You are on page 1of 11

T.

2 Modelos tericos de distribucin de probabilidad


1. La distribucin binomial
2. La distribucin o curva normal

El conocimiento acumulado en Psicologa ha permitido evidenciar como algunas variables de


inters en este campo se distribuyen de un modo caracterstico, esto es, tienen una distribucin de
probabilidad particular que se repite a lo largo del tiempo y para diferentes muestras. De muchos de
estos patrones regulares de distribucin de probabilidad han sido planteados los modelos tericos que
representan matemticamente a esas distribuciones y que, por tanto, permiten obtener fcilmente, a
partir de una funcin matemtica, cul ser la probabilidad (o probabilidad acumulada) asociada a un
valor cualquiera de la variable.
Dos de los modelos ms relevantes en el contexto de la Psicologa son el de la distribucin
binomial, para variables ordinales y cuantitativas discretas, y el de la distribucin normal, para
variables cuantitativas continuas. En los siguientes apartados se describen las caractersticas de estos
dos modelos tericos de distribucin de probabilidad y se muestra su aplicacin en la prctica.
Otros modelos tericos de distribucin de probabilidad como la distribucin t de Student, la
distribucin ji-cuadrado y la distribucin F de Snedecor son tambin especialmente importantes en el
campo de la Estadstica, ello debido a que la distribucin muestral de algunos estadsticos se ajusta
a estos modelos tericos de distribucin de probabilidad. La distribucin muestral de un estadstico es
un concepto clave en la estadstica inferencial que ser introducido en un captulo posterior.

1. La distribucin binomial
Comencemos con un ejemplo: supongamos que se elige al azar una muestra de 6 personas para
formar parte de un jurado popular que ha de juzgar a una persona inmigrante y sabemos que en la
poblacin de la que se ha extrado esa muestra un 30% de las personas son racistas. A partir de estos
datos, cul es la probabilidad de que la mitad o ms de los miembros del tribunal sean racistas?

Estadstica Inferencial en Psicologa


Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

2
La respuesta a la pregunta anterior se puede resolver fcilmente sabiendo que la distribucin de
probabilidad de la variable que nos ocupa se corresponde con la de la distribucin binomial. Veamos
ms formalmente las condiciones para que la distribucin de probabilidad de una variable se ajuste al
modelo terico de la distribucin binomial:
1. Partimos de una variable categrica dicotmica de la que conocemos su distribucin de
probabilidad en una determinada poblacin.
Sea la variable X [X1; X2], entonces en esa variable dicotmica se debe decidir cul de las dos
modalidades de la misma es la que nos interesa a fin de poder buscar la respuesta a aquello que
nos interese saber (sea, por ejemplo, X1), pues es la probabilidad asociada a esa modalidad a la que
se conoce simblicamente como (y, complementariamente, a la de X2 como 1-):
Xi

P(Xi)

X1
X2

1-
1

Ejemplo: Variable ser racista [Si; No] => modalidad de inters para contestar a la pregunta
planteada en el ejemplo: Si => P(X 1) = = 0,30 => P(X 2) = 1- = 0,70
Sealar que en la prctica del anlisis de datos es bastante habitual contar con datos de variables
dicotmicas (o dicotomizadas), por ejemplo, variables en que se han recogida datos del tipo
correcto/incorrecto, a favor/en contra, de acuerdo/en desacuerdo, bien/mal, si/no, curado/no
curado, tratamiento/no tratamiento, etc. Es frecuente en la literatura de la distribucin binomial
considerar a esas dos modalidades, de forma genrica, como Acierto y Error, de modo que
P(A cierto) = y P(Error) = 1-
2. Se realiza n veces esa variable aleatoria (por ejemplo, se extrae una muestra de n casos de una
poblacin en los que no sabemos a priori que va a ocurrir con la variable X ), debindose satisfacer la
condicin de que se mantenga constante para todas las realizaciones.

Estadstica Inferencial en Psicologa


Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

3
Ejemplo: n = 6 (tamao de la muestra, pues cada extraccin de un miembro del jurado representa
una realizacin de la variable aleatoria Ser racista) y en cada extraccin se asume que se
mantiene constante (= 0,30)
3. Si se cumplen las dos condiciones anteriores, la variable aleatoria nmero de experimentos
(casos) en los que se verifica la condicin X1 se distribuye segn el modelo terico de la distribucin
binomial. Si la distribucin de probabilidad de una variable X se ajusta al modelo binomial se
expresa simblicamente como: X B(n;)
Ejemplo. Variable nmero de miembros del tribunal que son racistas B(6; 0,30)
La distribucin de probabilidad (funcin de probabilidad) de una variable binomial X viene definida
por la siguiente funcin matemtica, donde X i puede oscilar entre 0 y n:

P( X i ) =

n!
X i (1 ) n X i
X i !(n X i )!

