N: 50.
Estadísticos
CI alumnos 7º año
N Válido 50
Perdidos 0
Mediana 99,5000
CI alumnos 7º
Válido 72,00 1 2,0 2,0 2,0
73,00 2 4,0 4,0 6,0
74,00 3 6,0 6,0 12,0
86,00 2 4,0 4,0 16,0
88,00 3 6,0 6,0 22,0
89,00 3 6,0 6,0 28,0
93,00 2 4,0 4,0 32,0
96,00 3 6,0 6,0 38,0
98,00 3 6,0 6,0 44,0
99,00 3 6,0 6,0 50,0
100,00 3 6,0 6,0 56,0
103,00 3 6,0 6,0 62,0
104,00 2 4,0 4,0 66,0
105,00 2 4,0 4,0 70,0
110,00 2 4,0 4,0 74,0
112,00 2 4,0 4,0 78,0
117,00 2 4,0 4,0 82,0
123,00 2 4,0 4,0 86,0
133,00 2 4,0 4,0 90,0
142,00 2 4,0 4,0 94,0
147,00 2 4,0 4,0 98,0
148,00 1 2,0 2,0 100,0
Total 50 100,0 100,0
16
17
EJEMPLO:
3. La Mediana en el nivel Métrico:

Se resuelve en SPSS igual que en el nivel intervalar.
La variable en estudio es el peso de 60 niños de 8 años Datos: 25, 32, 23, 22, 28, 26, 31, 29, 27, 33,
22, 26, 25, 26, 30, 24, 27, 30, 25, 25, 25, 32, 23, 22, 28, 26, 31, 29, 27, 36, 22, 26, 25, 26,' 30, 24, 27, 30,
25, 25, 25, 32, 23, 22, 28, 26, 31, 29, 27, 33, 22, 26, 25, 26, 30, 24, 27, 30, 25, 25. N: 60
Estadísticos
Peso niños 8 años
N Válido 60
Perdidos 0
Mediana 26,0000
Peso niños 8 años

Frecuencia Porcentaj Porcentaje Porcentaje
e válido acumulado
Válid 22,0 6 10,0 10,0 10,0
o 0
23,0 3 5,0 5,0 15,0
0
24,0 3 5,0 5,0 20,0
0
25,0 12 20,0 20,0 40,0
0
26,0 9 15,0 15,0 55,0
0
27,0 6 10,0 10,0 65,0
0
28,0 3 5,0 5,0 70,0
0
29,0 3 5,0 5,0 75,0
0
30,0 6 10,0 10,0 85,0
0
31,0 3 5,0 5,0 90,0
0
32,0 3 5,0 5,0 95,0
0
33,0 2 3,3 3,3 98,3
17
18
0
36,0 1 1,7 1,7 100,0
0
Total 60 100,0 100,0
C. Media (X): estadística o aritmética. Es el valor promedio de todas las observaciones. Si todos los demás valores
de la distribución adoptaran este valor promedio, la sumatoria seria igual a la sumatoria de los valores originales.
Es la medida más confiable porque en su cálculo intervienen todos los valores de la distribución. Se utiliza
solo en los niveles intervalar y métrico. La media se utiliza cuando deseamos que todas las observaciones tengan el
mismo peso, para obtener mayor confiabilidad, se pueden inferir otros valores. Es la medida de tendencia central
que mejor representa a una distribución, salvo cuando existen puntuaciones extremas no compensadas, porque en
ese caso el valor de la media se corre hacia las puntuaciones extremas y se distorsiona la información.
La distancia que existe entre cualquier observación y la media se denomina desvío o desvío real, y se
simboliza con una x minúscula. El desvío real es igual a cualquier observación menos la media:
x=x-x
observación
desvío
Para datos sin agrupar, tanto en nivel intervalar como métrico, la media es igual a la suma de los valores de
todas las observaciones, dividido la cantidad de observaciones:
1-2-3-4-5 x = ∑x (observaciones) =15 = 3
N 5
Existen 2 propiedades de los desvíos con respecto a la media:

1. La suma del los desvíos de todos los valores de la variable respecto de la media es siempre igual a cero
(Σ x = 0).
2. La sumatoria de los desvíos al cuadrado de todos los valores de la variable respecto de la media es
menor que la sumatoria de los desvíos al cuadrado respecto de cualquier otro valor. (Σ x 2 = mínima).
Esto significa que si se obtienen todos los desvíos con respecto a la media, se elevan el cuadrado y se
suman, el valor numérico resultante va a ser menor que si se obtuviesen todos los desvíos con respecto a
cualquier valor de la distribución que no sea la media, se los elevara al cuadrado y se los sumara.
Ejemplo 1: desvíos con respecto a la media
1- 2- 3- 4- 5 x=3
a) 3+3+3+3+3= 15
b) X = - 2, -1, 0, 1, 2
c) X 2 = 4, 1, 0, 1, 4
∑ X 2 = 10 (mínima)
-3,-2,-1,0,1
Ejemplo 2: desvíos con respecto a cualquier otra observación, por ejemplo observación 2
1- 2- 3- 4- 5
a) X = -1, 0, 1, 2, 3
b) X 2 = 1, 0, 1, 4, 9
∑ X 2 = 15 (mayor que 10)

18
19
EJEMPLOS:
1. La Media en el nivel Intervalar:
La variable en estudio es el coeficiente de inteligencia de 50 alumnos de 7° año de una escuela.
Datos: (30 puntajes de Cl) 72, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 145,
100, 96, 99, 88 73, 98, 103, 89, 74, 146, 100, 96, 99, 88, 73, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86,
93, 104, 110, 102, 145, 100, 96,. 99, 88. N=50.
Excel: Fx/estadísti cas/Mediana
SPSS: Analizar/estadísti cos

descripti vos/frecuencias
CI alumnos 7º año
Válido 72,00 1 2,0 2,0 2,0
73,00 2 4,0 4,0 6,0
74,00 3 6,0 6,0 12,0
86,00 2 4,0 4,0 16,0
88,00 3 6,0 6,0 22,0
89,00 3 6,0 6,0 28,0
93,00 2 4,0 4,0 32,0
96,00 3 6,0 6,0 38,0
98,00 3 6,0 6,0 44,0
99,00 3 6,0 6,0 50,0
100,00 3 6,0 6,0 56,0
102,00 1 2,0 2,0 58,0
103,00 3 6,0 6,0 64,0
104,00 2 4,0 4,0 68,0
105,00 2 4,0 4,0 72,0
110,00 2 4,0 4,0 76,0
112,00 2 4,0 4,0 80,0
117,00 2 4,0 4,0 84,0
123,00 2 4,0 4,0 88,0
133,00 1 2,0 2,0 90,0
142,00 2 4,0 4,0 94,0
145,00 2 4,0 4,0 98,0
146,00 1 2,0 2,0 100,0
Total 50 100,0 100,0
19
20
2. La media en el nivel métrico: se resuelve igual que en el caso anterior
Hay un solo caso en el que las tres medidas coinciden y adoptan el mismo valor: cuando trabajamos con
una distribución simétrica.
A es valor en el que el modo, la mediana y la media coinciden
A X
- Las distribuciones pueden ser simétricas o asimétricas y estas últimas pueden ser positivas o negativas.
- En las distribuciones asimétricas que corresponden a la mayoría de las distribuciones empíricas, la media tiende
a correrse hacia las observaciones extremas.
- Distribución Simétrica
Mo, Mdn y X coinciden
- Distribución Asimétrica3
Mdn Mdn
Positiva Negativa
Mo x x Mo
-Las distribuciones asimétricas positivas implican en general un rendimiento bajo, porque la mayor
concentración de sujetos se ubican en los puntajes bajos de la escala
-Una distribución asimétrica negativa implica rendimiento alto, porque la mayor concentración de sujetos se
ubica en los puntajes altos de la escala.
3
En la unidad 6 se abordará el cálculo de la asimetría a través de la fórmula: As = x – Mo
S
20
21
Reglas generales para reconocer cuando conviene utilizar cada Medida de Tendencia Central
- Se utiliza Media: cuando tenemos una escala intervalar o métrica. Cuando cada observación debe tener el
mismo peso. Cuando se quiere la mayor precisión o se quiere inferir. Cuando se desean obtener otros
estadísticos por, ejemplo medidas de dispersión.
- Se utiliza Mediana : cuando Tenemos escalas ordinales, intervalares o métricas. Cuando existen
puntuaciones extremas no compensadas o intervalos abiertos
- Se utiliza Modo: cuando tenemos escalas nominales. En estudios exploratorios donde sólo se desea
conocer en qué lugar de la escala se concentra la mayor cantidad de casos.
Cuando se tiene 1 escala intervalar o métrica que es aproximadamente simétrica y unimodal, y los datos están
agrupados, hay 1 método para obtener el Modo en forma más precisa = Relación de Pearson
Mo= 3. Mdn – 2. X
UNIDAD 5
Medidas de Orden o Fractiles
Los fractiles son medidas de orden o posición que dividen a una distribución en partes iguales, dejando
incluido en cada parte la misma cantidad de sujetos u observaciones, por lo tanto partes iguales no se refiere a
cantidad de unidades de la escala, sino a cantidad de sujetos u observaciones 4 (es siempre una categoría o un
valor)
Los Fractiles son medidas estandarizadas y por lo tanto tienen 2 ventajas o utilidades que no presentan las
puntuaciones directas o en bruto. Estas son:
4
Ver tabla en página 5
21
22
1. Permiten conocer la ubicación o posición relativa de 1 sujeto en relación a todos los miembros de
su grupo
2. Permite comparar puntajes obtenidos por un mismo sujeto en distintas escalas.
Hay distintos tipos de fractiles:
La mediana, además de ser una medida de tendencia central, es un fractil porque es una medida de
orden que divide a la distribución en dos partes iguales.
Los cuartiles (Q) dividen a la distribución en cuatro partes iguales; por tanto, hay cuatro cuartiles, y cada
uno deja por debajo el 25% de las observaciones. El cuartil uno (Q1) deja por debajo el 25% de las observaciones; el
Q2, el 50% de las observaciones; y el Q 3, el 75% de las observaciones. El Q 4 es igual a N, es decir, a la totalidad de
observaciones.
Los deciles (D) dividen a la distribución en diez partes iguales. Cada decil deja por debajo el 10% de las
observaciones de la distribución.
Los percentiles (P) dividen a la distribución en cien partes iguales. Cada percentil deja por debajo al 1% de
las observaciones de una distribución. Es la medida de orden más precisa. La medida de orden más usada en las
ciencias sociales y de la conducta es el percentil.
Los fractiles se pueden obtener a partir de un nivel de medición ordinal, por que implican un
ordenamiento de los sujetos de menor a mayor, pero en general se usa en los niveles intervalar y métrico
Para nivel ORDINAL:
Datos sin agrupar:
Se calcula el orden del fractil y se determina la categoría que corresponde a ese fractil, ubicando al sujeto que está
es ese orden:
Malo-malo-malo-reg-reg-reg-reg-bueno-bueno-bueno-muy bueno- muy bueno- muy bueno- muy bueno- muy

bueno- excelente- excelente- excelente- excelente
Q3o= 19. 3 =14,25 Q3= muy bueno

4
D7o= 19 . 7 =13,3 D7o= 13= muy bueno 10
P23 o= 19 . 23= 4,37 P23 o=regular

100
Datos agrupados:
22
23
Se obtiene en primer lugar el orden del fractil. Luego se obtienen las F↑ y de acuerdo a éstas, la categoría que
contenga el orden del fractil corresponde al fractil que se está calculando.
Q1o= 350 .1 = 87,5 = Regular

4
Categoría F F↑
D6o= 350 . 6 = 210 = bueno Malo 30 30
10 Regular 70 100
Bueno 120 220
P35o= 350 . 35 = 122,5 = Bueno Muy bueno 90 310
100 Excelente 40 350
N 350
Para nivel INTERVALAR Y MÉTRICO
Datos sin agrupar:

Se obtiene el orden del fractil y el sujeto que ocupa ese orden posee el puntaje que corresponde al fractil
10-10-10-11-11-11-11-11-12-12-12-13-13-13-13-13-14-14-14-14-15-15-15-15-15 N=25
Q3o= 25 . 3 = 18,75 =(posición19) = 14

4
D3o= 25 . 3 = 7,5 =(posición 7) = 11
10
P26o=25 . 26= 6,5 =(posición 6) = 11
100
En SPSS Datos agrupados:
La variable en estudio es el coeficiente de inteligencia de 50 alumnos de 7° año de una escuela. Datos: (30
puntajes de Cl) 73, 98, 103, 89, 74,112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 147, 100, 96, 99, 88, 73, 98,
103, 89, 74, 148, 100, 96, 99, 88, 72, 98, 103, 89, 74, 112, 123, 142, 105, 117, 86, 93, 104, 110, 133, 147, 100,
96, 99, 88. N: 50.
Estadísticos
CI alumnos 7º año
N Válido 50
Perdidos 0
Mediana 99,5000
Percentiles 25 89,0000
50 99,5000
75 110,5000
23
24
CI alumnos 7º año
Válido 72,00 1 2,0 2,0 2,0
73,00 2 4,0 4,0 6,0
74,00 3 6,0 6,0 12,0
86,00 2 4,0 4,0 16,0
88,00 3 6,0 6,0 22,0
89,00 3 6,0 6,0 28,0
93,00 2 4,0 4,0 32,0
96,00
6,0 6,0 38,0
3
98,00 3 6,0 6,0 44,0
99,00 3 6,0 6,0 50,0
100,00 3 6,0 6,0 56,0
102,00 1 2,0 2,0 58,0
103,00 3 6,0 6,0 64,0
104,00 2 4,0 4,0 68,0
105,00 2 4,0 4,0 72,0
110,00 2 4,0 4,0 76,0
112,00 2 4,0 4,0 80,0
117,00 2 4,0 4,0 84,0
123,00 2 4,0 4,0 88,0
133,00 1 2,0 2,0 90,0
142,00 2 4,0 4,0 94,0
145,00 2 4,0 4,0 98,0
146,00 1 2,0 2,0 100,0
Total 50 100,0 100,0
- Lo que “se deja por debajo” o lo que “está por encima” sirve para hacer un análisis comparativo respecto
de la distribución a la que el dato pertenece.
24
25
- La igualdad de la que se habla radica en la cantidad de observaciones. Las distribuciones pueden estar
amontonadas o no. No es una medida de distancia sino de orden en relación con la cantidad de
observaciones.
- En este ejemplo, cada cuartil contiene el equivalente a 12,5 alumnos, dado que el N=50.
- Si representáramos en un esquema alguna medida de orden en un continuo, el dibujo sólo sería simétrico
si la distribución fuera normal.
25% 50% 75% 100%
Q1 Q2 Q3 Q4
Mdn
Otro ejemplo:
La variable en estudio es el peso de 60 niños de 8 años Datos: 25, 32, 23, 22, 28, 26, 31, 29, 27, 33, 22,
26, 25, 26, 30, 24, 27, 30, 25, 25, 25, 32, 23, 22, 28, 26, 31, 29, 27, 36, 22, 26, 25, 26,' 30, 24, 27, 30, 25,
25, 25, 32, 23, 22, 28, 26, 31, 29, 27, 33, 22, 26, 25, 26, 30, 24, 27, 30, 25, 25. N: 60
25
26
Estadísticos
Peso de niños de 8 años
N Válido 60
Perdidos 0
20 24,2000
30 25,0000
40 25,4000
50 26,0000
60 27,0000
70 28,7000
80 30,0000
90 31,9000