Ejemplo: si queremos obtener la probabilidad de que 2 miembros del tribunal sean racistas:

P(2) =

6!
720
0,302 (1 0,30)62 =
0,302 0,704 = 0,324
2!(6 2)!
2 24

Si sustituyramos en la frmula del modelo binomial para los distintos valores que puede tomar X
en este ejemplo, obtendramos la distribucin de probabilidad de X (n de miembros del tribunal
que son racistas):
Xi
0
1
2
3
4
5
6

P(Xi)
0,118
0,303
0,324
0,185
0,060
0,010
0,001
1

Otro procedimiento alternativo para obtener la distribucin de probabilidad de una variable que se
ajuste al modelo binomial es acudir a la tabla de la distribucin de probabilidad de este modelo, la
cual se puede encontrar en el apndice de tablas de muchos libros de estadstica. En la misma se

Estadstica Inferencial en Psicologa


Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

4
pueden encontrar tabuladas las distribuciones de probabilidad de una variable binomial para
diferentes valores de y de n.
Fragmento de la tabla de la distribucin binomial
(tomado de las tablas publicadas por Botella y cols., 2001)

Estadstica Inferencial en Psicologa


Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

5
Ejemplo: Observar el fragmento adjunto de la tabla de la distribucin binomial. Buscando en la
misma podramos obtener fcilmente, por ejemplo, la distribucin de probabilidad de una variable
X que se distribuya segn el modelo binomial con parmetros n = 4 y = 0,50: X B(4;0,50)
Xi
0
1
2
3
4

P(Xi)
0,062
0,250
0,375
0,250
0,062

Otro ejemplo de variable que se distribuye segn sta distribucin de probabilidad es el n de


veces que sale cara al lanzar una moneda al aire 4 veces. Tras comprobar que se cumplen los
requisitos para que se pueda decir que esta variable se distribuye segn el modelo binomial,
obtener la distribucin de probabilidad correspondiente a la misma.
Ejercicio 1: Para la variable N de miembros del tribunal que son racistas presentada antes,
obtener las siguientes probabilidades: (1) de que 4 miembros del tribunal sean racistas; (2) de que,
como mximo, 5 sean racistas; (3) de que ms de la mitad sean racistas; (4) obtener la esperanza
matemtica y la varianza de esta variable aleatoria.
Ejercicio 2: Sabiendo que en la poblacin espaola la proporcin de mujeres es de 0,60, (1) cul
es la probabilidad de que al extraer una muestra aleatoria de 7 personas de esa poblacin, ninguna de
ellas sea mujer? (2) y cul la de que todas fuesen mujeres? (3) construir la distribucin de
probabilidad correspondiente a la variable n de mujeres al extraer al azar una muestra de 7 personas
de la poblacin espaola (X ); (4) obtener la media (o valor esperado), la mediana y la moda de la
variable aleatoria X ; (5) representar grficamente la funcin de probabilidad de X ; (6) dem de la
funcin de distribucin de X ; (7) obtener la distribucin de probabilidad de la variable aleatoria
complementaria, esto es, la de la variable n de hombres al extraer al azar una muestra de 7 personas
de la poblacin espaola.
Es una propiedad de cualquier variable que se distribuye segn la distribucin binomial que su
esperanza matemtica y su varianza se pueden obtener segn las siguientes frmulas:
E(X ) = = n

2X = n (1-)
Estadstica Inferencial en Psicologa
Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

6
Ejercicio 3: Obtener con las anteriores frmulas la esperanza matemtica y la varianza de la
variable N de miembros del tribunal que son racistas. Comprobar que coincide con los valores ya
obtenidos anteriormente para estos dos ndices.
Ejercicio 4: Suponiendo que se contesta completamente al azar a un examen de 10 preguntas de
verdadero/falso y de que se corrige puntuando con un 1 los aciertos y con un 0 los errores, obtener la
probabilidad de que se saque un 5 en el examen; y cul es la probabilidad de sacar un 10?; y la de
sacar un 5 o ms? Obtener el valor esperado de la variable puntuacin en el examen e interpretarla.
2. La distribucin o curva normal