Válido 22,00 6 10,0 10,0 10,0
23,00 3 5,0 5,0 15,0
24,00 3 5,0 5,0 20,0
25,00 12 20,0 20,0 40,0
26,00 9 15,0 15,0 55,0
27,00 6 10,0 10,0 65,0
28,00 3 5,0 5,0 70,0
29,00 3 5,0 5,0 75,0
30,00 6 10,0 10,0 85,0
31,00 3 5,0 5,0 90,0
32,00 3 5,0 5,0 95,0
33,00 2 3,3 3,3 98,3
36,00 1 1,7 1,7 100,0
Total 60 100,0 100,0
26
27
Si quisiéramos calcular cuartiles:
Estadísticos
N Válido 60
Perdidos 0
50 26,0000
75 29,7500
27
28
Q3 = 29,75 Lo que nos dice este número es que el 75% de los niños pesa menos de 29,75 kilogramos. En este
caso, de niños de 8 años de edad, ese peso, es normal. Pero nos puede servir este dato, por ejemplo, para
compararlo con el peso de niños de otras áreas.
Si lo anterior lo representamos en el continuo de una recta sería:
Datos : 22, 22, 22, 22, 22, 22, 23, 23, 23, 23, 24, 24, 24, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 26, 26, 26, 26,
26, 26, 26, 26, 26, 27, 27, 27, 27, 27, 27, 28, 28, 28, 29, 29, 29, 30, 30, 30, 30, 30, 30, 31, 31, 31, 32, 32, 32, 33, 33.
Q1 Q2 Q3 Q4
28
29
22, 22, 22, 22, 22, 22, 23, 25, 25, 25, 25, 25, 25, 26, 26, 26, 26, 27, 27, 29, 30, 30, 30, 30, 30,
23, 23, 23, 24, 24, 24,25, 25, 25, 25, 25, 26, 26, 27, 27, 27, 27, 28, 28, 30, 31, 31, 31, 32, 32,
25 26, 26, 26 28, 29, 29 32, 33, 33.
25 26 29,75
Además de obtenerse por fórmula en los niveles intervalar y métrico o con el uso de Excel o SPSS, se
puede determinar gráficamente el valor del fractil. Para ello se construye una Ojiva de Galton. En el eje de las y
(ordenada) se coloca la frecuencia acumulada en términos de porcentaje, en la x valor o categoría ,el
procedimiento es:
1) Construyo la Ojiva de Galton y determino el fractil a encontrar

2) ubico en los % del eje y (ordenada) el porcentaje que le corresponde a dicho fractil. Por ejemplo Q2 (Mdn, D5,
P50). Obtenido en Excel el valor es 5,44 (actitud)
3) desde ese punto trazo una línea perpendicular a y (ordenada) que se extienda hasta tocar la ojiva
4) en la intersección de esta línea con la ojiva trazo otra línea perpendicular a x (absisa) hasta tocar a este eje, ese
punto de la absisa será el valor del fractil.
Porcentaje
Actitud acumulado
3,4 5,0
3,5 10,0
3,86 15,0
4,7 20,0
4,97 25,0
5,01 30,0
5,09 35,0
5,1 40,0
5,17 45,0
5,44 50,0
5,46 55,0
5,58 60,0
5,6 65,0
5,65 70,0
29
30
5,74 75,0
5,81 80,0
5,88 90,0
5,95 95,0
6,17 100,0

Bibliografìa de consulta:
- Cortada de Kohan, N. y Corro, J. M. (1975). “Estadística Aplicada”. Buenos Aires. Editorial Universitaria
de Buenos Aires. Capítulo 3
UNIDAD 6 MEDIDAS DE DISPERIÓN

Estas medidas son complementarias a las Medidas de Tendencia Central y completan la
información que nos dan, ya que no siempre son suficientes para describir una distribución.
Estas medidas sólo se pueden obtener en los niveles intervalar y métrico.
Para caracterizarla correctamente necesitamos otro tipo de información.
30
31
Las Medidas de Dispersión nos orientan respecto de cómo se alejan las observaciones respecto de las
Medidas de Tendencia Central, es decir cómo se distribuye un grupo de observaciones
alrededor de las Medidas de Tendencia Central.
Es decir, que sirven para conocer la homogeneidad o heterogeneidad de una distribución,
porque dos distribuciones pueden tener las mismas Medidas de Tendencia Central y ser muy diferentes.
A continuación, se presentan tres casos de comparación de las medidas de Dispersión con las de
Tendencia Central:
a-Distribución con la misma Media, pero con distinta dispersión.
b-Distribución con distinta Media, pero con igual dispersión.
c-Distribución con distinta Media y con distinta dispersión.
Las medidas de dispersión son seis:
1 Amplitud Total o Recorrido o Rango AT

2 Desviación Intercuartil spss y excel DQ - DC
3 Desviación Media excel DX
4 Desviación Estándar o Desviación Típica S
5 Varianza o Variancia S2
6 Asimetría y Curtosis
Amplitud Total o Recorrido (A.T.): Es la diferencia entre el valor más alto de una distribución y el
más bajo. Es la más fácil de calcular, sin embargo, es la que menos información nos proporciona.
Podemos saber cuán extensa es una distribución.
Esta medida no nos sirve en dos casos:
 Cuando tenemos un intervalo de clase nulo.
 Cuando tenemos muy pocos casos en la distribución.
31
32
Es una medida poco confiable porque trabaja sólo con datos extremos, no usa la totalidad de las
observaciones.
Puede suceder que dos distribuciones presenten Medidas de Tendencia Central muy parecidas y que,
sin embargo, las amplitudes de ambas sean diferentes.
Fórmulas:
Puedo aplicar dos formulas
A. T.= Límite Superior Real (se le suma 0,5)– Límite Inferior Real (se le resta 0,5)
A. T.= Límite Superior – Límite Inferior + 1 (en este caso son los valores escritos; el 1 se justifica por la
necesidad de aproximar)
EJEMPLO: La variable de estudio es el peso de 50 niños de 8 años.

En la primera tabla, los niños corresponden a una escuela céntrica; en la segunda, a la población de una
escuela ubicada en un asentamiento urbano.
Distribución 1 – Niños de una escuela céntrica

Peso f
16 3 A.T.= Lím. Sup. Real – Lím. Inf. Real
21 6 A.T.= 41,5 – 15,5
26 7 A.T.= 25
31 23 Mediana = 28,45
36 7  = 28.3
41 4
N 50
Distribución 2 – Niños de un asentamiento urbano

Peso f
17 10 A.T.= Lím. Sup. Real – Lím. Inf. Real
22 33 A.T.= 31,5 – 16,5
31 7 A.T.= 15
N 50 Mediana = 23.77
 = 23.7
32
33
Si lo lleváramos a un gráfico, las distribuciones presentan distintas Medidas de Tendencia Central y de

dispersión
Distribución 1
Distribución 2
Si comparamos ambas distribuciones podemos decir que la primera tiene un recorrido mayor
respecto de la segunda.
Podemos afirmar que esto se debe a que a las escuelas céntricas asisten niños de distintos estratos
sociales.
En cambio, la escuela que está en el asentamiento recibe sólo alumnos del lugar y es probablemente
ése el motivo de las diferencias de peso, presentándose más niños con menor peso respecto de la
primera distribución.
Desviación Intercuartil (DQ - DC): Es la distancia que existe entre el Cuartil 3 (Q3) y el Cuartil 1 (Q1), y
se define como la cantidad de unidades de la escala a través de las cuales se dispersa el 50%
central de las observaciones (sujetos más representativos).
Es la medida indicada cuando existen puntuaciones extremas.
Nos informa cómo se distribuye el 50% central de los casos.
Nos da una idea sobre el grado de homogeneidad de la muestra.
Si la desviación intercuartil es menor, entonces la muestra presenta una mayor homogeneidad, ya
que el 50% central muestra a todos los datos aglutinados.
Caso contrario la muestra es más heterogénea.
Cuando la distribución es simétrica, la distancia entre el Q3 y el Q2 es igual que la distancia entre el Q2 y
el Q1.
En el caso de las asimetrías, esta igualdad desaparece.
La Mediana coincide con el Q2.
La distancia existente entre la Mediana y el Q1 y el Q3 muestra el grado de asimetría o simetría de
una distribución.
Si nos dan por ejemplos la desviación 30 y la desviaión 20 y nos preguntan cual
es mas homogénea? La que nos dio menos es más homogenia pq los datos
están aglutinados osea juntos
Fórmula: Q3 - Q1
EJEMPLO:
La variable en estudio es el peso de 60 niños de 8 años.
Ver presentación de los datos en la última página.
33
34
Fórmula: Q3 - Q1
Para poder aplicar esa fórmula, primero debo conocer los valores correspondientes a ambos cuartiles,
sabiendo que es Cuartil 3 corresponde con el Percentil 75 y el Cuartil 1 corresponde con el Percentil 25.
Cuartil Posición Valor

Q1 15 25
Q3 45 34
Aplico la fórmula para calcular la Desviación Intercuartil:

DQ = Q3 - Q1
DQ = 34 - 25
DQ = 9
La distancia en una distribución entre los cuartiles nos informa acerca de si la misma es simétrica o
asimétrica, y si la asimetría es + o -.
Si representamos lo anterior en una curva, esta sería más o menos así:
Podemos decir que esta curva es simétrica, ya que la distancia existente entre la Mdn y Q1 es igual que
la existente entre la Mdn y Q3
Distribución simétrica
Q3 – Q2 = Q2 – Q1
Q1 Q2 Q3
Distribución asimétrica positiva

Q3 –Q2 > Q2 – Q1
Q1 Q2 Q3
34
35
Desviación Media (DX): es el promedio de los desvíos (reales) de todas las observaciones con respecto
a la media sin considerar el signo. No se considera el signo porque la sumatoria nos daría cero (en una
curva normal), ya que la media es un valor promedio.
Los desvíos se calculan restándole a cada observación la Media.
Esta medida es como una Media de las Desviaciones.
Fórmulas:
Ejemplo (observaciones): 1,2,3,4,5 N=5
1ERO CALCULO LA MEDIA

Cálculo de la Media
2DO CALCULO LOS DESVIOS SIN TENER EN CUENTA SIGNO

Desvíos = Observación – Media
Desvíos = (1-3)+(2-3)+(3-3)+(4-3)+(5-3)
3ERO SUMO LOS DESVIOS

Desvíos = 2+1+0+1+2
Suma Desvíos = 6
4TO AHORA DIVIDO LA SUMA DE LOS DESVIOS (SACO EL PROMEDIO) POR LA CANT QUE SON
EL RESULTADO QUE TE DA ES QUE SE DESVIA “X” PUNTOS DE LA MEDIA

Cuando la distribución es simétrica o se aproxima:
Media + Desviación Media = 1 DX positiva

60% Media – Desviación Media = 1 DX negativa
20% 20%
-1DX  +1DX
Entre –1DX y +1DX se encuentran el 58 o 64% central de los casos (la diferencia de porcentajes se debe
a discrepancias entre los autores), es decir, más de la mitad de las observaciones de una
distribución. El 40% restante se divide en ambos extremos (el 20% en cada uno).
EJEMPLOS
Desviación Media para datos sin agrupar:

La variable en estudio es el peso de 11 niños.
Datos ordenados: 22, 23, 24, 25, 25, 26, 27, 27, 28, 29, 30 N = 11
1-Cálculo de la Media
35
36
2-Cálculo de los Desvíos

Desvíos = Observación – Media
Desvíos = (22-26), (23-26), (24-26), (25-26), (25-26), (26-26), (27-26), (27-26), (28-26), (29-26), (30-26)
Desvíos = -4, -3, -2, -1, -1, 0, 1, 1, 2, 3, 4 = 22
3-Cálculo de la Desviación Media
Importante: al sumar los desvíos no debo considerar el signo, caso contrario me da cero.
Conclusión En promedio las observaciones se desvían 2 puntos de la Media
Desviación Estándar o típica (S): es la raíz cuadrada de la sumatoria de los cuadrados de los desvíos
con respecto a la Media, sobre N, o expresado de otro modo, es la raíz cuadrada del promedio de los
desvíos al cuadrado con respecto a la Media.
De las medidas de variabilidad es la más confiable porque además de que quedan incluidas todas las
observaciones en su cálculo, se ha demostrado empíricamente que es la medida de dispersión más
estable. Se ha demostrado empíricamente que si se calcula la desviación estándar de varias muestras
representativas de una misma población, éstas van a ser iguales o muy similares y por lo tanto se puede
considerar que la S de una muestra es un buen estimativo de la desviación estándar de la
población a la que pertenece, No es recomendable cuando existen puntuaciones extremas no
compensadas.
Si la distribución tiene gran cantidad de observaciones y es similar a la normal, el 68% central de
los casos se ubica a +/ - 1S, partiendo de la Media.
S2
Valore Desvío
s de x = x-
1 -2 (1-3) 4
2 -1 (2-3) 1
3 0 (3-3) 0
4 1 (4-3) 1
5 2 (5-3) 4
Suma Sum
= 15 a=
10
Cálculo de 
Cálculo de S
36
37
X= 3
MEDIA =3
0,18 1,59 3 4,41 5,82 Adelanto de Unidad VII: los

números Z toman a la media como
(z) -2 -1 0 +1 +2
punto 0, y aumentan y disminuyen
de a 1 (+/-1 por cada S), como
desvíos con respecto al punto 0
1S 1S 1S 1S
Propiedades de la suma y de la multiplicación que se utilizan en las medidas de tendencia central y

de variabilidad:
1-Si a todos los valores de una distribución le sumamos un valor constante (k), la media resultante será
igual a la media de la distribución original más la constante; pero la desviación estándar se mantiene
inalterable, ya que al sumarle un valor constante la desviación es la misma.
2-Si multiplicamos por un valor constante a todas las observaciones de la distribución, la media y la
desviación estándar resultantes serán iguales a la media y la desviación estándar de la distribución
original multiplicadas por el valor constante.
Varianza o Variancia (S2): Es la desviación estándar al cuadrado. Permite comparar las variaciones de
2 distribuciones distintas. Además, se utiliza en la aplicación de pruebas de hipótesis paramétricas.
Asimetría y Curtosis
Curtosis es la relación existente entre la ordenada máxima de la distribución empírica y la ordenada

máxima de la distribución normal.
-La ordenada máxima es el valor más alto de Y.
-La distribución Normal es la simétrica o teórica.
-La distribución empírica es la que tenemos en la realidad.
Distribución Normal
Ordenada y
37
38
Absisa x
Existen 3 tipos de curvas:
Mesocúrtica: La ordenada máxima de ambas distribuciones (la normal y la empírica) coinciden.
Distribución Normal y empírica
Leptocúrtica: el valor máximo de la ordenada en la distribución empírica es mayor que el de la

distribución normal (ésta es la más homogénea).
Distribución empírica
Platicúrtica: el valor máximo de la ordenada en la distribución empírica es menor que el de la normal

(esta es la más heterogénea)
Distribución Empírica
Partimos de la base de que, tanto en la distribución normal, como en la platicúrtica, la leptocúrtica y la

mesocrático tenemos el mismo N, es decir, la misma cantidad de observaciones.
Asimetría (As) = 3 ( – Mdn)

S
38
39
Si aplicamos esta expresión a una distribución normal el resultado será cero. Ya que en las
distribuciones simétricas todas las medidas de tendencia central coinciden.
Cuando la asimetría es positiva su resultado es positivo, y la media es mayor que el modo.