Se trata de un modelo terico de distribucin de probabilidad para variables aleatorias cuantitativas


continuas que se caracteriza, grficamente, por tener forma similar a la de una campana. Por ello, y
por haber sido estudiada inicialmente por el matemtico Karl Gauss, se le denomine tambin como
curva o campana de Gauss.
La importancia de esta distribucin reside en el hecho de que diversas variables, como los
caracteres fisiolgicos y morfolgicos de individuos altura, peso o longevidad, atributos
sociolgicos, psicolgicos y, en general, variables que vienen determinados por muchos factores, se
distribuyen segn el modelo de la curva normal.
Abajo se muestra la representacin grfica de una variable aleatoria que se distribuye segn el
modelo terico de la distribucin normal (ms usualmente dicho, que se distribuye normalmente)
Como puede observarse, algunas de las caractersticas distintivas de este tipo de distribucin son:
(1) que es unimodal;
(2) que es simtrica, situndose el eje de simetra sobre el valor de la media (mediana, moda) de la
distribucin de la variable;
(3) que es asinttica;
(4) que -hace corresponder valores de probabilidad altos para los valores centrales de la variable,
mientras que esas probabilidades decaen de forma progresiva a medida que nos alejamos del
centro de la distribucin, ms aceleradamente en la zona central, menos en los extremos.

Ejemplo para una variable con las puntuaciones en un test de inteligencia (escala CI):
Estadstica Inferencial en Psicologa
Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

La distribucin de probabilidad (funcin de densidad de probabilidad) de la curva normal viene


definida matemticamente por la siguiente funcin matemtica, originalmente planteada por
Abraham de Moivre en 1733:
0,5
1
P( X i ) =
e
2,507 X

( X i X )2

X2

donde X i es un valor concreto de la variable X , e es una constante matemtica (=2,72), y y son


dos parmetros de la funcin que se corresponden, precisamente, con la media y la desviacin tpica
de X .
Teniendo en cuenta la frmula presentada, la distribucin normal puede adoptar diferentes formas,
tantas como distintos valores de y se consideren (o sea, infinitas). Cada uno de estos posibles
modelos integran la conocida como familia de la distribucin normal y para representar, a nivel
simblico, a cada uno de los miembros de esa familia se utiliza la expresin N(; ). A continuacin
se muestra la representacin grfica de diversos modelos de la familia de la distribucin normal en
los que se han considerado distintos valores de y :
- Modelos de distribucin normal con distinto valor de pero el mismo de :

Estadstica Inferencial en Psicologa


Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

8
- Modelos de distribucin normal con el mismo valor de pero distinto de :

Entre los modelos de la familia de la distribucin normal, el ms relevante en la prctica es el


denominado como distribucin normal estndar o unitaria, esto es, el modelo de la familia de la
distribucin normal que tiene = 0 y = 1 [N(0; 1)]. As, es comn que en los libros de estadstica
se incluya en un apndice final de tablas estadsticas, la correspondiente a la curva normal estndar o
unitaria. Aunque hay variaciones en la forma de presentar esta tabla en los libros, en la misma nos
ser posible consultar para un rango de valores comprendido habitualmente entre -3 y 3, cul es el
valor de probabilidad y de probabilidad acumulada correspondiente a esos valores. En suma, se trata
de una representacin tabular de la funcin de probabilidad o de la funcin de distribucin (o de
ambas, como en el fragmento que se muestra ms abajo) de la curva normal con media 0 y desviacin
tpica 1. As, si se tiene una variable X que se distribuye segn la distribucin normal estndar [X
N(0; 1)], en esta tabla podemos consultar para distintos valores de X , cul es el valor de probabilidad
(y ordenada) [P(X =X i)] y de probabilidad acumulada (A rea) [P(X X i)] correspondiente a los
mismos.
Una vez conocida la probabilidad asociada a un determinado valor, de forma inmediata se puede
dar respuesta fcilmente a diferentes tipos de preguntas, por ejemplo, el porcentaje acumulado o
percentil correspondiente a ese valor, el n de sujetos que es de esperar que tengan un valor inferior o
igual a se, o superior a se, o entre dos valores determinados, etc. (ver preguntas del ejercicio
siguiente).
Ejercicio 5: Dada una variable X que para un determinado grupo de sujetos se distribuye segn
N(0;1): (a) cul es la probabilidad acumulada correspondiente a un valor de 1,18 [P(X 1,18) =
Pa(X =1,18)]?; (b) qu porcentaje de sujetos tendrn una puntuacin inferior o igual a 1,18?; (c)
sabiendo que el grupo de sujetos era de 1000 personas (n =1000), cuntos tendrn una puntuacin
Estadstica Inferencial en Psicologa
Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