La curva es de una distribución asimétrica positiva. El Q1 está más cerca de la Mdn y muy alejado del
Q3.
Q1 Q3 Mo Mdn
Mdn
Cuando la asimetría es negativa, el resultado es negativo, y el modo es mayor que la media.

La curva es de una distribución asimétrica negativa.
La distancia entre el Q3 y la Mdn es menor que la existente entre el Q1 y la Mdn.
Mdn
 Mo
Q1 Q3
Mdn
Cuando no hay asimetría, porque la curva es simétrica, normal o representa una Campana de Gauss, el
resultado es cero.
La curva es de una distribución simétrica. La distancia entre la Mdn y los Q1 y Q3 es equivalente
Q1 Q3
Mdn
La mediana está siempre entre el modo y la media.

Los que invierten el lugar son el modo y la media, la mediana es siempre la mitad de la distribución.
Superposición de las tres curvas anteriores

Distribución Normal Asimetría negativa
Asimetría positiva
39
40
Mo Md  Mdn  Md Mo
Mo

PREGUNTAS:
QUE SE REFIERE Si la distribución tiene gran cantidad de observaciones y es similar a la normal,
el 68% central de los casos se ubica a +/ - 1S, partiendo de la Media.
S2
Bibliografía de consulta:
- Aron A. y Aron E. (2006). “Estadística para Psicología”. Buenos Aires. Prentice Hall y Pearson
Educación. Capítulo 2
- Cortada de Kohan, N. y Corro, J. M. (1975). “Estadística Aplicada”. Buenos Aires. Editorial
Universitaria de Buenos Aires. Capítulo 4
40
41
41
CATEDRA: PSICOESTADISTICA I 42
Estadísticos
VAR00004
N Válido 27
Perdidos 0
Media 67,3333
Mediana 74,0000
Moda 43,00
Desv. Desviación 22,30557
Rango 63,00
20 41,6000
25 43,0000
30 43,0000
40 60,4000
50 74,0000
60 81,0000
70 85,6000
72 86,4800
75 89,0000
80 90,4000
90 93,4000
VAR00004
Frecuencia Porcentaje Porcentaje Porcentaje
válido acumulado
Válid 35,0 1 3,7 3,7 3,7
o 0
36,0 1 3,7 3,7 7,4
0
37,0 1 3,7 3,7 11,1
0
40,0 1 3,7 3,7 14,8
0
41,0 1 3,7 3,7 18,5
0
42,0 1 3,7 3,7 22,2
0
43,0 3 11,1 11,1 33,3
42
0
53,0 1 3,7 3,7 37,0
0
59,0 1 3,7 3,7 40,7
0
66,0 1 3,7 3,7 44,4
0
69,0 1 3,7 3,7 48,1
0
74,0 1 3,7 3,7 51,9
0
76,0 1 3,7 3,7 55,6
0
77,0 1 3,7 3,7 59,3
0
82,0 1 3,7 3,7 63,0
0
83,0 1 3,7 3,7 66,7
0
85,0 1 3,7 3,7 70,4
0
86,0 1 3,7 3,7 74,1
0
89,0 1 3,7 3,7 77,8
0
90,0 1 3,7 3,7 81,5
0
91,0 1 3,7 3,7 85,2
0
92,0 1 3,7 3,7 88,9
0
93,0 1 3,7 3,7 92,6
0
95,0 1 3,7 3,7 96,3
0
98,0 1 3,7 3,7 100,0
0
Total 27 100,0 100,0
43
35
36
37
40
41
42
43
43
43
53
59
66
69
74
76
77
82
83
85
86
89
90
91
44
92
93
95
98
VISUALIZACIÓN DE LA DESVIACIÓN INTERCUARTIL (DQ)
75% (45 casos)

50% (30 casos)
25% (15 casos) MEDIANA
Q1 Q2
Posición 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
Valor de X 22 22 22 22 22 22 23 24 24 24 25 25 25 25 25 25 26 26 26 26 26 27 27 27 27 28 28 28 29 29 29 30 30 30 31 31 31 32 32 32 33 34 34 34
50% de los casos

DQ = 9
Estadísticos
VAR00001
N Válido 27
Perdidos 0
Media 67,3333
Mediana 74,0000
Moda 43,00
Desv. Desviación 22,30557
Rango 63,00
50 74,0000
72 86,4800
75 89,0000
VAR00001
Frecuencia Porcentaje Porcentaje Porcentaje
válido acumulado
Válid 35,0 1 3,7 3,7 3,7
o 0
36,0 1 3,7 3,7 7,4
0
37,0 1 3,7 3,7 11,1
45
0
40,0 1 3,7 3,7 14,8
0
41,0 1 3,7 3,7 18,5
0
42,0 1 3,7 3,7 22,2
0
43,0 3 11,1 11,1 33,3
0
53,0 1 3,7 3,7 37,0
0
59,0 1 3,7 3,7 40,7
0
66,0 1 3,7 3,7 44,4
0
69,0 1 3,7 3,7 48,1
0
74,0 1 3,7 3,7 51,9
0
76,0 1 3,7 3,7 55,6
0
77,0 1 3,7 3,7 59,3
0
82,0 1 3,7 3,7 63,0
0
83,0 1 3,7 3,7 66,7
0
85,0 1 3,7 3,7 70,4
0
86,0 1 3,7 3,7 74,1
0
89,0 1 3,7 3,7 77,8
0
90,0 1 3,7 3,7 81,5
0
91,0 1 3,7 3,7 85,2
0
92,0 1 3,7 3,7 88,9
0
93,0 1 3,7 3,7 92,6
46
0
95,0 1 3,7 3,7 96,3
0
98,0 1 3,7 3,7 100,0
0
Total 27 100,0 100,0
U N ID A D 7
47
CURVA NORMAL DE PROBABILIDADES
Probabilidad: Su cálculo es uno de los máximos objetivos de la estadística y consiste en

poder determinar si una distribución de observaciones se debe al azar o no.
Lo opuesto a la probabilidad es el azar. Algo es significativo en términos
probabilísticos como contrario al concepto de azar.Toda vez que se aplica una prueba de
hipótesis o una prueba de significación y se obtienen resultados significativos quiere decir
que es bastante probable que dicha distribución no se haya distribuido al azar y que se deba a
una o más variables que pueden estar influyendo. Por el contrario, toda vez que al aplicarse
una prueba de hipótesis los resultados obtenidos no son significativos es bastante probable que
la distribución sea al azar.
Podemos definir la PROBABILIDAD como la posibilidad de ocurrencia de un
determinado fenómeno
Existen ciertos criterios para determinar el valor numérico de la probabilidad:

1ºcriterio --------------Frecuencia relativa------------------- Clase cerrada
2ºcriterio --------------A priori---------------------------------- Clase abierta
3ºcriterio --------------A posteriori---------------------------- Clase abierta
Lo utilizo
cuando 1- Criterio para clase cerrada- Frecuencia relativa ( f ‘):
conozco N, es se aplica cuando se han agotado todas las posibilidades de tener más
decir cuando observaciones. El valor numérico de la probabilidad de que una observación esté
no pueden incluida en una categoría cualquiera es igual a la frecuencia absoluta dividido N, es
haber mas decir, a la frecuencia relativa en términos de proporciones.
posibilidades p = f /N
de
observaciones,
pq ya las La probabilidad es una proporción. Los valores de la probabilidad se mueven entre 0 y 1
conozco a (ya que un hecho no puede más que ocurrir o no ocurrir).
todas. La experiencia indica que es sumamente raro que conozcamos la totalidad de las
observaciones (N). A veces la clase de estudio no es íntegramente accesible a la investigación,
o bien otras veces no es una clase cerrada sino abierta, es decir, que N no es fijo sino
variable. Cuando esto sucede, lo que llamamos clase abierta, necesitamos otros dos criterios
para determinar el valor numérico de la probabilidad. Estos son:
Antes de que 2- Criterio a priori: el valor numérico de la probabilidad de obtener un cierto tipo de
pase algo observación de una variable es igual al número de casos en que puede darse esta
puedo sacar observación (casos favorables- mi probabilidade d salga lo q yo necesito-), divido por el
un crititerio número total de casos en que pueda darse o no darse esta observación (todos los casos
de que algo posibles- probabilidades si hablo d una moneda 2).
ocurra. Lo
utilizo
cuando NO
conozco N,
es decir 48
cuando
pueden haber
Un ejemplo: pensemos en las probabilidades de tiradas de una moneda. ¿Cuál es la

probabilidad de que en la moneda salga cara o cruz? A priori podemos establecer el valor
numérico de la probabilidad de sacar cara. Es decir la probabilidad de obtener un caso
favorable (cara) en una cantidad de casos posibles (los dos lados de la moneda), (se
trata de una clase abierta dado que puedo hacer tantos lanzamientos como quiera)
Podríamos decir que:
p= números de casos favorables = 1= 0,50 valor a priori, valor posible

números de casos posibles 2
En el caso de un dado, ¿Cuál sería la probabilidad de sacar, por ejemplo, un 4?:
p= 1 = 0,16 (términos d proporción) o 16% (términos d porcentaje)

6 seis caras- seis probabilidades
Obtenemos así el valor numérico de la probabilidad de que en la moneda salga cara, o en
el dado salga un 4. Sin embargo es un valor teórico que se confirma empíricamente a partir
del 3º criterio.
Por ejemplo cuanta probabilidad hay q salgan números pares cuando tiro un dado??? mi
caso favorable de que me salgan numeros pares en un dado (2,4,6) es 3 pq son 3
posibilidades entonces seria 3/6
3- Criterio a posteriori: este criterio sirve para determinar el valor numérico de la
probabilidad en aquellos casos en que la clase de observaciones es abierta y no se
conoce a priori la relación establecida por el criterio anterior
Establece que:
“si N es una cantidad numerosa de observaciones y F es la cantidad de observaciones
Despues d q pertenecientes a una categoría dentro de todas las categorías posibles de la variable
sucede algo, aleatoria (esta se da en una población de acuerdo a las leyes del azar) el valor numérico
Mientras yo de la probabilidad de que una observación cualquiera pertenezca a esta categoría es
igual a la frecuencia relativa “a la larga” de dicha categoría” (es necesario que sean
más veces
muchas las demostraciones).
tire mayor
será la Este criterio no suministra un conocimiento exacto del valor numérico de la probabilidad, es
probilidad es un valor aproximado que tiende a coincidir con el valor numérico estimado con el
que se criterio a priori.
cumpla el Con el mismo ejemplo del criterio a priori en el que teníamos p= ½, que es igual a decir que
valor a p= 0,50, veamos este.
priori. Si yo Pensemos en una clase abierta como la que genera una moneda al tirarse al aire muchas
tiro 100 veces. Supongamos que después de 10 tiradas el número de caras obtenidas es 3. Así la f
veces la ´= 3/10 = 0,30
moneda es el
Luego realizamos 10 tiradas más y obtenemos 4 caras, luego 10 más y obtenemos 9 caras,
luego 10 más y obtenemos 5 caras y luego 10 más y obtenemos 7 caras. Por lo que vemos
que la f´ de obtener cara en 50 tiradas es igual a:
49
f´= 34957 = 0,56

50  de las 50 veces q tiro
Si agregamos algunas tiradas más:
f´= 3+4+9+5+7+3+5+6+4 = 0,51

90  tiro 40 veces y dijimos q mientra más tire (mas cerca del 100
este) más cerca del valor a priori estara
Empíricamente se demuestra que esta frecuencia relativa tiende a estabilizarse en un
número constante p, a medida que crece N. (mientras mas tiro mas se estabiliza) Cuando
N tiende a , p es el límite de la probabilidad de la serie de tiradas (en el caso de la moneda
p=0,50).
tiradas
Este hecho empírico permite adoptar la frecuencia relativa, “a la larga”, como el valor
numérico más fidedigno de la probabilidad
Para una clase cerrada como determino la probabilidad frecuencia relativa
En cual de los 3 criterios se comprueba el valor teorico de la probabilidad 3ero
Entonces una vez establecida la probabilidad como p= el valor numérico de la
probabilidad de que se den F casos favorables en N casos posibles, el valor numérico
de la probabilidad de que no se den los casos favorables es un número q, tal que:
q= N–f
N
p = probabilidad de ocurrencia.
50
q = probabilidad de no-ocurrencia
q + p = 1 (un hecho no puede más que ocurrir o no ocurrir)

1–p=q
Leyes matemáticas de la probabilidad

1- La probabilidad es mayor o igual a 0 y menor o igual a 1. La probabilidad es una
proporción.
2- Ley de la suma: probabilidad simple. La probabilidad de obtener a ó b (se excluyen
mutuamente) es igual a la probabilidad de obtener “a” más la probabilidad de
obtener b. La probabilidad de ocurrencia de un fenómeno u otro es igual a la
sumatoria de ambas probabilidades.
P (a ó b)= P(a)  P(b)
Ejemplos:
I. La probabilidad de obtener 5 o 6 en la tirada de dados será:
p (5) + p (6)= 1/6 + 1/6 = 2/6 = 1/3
II. Si tenemos un grupo de alumnos compuesto de la siguiente manera:

 100 alumnos de clase social alta
 200 alumnos de clase social media alta
 400 alumnos de clase social media baja
 300 alumnos de clase social baja
La probabilidad de elegir entre el grupo una persona por azar que pertenezca a las 3
primeras categorías será = 100/1000 + 200/1000 + 400/1000 =700/1000 = 0,70
3- Ley de la multiplicación: probabilidad compuesta. Para que se den

simultáneamente dos eventos, la probabilidad será igual a la multiplicación de ambas
probabilidades. Se refiere a la probabilidad de que dos hechos independientes se
den juntos.
P (a y b) = P(a) x P(b)
51
Nos permite
calcular que LEY DE PROBABILIDAD NORMAL
valor va a Permite calcular la proporción de veces (cuerpo d la tabla) que una variable aleatoria
adpotar (puntaje dirc) adopte determinados valores (puntaje z) en la escala de medición que le
determinada es propia. Permite predecir los valores más probables.
variable y esta
Para poder aplicar la Ley de Probabilidad normal la variable aleatoria debe ser continua
variable para
y la distribución de la misma debe ser aproximadamente normal.
poder aplicar la
ley debe ser El parecido o similitud de cómo se distribuyen la mayoría de las variables psicológicas,
continua y su sociológicas, pedagógicas, antropológicas, etc., indican una tendencia general de
distribución campana denominada campana de Gauss o curva normal probabilidades.
cuando la La curva normal es la expresión gráfica de una ecuación matemática. Para poder
grafiquemos aplicar éste modelo teórico a un grupo de observaciones se deben hacer 2
normal. transformaciones en la escala original.
DESPÚES:
 Antes veíamos que el 0 en la distribución que el origen de los ejes era la interseión d
las cordenadas
 Trabajabajavamos con puntajes directos y funcionaba con el 0 en la intersección 
valores mas grandes que la media iban a la drch y mas pequeños a la izq
AHORA:
 0 ESTA EN LA MEDIA
 YA NO TRABAJO CON PUNTAJE DIREC AHORA PUNTAJE Z  SE HACE EN
FUNCIÓN DE LA DESVIACIÓN ESTANDAR (S)
1º Transformación: correr el punto origen de la escala. El 0 de la escala se traslada al
lugar en donde se ubica la  (media), transformando el punto central en 0 y todas las
observaciones se consideran como desvío  ó  en relación a la  (media) de su
distribución.  POSI A LA DRCH D LA X
NEGA A LA IZQ D LA X
ordenada y Distribución normal
 