9
inferior o igual a 1,18?; (d) cul es la probabilidad de que al extraer un sujeto al azar, ste tenga una
puntuacin inferior o igual a 1 [P(X 1)]?; (e) y de que sea superior a 1 [P(X >1)]?; (f) y de qu est
entre 1 y 2 [P(1X 2)], sabiendo que P(X 2) = 0,9772? ; (g) y de qu est entre la media de la
distribucin y 1 [P(0 X 1)]?; (h) a qu valor de la variable X le corresponde una probabilidad
acumulada de 0,75 (esto es, el 75% de los sujetos obtienen una puntuacin inferior o igual a ese valor
en la variable = Q3)?; (i) qu valor de la variable X ser slo superado por el 25% de los sujetos? (j)
qu valor corresponde al percentil 25?; (k) cul es la probabilidad de que al extraer un sujeto al
azar, ste tenga una puntuacin inferior o igual a -1 [P(X -1)]?; (l) y de que la puntuacin sea
superior a -1 [P(X >-1)]?
Fragmento de la tabla de la curva normal estndar (tomado de las tablas publicadas por Botella y
cols., 2001)

Estadstica Inferencial en Psicologa


Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

10

Una consecuencia prctica derivada de la aplicacin del modelo terico de la distribucin normal y,
en general, de cualquier modelo terico de distribucin de probabilidad es que, si sabemos o
podemos asumir que una variable se distribuye segn un modelo terico, entonces se pueden obtener
las probabilidades asociadas a cualquier valor de esa variable y, en consecuencia, la correspondiente
distribucin de probabilidad. Ser suficiente para ello con aplicar la frmula matemtica del modelo
de probabilidad correspondiente o, ms sencillo, recurrir a una tabla estadstica de ese modelo y
consultar en la misma los valores que nos interesen.
Ahora bien, cmo aprovechar la tabla de la curva normal unitaria si tengo una variable que,
aunque se pueda asumir que se distribuye normalmente, su media y su desviacin tpica no son
Estadstica Inferencial en Psicologa
Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011

11
precisamente 0 y 1? La respuesta est en transformar los valores de la variable a puntuaciones tpicas
(Z), con lo que la variable se seguir distribuyendo segn la curva normal, si bien, pasa a tener media
0 y desviacin tpica 1, haciendo as factible la utilizacin de la tabla de la curva normal unitaria.
Ejercicio 6: Supongamos que un conocido nos dice que ha obtenido en un test de inteligencia una
puntuacin CI igual a 95. Asumiendo que las puntuaciones en un test de inteligencia se distribuyen
normalmente y sabiendo que las puntuaciones CI tienen media 100 y desviacin tpica 15, qu le
podemos decir acerca de su puntuacin?, ms concretamente, (a) qu porcentaje de sujetos es de
esperar que obtengan un valor inferior o igual a 95?, o (b) qu porcentaje de sujetos es de esperar
que obtengan un valor superior a 95?; (c) Supongamos tambin que nos pregunta qu puntuacin CI
habra que sacar en el test de inteligencia para estar en el 30% inferior (puntuacin de CI que deja el
30% de sujetos por debajo); (d) y para estar en el 10% superior? (puntuacin de CI que es superada
solo por el 10% de los sujetos) (e) entre qu valores de CI se encuentra el 50% central de los
sujetos?

Referencias:
Barn-Lpez, J. (2005). Bioestadstica: mtodos y aplicaciones. Apuntes y material disponible en
http://www.bioestadistica.uma.es/baron/apuntes/
Botella, J., Len, O. G., San Martn, R., y Barriopedro, M. I. (2001). A nlisis de datos en psicologa
I: teora y ejercicios. Madrid: Pirmide.

Estadstica Inferencial en Psicologa


Mara F. Rodrigo, J. Gabriel Molina
Curso: 2010-2011