0 X (media) absisa x
2º Transformación: cambiar la unidad de medida. Esto se hace en función de la

desviación estándar de la distribución transformando los puntajes de la escala original en
puntajes reducidos normalmente denominados puntajes Z. El puntaje Z se obtiene con la
siguiente fórmula:
52
Ejemplo -tenemos la observación 72, La media 3 y la desviación 14
Z= x – X  72-3
S  14 =5  Es el que voy a usar en la curva y puede
Z= 5s ser posi o negativ
Para cada puntaje Z va a haber una
probabilidad entonces uso la tabla d
¿Cuál es su utilidad? puntajes Z
Los puntajes Z son puntajes estandarizados y por lo tanto ofrecen las mismas
utilidades que los fractiles, es decir conocer la posición relativa de un sujeto con
respecto a los demás sujetos de la población y comparar puntajes de distintas escalas.
 34% 34%
14% 14%
2% 2%
(Z) -3 -2 -1 0 1 2 3
50% 50%
Tabla de probabilidades: Existe una tabla en donde ya se encuentran calculados los
valores de las probabilidades bajo la curva normal. En ella encontramos en la 1º
columna a la izquierda y la 1º hilera superior los puntajes Z. La columna indica las dos
primeras cifras de ese puntaje; la hilera las segunda y tercer cifra.
Las tablas han sido construidas calculando los valores de p para diversos valores de X.
En el cuerpo de la tabla aparecen las proporciones o probabilidades entre un puntaje Z
( o , indistintamente por ser una distribución simétrica) y la media de la distribución.
 por ej si tengo el z 0,55

los 2 primeros dígitos (0,5) en la columna d la izquierda y el otro valor (5) en la
columna d arriba
 Ubico el puntaje en tabla y ese valor es la
PROBABILIDAD DE ESE PUNTAJE Z
Siguiendo con el ejemplo: 0,27  puntaj en la tabla, osea su valor d probabilidad es de

0,20884  ES POSI SIMPLEMENTE POR EL SIGNO ENTONCES VA A LA DRCH
53
 0,27 
Valor de probabilidad es entre el 0 y el puntaje Z si yo a la probabilidad la pongo en % dice q entre 0 y 0,27 hay 20%
0 X (media) absisa x
SINTESIS:
PASAMOS PUNTAJE DIREC Z
EL Z  ME DEJA BUSCAR LA PROBABILIDAD EN LA TABLA
--- puedo realizar un paso mas si quiero PASAR A %  DESDE EL 0 AL 0,27 (siguiendo el
ejemplo) ESTA EL 20% (siguiendo el ejemplo) DE LOS CASOS
La tabla representa el 50% de los casos, yo le pongo el signo por ej si yo mi valor en vez d darme
0,27 me hubiera dado -0,27 entonces mi puntaje cuando lo busque en la tabla va a ser el
mismo (POSITIVO) (pq dividimos 3 los mismos 3 numeros) lo q va a variar es donde lo
ubico en la curva osea ahora un lado izq pq en ese caso seria un valor negativo.
“PROFE PERO LA TABLA MUESTRA LA MITAD DE LA TABLA” NO LO Q MUESTRA SON
TODAS LAS PROBABILIDADES EL SIGNO (OSEA EL LADO PARA EL Q VA A IR SE LO
PONGO YO)
Fórmulas y consideraciones básicas:
A partir de utilizar el modelo teórico de la curva normal y estandarizar los puntajes por la
ecuación, se pueden calcular la proporción o probabilidad de sujetos u observaciones que se
ubican entre dos puntajes determinados, o por encima o debajo de un puntaje o bien entre un
puntaje y la media; o cuántos sujetos han obtenido un puntaje determinado, o qué probabilidad
existe de que un sujeto obtenga dicho puntaje5
Z= x–X
S
x= Z.s  X
Los valores de proporción o probabilidades (osea el valor de la tabala) siempre son

aquellos que quedan incluidos entre un puntaje Z /  y la media (X) o punto cero.
 Toda vez que en el enunciado de un ejercicio aparezca un puntaje directo,
el primer paso es transformarlo a puntaje z para poder graficarlo.
 Toda vez que en el enunciado de un ejercicio aparezca cantidad de casos o
porcentajes se debe transformar en proporción o probabilidad para poder
graficar.
5
Para estos 2 últimos casos(en cursiva) ver ejemplos utilizando límites superiores e inferiores de un solo puntaje
directo en TP nº6, punto 3- i
54
 Ptaje directo Ptaje Z (CON FORMULA) BUSCO TABLA LA prop/probab PASO

A . porcentaje cantidad de sujetos
Algunas aplicaciones de la curva normal de probabilidades:

Ejemplo 1: tomemos una distribución normal cuya X= 12 y s=4.
¿Qué porcentaje de casos existen entre los puntajes 8 (x1) y 16 (x2)?
Conocemos los puntajes directos. Lo primero que hacemos es transformarlos en
puntaje z para poder buscar en la tabla las probabilidades:
1-
Z= x–X Z 1 = 8 – 12 = -1
S 4 NO SIEMPRE DA DOS VALORES
IGUALES PERO OPUESTOS OSEA PUEDE DARME 1 Y -8
Z 2 = 16 – 12 = 1
4
Los valores reducidos son 8= -1(z) y 16= 1(z); por lo tanto
2do paso. buscando en la tabla encontramos que entre 0 y 1 está p= 0,34 (tanto para el
posi cm para el nagativo);
Antes teniamos el 8 pasamos a z -1 p=0,34
ordenada y Distribución normal
55
 
0,34 0,34
-1 0X 1 absisa x
Representa al: 8 16
3er paso.
Antes teniamos el 8 pasamos a z -1 p=0,34 ahora tengo q sacar en t. de % los
casos existen entre los puntajes 8 y 16
Deducimos: 0,34  0,34= 0,68  0,68 x100 (para sacar porcentaje) = 68 % de casos
están entre los puntajes 8 y 16.
Veamos ahora la transformación inversa, es decir, de puntaje z a puntaje bruto, en el

caso de que desconociéramos el puntaje bruto:
x= Z . s X  FORMULA PARA OBTENER PUNTADE DIRECTO
Reemplazando la fórmula, obtenemos:
x1= -1 x 4  12= -4  12 = 8
x2= 1 x 4  12= 4  12 = 16
¿Y si quisiéramos averiguar qué porcentaje de casos estarán por encima (mayores q
este osea la drch) de 18 puntos en ese mismo ejemplo?
1ero- Buscamos el puntaje z correspondiente a 18. Z= 18 – 12 = 1,5
4
2do- Busco en la tabla la probabilidad que corresponde: 0,43,
Hago la la diferencia hasta 0,50  0,50-0,43=0,07
3ero- 0,07 son entonces los casos en proporción, que habrá por encima de 18 puntos.
4to- si quisiera pasarlo a % digo q son un 7% d los casos
0,50
0,43
x= Z . s X  FORMULA PARA
OBTENER PUNTADE DIRECTO
0,07
Z= x- X  FORMULA PARA P.
Z
56
0 1,5 (z)
Ejemplo 2: dada una distribución normal cuya X =16 y s=4. ¿Qué límites (puntaje directo)
incluyen el 75% central de los casos?
Bien. Si dividimos 75% por 2 (dos pq estamos hablando d la media), tenemos 37,5% o,
expresado en proporciones, 0,375 por encima y por debajo de la X. Buscando los valores
en la tabla nos da un z= 1,15.  dividimos 03 y 75, si hacemos d 75 aproximación nos da 8 entonces
es 0,148 0,15
Ya podemos utilizar los datos para obtener los puntajes directos que buscamos. En la
formula tenemos q poner uno positivo y uno negativo para q nos den los puntajes directos
dif.
x=Z.S+X
x1 = -1,15  4  16 = 11,4
x2= 1,15  4  16 = 20,6
Los límites que encierran el 75% central de los casos son 11,4 y 20,6 (puntajes directos).
0,375 0,375
-1,15(z) 1,15 (z)

x= Z . s X  FORMULA PARA
Ptjes directos x1= 11,4 x2= 20,6 OBTENER PUNTADE DIRECTO
Z= x- X  FORMULA PARA P.
Z
SABER COMO EL
PADRE NUESTRO
Ptaje directo Ptaje Z(CON FORMULA) BUSCO TABLA LA prop/probab PASO A . porcentaje
cantidad de sujetos
57
Ejercicios: N= 1000 x= 100 S= 10

1-¿Entre qué puntajes directos se encuentra el 50% central de los casos?
50% :2 = 25%
25%  (0,25) = -0,68 y 0,68
x = Z*S+ N
X1 = 0,68*10+100 = 106,8
X2 = -0,68*10+100 = 93,2
Rsp: Los puntajes directos que encierran en el 50% central de los casos son 93,2 y 106,8
2-¿Cuántos sujetos se ubican en 91 y 102 puntos?
Z = x-N /s
Z  X1 = 91
X2= 102
Z1= 91-100/10 = -0,9
Z2 = 102-100/10 = 0,2
Z1 = -0,9 =0,31 31%
Z2 = 0,2 = 0,079= 0,08 8%
Z1+Z2 31% + 8% = 39%
39% de 1000 (N) = 390
Rsp: entre 91 y 102 puntos hay 390 sujetos
3-¿Qué probabilidad existe de que un sujeto elegido al azar se ubique entre Z1 = 1,20 y
Z2 = 1,90?
Z1 = 1,2 = 0,38493 = 0,38
Z2 = 1,9 = 0,47128 = 0,47
Z1-Z2= 0,47 – 0,38 = 0,09
Rsp: La probabilidad existe de que un sujeto elegido al azar se ubique entre Z1 y Z2 es 0,09
4-¿Qué puntaje directo obtuvo un sujeto si fue superado por el 84% de los sujetos?
84% -50%= 34%  0,34
0,34 = 1
x = Z*S+N
X = -1*10+100 = 90
RSP: El puntaje directo que obtuvo un sujeto que fue superado por el 84% es 90
Cuando hablamos d rendimiento la mayoría de las veces tenemos q ponerlo en porcentaje

- Aron A. y Aron E. (2006). Estadística para Psicología. Buenos Aires. Prentice Hall y Pearson Educación.
Capítulo 5
58
de Buenos Aires. Capítulo
UNIDAD 8
Correlación y Regresión (Predicción)6
Uno de los principales objetivos de la ciencia es poder predecir el puntaje de un sujeto en

una variable conociendo el puntaje de ese sujeto en otra variable asociada a la primera.
Cuando la relación entre dos variables es de naturaleza cuantitativa, la forma de descubrir
y medir el grado de determinación conjunta entre las dos variables es la correlación que
se expresa por medio de fórmulas.  Correlación: es la relación entre 2 variables
CUANTITATIVAS q hacen q se determinen mutuamente y q atraves del conocimiento del
puntaje de una de las variables puedo predecir el valor de la otra variable asociada. Lo q
tengo q hacer para ver si dos variables están relacionadas entre sí es sacar la correlación
“grado de determinación conjunta entre las variables”. Si este grado de correlacion, el “índice d
correlación” da alto recién ahí puedo pasar a la 2da parte la regresión o predección (por ej
cuanto tiene q pesar una persoa con cierta talla).
Conociendo la correlación entre dos variables se puede predecir el valor más probable de
un sujeto en una de ellas, conociendo el puntaje de ese sujeto en la otra variable. Por ej. Si se
conoce la talla o estatura de un sujeto, se puede predecir cuál será su peso más probable ya
que se ha comprobado empíricamente que existe una correlación interna entre estas dos
variables.
La interpretación del coeficiente de correlación lineal como medida de la interrelación lineal
entre dos variables es en esencia una interpretación puramente matemática, y está
desprovista de toda connotación causa – efecto. Así por ejemplo, la cantidad de llamadas
telefónicas que se inician en Bs. As. entre las 11 y 12 de la mañana y la cantidad de huevos
que ponen las gallinas en el campo en dicho período, tienen una fuerte correlación lineal
positiva a pesar de que uno de estos hechos no tiene ninguna influencia sobre el otro.
Correlación  cuando lo saco en el Excel me va a dar un numero entre 1 y -1 y ese resultado me va a dar 3
informaciones la existencia, la direc la intensidad
Preguntan sobre q es el índice d correlación , d q nos informa (LAS 3 INFO Q NOS DA) , que es cuando es
posi perfecta(una aumenta y otra tb)
Es el grado de relación que existe entre dos o más variables, y constituye uno de los
principales objetos de la estadística porque nos permite, dados los valores de una variable,
conocer o predecir los valores de otra variable, sobre la base de la relación que tenga con la
primera.
6
-Cortada de Kohan, N. y Carro J. M. (1975). “Estadística Aplicada”. Editorial Universitaria de Buenos Aires. Bs. As.
-Aron A. y Aron E. (2006). Estadística para Psicología. Buenos Aires. Prentice Hall y Pearson Educación
-Documentos de Cátedra
-www.edutecne.utn.edu.ar/probabilidad/indice.htm#inicio
59
Esta relación cuantitativa existente entre dos variables se puede determinar a través del
índice de correlación, el cual nos brinda tres datos:
1- Existencia o no de correlación: los límites entre los cuales se mueve la correlación son
entre –1 y +1 (puede ser positivo o negativo). Es positivo a medida que una variable
aumenta la otra también aumenta (+ trabajo + gano), y es negativo cuando una de las
variables aumenta y la otra disminuye (+ falto al trabajo –gano). Si el valor se acerca a
0 o 0 no existe correlación y mientras más cerca de los extremos se valla, o sea del 1 o
-1 la correlación es + fuerte, mientras más a los extremos estén más fuerte es
0 al -1 –negativauna aumenta y otra disminuye
0 al 1—postivalas dos aumentan
Estoy flashando no se grafica asi pero quiere

decir mientras mas cerca del 1 o -1 +
corelacion
-1 0 1
2- La dirección de esa correlación: el máximo es 1 porque el aumento o disminución se da
en la misma proporción. Si la correlación da 0 entonces no hay ningún tipo de relación.
Existe una correlación positiva o negativa perfecta cuando tengo momentos
unitarios; es decir, cuando ambas variables aumentan o disminuyen no sólo en el
mismo sentido sino también en la misma proporción, aumenta un momento de X y
aumenta un momento de Y. El valor del momento, de la unidad se puede establecer; es
decir no es necesario que por ejemplo por 1 hora de trabajo se remunere 1 peso, sino que
también puede ser que por cada hora de trabajo se remunere 7 pesos, la correlación en
este caso sigue siendo positiva y perfecta. En psicología las correlaciones perfectas se
dan muy poco.  ej: “no porque yo haga todo lo que me dicen mis viejos la relación
mejora”  Si a mi la formula de correlación me da como resultado un valor positivo correlacion
posi (una variable aumenta –la otra tb) en el caso que la formula me diera un valor negativo la
correlación es negativa (una variable disminuye y la otra aumenta)
3- La fuerza o intensidad de la correlación : las correlaciones pueden ser de tres clases de
acuerdo con la fuerza o intensidad.
a- Nulas: si la correlación tiene un índice entre 0 y 0,3 ó entre 0 y – 0,3. No se
puede considerar que haya correlación porque es azar.
b- Leves: si la correlación se mueve entre 0,3 y 0,6 ó entre –0,3 y –0,6.
c- Fuertes: cuando la correlación se mueve entre 0,6 y 0,99 ó entre –0,6 y –0,99.
Estos tres aspectos se dan simultáneamente en un mismo valor, que adoptará valores
entre +/ - 1. Sin embargo, la correlación no indica una relación de causa- efecto. Sino que
indica la variación o covariación concomitante (acompañada,asosiada) entre 2 variables.
La correlación, en última instancia, nos indica cómo varía o cambia una característica cuando
la otra característica o variable asociada cambia. Es decir, nos indica la “covariación” (si
dos variables cambian o varían concomitantemente) nos da la fuerza o intesidad,puede ser:
Nula (0 y 0,3/ 0 y -0,3) es muy débil y no es suficiente para poder predecir.

Leve (0,3 y 0,6/-0,3 y -0,6) no es tan débil pero no tiene suficiente fuerza tiene una fuerza “leve”
Fuertes (0,6 y 0,99/ -0,6 y -0,99) la única que consideran validas les profes  es la UNICA que me
permite PREDECIR (pasar a la 2da parte)
60
Obtención del índice de correlación de Pearson (r):
- En Excel: insertar función/estadísticas/COEF.DE.CORREL

- En SPSS: analizar/correlaciones/bivariadas
Ejemplo si me dieran que el induce de correlación me dio 0,75  ¿existe o no correlación? Si existe
¿dirección? Positiva (una aumenta entonces la otra tb)
¿intensidad? Fuerte pq se mueve entre 0,6 y 0,99
Tipos de Correlación. Ejemplos:
Correlación Perfecta Positiva: a cada aumento unitario en una variable le corresponde un

aumento unitario en la otra. r =1  una aumenta y la otra tb aumenta pero en la misma proporcion
Ej:
Variable X: Aptitud hacia la aritmética
Variable Y: Aptitud hacia la geometría
variable variable
Momento X Y
1 1 1
2 2 2
3 3 3
4 4 4
5 5 5
6 6 6
7 7 7
8 8 8
9 9 9
10 10 10
r=1
61
Correlación Positiva: a cada aumento en una variable le corresponde un aumento en la otra.

r=0.99 a r=0.31 las dos aumentan pero no en la misma proporción
NubeX devariable
Momento variable puntosY
12
1 1 2
2 2 2
10
3 3 3
8
4 4 5
65 5 6
46 6 8
27 7 8
08 8 9
90 2 94 6 9 8 10 12
10 10 10
r= 0.99 a 0.31
r= 0,97533746
Correlación Negativa perfecta: a cada aumento unitario en una variable le corresponde una
disminución unitaria en la otra. r=-1  una aumenta y otra dismunuye en la misma proporción
Nube de
Momento variable X puntos
variable Y
12 1 1 10
10 2 2 9
8 3 3 8
6 4 4 7
4 5
5 6
2
6 6 5
7 7 4
0
8
0 2 8 4 6 3 8 10
9 9 2
10 10 1
r= -1
62
Correlación Negativa: a cada aumento en una variable le corresponde una

disminución en la otra. r= - 0.99 a – 0.31  una aumenta y otra dismunuye distinta prop
Nube de
Momento variable X puntos
variable Y
12
1 1 10
2 2 9
10
3 3 9
8
4 4 7
65 5 7
46 6 6
27 7 5
08 8 4
-1 9 1 39 5 37 9 11
10 10 1
r= -0.31 a -0.99
r= -0,98590216
Correlación Nula: a medida que una aumenta la otra aumenta o disminuye arbitrariamente.
R=0.30 a 0.01, r=-0.30 a –0.01  una aumenta la otra aumenta o disminuye en cualquier
proporción se comporta NO HAY CORRELACION PQ SE COMPORTA MUY
AZAROZAMENTE
Nube Xde variable

Momento variable puntos Y
121 1 3
10
2 2 7
3 3 5
8
4 4 10
6
5 5 6
46 6 9
27 7 2
08 8 7
-1 9 1 39 5 37 9 11
10 10 4
r= +0.01 a +0.30
r= -0.01 a –0.30
r= -0,20578862
63
Correlación Nula Perfecta: a medida que una variable aumenta únicamente la otra permanece
constante. R=0  una aumenta Y la otra se mantiene constate
Momento variable X variable Y

1 1 5
2 2 5
3 3 5
4 4 5
5 5 5
6 6 5
7 7 5
8 8 5
9 9 5
10 10 5
r= 0 Nube de puntos
10
9
En8las tres correlaciones perfectas, la unión de puntos en el diagrama forma una línea recta
7
6
5
4
3
2
1
0
1 3 5 7 9 11
64
VAMOS A TRABAJAR SIEMPRE CON LAS VARABLES X (INDEPENDIENT) e Y (Dependiente)—

[depende de cómo varia X]  por ejemplo la X seria la estatura y la Y el peso, de acuerdo a como varié la estatura
es como varia el peso  tengo que tener los valores de x e y para sacarlos en Excel, pongo la r y utilizo la función
coef. De correl. y en la matriz 1 seleccioo la columna d x y en la matriz 2 la columna de Y. Luego tocoe entender y
veo si existe o no la correlación (resultados entre 1 y -1 distinto d 0), veo su dirección (posi o nega) y me fijo su
intensidad (si esta mas arriba d 0,6 y abajo d 0,99/-0,6 y -0,99 ) me sirve para predecir
Me tengo q acordar d poner

100pre la r
Una vez hecho eso hago el grafico en Excel, voy a insertar grafico
Toco con el boton drcho el coso blanco y pongo seleccionar datos
65
Ahí toco en el cuadrito d la izq agregar y horizal las X y en el vartical las Y (borra el 1). Toco
aceptar y ahí queda la nube d puntos
Ecuación de regresión
Conociendo la correlación y si esta es alta, se puede predecir el valor de una de las variables
conociendo el valor de la otra asociada a la primera (siempre que hayamos comprobado
que existe esta correlación). Y esto es lo que se denomina “Regresión”.  a esto de predecir
una variable habiendo conocido a la otra asociada, es decir haber conocido la correlación, se le
denomina regresión.
¿Por qué a veces la predicción se denomina regresión? 7 El término regresión proviene del
NO HACE hecho de que si transformáramos los puntajes de ambas variables correlacionadas en puntajes
FALTA
SABER LO Q  Z, y la correlación entre ambas fuera menos que perfecta (menos que 1), la puntuación
NO ESTA
RESALTADO
Z de Y (variable dependiente), siendo una fracción (la fracción equivale al valor de r) de la
puntuación Z de X (variable independiente); como resultado la puntuación Z de Y se
encontraría más cerca de su media, sufriría una regresión o retorno hacia 0.
Toda vez que se confirme un grado de correlación entre dos variables, se supone la
existencia de una serie de ecuaciones matemáticas que determinan la línea que mejor se
ajusta a la nube de puntos. (recta, parábola, circunferencia, etc.)  hice la nube d puntos y
va haber una recta por medio d la nube que se construirá a partir de mi predicción del valor que
a cada valor d x le correspondería en Y
7
Ver Aron A. y Aron E. (2006). Estadística para Psicología. Buenos Aires. Prentice Hall y Pearson Educación,
capítulo 4.
66
Esta recta que se ajusta a una nube de puntos para realizar las predicciones se puede trazar
de dos maneras:
- a simple vista.
por el método de los Mínimos Cuadrados (que hace que las predicciones sean más
precisas).  Y= a+b.X
El método de los Mínimos Cuadrados se basa en postular que, en nuestro caso, la recta que
mejor se ajusta a una serie de observaciones es la que hace mínima la suma de los
cuadrados de los desvíos de cada observación con respecto a esa recta. Este criterio define
dos rectas, no una sola según sigamos el sentido del eje X o el del eje Y.
Esto último implica que la recta de regresión debe cumplir con dos propiedades:
1- la  de los desvíos con respecto a la recta es =0. Esta propiedad la cumplen todas las NO HACE
rectas que pasan por el punto de intersección de la media de X y la media de Y ; porque FALTA
SABER LO Q
también se cumple en relación a la x. NO ESTA
RESALTADO
2- la  de los desvíos al cuadrado con respecto a la recta sea mínima. Esta, en cambio, es
privativa o exclusiva de la recta de regresión. La recta de regresión por el método de los
mínimos cuadrados, se obtiene a partir de fórmulas y de la ecuación de regresión.
En nuestro análisis, evaluaremos el grado de ajuste de un conjunto de observaciones reales a

una recta teórica determinada con el método de los Mínimos Cuadrados, siguiendo el
sentido del eje Y.
Fórmula del modelo de Regresión lineal: Y= a+b.X

Y: variable dependiente,
X: variable independiente, (LO Q YO QUIERO AVERIGUAR)
a y b: parámetros de la ecuación .
a: Constante de regresión, es la distancia que existe entre el punto de intersección de los

ejes X e Y y la intersección de la recta de regresión en el eje Y, siempre que el valor de la
variable X sea = 08. Es decir que a puede ser + o –. Este es un valor que se suma al valor
predicho en la variable dependiente para tomar en cuenta las X de las distribuciones.
b: Coeficiente de regresión, es la pendiente de la recta de regresión, y se define como el

incremento de Y (aumento) para cada aumento unitario de X. A medida que aumenta b,
aumenta el ángulo que forma la recta de regresión con el eje de las X
Y Y
Recta d Recta d
regresion regresion
b
b
a a
X X
8
Ver diferencias entre ejemplo 1 y ejemplo 2
67
síntesis  “a” va a ser la distancia entre la recta de regresión ( / ) y el punto 0 y B la

pediente (angulo que queda entre la recta de regresión y x)
Ambos parámetros (a y b) pueden calcularse directamente conociendo las X y S de las dos

variables y el índice de correlación r.
b=r. Sy
Sx
Media de la variable Y media de la variable X
a= Y -b.X
- Salvo en el caso de la correlación perfecta, la predicción no es

exacta.
No uso las formulas uso Excel y spss
Síntesis: la regresión sirve  ej tengo q unos sujetos sacaron en la subescala A 4,85 y en la B

4,27; otros 4,18 en la a 3,25 en la B, ect. Construyo la nube de puntos con los resultados, dsp d
haber comprobado que hay correlación, VOY A USAR LA FORMULA (Y= a+b.X) Y VOY A
OBTENER EL VALOR QUE REALMENTE TENDRIA Q TENER B por ej la persona q mide
1,60 y pesa 54 kg y va al medico y le dice eso, el medico le dice QUE HAY UN VALOR QUE
AJUSTA MEJOR, a esa altura, por ejemplo 52 kg ese 52 es el resultado de la formula, es el
valor exacto para esa varible dependiente médiate esta fórmula agregamos nuevos datos que
valor debería tener y en el caso d x.
Subescala A Subescala B
1,60 54
1,69 85
1,64 59
1,78 70
Diagramas de Dispersión
Toda vez que un grupo de sujetos es medido por dos variables se puede trazar un diagrama de
dispersión en los ejes octogonales, en donde queda graficada la dirección e intensidad de la
correlación.
Ejemplo 1:
Actitud
Obtenemos la correlación de Pearson
X –subescala Y -subescala
(r), mediante el uso de Excel y/o SPSS
A B
r = 0,819
4,85 4,27
4,18 3,25
68
2,21 1,80
3,06 3,06 Obtenemos los parámetros a y b, mediante el
3,27 3,04 uso de fórmulas.
4,01 4,33
4,05 3,05 b = 0,898 . 1,050437119= 0,87
5,90 5,63 0,987504471
2,07 2,09
3,72 4,40 a= 3,597619048- [ 0,87. 3,616666667] = 0,45
3,33 3,15
4,20 4,95
2,10 3,18 Obtenemos los parámetros a y b, mediante el
3,50 4,50 uso de SPSS.
4,35 5,00
3,10 3,10 CoeficientesaModeloCoeficientes no
4,93 3,80 estandarizadosCoeficientes estandarizadostSig.BError
2,39 1,94 estándarBeta1(Constante),446,525,851,406x,871,140,819
2,72 2,53 6,224,000a. Variable dependiente: y
3,56 3,57
4,45 4,91
-
- Construimos la nube de puntos en Excel y agregamos línea de tendencia (click derecho en
alguno de los puntos/agregar línea de tendencia) Si yo en el grafico d nube toco cualquiera de los
puntitos con el botón derecho y pogo agregar línea d tendencia ,la línea q se dibuje inluiria a
todos los valores nuevos q obtuviéramos con la formula
- Luego podemos calcular de diversas formas, cuáles valores adoptaría la variable Y, si

la variable X tuviera los valores que decidamos asignarle. Por ejemplo:
69
1- ¿Qué valor adoptaría Y si X fuera de 7?

2- Aplico la fórmula de la recta de Regresión: Y= a+b.X
Y= 0,45+0,87 * 7 = 6,54
SPSS me deja sacar los valores d A y b y dsp remplazarlos en la formula

Excel es mejor porque me saca con una formula ya el valor de Y directamente
Abajo d todo esto mis ejemplos
-Ahora calcularemos los valores de Y para varios valores de X, mediante el uso de la función
Tendencia de Excel.
En Excel: coloco el puntero en la primera celda debajo del último valor de Y
1- Función/Estadísticas/Tendencia
2- Conocido Y: seleccionar todos los valores de la variable Y
3- Conocido X: seleccionar todos los valores de la variable X
4- Nueva matriz: el valor que se quiere calcular de Y
5- Constante: Verdadero
Actitud
X –subescala Y -subescala Valor de Y, para un X Tendencia
A B de:
4,85 4,27 6 6,10639385081736
4,18 3,25 7 7,1237696221717
2,21 1,80 9 9,15852116488037
3,06 3,06 11 11,193272707589
3,27 3,22
4,32 4,33
3,05 3,05
5,90 5,63
2,07 2,09
3,72 4,40
3,33 4,00
4,20 4,95
3,10 3,18
3,50 4,50
4,35 5,00
3,10 3,10
4,93 4,85
2,39 1,94
2,72 2,53
3,56 3,57
4,45 4,91
70
6 5,67425757
9 8,28820816
7 6,54557443 Aquí copiamos los valores de arriba
11 10,0308419
- Generamos una nueva nube de puntos, ahora incluyendo los valores nuevos:
Los puntos que grafique con los

valores nuevos
- Los puntos
En esta que grafique
nueva nube de con la podemos observar cómo se crean nuevos puntos, los cuales
puntos
tabla original
marcan por donde se extenderá la Recta de Regresión, coincidiendo con ésta.
EJEMPLO EN SPSS:
En el spss pongo la tabla analizar regresión  lineales depend Y e indepen X (arriba
siempre la Y y abajo X) BUSCO LA 4TA TABLA EN MIS RESULTADOS,la q dice
coeficientes el a es el q dice constate y el q dice x es la b
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados

Modelo B Desv. Error Beta t Sig.
1 (Constante) ,075 ,633 ,118 ,908
x ,939 ,164 ,876 5,743 ,000
a.= 0,075 Y=a+b*x

B=0,939 y=0,075+0,93*7
Y= A+B.x y= 0,075+ 6,51
y= 6,58
71
Estos nuevos valores va a ser los q permitan trazar una recta entonces la recta q
mejor se ajusta a la nube puntos original
Y=0,075+0,94 . X (aca reemplazo por la x q quiero averiguar)

POR EJEPLO SI QUE VALOR ADPOTA Y SI X FUERA 7 
Todos mis valores nuevos los agrego al final d mi tabla
Ejemplo en Excel:  MAS FACIL
TENGO CIERTA TABLA Y LE

AGREGO AL FINAL DEL
ULTIMO DE LA X ,MIS
NUEVOS VALORES DE X PQ
QUIERO SABER CUANTO
VALEN EN Y
Pongo en el casillero alado d mis “X” nuevas, la función TENDENCIA (entonces esta función
tendencia es la q me va a permitir sacar la regresión o predicción de ciertos valores) en
conocio d y copio la columba d Y pero sin mis valores nuevos. En conocido d x copio la
Columba de x sin incluir los valores nuevos en mi selección. En nueva matriz el NUEVO
VALOR. En constante escribo VERDADERO
72
Y AHÍ M APARECE EL VALOR D Y  si yo quiero graficar voy a ver dsp d graficar q estos
valores me va a aparecer
Antes despues
Últimos valores q hice

q muestran la recta
Por ejemplo si quiero saber cuanto sacaría un sujeto en una prueba de escritura si tuvo un valor
x en la prueba d lectura
Sinetsis tengo tabla, la pongo y hago con los valores el grafico de dispersion(variable depen y e ind x)
 Saco el índice d correlacion ,r =coef. De correl. me piden valores nuevos lo pongo abajo d X los
valores nuevos y en Y el valor nuevo (los saco con la formula tendencia ) grafico nuevamente
con los valores nuevos y agrego la línea d tendencia
COEFICIENTE ALFA DE CRONBACH
• Alfa es un coeficiente de correlación al cuadrado que, a grandes rasgos, mide la

homogeneidad de las preguntas promediando todas las correlaciones entre
todos los ítems para ver que, efectivamente, se parecen.-->NO SABER
• Su interpretación será que, cuanto más se acerque el índice al extremo 1,
mejor es la fiabilidad, considerando una fiabilidad respetable a partir de 0,80.
• Mide la confiabilidad del instrumento, el instrumento debe medir lo mismo aca

o ne la china, mide la consistencia interna osea q el instrumento de medición
tiene una lógica y una base teorica no esta hecho asi nomas,la interprtación
extremo 1 es lo + confiable, el 0 lo menos y es aceptable desde 0,8. Si a mi el
índice d cronbach me da 0,8 significa que es confiable
73
Requiere de una sola aplicación del instrumento y se basa en la
medición CATEDRA: PSICOESTADISTICA I
de la le cambias 74
1-pegas tabla y en vista d variables el nombre respectivo a X y a Y
respuesta del Facultad
sujeto de Psicología
con respecto - UDA
a los ítems del
2- analizar escalasanalisis d fabilidad
3-esta seleccionadoinstrumento.
alfa q es alfa d cobrach asi q solo paso las 2variables
4- pongo aceptar
5- en el visor d resultados solo El número de de combrach y ese es el q voy a pegar
K  me importa
 S
2el segundo cuadrito
 q dice alfa
en Word (metiene q dar mas d1 ,800
 (q significa
i
 0,8 pqK: ítems
acordémosnos q ahí te das cuenta q es aceptable o no)
K 1  2 Sumatoria de Varianzas de los
 S T 
 Si : Items
2
Varianza de la suma de los

ST : Items
2
Coeficiente de Alfa de
 Cronbach
Suma de
Items I II III Items
Sujetos
Campos (1) 3 5 5 13
Gómez (2) 5 4 5 14
Linares (3) 4 4 5 13
Rodas (4) 4 5 3 12
Saavedra (5) 1 2 2 5
Tafur (6) 4 3 3 10

VARP 1,58 1,14 1,47 ST 2 : 9,14
(Varianza de la
Población)  Si2 : 4,19
El número de
K: ítems 3
Sumatoria de las Varianzas de
 Si2 : los Items 4,19
La Varianza de la suma de los
ST2 : Items 9,14
 Coeficiente de Alfa de Cronbach
3  4,19 
  1 
3 1 
 9,14

1,5 [ 0,54 ]
 0,81
Entre más cerca de 1 está , más alto es el grado de confiabilida

- Con SPSS:
Resumen de procesamiento de casos
N %
74
Casos Válido 6 100,0
Excluidoa 0 ,0
Coeficientes Derivados de r
1- Coeficiente de Alienación: k
Así como la correlación indica el grado de relación o co-variación entre dos variables, la
alienación indica el grado de independencia entre dos variables y se usa cuando interesa medir
más el grado de independencia que el de relación o de interdependencia.
Resumen de procesamiento de casosN
%CasosVálido21100,0Excluidoa0,0Total21100,0a. La eliminación
K= 1 – r por lista se basa en todas las variables del procedimiento.
2- Coeficiente de Determinación: (r2 ) Estadísticas de fiabilidadAlfa de CronbachN de elementos,9002

Indica la proporción de variación de la variable Y que está determinada por la variación de la
variable X; el valor numérico de r2 siempre es menor que el valor numérico de r, salvo cuando la
correlación es perfecta, en que ambas coinciden.
3- Coeficiente de No Determinación: (k2 )

Se obtiene elevando al cuadrado el índice de alienación. Indica la proporción de variación de la
variable Y, que no está determinada por la variación de la variable X. Marca la proporción en
donde no hay causa-efecto en la variación simultánea de dos variables.
Requisitos para aplicar índice de correlación:
a- que las variables sean continuas,

b- que estas variables se distribuyan en forma similar a la curva normal,
c- se aplica en escalas intervalares o métricas.
Grado de intensidad de la correlación:
Para saber el grado de intensidad de la correlación se siguen las siguientes pautas. Se

considera:
r= + - 0.30 a 0 (nula correlación)
r= + - 0.31 a + - 0.50 (leve correlación)
r= + - 0.51 a + - 0.70 (moderada correlación)
r= + - 0.71 a + - 0.99 (alta o intensa correlación)
r= +/- 1 (perfecta)
En psicología una aplicación importante de la correlación es para obtener la confiabilidad y la

validez de los instrumentos psicológicos de medición, son dos propiedades indispensables que
deben tener los mismos.
75
Capítulo 3
UNIDAD 9
UNIDAD DE MUESTREO
La teoría de las muestras intenta por vía inferencial sacar conclusiones válidas para la
población a partir del estudio de un sector de la misma, esto es lo que se denomina “muestra”.
Población o universo: todos los sujetos o entidades, que poseen una o más características en
común que se desean investigar.
Muestra: un sector de la población que puede ser representativo o no.
Ventajas de trabajar con muestras (y no con toda la población):

1- ahorro de costos
2- ahorro de tiempo
3- mejoramiento de la calidad de la información.
Censo: cuando en una investigación se trabaja con toda la población.

Muestreo: cuando una investigación se trabaja con una muestra sea esta representativa o no.
Las muestras se dividen en dos grupos:
- Probabilísticas: pertenece a la estadística inferencial. Son representativas (con un

margen de error).
- No Probabilísticas: pertenece a la estadística descriptiva. Pueden ser representativas o
no (no se conoce el margen de error y por lo tanto no se puede inferir)
Para que una muestra sea probabilística se deben cumplir dos requisitos:
1- Que todos los sujetos de la población tengan la misma probabilidad de ser incluidos en la
muestra
2- Que la elección se realice al azar ya sea por bolillero o tabla de números aleatorios.
Dentro de las muestras probabilísticas tenemos:
1- Muestras al azar simple: el primer paso para obtener una muestra al azar simple, es la
confección de un esquema. Se denomina esquema a la información escrita de todas las
entidades de una población y éste debe ser lo más fidedigno posible a la población o universo
real. Una vez obtenido el esquema y conocido el N poblacional, se determina el n muestral con
el que se desea trabajar. El “n” muestral dependerá del objeto de estudio, de los objetivos
de la investigación, del tiempo y presupuesto del que se dispone.
76
Luego, mediante cualquier sistema (tabla de números al azar, programas de computación), se

van sorteando al azar estos números hasta completar el total de unidades que deseamos que
entren en la muestra. De este modo, la probabilidad que cada elemento tiene de aparecer en la
muestra es exactamente la misma. Si cada uno de los elementos que integran la población no
tiene la misma posibilidad de ser elegido, se habla entonces de una muestra viciada.
Este método nos garantiza una selección completamente aleatoria, pero resulta muy lento y
costoso, pues nos obliga a elaborar listas completas de todas las unidades de interés, lo que a
veces es sencillamente imposible.
La técnica al azar simple se usa cuando la población no es muy numerosa y en consecuencia

tampoco la muestra que se va a obtener.
Este método no será adecuado si, por ejemplo, queremos sacar una muestra de todas las
personas analfabetas que existen en un país. En cambio, si nuestra intención es extraer una
muestra del universo de todos los alumnos que ingresan a una universidad en un determinado
año, resultará muy adecuado.
2- Muestras al azar sistemático: esta técnica se usa cuando tenemos poblaciones más
numerosas y en consecuencia se deben seleccionar gran cantidad de sujetos.
Paso 1: la confección de un esquema. Es decir, también se requiere de un listado completo de las unidades
que integran el universo en estudio
Paso 2: obtención de un intervalo que se obtiene i = N . Ej.: 10.000 = 10

n 1000
Ahora, mediante cualquier procedimiento, buscamos al azar un número entero cuyo valor figure
entre los límites de 1 y 40. En este caso, el número elegido es el 32. Entonces, las unidades
que pasarán a formar parte de la muestra serán las que lleven los siguientes números de orden:
1° unidad 32
2° unidad 32 + 40= 72
3° unidad 32 + 80 =112
....
70° unidad 32 + 2760 =2.792
Las ventajas y desventajas de este procedimiento son casi idénticas a la de las muestras al
azar simple. Los procedimientos computacionales hacen mucho más fácil efectuar el sorteo de
las unidades y no existe el riesgo de que la muestra quede sesgada por algún tipo de
regularidad que no conocemos y que esté presente en el universo.
3- Muestras estratificadas (proporcionales o no proporcionales): esta técnica se usa

cuando se considera que existe una variable o característica que influye en el objeto de
estudio y se quiere controlar. Supone que el universo puede desagregarse en subconjuntos
menores, homogéneos internamente pero heterogéneos entre sí. Cada uno de estos
estratos se toma luego como un universo particular, de tamaño más reducido, y sobre él se
seleccionan muestras según cualquiera de los procedimientos anteriores.
77
Por ejemplo, si quisiéramos estudiar las actitudes políticas de los estudiantes de una
universidad, podríamos subdividir en estratos de acuerdo con el tipo de estudios que cursen,
suponiendo que estas actitudes van a ser diferentes entre quienes siguen Ingeniería, Letras,
Medicina u otras carreras. Luego, efectuaríamos un muestreo dentro de cada sub – universo así
definido para, finalmente, realizar un análisis integrando los resultados de todas las sub –
muestras
Paso 1: dividir la población en los estratos o categorías de la variable que se considere

influyente o interviniente.
Paso 2: de cada estrato se confecciona un esquema
Paso 3: se seleccionan los sujetos al azar simple o sistemático de cada estrato
- La muestra será proporcional si se extraen de cada estrato un número de sujetos

respetando la proporción que se da en la población
- La muestra no será proporcional si se selecciona la misma cantidad de sujetos de cada
estrato, sin considerar la proporción de la población
Tanto en el muestreo estratificado como en el de conglomerados, la población se divide en

grupos bien definidos. Usamos el muestreo estratificado cuando hay una amplia variación
entre los grupos. Usamos el muestreo por conglomerados en el caso opuesto: cuando hay
una variación considerable dentro de cada grupo, pero los grupos son esencialmente
similares entre sí.
4- Muestras por conglomerados: Se utiliza cuando la investigación requiere encuestas o

entrevistas domiciliarias, y la población se ubica en una zona geográfica muy
extensa. El objetivo es que todos los sujetos de la población queden incluidos en una
zona geográfica cercana para ahorrar tiempo y dinero.
Esta técnica tiene utilidad cuando el universo que se requiere estudiar admite ser
subdividido en universos menores de características similares a las del universo
total. Se procede a subdividir el universo en un número finito de conglomerados y, entre
ellos, se pasa a elegir algunos que serán los únicos que se investigarán; esta elección
puede realizarse por el método del azar simple o por el del azar sistemático. Una vez
cumplida esta etapa, puede efectuarse una segunda selección, dentro de cada uno de los
conglomerados elegidos, para llegar a un número aún más reducido de unidades
muestrales. La ventaja de esta técnica es que obvia la tarea de confeccionar el listado
de todas las unidades del universo. Su desventaja mayor radica en que, al efectuarse el
muestreo en dos etapas, los errores muestrales de cada una se van acumulando, lo
que da un error mayor que para los métodos anteriores. La técnica de conglomerados
78
suele utilizarse cuando queremos extraer muestras de los habitantes de un conjunto

geográfico amplio, por ejemplo, una gran ciudad o un conjunto de pueblos, por lo que se
procede a tomar cada pueblo o grupo de manzanas como un conglomerado independiente;
del mismo modo, se la utiliza para conocer las reservas forestales y marinas, para estudiar
las estrellas y otros casos semejantes.
Paso 1: dividir a la población en conglomerados. Es una división geográfica del territorio. Los
conglomerados deben ser lo mas heterogéneos posible dentro de sí, en relación a las
características que influyen en la variable de estudio; y lo más homogéneos entre sí, ya que un
conglomerado debe poder representar a toda la población.
Paso 2: una vez estructurados los conglomerados, y conformadas estas condiciones, se

selecciona 1 conglomerado por bolillero y todos los sujetos dentro del mismo constituyen la
muestra.
Las Guayma
Hera llenlén
s Capita
l
Godo
y cruz
Muestras - Ocasionales
no - Intencionales
probabilísticas - Autogeneradas
- Ocasionales
Integradas por sujetos que ocasionalmente se le presentan al investigador de forma casual
o espontánea
- Intencionales
Integradas por sujetos que poseen determinadas características que el investigador supone
que influyen en la variable de estudio. Entonces la elección e totalmente intencional
- Autogeneradas
Integradas por unos pocos sujetos a los que el investigador tiene fácil acceso. Luego a
cada uno de estos sujetos se les pide que contacten a otros sujetos con determinadas
características y así sucesivamente hasta lograr el nº de sujetos deseados. “Efecto bola de
nieve”
Cuando una muestra es aleatoria o probabilística, es posible calcular sobre ella el error
muestral. Este error indica el porcentaje de incertidumbre, es decir, el riesgo que se corre de
que la muestra elegida no sea representativa. Si trabajamos con un error calculado en 5%, ello
significa que existe un 95% de probabilidades de que el conjunto muestral represente
79
adecuadamente al universo del cual ha sido extraído.

A medida que incrementamos el tamaño de la muestra, el error muestral tiende a reducirse,
pues la muestra va acercándose más al tamaño del universo o población.
Del mismo modo, para una muestra determinada, su error será menor cuanto más pequeño
sea el universo a partir del cual se la ha seleccionado. Así, para un universo de 10.000 casos,
una muestra de 200 unidades tendrá un error mayor que una de 300; una muestra de 200
casos, por otra parte, tendrá un error mayor si el universo tiene 10.000 unidades que si éste
posee solamente 2.000.
Para fijar el tamaño de la muestra adecuado a cada investigación, es preciso primero
determinar el porcentaje de error que estamos dispuestos a admitir. Una vez hecho esto,
deberán realizarse las operaciones estadísticas correspondientes para poder calcular el tamaño
de la muestra que nos permite situarnos dentro del margen de error aceptado.
A veces, sin embargo, el tamaño de la muestra queda determinado previamente por

consideraciones prácticas; en tales casos, no hay otra alternativa que aceptar el nivel de error
que su magnitud acarree.
80
Unidad 10
Prueba de verificación de hipótesis  SUPOSICION FRENT A UN HECHO

Buscan de una variable de estudio tener dos hipótesis. La prueba buscara comparando las
dif entre grupos y ver si esas dif son significativas.
Se comparan dos hipótesis de una variable,siendo las hipótesis suposiciones frente a
un hecho. Se estableer dif entre grupos y se comparan para ver si estas dif son o no
significativas
UN EJEMPLO DE PRUEBA DE HIPÓTESIS9
Este es un ejemplo ficticio y, necesariamente, extraño. Durante varios años se ha desarrollado

un gran proyecto de investigación. En el contexto del proyecto, se ha administrado a bebés
recién nacidos una vitamina especial, y luego se ha controlado su desarrollo durante los
primeros dos años de vida. Hasta ahora, la vitamina no ha acelerado el desarrollo de los bebés.
La distribución de la edad en la que éstos y todos los bebés comienzan a caminar está
representada por la figura 1. En ella observamos que la media es 14 meses, el desvío estándar
es de 3 meses, y las edades siguen una curva normal. Mirando la curva podemos observar que
menos del 2% de los bebés comienzan a caminar antes de los 8 meses de edad (estos bebés
se encuentran 2 desvíos estándar por debajo de la media de edad para comenzar a caminar).
(La distribución que analizamos, si bien es ficticia, en realidad es bastante similar a la
distribución que los psicólogos
han probado en el caso de bebés europeos.
Uno de los investigadores del proyecto ha tenido una idea. Sobre la base de algunas nuevas
Edad (meses): 7 8 9 10 11 12 13 14 15 16
17 18 19 20 21
Puntuaciones Z: -2 . -1 0 +1 +2
teorías, razona que si la vitamina que toman los bebés estuviera más refinada, su efecto podría
ser notablemente mayor, y que los bebés que tomaran la versión con alto grado de refinamiento
deberían comenzar a caminar mucho antes que los otros bebés. (Supondremos que el proceso
9
Ejemplo extraído de Aron A. y Aron E. (2006). Estadística para Psicología. Buenos Aires. Prentice Hall y Pearson Educación
81
de purificación no podía de ningún modo hacer que la vitamina fuera dañina para los bebés).
Sin embargo, refinar la vitamina de este modo eleva en gran medida el costo de cada dosis; por
lo tanto, el equipo de investigación decide probar el procedimiento con dosis suficientes para un
sólo bebé. Entonces, se selecciona al azar un bebé del proyecto para suministrarle la versión
altamente refinada de la vitamina, y se realiza un seguimiento de su progreso junto con el de
todos los otros bebés del mismo proyecto. ¿Qué tipo de resultado llevaría a los investigadores a
sacar la conclusión de que la vitamina altamente purificada hace que los bebés caminen a más
temprana edad?
Lo que acabamos de describir es el ejemplo de un problema que se resuelve a través de la
prueba de hipótesis. Los investigadores pretenden sacar una conclusión acerca de si la
vitamina purificada hace que los bebés en general caminen antes de lo esperado. La conclusión
referida a los bebés en general, sin embargo, se basará en los resultados obtenidos, estudiando
sólo una muestra. (En este extraño ejemplo, la muestra es un sólo bebé).
Existe un método estándar para encarar un problema de prueba de hipótesis. El

investigador utilizará el siguiente razonamiento: comúnmente, las chances de que un
bebé comience a caminar a los 8 meses de edad o antes serían menores al 2%. Por lo
tanto, caminar a los 8 meses es altamente inverosímil.
¿Pero qué sucede si el bebé que estamos estudiando comienza a caminar a los 8
meses? Si esto sucede, podremos rechazar la idea de que la vitamina especialmente
purificada no produce ningún efecto. Si rechazamos la idea de que la vitamina
especialmente purificada no produce ningún efecto, debemos aceptar la idea de que sí
produce un efecto.
Uno de los fundamentos de este método es que podemos determinar directamente la

probabilidad de obtener un resultado experimental determinado si la situación de que no se
produzca diferencia es verdadera. En el ejemplo de la vitamina purificada, los investigadores
saben cuáles son las probabilidades de que los bebés caminen a diferentes edades si la
vitamina especialmente purificada no produce ningún efecto
Prueba de verificación de hipótesis  SUPOSICION FRENT A UN HECHO

Buscan de una variable de estudio tener dos hipótesis. La prueba buscara comparando las
dif entre grupos y ver si esas dif son significativas.
Se comparan dos hipótesis de una variable,siendo las hipótesis suposiciones frente a
un hecho. Se estableer dif entre grupos y se comparan para ver si estas dif son o no
significativas yo lo q esta en cursiva
En casi todas las investigaciones psicológicas, ya sea con experimentos, encuestas u otro
método, sacamos conclusiones evaluando la probabilidad de obtener nuestros resultados
de investigación si fuera verdad lo contrario a lo que estamos prediciendo.
_____________________________
Pasos para la prueba de hipótesis: El objeto de estudio, de esa

variable voy a construir un
1- Formulación de hipótesis objeto de medición y lo voy
2- Elegir la prueba estadística apropiada a medir, a comparar. La
formulación d la hipótesis
tiene dif pasos. Y lo82
va voy a
medir en dif poblaciones
3- Determinar el nivel de significación o d margen d error

4- Hallar la distribución muestral
5- Definir la zona de rechazo
6- Establecer la decisión
El paso 1 y 2 o van juntos o incluso a veces el 2 va antes q el 1
1- Formulación de hipótesis.  SIEMPRE DEBO ESCRIBIR LAS 2 HIPOTESIS
El primer paso para llegar a verificar hipótesis es la formulación precisa de las

mismas. Frente a cada problema que motiva una investigación, se formulan dos
hipótesis: la hipótesis nula (Ho) y la hipótesis de investigación o hipótesis alternativa
(H1).
La Ho se formula con el propósito de poder rechazarla, establece que no existen

diferencias significativas y si es aprobada o confirmada significa que lo que se
presumía al formular la hipótesis h1 no se pudo confirmar y por lo tanto, no se puede
realizar un nuevo aporte a la disciplina o a la ciencia desde la cual se esté
investigando.--> NO HAY DIF SIGNIFICATIVAS ENTRE LA MEDIA O LA PROPORCION
Q ESTOY ESTUDIANDO
La H1 es la hipótesis de trabajo, establece que existen diferencias significativas y su

verificación implica un aporte a la ciencia.  HAY DIF SIGNIFICATIVAS
Paso 2: dentro d lo q es la prueba de

hipótesis, las pruebras pueden ser
2- Elegir la prueba estadística apropiada paramétricas (existen en escala intervalar o
métrica y cuando la disribución d la
paramétricas característica es similar a la curva normal) o
no parametricas.
Prueba de hipótesis
no paramétricas
Si se comparan 2 Si se compara o
medias o me da me habla d
números en valores entr 0 y 1
forma d puntaje utilizo
direc, utilizo esto Proporción
Compara proporción d Compara proporción d
una población con la una muestra con la
Compara media d una propor d una muestra. propor d una muestra.
Compara media d muestra con la media de La utilizo cuando Por
población con media d La utilizo cuando Por
otra muestra. Por ej si yo ej comparo la ej comparo la
una muestra. Por ej si comparo la media de el
yo comparo la media proporción d recibidxs proporción d recibidxs
CI de los alumos d 1ero de los alumnos d 2019 de los alumnos d 2019
del CI de los alumnos y la media del CI d los
d 1ero (muestra) y la (muestra) y la (muestra) y la
alumnos d segundo proporción del proporción de reibidxs
media del CI del N estoy comparando dos
total d alumnos TOTAL d reibidxs a en la carrera
83d
muestrs. Entendiendo q lo largo d historia d la psicología (muestra)
universitario N total es total d
(población)s uni (población)s
alumnos universitarios
Cuando esté haciendo el practico tengo q ver el enunciado, identifico si está comparando media
o proporciones y luego si compara muestra con población o muestra con muestra y por ultimo
utilizo LA UNICA PRUEBA correspondiente.
Las pruebas paramétricas son las que se usan cuando existen escalas intervalares o
métricas, o cuando se supone que la distribución de la característica se distribuye en la
población en forma similar a la curva normal.
a- Prueba de diferencia entre medias

b- prueba de la media
Paramétricas c- prueba de diferencia entre proporciones
d- prueba de proporciones
No Paramétricas a- Chi cuadrado
b- ANOVA (análisis de varianza)
HIPOTESIS PARAMÉTRICAS10 (SIEMPRE TIENE DOS HIPOTESIS H0 Y LA H1)
Es de importancia crucial el modo de redacción tanto de las H1 y como de H0

Por lo tanto se recomienda atender a los ejemplos siguientes para ambos tipos de
hipótesis. Sugerencia: nunca una H1 comienza con el encabezado… “Existen diferencias
significativas”…
SABER D MEMORIA
a- Prueba de diferencia entre medias sirve para verificar si existen diferencias

significativas entre dos medias muéstrales.
Ejemplo de hipótesis alternativa (H1) para prueba de diferencia entre medias
El rendimiento escolar de la zona A es significativamente más elevado que el rendimiento de

la zona B
EL RENDIMIENTO ACADEMICO D PRIMER AÑO ES SIGNIFICATIVAMENTE MÁS

ELEVADO Q EL RENDIMIENTO D SEGUNDO AÑO:
modelo: LA (VARIABLE 1ero..ej CI) DE (EL GRUPO AL Q SE LO TOMO) ES

SIGNIFICATIVAMENTE MÁS [O MENOS] ELEVADO QUE (VARIABLE 1ero..ej CI) DE (EL
2DO GRUPO O MUESTRA)
Ejemplo de hipótesis nula (Ho) de la prueba de diferencia entre medias:
10
Ver página 11 NO PARAMÉTRICAS
84
No existen diferencias significativas entre el rendimiento escolar de la zona A y la zona B
modelo: NO EXISTEN DIF SIGNIFICATVIAS ENTRE (pongo varible ..EL RENDIMIENTO

ACADEMICO) y LOS GRUPO (las muestras)
b- Prueba de la media sirve para verificar si existen diferencias significativas entre una
media muestral y la media poblacional.
Ejemplo (H1):
La escuela A tiene un rendimiento significativamente más bajo que el total de las escuelas de la
provincia a la que pertenece la escuela A
PRIMER AÑO TIENE UN RENDIMIENTO ACADEMICO SIGNIFICATIVAMENTE QUE EL
RENDIMIENTO TOTAL DE LOS ALUMNOS DE LA UNI. D LA ACONCAGUA
Modelo : (pongo primero la muestra) tiene un (variable) significativamente más bajo [o alto] que
el total de (pongo la población que medi)
Ejemplo (Ho):
No existen diferencias significativas entre el rendimiento de los alumnos que la escuela A y

el rendimiento del total de los alumnos de las escuelas de la provincia a la que pertenece la
escuela A
c- Prueba de diferencia entre proporciones sirve para verificar si existen diferencias

significativas entre dos proporciones muestrales
Ejemplo (H1):
La proporción de ausentismo de la zona A es significativamente mayor que la proporción de

ausentismo de la zona B
Modelo: La proporción de (variable) de (grupo al q se lo tomo) es significativamente mayor

[o menor] que la proporción de (variable) de (otro grupo)
Ejemplo (Ho):
No existen diferencias significativas entre la proporción de ausentismo de la zona A y la
zona B
d- Prueba de proporciones sirve para verificar si existen diferencias significativas entre

una proporción muestral y una proporción poblacional.
Ejemplo (H1):
La proporción de ausentismo de la escuela A es significativamente mayor que la
proporción de ausentismo del total de las escuelas de la provincia a la que pertenece la
escuela A
La proporción de (variable) de (grupo a q se lo tomo) es significativamente mayor q la

proporción de (variable) del total (población a la q se lo tome)
85
Ejemplo (Ho):
No existen diferencias significativas entre la proporción de ausentismo de la escuela A y la
escuela A
La H1 y la H0 son completamente opuestas. Si una es verdadera, la otra no puede serlo.

Debido a que en la Prueba de hipótesis nos concentramos en rechazar la H0, es que la
hipótesis de investigación (H1) se denomina alternativa.
3- Determinar el nivel de significación – sinónimo d margen de error ,nada es exacto en

las cs sociales,no es el mismo margen d error para una vacuna.
Hallar el nivel de significación o margen de error que se puede cometer al realizar una
inferencia  tener en cuenta el nivel d margen d error q voy a realizar en mi prueba d hipófisis
Existen dos tipos de errores al inferir: error tipo 1 (α) y error tipo 2 (β)
α: es el que se comete cuando se rechaza la hipótesis nula y en realidad es verdadera. Este

es el error más peligroso y es el que hay que tratar de controlar y se estipula antes de
aplicar la prueba. Este error se debe minimizar en función de lo que se esté investigando. En
psicología habitualmente se trabaja con un α = 0,05 o con un α = 0,01 que marcarán un 95%
y un 99% respectivamente de seguridad o confianza. En otras ciencias, por ejemplo
medicina, a veces se debe trabajar con un α = 0,0001 porque una equivocación puede llevar a
consecuencias graves en parte de la población. Ej: Paso 3- Margen d error = 0,05 u 0,01
(según lo q diga el enunciado)
Cuando trabajamos d con un error 0,05 quiere decir q los resultados son confiables 95% y hay
un margen d 5% q esos resultados no sean confiables; cuando trabajameos con un margen d
error d 0,01 quiere decir q los resultados son confiables 99% y q no se deban al azar y q hay un
margen d 1% d q esos resultados sean x el azar.
β: es el que se comete cuando se acepta la hipótesis nula y en realidad es falsa. –no había
dif significativas y en realidad si habia
En general, los investigadores psicólogos utilizan un corte en la distribución comparativa (es
decir, los límites de aceptación de la H0) que coincide con una probabilidad del 5% de que un
valor sea al menos tan extremo. Es decir, los investigadores rechazan la hipótesis nula si la
probabilidad de obtener un resultado tan extremo (si la hipótesis nula fuera verdadera) es
menor al 5%.
Esta probabilidad generalmente se escribe como p<0,05. No obstante, en algunas áreas de

investigación, o cuando los investigadores quieren ser especialmente cautelosos, utilizan un corte
del 1% (p<0,01).
A estos porcentajes se los denomina niveles convencionales de significación. Se

describen como nivel de significación 0,05 ó nivel de significación 0,01. Cuando el valor muestral
(Ze o Te) es tan extremo que los investigadores rechazan la hipótesis nula, se dice que el
resultado es estadísticamente significativo.
86
4- Hallar la distribución muestral adecuada – saber q curva va a usar el ejercicio-

SIEMPRE LA PRUEBA D LA DIFERENCIA ENTRE MEDIAS SE MUEVE CON OTROS
PARAMETROS.
Para la prueba de la media, la prueba de diferencia entre proporciones y la prueba de la

proporción, la distribución muestral que se utiliza es la curva normal o teórica (la q siempre
usamos, la “mesourtica”). –
Para la prueba de diferencia entre medias, se utiliza la distribución T de student.
Síntesis pongo Paso 4: curva normal o distribución T de Student
La distribución T de student es muy similar a la normal, pero cuando los n de las muestras son
pequeños, adopta una forma más aplanada, a medida que aumenta n la forma de la curva
siga equiparando a la normal y cuando n es mayor de 100 o 120 se estabiliza y se llevara a
la normal.
La distribución T de student es platicúrtica (chatita) en relación a la normal  pq comparamos
2 muestras a nivel d media el n se supondría como bajo.
T de student
Distribución muestral=Curva normal Distribución T de Student la pongo

la prueba de la media, la prueba prueba de dif entre medias
de diferencia entre proporciones Si n es + q 120 0 100 uso los
y la prueba de la proporción, estándares normales
la distribución muestral
5- Definir la zona de rechazo – una vez q dibuje la curva voy a construir la zona d rechazo
q es poner dos parámetros q me van a servir para cuando yo saque la cuenta ver si
supero o no ese parámetro y aceptar la hipótesis nula u alternativa.
¿Como se construye la zona d rechazo?

Una vez establecido el error tipo 1 o α en el caso de la prueba de la media , de la prueba de
diferencia entre proporciones, y la prueba de la proporción, se determinan los puntajes Z
teóricos que delimitan la zona de aceptación de hipótesis nula. En el caso d 0,05 son los
puntajes 1,96z y -1,96z y en el caso d 0,01 es 2,58z y -2,58z.
PRUEBA D LA MEDIA Establecen la zona d rechazo a través de dos

puntajes z (z teorico - 1,96 y 2,58) q dsp
DIF D PROPORCIONES
sacaremos por el z empírico (q debe caer por
PRUEBA D PROPORCIÓN fuera d estos parámetros para aceptar la
hipótesis nula) para q los compararemos,
depende d esa comparación es q si voy a
aceptar o no ese hipotesis
87
α: 0,05
Nueva hipótesis
Nueva hipótesis
nuevo aporte
nuevo aporte
2,5% Zona de 2,5% probabilidad de rechazar la H0
cuando en realidad es verdadera (α)
aceptación
de Ho
H1 H1
zt = -1,96 zt = 1,96
α: 0,01
Nueva hipótesis Nueva hipótesis

nuevo aporte nuevo aporte
0,5% Zona de 0,5% probabilidad de rechazar la H0

cuando en realidad es verdadera (α)
aceptación
de Ho
H1 H1
zt = -2,58 zt = 2,58
Por encima o por debajo de estos valores de zt teórico, quedan las zonas de rechazo de
hipótesis nula, o aceptación de hipótesis de investigación alternativa.
En el caso de la prueba de diferencia entre medias, los valores de tt se encuentran teniendo

en cuenta el nivel de significación o α y los grados de libertad (gl) que son directamente
proporcionales al número de sujetos de las muestras.
tt tt
gl = (n1-1) + (n2 – 1)
el n d la muestra 1 menos uno sumado el n d la muestra 2 menos uno
Si los grados d libertad dan +120 los valores van a ser lo mismo q para las otras pruebas; el t
teórico (si mi grados d libertad son mayores a 120).
supongamos q el gl me da 70 y margen d error 0,1; busco en la columna vertical izq el 70 (si no
lo tengo busco el q más cerca este, en este caso 60) y en la horizontal busco el margen d error (si
tengo 0,05 en la columna 0,05 y si tengo 0,01 la columna correspondiente)
88
Significa q voy a construir mi zona d rechazo con 2 y -2, [ACORDEMOSNOS Q ES SOLO EN

EL CASO D LA DIF. D MEDIA] entonces estableci la zona d rehazo con el Z TEORICO (lo q
caiga por dentro H0 y lo q caiga afuerz H1) . Ahora busco la formula correspondiente dependiendo
la prueba en la q estoy trabajando (siempre trabajo con una formula matriz o pricipal y una q nos
va a dar el denominador d la formula) para ver si el resultado esta afuera o adentro d mi Z
empirico y asi comprobar si acepto o no mi hipotesis
Formula matriz
te = X1 – X2
Dx (error estándar de la diferencia entre medias)
DX = S12 + S22 Formula del denominador
La decisión se establece de la siguiente manera: toda vez que el valor numérico de z empírico o
t empírico sean más altos que los valores de z teórico y t teórico respectivamente, se rechaza la
hipótesis nula y se verifica para la población en general que las diferencias son significativas.
Toda vez que ze o te adopten un valor numérico menor a zt y tt respectivamente, se acepta la
hipótesis nula y se verifica que las diferencias no son significativas, o sea que se deben atribuir
al azar.
En la Prueba de Hipótesis comparamos los valores empíricos Ze y Te (en una

investigación serán los observados en la muestra de trabajo), con la distribución
comparativa, es decir, con la correspondiente a la situación en la que la H0 es verdadera.
Realizamos esta comparación calculando qué probabilidad tendríamos de obtener un
valor tan extremo como el que plantea la H1, si la H0 fuera verdadera. La muestra sería
considerada tan extrema que se rechazaría la posibilidad de que surgiera de una
distribución como esa (curva normal)
Expresado de otro modo:
¿Qué valor extremo necesitaría tener la muestra para poder sacar un conclusión
confiable?
¿Cuán extremo debería ser ese valor para que resultara demasiado improbable que
pudiera obtenerse ese valor extremo si la H0 fuera verdadera?
89
¿Qué implica rechazar o no la hipótesis nula?11

Queremos hacer hincapié en dos puntos relacionados con el tipo de conclusiones que podemos
sacar a partir del proceso de prueba de hipótesis. En primer lugar, supongamos que
rechazamos la hipótesis nula y que los resultados sostienen la hipótesis de investigación
(como en nuestro ejemplo de la vitamina). Los investigadores aún no dirían que el resultado
"prueba" la hipótesis de investigación o que los resultados muestran que la hipótesis es
"verdadera". Esas palabras son demasiado fuertes en este caso, ya que las conclusiones a las
que se llega a través de estudios de investigación siempre se basan en probabilidades. En la
prueba de hipótesis, se basan en la poca probabilidad de obtener determinado resultado si
la hipótesis nula fuera verdadera. Decir que las conclusiones están comprobadas o que son
verdaderas sería una exageración.
Tales afirmaciones son correctas para la lógica o la matemática, pero utilizar estas palabras con
respecto a conclusiones resultantes de una investigación científica es completamente poco
profesional. (Es correcto usar la palabra "verdadero" cuando se habla hipotéticamente, por
ejemplo, "si la hipótesis fuera verdadera, entonces...", pero no al hablar de una conclusión real).
En segundo lugar, y tal como lo mencionamos anteriormente, cuando un resultado no es lo

suficientemente extremo como para que rechacemos la hipótesis nula, no decimos que el
resultado "sostiene la hipótesis nula". Un resultado que no es lo suficientemente determinante
como para que rechacemos la hipótesis nula sólo implica que el estudio no fue concluyente. Los
resultados pueden no ser lo suficientemente extremos como para rechazar la hipótesis nula,
pero la hipótesis nula podría ser falsa (y la hipótesis de investigación verdadera). Supongamos
que en nuestro ejemplo la vitamina especialmente purificada tuviera sólo un efecto leve, pero
aún así real. En ese caso, no esperaríamos que ningún bebé que hubiera tomado la vitamina
purificada camine mucho antes que los otros bebés; por lo tanto, no podríamos rechazar la
hipótesis nula aunque esta fuera falsa.
La cuestión es que demostrar que la hipótesis nula es verdadera implicaría demostrar que
realmente no existe diferencia entre las poblaciones. No obstante, siempre es posible que esa
diferencia exista pero que sea mucho menor de lo que el estudio en particular podría detectar.
Por lo tanto, cuando un resultado no es lo suficientemente extremo como para rechazar la
hipótesis nula, los investigadores por lo general sólo dicen que los resultados no son
concluyentes. Sin embargo, algunas veces, si los estudios se han realizado utilizando grandes
cantidades de procedimientos con un nivel de medición muy precisa, la evidencia puede crear
fundamentos en cuanto a la exactitud aproximada de determinada hipótesis nula.
Fórmulas
- Prueba diferencia entre medias
te = X1 – X2
Dx (error estándar de la diferencia entre medias)
DX = S12 + S22
n1 n2
gl = (n1-1) + (n2 – 1)
- Prueba de la media
11
Aron A. y Aron E. (2006). Estadística para Psicología. Buenos Aires. Prentice Hall y Pearson Educación. Capítulo 6, pág.
184
90
Ze = Xm - Xp
X = Sm (error estándar de la media)

nm
- Prueba de diferencia entre proporciones
Ze = P1 – P2
Dp
Dp = p1. q 1 + p2 . q 2 q=1-p
n1 n2 (error estándar de la diferencia entre proporciones)
- Prueba de la proporción
Ze = Pm – Pp
p
(error estándar de la prueba de la proporción)
p = pp. q p
nm
Ejercicios
Con los siguientes datos, formular hipótesis nula e hipótesis alternativa. Aplicar la prueba de
hipótesis correspondiente y establecer la decisión.
1- Se aplicó una prueba de rendimiento a dos muestras de alumnos de cuarto grado,

una perteneciente a una zona rural y la otra a una zona urbana, obteniéndose los
siguientes resultados: compara zona con zona osea muestra con muestra,
dif d muestras
- muestra de zona rural: X= 66 S=8 n= 46

- muestra de zona urbana: X= 77 S= 6 n=80
Puede inferirse con un α= 0,05 que el rendimiento de los niños de la zona rural es
significativamente más bajo que el rendimiento de los niños de la zona urbana
 Ya hice el paso dos d Elegir la prueba estadística apropiada
 Ahora paso 1 formular hipótesis
91
H0: no existen diferencias significativas en el rendimiento de los niños de la zona rural y en el de

los niños de la zona urbana
H1: el rendimiento de los niños de la zona rural es significativamente más bajo que el
rendimiento de los niños de la zona urbana
 Paso 3- sacar el nivel d significación (marge, d error) – LO SACO DEL ENUNCIADO

 -nivel de significación: α= 0,05
 Paso 4- Prueba de diferencia entre medias
-distribución muestral: distribución t de student [pq es dif d medias, si fueran las otras
distribución muestral z]
Saco los grados d libertad; me dio más d 120 por lo tanto el
gl = (n1-1) + (n2 – 1) parámetro d significación quedo en 1,96 y -1,96
gl= 45 + 79 = 124
Y ahora saco el valor empírico; primero saco el denominador y dsp la formula matriz
te = X1 – X2  matriz
Dx
DX = S12 + S22  denominador

n1 n2
DX = 82 + 62 = 1,36
46 80
Por fuera del 1,96 y -1,96
te= 66 – 77 = - 8,09 Osea ACEPTO MI HIPOTESIS
1,36 ALTERNATIVA NUEVO
APORTE
Zona de HAY DIF ENTRE LA ZONA RURAL Y LA ZONA

aceptación URBANA, el rendimiento d la zona rural es más bajo q
de Ho el d la zona urbana
H1 H1
-8,09 8,09
tt = -1,96 tt = 1,96
De acuerdo a los resultados obtenidos, se rechaza la hipótesis nula (H0)
1- Formulación de hipótesis
2- Elegir la prueba estadística apropiada
92
3- Determinar el nivel de significación

4- Hallar la distribución muestral
5- Definir la zona de rechazo
2- Si se conoce que el valor promedio de cociente intelectual de la población escolar

mendocina es de 98 puntos y el CI de una muestra de 81 sujetos, de una zona de
muy bajos recursos es de 89 puntos, con una S=11 puede afirmarse que con un α=
0,05, que las diferencias son significativas
2. Elegir la prueba estadística apropiada Prueba d proporciones
La proporción de (variable) de (grupo a q se lo tomo) es significativamente mayor q la

proporción de (variable) del total (población a la q se lo tome)
Ejemplo (Ho):
No existen diferencias significativas entre la proporción de ausentismo de la escuela A y la
escuela A
3. En una muestra probabilística a de 150 mujeres la proporción que está de acuerdo

con la legalización de la marihuana es de 0,28, si la proporción en una muestra
probabilística de 208 varones es de 0,32, puede afirmarse con un α= 0,01 que las
diferencias son significativas?
4. La proporción de profesionales de gran Mendoza, que está de acuerdo con el
ingreso irrestricto a las universidades es de 0,38. En una muestra probabilística de
75 comunicadores sociales es de 0,46. Puede afirmarse con un α= 0,05 que las
diferencias son significativas?
Capítulos 6 y 7
- Cortada de Kohan, N. y Corro, J. M. (1975). “Estadística Aplicada”. Buenos Aires. Editorial
Universitaria de Buenos Aires. Capítulo 7
93

AA - Psicoestadistica I

Cargado por

Copyright:

Formatos disponibles

AA - Psicoestadistica I

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

AA - Psicoestadistica I

Cargado por

Copyright:

Formatos disponibles

CATEDRA: PSICOESTADISTICA I

Facultad de Psicología - UDA

La estadística es un conjunto de métodos científicos que permiten recolectar, presentar, resumir y

La estadística no es un ciencia, sino un conjunto de métodos aplicados a una ciencia en particular

Funciones de la estadística en la investigación. La estadística permite u obliga al investigador a:

Hay distintas definiciones de estadística:

La realidad no es un continuo indiferenciado, presenta muchas diferencias sensibles

Estadística: conjunto de métodos científicos por medio de los cuales podemos:

La estadística se vale de dos herramientas para llevar a cabo sus objetivos:

Ciencia: conjunto de conocimientos racionales ciertos o probables definidos metódicamente,

Conocimiento vulgar: asistemático, no metódico. Usa un lenguaje subjetivo

La estadística es el método de las ciencias y su lenguaje es fundamentalmente matemático.

Pasos de la Investigación Científica en Psicología:

La aplicación de los métodos cuantitativos al estudio de la ciencia en general implica.

1- una definición operacional del atributo en estudio

1- Toda definición experimental implica una definición teórica y una operacional:

Dicotómicos (ej. género)

Variables Discretas Se utilizan en los

Los atributos pueden ser:

Las variables pueden ser:

2- Elección de una escala de medición adecuada:

Existen 4 niveles de medición aplicables a las ciencias de la conducta:

1) Nivel nominal: o de clasificación:

Algunos autores no lo consideran un verdadero nivel de medición, es el mas pobre y primitivo.

2). Nivel ordinal: o de orden jerárquico:

3). Nivel Intervalar o de intervalos iguales:

4). Nivel métrico o de cocientes o razones

3. Adopción de un modelo matemático

La estadística se vale de dos herramientas para llevar a cabo sus objetivos:

Propiedades de los numeros importantes para la medicion Postulados básicos

Universo o Población: totalidad de entidades que poseen la característica a medir

Muestra: grupo de entidades extraídas de la población

Parámetros poblacionales: estadísticos obtenidos (media, desviación estándar, varianza) de una

LOS GRÁFICOS SEGÚN EL NIVEL DE TIPO DE GRÁFICO

GRÁFICO DE BARRAS: en el eje X se colocan las categorías y en el eje Y las frecuencias.

NIVEL INTERVALAR O MÉTRICO

El término “histo” proviene del griego y significa columna.

católico- católico- judío- protestante- católico-evangelista-mahometano. Mo= católico

Si investigara, en el B° XXX el grado de conocimiento existente de las políticas de salud que

Mo = conoce solo algunas (es la categoría que presenta la mayor frecuencia.)

Si agrupamos o tabulamos los datos:

Mo = 7 (esta distribución tiene un modo, es unimodal)

• Para datos sin tabular:

Si el nº de observaciones es par, la Mdn es igual al promedio de las 2 observaciones centrales:

• Para datos agrupados o tabulados manualmente:

Mdno = 110 = 55 Categoría F F↑

b En un nivel intervalar o métrico: procedemos utilizando la función correspondiente de Excel o SPSS

3 Excel: Fx/estadísti cas/Mediana

Total 10 100,0 100,0

1. La Mediana en el nivel Ordinal con número impar:

2. La Mediana en el nivel Ordinal con número par:

3. La Mediana en el nivel Intervalar con número impar:

4. La Mediana en el nivel Intervalar con número par:

5. La Mediana en el nivel Métrico con número impar:

6. La Mediana en el nivel Métrico con número par:

1. La Mediana en el nivel Ordinal:

3. La Mediana en el nivel Métrico:

Peso niños 8 años

Existen 2 propiedades de los desvíos con respecto a la media: