Jesus Amon CCATEDRATICO DE PSICOLOGIA MATEMATICA ‘ELA FACULTAD DE PSICOLOGIA DE LA UNWVERSIOAD COMPLUTENSE DE MADRIO ESTADISTICA para PSICOLOGOS II Probabilidad. Estadistica inferencial EDICIONES PIRAMIDECOLECCION “PSICOLOGIA" Dissto de cubes: C. Carina ‘Novensedicin, 1993 Reims, 2002 oer foo hos. contenido sexta obra eat protegido por la Ley, que stable peas de pst fo mules, hes Ae las conespondignesinlentzsciones por stony pension, para quenes eprodujte. losin dstrbyereno comonearen pu facie n todo o en parte un dr ea, httstiea 0 eiemea, 0 su trnaformacioa, imerretaion 9 ssseton atten jada ea lalgues tipo de soporte w comumteada través de cule oro mei, sina preset ‘asutoracin © Jesis Amin © Falcone Piramide (Grupo Anaya, S.A.) 2002 Suan Janes Lc de Tene 1.28037 Maid Telefonor91 39589 89 eww ediconespinmides| Deposit legal M 38.64.2002 ISBN: 84-368-0081-8 (Odea complet) ISBN: 84-368-0153.9 (Tomo lt) Printed ia Spi Impresoen Lave, S.A, Poligono Instr Los Llanes. Gran Cana, 12 mares de Mads (Madrid) PROLOGO En la redaccion de este segundo Volumen hemos seguido el mismo criterio que presidid la redaccién del primero, a saber, no limitaros & presentar un mero ca- lilogo de instrumentos estadisticos, cada uno de ellos acompaado de las corres pondientes instrucciones «pricticas» (!!!) que permitan su aplicacién mas o menos ciega. Este punto de vista engaflosamente préctico no s6lo es extremadamente clemental, sino, también, bastante irresponsable y hasta peligroso en algunas oce siones. Creemos itl le aplicacién de los instruments estadistcos en la investigacion psicoldgica (en caso contrario, no habriamos publicado esta obra), pero juzgamos, asimismo, que esta utilidad quedaré muy menguada si el investigador se limita a seguir mecénicamente unas reglas euya fundamentacion desconoce. Es nesesario gue el psic6logo conozea personalmente los instrumentos que va a usar, Existe, por tanto, una necesidad y ella ha sido la razn de este segundo volumen. Intenta- mos en él ofrecer (dentro de unos limites razonables) el fundamento y deduecién de las diversas téenicas que vayan siendo expuestas, el problema o problemas que ‘motivan su aparicién y las condiciones que cada téenica estadistiea implica para ‘que su aplicacién sea vilida. Creemos que sélo asi el psicdlogo podré llevar a cabo su tarea especifica que es offecer de modo responsable una interpretacién psico- logica apropiada de los resultadas numéricos obtenidos en sus investigaciones. Parece claro que el enfoque cuantitativo de los problemas cientiicos va siendo ‘cada ver mas universal atin en dreas que no hace muchos aiios parccian irreducti- blemente refractarias a un planteamiento matemitico. Como eta de esperar, esto ha sucedido con la Psicologia y otras ciencias emparentadas con ella, Sin embargo, no conviene olvidar que en toda investigacién aplicada To fundamental son los contenidos. Una investigacién psicolégiea serd sumamente valiosa si es valioso su contenido, aunque no haya sido enfocada cuantitativamente, y seré perfectamente init! si carece de contenido relevante, por més sofsticada que haya sido la ins- trumentacién matemética utilizada. Creemos que la aproximacion cuantitativa puede ser muy oportuna en bastantes campos psicoligicos, pero, a la vez, desacon- sejamos dicha aproximacién si no va acompafiada de una preparacién matemitica moderadamente sélida. Por desgracia, en no pocas tesis doctorales sobre temas psicélogos se acude quiza con mayor frecuencia de lo debido, a enfoques estadis- ticos y con menor preparacion estadistica, ciertamente, de Ia requerida,8 / Estadisticn para Psicstogos Con alguna frecuencia los psieblogos ereen que deben ser adiestrados tnica- mente en la aplicacion «prictica» de las téenicas estadisticas. La teoria, se dice, debe quedar relegada al mundo de los matemiticos, mientras que la aplicacién pictica debe ser Ia tarea propia de los psicélogos. Esta afirmacién debe ser ma tizada, En principio, es mis propio de los matemiticos dedicarse a la creacion y manejo de modelos matematicos, asépticamente formales, vacios de contenidos ‘especificos y es més propio de los psicblogos dedicarse a la aplicacién de fos mismos ‘en sus investigaciones coneretas. La cuestién radica en definir qué entendemos por «practicidad» o, mejor ain, por «practicidad responsable». Es claro que, dada la complejidad de los fendmenos psicologicos, los instrumentos estadisticos apli- cables a ellos deben ser complejos si deseamos que sean «pricticos». Todo modelo simple aplicado a una realidad compleja es, en el mejor de los casos, decididamente ineficaz. Ahora bien, el manejo responsable de un instrumento complicado exige tun conecimiento razonable del mismo y este conocimiento no va incluido en el ceatilogo de normas apracticas» que acompaiian al instrumento y permiten su aplicaeion mis © menos mecénica, Para ejecutar ciegamente estas normas, tenemos los ordenadores que realizan los cleulos previstos con mis rapidez y seguridad {que el hombre, La tarea propia de éste es conocer lo mejor posible la naturaleza de los diversos instrumentos estadisticos a su disposicién, para saber cudl debe usar en eada ocasidn conereta, las condiciones requeridas por el mismo instrumento ‘legido, la deduccién de las formulas que le acompafan, etc., todo lo cual implica unos conocimientos bisicos matematico-estadisticos no superficiales y en algunos ‘ea80s algo profundos, Por tanto, el adiestramiento prictico (si éste ha de ser respon- sablemente préetico) de un psicdlogo implica una buena dosis de teoria estadistica. Notese finalmente que muchos de los grandes tebricos estadisticos han vivido in ‘mersos en la solucion prictica de problemas coneretos, Por no alargar demasiado este prélogo, nos limitamos a recordar que Ronald Aymer Fisher (uno de los es- tadisticos teéricos mayores de nuestro sigh) trabajé durante largos ailos en resolver problemas pricticos dentro de una estacién agricola y fue previsamente la urgencia de estos problemas agrieolas cotidianos la que le motivé a crear instrumentos es- tadisticos nuevos. De todo lo dicho se infiere ficilmente que el propésito de este libro es ofrecer 4 los psiedlogos (pedagogos, socidlogos, bidlogos, ctc.) una serie de téenicas es- tadisticas inferenciales (aplicables a sus problemas especificos) de modo fundamen- tado, es decir, de manera que quede reducido lo més posible el nimero de actos de Je que deba hacer el lector frente a las afirmaciones que se le vayan presentando, ‘Asi, por ejemplo, no nos contentaremos con afirmar que tal o cual cestadistico» 0 ‘eestimador» obedeve a tal o cual «distribucidn muestrab», sino que, ademas, trata- remos de legitimar por qué obedece a esa y no a otra. Hemos procurado exponer estos razonamientos legitimadores del modo mis asequible que hemos podido, Jo cual no quita que en agin momento la comprensién de ellos exija cierto esfuerzo ppor parte del lector @ quien va dirigido este libro. No obstante, este pequeiio es- fuerzo quedard generosamente recompensado con la satisfaccion de saber por qué y bajo qué condiciones un «estadistico» determinado es apropiado para someter 4 comprobacién experimental cierta hipétesis. Protogo | 9 En los primeros capitulos exponemos unas breves nociones sobre probabilidad, «que son indispensables para legitimar las técnicas inferenciales futuras. Por azones didiicticas, introduciremos la probabilidad separadamente, primero en el caso dlscreto y Iuego en el continuo, Son, en efecto, més asequibles los conceptos pro- babilisticos dentro de un contexto iinicamente discreto que dentro de un contexto ‘mixto discreto-continuo. Asimiladas las nociones probabilisticas en el caso dis- cereto, es relativamente facil extenderlas al caso continuo, Después de introducir las nociones de funcin de probabilidad y de funciOn de densidad de probabilidad, cconsideraremos con algin detalle aquellas funciones de probabilidad (Bernoulli, binomial, Poisson, multinomial) y aquellas funciones de densidad de probabilidad (uniforme, normal, 72, 1 y F) que suelen ser las mis utilizadas en las inferencias estadisticas dentro de las investigaciones psicologicas. Hay dos capitulos dedicados a conceptos intermediarios que nos permiten pasar de [a muestra a 1a poblacion, Entre ellos se encuentran los de musstreo, es- fimador y el fundamental de distribucion muestral de los estimadores. Expuestos los conceptos generales, nos detendremos a estudiar la distribucién muestral, 0 conducts probabilistica, de algunos estimadores que serim utilizados con gran Frecuencia en capitulos posteriores ‘A continuacién exponemos los conceptos de estimacion y comprobacién de hipétesis, aplicando dichos conceptos a una larga serie de casos coneretos que ‘ocupan el resto del libro. Mas en particular, comprobaremos hipotesis acerca de una y dos medias, de una y dos varianzas, de una y dos proporciones; acerca de los pardmetros de la recta de represi6n y acerea de diversos coeficientes de correlacion, Consideraremos con bastante detaile la comprobacién de hipétesis acerca de la qualdad de varias medias, consideradas conjuntamente, iniciando al lector en el ‘anilisis de varianza y covarianza con mayor tigor que el que suele encontrarse en tuna gran mayoria de libros de Estadistica para psicdlogos. Creemos que, aunque se trata de una mera iniciacin, debe ser suficientemente solida debido a la frecuente incidencia de dichos analisis de varianza y covarianza en las investigaciones psi- coldgicas, Tiemos dediado un capitulo a cbondad de austen yun apne final is amadas téenieas no paramétricas, razonando la introduccién de estas ultima y exponiendo ligeramente algunas de ella. El nivel matematico requerido, sin ser excesivo, es algo superior al que ordina- riamente se suele exigir en libros de este tipo. El objetivo de esta obra es legitimar, dentro de lo posible, la mayoria de las afirmaciones que se proponen y esto implica incvitablemente un cierto rigor. No es un libro estrictamente tedrico, pero tampoco es un mero recetario prictico. Para conseguir que su lectura sea mis asequible, bastantes demostraciones han quedado relegadas a diversos apéndices que pueden ser pasados por alto en una primera lectura. Cuando aparezcan citadas expresio- ries como 3.4, 12.1, ete. se trata de encabezamientos de apartados. En cambio, cuando aparezean citadas esas mismas expresiones dentro de paréntesis (3.4), (12.1), ete, se trata de formulas coneretas dentro de algiin apartado, ‘Agradecemos a los protesores del Departamento de Psicologia Matemética de la Universidad Complutense su colaboracién desinteresada. De un modo es-10 / Estadisticn pars Psiedlogos pecial lo hacemos al doctor Luis Jitier y a Vicente Ponsoda que han compartide ‘con el autor la fatigosa tarea de corregir pruebas, han entresacado algunos ejem= plos de la literatura psicoldgica y han hecho que mejorara la redaccién ditima de este volumen con sus observaciones siempre oportunas. Mi agradecimiento, finalmente, @ Ediciones Pirimide, tanto por su tesa en urgirme una y otra vez a concluir la redaccién de la obra como por sit paciencia en esperar la finalizacion de la misma, asi como por la agilidad en su realizacién, ‘que ha subsanado mi tatdanza en la entrega del manuscrito original INDICE GENERAL Prélogo 1. Introduccion LL Objetivo de Ia Estadistica Inferencitl y Cateulo de Probabitidades 12. Definiiones previas 13. Reglas de eontar Fietcicios. 2. Probabilidad (espacio muestral discreto) 24, Probubiidad 2.1. Enfogue interpretative 2.12. Enfogue formal. 2.2. Probubilidad condicional 23, ‘Teorema del prodiveto 3.4. Suoesos independientes 255, Formula de Bayes Ejercicios. 3. Funciones de probabilidad y distribucién (variables alea- torias discretas) 3.1. Variable slestoria 32. Funcién de probabilidad (una sola variable aleatoria disereta) 33. Funeién de distribucién (una sola variable aleatoria discret) 34. Funcion de probabilidad y de distibueién (dos variables aleatorias diseetas). 355. Independencia de variables aleatorias discretas 46. Algunas funciones de probabilidad y de distribucion (una sola va. discret). 361. Introduccion 362. Distrihucién do Bernoul 36.3. Distihucion binomial 364, Distibucion de Poisson 8 38 8 2 46 4 ” 33 o o % n 4 2 86 86 6 88 212 / Esadistice para Poiedionos Apindice 3.1, Funcién de probubilidad y de dstibucidn (tes © mis va dscrets), Apéndice 32, DistribuciOn multinomial disreta Ejercicos 4, Valores esperados y momentos (variables aleatorias dis- cretas) . : 4.1. Valor esperido @ esperanza matemética 42. Valor esperido de y media de la distibucién empiriea de unt muestra 43. Valor esperado y juegos de azar 464, Propicdades de los valores esperadon 45, Valores esperados e independencia 46. Momentor 47. Propiedudes de algunos momentos 48. Valor esperado y varianza de algunas va. discreas 48:1. Bemoul 482. Binomial 483. Poisson 484 Mulinomial 49. Desigualdad de Tehebychet. Apéndice 4.1. Funeién generatriz de momentos Apéndice 4.2. Propiedades de algunos momentos (demostraién) Flercicios 6. Probabi lad (espacio muestral continuo) S.. Wea general 52. Funeion de densidad de probabildad y de distrbucibn (una sola v2. continua). 533. fla) interpretable como fansidn de densidad de probabilidad SA. Propiedades de la funcién de distibucion 5.5. Comparacién del e1so disereto con el continuo. 56, Fai. y Funcion de distribucisn (dos va. continuas) 5.2. Fp. y funeién de distibucion (mis de dos va. continu). 58, Independencia de v.a. continuas 59, Algunas funciones de densidad de probabilidad mis usuales 59.1. Uniforme o rectangular 59.2. Nosmal (univariada) soa 7 soa f sos. F 596. Novinl (bivariada) Apéndice 5.1. Valor de P(X = x) en el caso discreto y en el continue Apendice $2. Cambio de variable ‘Apéndice 53. Observaciones sobre ta eurva normal ‘Apendive $8 Tablas Bjrcicios. 96 % 101 ut uw U3. ig 6 Us 10 as 128 Bs bs re} i bo BI rg bs ut M41 46 ur 150 151 153 153 5a ‘sr 18 19 160 16) 6s 164 69 m Indice 113 6. Valores esperados y momentos (variables aleatorias con- tinuas) 6. Valor esperado 0 esperanza matemitica 6.2. Propiedades de los valores esperados. 63. Valores esperados ¢ independencia 64, Momentos 65. Propiedades de algunos momentos. 66. Valor esperado y varianza de algunas Fp. 6.6.1. Uniforme o rectangular 6.6.2. Normal 663. 2 664 665. F. 62. Desigualdad de’ Tehebychet 68. Aproximacion de la fp. binomial s la fp. normal Apéndice 6.1. Funeibn generatriz de momentos Ejercicos 7. Ideas previas a la Estadistica Inferencial .... TA. Introuceid 72. Muestreo aleatorio (poblacidn fnita) 7.2.1, Mucstea aleatorio sin reposicion 72.2. Muestreo aleatorio con reposicién 73. Muestreo aleatorio (poblacion infnita) 74, Mucstreo aleatorio simple 755, Poblacion, muestia sleatoria simple y espacio muestra 76. Distribucidn empirica y distribucién teérien 7.7. Owos tipos de muestreo 17.1. Muesteo aleatorio extratifend 77.2. Muestreo alestorio de conglomerados 17.3. Muestieo aleatorio sstematico 78. Valor esperado y varianza de la media TSI. Caso de muestieo aleatoria con Feposicion 7.82. Mucstreo aleatorio sin reposicién 79, Ley (dtbil) de los grandes nimeros Apéndice 7.1. Tablas de niimeros aleatorios Fjerscios 8. Distribucién muestral de algunos estadisticos 8.1. abstadistco» y «distibucion muestra 82. Distribucion mucstral de algunos estadsticos 821, Distribucion muestral de la media, $22) Distribucign mucstral de m/e? 180 180 82 183 8s 188 189 189 190 190 190 191 wi 191 Ws 9s 200 200 200 200 206 2 213 2is 216 ix is Is 224 22s 230 20 231 2 2M14 / Extadistice pare Poicdtogos 2.3. Distribueién de {= $23 Dibuddn de E=2 824, Distribucidn de 528 (con ¢, Apéndice 1.” Funclén genera Je momento de Y= Fy 4 oo 4H blo las condiciones expuestas en 8.21 . Bjerccios jacién puntual de pardmetros 9.1. Introdvecién 9.2. Fstimacién puntual de parimeteos 9.3. Delinicion de estimador 9.4, Propiedades deseables en un estimador DAI. Careneia de sesg. 9.42. Consistencia 943. Eficiencia 944 Suiicencia 915, Métodos para calcula estimadores 9.6. Propiedades de los estimadores de maxima verosimiltud Apéndive 8.1. Sufiiencia Bjercicios, 10. Comprobacién de hipétesis estadisticas e intervalos con- fidenciales . 10.1. Hipotesis estdisticn 102. Hipotesis simple y compuesta 103. Hipotesis mola e hipdtesis alternative 104. Region evitica y entero de decision 105. Exeotes del tipo Ly del tipo I In. Poteaci, 107. Constastes uniaterales y bilaerales 108, Cuna de poteacas. 109. Relaciones entte 2, fy 10.10, Intervalo confidencia 10.11. Intervalo eontidencial y tepidn evitic 10.12. Intervalo confidencial y coefiiente confidencial 10.13. Amplitud det intervalo confidencial y tamao de la muestra Ejerscios 11. Comprobacién de hipétesis acerca de algunos parame- ‘tos, oe LA, Intvoduecén 112. Comprobacién de hipatsis acevee de ia modi. T12.L Una sola media 236 237 237 235 an 280) 281 283 28s 290 21 asi Indice { 11.22, Dos medias (diferencia de medias) con observaciones independientes 2.3. Dos mats (uieencia de medias) eon observacones dependicaes 1.3, Comprobacion de hipstens-asteu dela varianza TER. Una sola varianza 32. Dos varianzas con observciones independienes 1.33. Dox vacineas con observaciones dependientes 114. Comprobacién de hipsesis aoreu de proporiones. 141 Una sola proporeion $2. Dor proporciones con obsorvaciones independents 11.43, Dos propareiones con observaciones dependienes n= 20x) = Ex} aid Ed ays? Apéndige 11.1, Distribucion muestral de Bjecicios 12, Comprobacién de hipétesis acerca de los parimetros de la regresion 12.1, Intraduesién 12.2, Modelo matemitico en el caso’ de regresibn lineal simple 123, Estimadores de 2 y fF segin el eriterio de minimos cuadrados 124. Propiedades de a y b 124.1. Lineatidad (en as Y)) 1242. Carencis de seg 1243, Varianza minima 128. Varianza de a, varianza de b, covarianza de @ y 6: 126. Comprobacién de hipétesis acerea del parémetro f 126.1. Introduccion previa 1262. Comprobucion de hipdtesis 12.7. Comprobacidn de hipstesis acerea del parametro « 128, Comprobacion de hipstesis aceren del parimetro 0° 129. Comprobaciin de hipétesis acerea del parimeto E(Y|X = x,) 0 Apéndice 121. Estmadores de 2 yf sgn €) principio de minima’ verotiid Apéndice 122. Regresién lineal miltiple Bjereicis, 13. Comprobacién de hipétesis acerca de coeficientes de correlacion . 13.1. Introd 132. Coeficiente de corrslacion de Pearson 132.1. Un solo cveficient, p 132.2. Dos coeficientes (diferencia de coeicientes, oy — 7.) 133, Otros coetcientes de cortelacion . 1.1. Cosfciente de cortelacion biseril puntudl, 9, 1332, Covlciente de eortelacion, ¢ 1333. Coeficiente de corvelacia biserial, 0, 16 204 29 50s 305 310 31 Si 316 320 33 34 399 399 360 30 363 367 367 367 6816 / Estadistica para Psicdiogos 1334. Coeficiente de correlacion tetacoric, p, 1335. Coeficiente de correlacién de Spearman, p, 1336. Coeficiente de correlacion de Kendall, © Apéndice 13.1, Cocficientes de correlacion con ttes variables Bjercicios 14, Bondad de ajuste @ independencia y 7° 14.1, Bondad de ajuste y 72 14.1. Distribucidn multinomial (con pardmettos eonoeidos) y 12 14.12, Cualguier distribucidn (supuestos conocidos sus parimettos) y 7° 14.1.3. Cualquies distibucion (supuestos desconocidos sus parimetros) y ° 142, Independencia entre dos variables aleatorias y 7° Ejercicios 15. Fundamentos del anélisis de varianza (un criterio de clasificacion) 15.1, Introduesibn 15.2. Modelo, 153. Estimadores de los parimetros 1, 1 y 2. segin el erterio de minimos cus drados 154, Analisi © descomposicion de la variabilidad total en dos componentes, adi- 15.5. Estadistion de conteaste 156, Cileulo. 15.7. Comprobacién de hipétesis previas 18.7.1. Comprobacin de ls hipétesis 2 15.72. Comprabacidn de ls normalidad de las ¥.,denteo de ask pobaciones 158, Qué hacer si hemos techazado Hy: My = jp =~ = fy? Apéndie 15.1. (MC). EMC) ¥ dstribueion muestral de MC,./MC Apéndice 152. Medidas repetidat Bjerccios 16. Introduccion a anélisis de varianza (doble eriterio de clasificacion) 16.1. Introduccion 162. Modelo. 16.3. Interaceiba 164. Estimadores de los parametros 1, %. 8, ¥ Yq Senin el entero de mi sminimos evadrados 165. Descomposicidn de ia varibilidad toll en eustro componentes adiivos. 16.6, Estadistion de contraste 16.7. Céleulo 168. Qué hacer si hemos rechazado Hy., Hay 9/0 Hay? 368 368 368 569 34 314 375 om a8 380 383 389) 389 31 393 295 97 309) 399) 300) 402 404 ail ais ais 415 419 a4 432 Indice (17 Apéndise 161. FUME), MC, FMC), BMC) a4 ‘Apendice 162. Una sla observacibn dentro de cada casa ae AApendice 163. Nimero-no jal de observacioes en todas las cis a erin we 17. Introduecién al anélisis de covarianza 4s ITA. Intodcon 6 112. Modo an 173. Estimadores de tos parimetros sf Senn el evtero de mininos eu dindon as 174, Relsion deb con otroneximadors 450 175. Anilss 0-desconpesicbn de la covaabidad total en &os somponeaes ives 431 176, ‘Sumas de cadrados coreyidos 4 Tho, Suma de eundradosinagrapo coves 4 1762. Suma de cuadridos tot corres 4 1763. Suma de cuasrados intergrupo coresda 54 177, Bstaintico de contrast 454 178. Gaal : 45 179. Contieén sdisionalB, = By i as erin 49 Apéndice final: Iniciacién a las técnicas no paramétricas .. 403 AGA. Introduccién 463 ‘AL2. Algunas caracteristicas de las téenieas no pavaméteieas 464 ‘ALS. Ventas inconvenientes 468 ATI. Ventajas 464 A132. Inconvenientes 465, ALA, Algunas téonicas no paraméteces 465 ALA. Una sola muestra (prueba de Koimogorov-Smimov). 4655 ‘ATA2, Dos muestras (independientes): prueba de Mann-Whitney 467 AL43. Dos muestras (dependientes): prueba de Wileoxon: a ALAA, K musstras (independientes): prueba de Kruskal-Wallis. 475 ALAS. K muestras (correlacionadas): prueba de Friedman 8 Soluciones a los jos propuestos 485 Bibliografia cee 495 Tablas ce eeeee eee 499 Indice de autores. co Indice de materias 331 Introduccion 1.1. Objetivo de la Estadistica Inferencial y Calculo de Probabilidades Comenzaremos con algunos ejemplos ilustrativos, que nos sirvan para fijar «estos conceptos. Deseamos conocer la postura que, por término medio, mantienen los universi- larios espaiioles frente al divorcio, Con ese fin elaboramos un cuestionario apro- piado. Obviamente, deberemos enviar encuestadores especializados si queremos aque las respuestas sean dadas individualmente y con seriedad. Ahora bien, dificil- mente podran los encuestadores contactar con todos los universitarios espaiioles, dado su elevado mimeo. En todo caso, tanto la recogida de dates, como su ul terior procesamiento, requeririan unos medios eeon6micos pricticamente inase- ‘quibles. Por estas y otras razones, en vez de encuestar a todos los universitarios espaiioles, elegimos una muestra bien representativa de los mismos y aplicamos cl cuestionario de modo riguroso a esta muestra reducida. Asi, tanto la recogida de datos, como su ulterior procesamiento, serin realizados en un plazo muy breve ‘ implicardn una eseasa inversién econdmica. En conclusién, en vez de encuestar a toda la poblacién universitaria espaiiola, s6lo encuestamos una muestra pe- queiia extraida de dicha poblacién y bien representativa de la misina, Pues bien, la Estadistica Inferencial pretende hacer afirmaciones acerca de la postura que, por término medio, mantienen todos los universitarios espaiioles, a partir de la postura que, por término medio también, manifiesta esa muestra reducida de universitarios; la que, de hecho, ha sido encuestada, ‘Una empresa de resorteseldsticos arma que dichos resortes, por término medio, no se rompen mientras no sean sometidos a fuerzas superiores @ un nivel dado, Un modo de comprobar tal afirmacion, es observar cual es la fuerza maxima bajo fa cual se rompe cada resorte, al ir siendo acabado de fabricar. Eviden- temente, esta tictien es inaceptable, pues con ella destruitiamos toda produc: in posible. Una alternativa razonable consiste en elegir un nimero reducido de resortes, sometiendo cada uno de ellos a una fuerza ereciente hasta que se rompa. Pues bien, la Estadistica Inferencial pretende hacer afirmaciones acerca de la elasticidad media de todos los resortes producidos (y producibles) por la em-20 / Extadistice pare Priedtogos Presa constructora en cuestién, a partir de Ia clasticidad media manifestada or esa muestra reducida; la gue, de hecho, ha sido sometida al experimento destructivo, Una enorme extensidn de terreno se dedica a cosechar maiz. Hasta ahora ha venido siendo abonada con un tipo A de fertiizante, Una empresa agricola lanza al mercado un nuevo tipo B que, segin ella, aungue un 1S por 100 més caro que cl tipo A, elevard en un 25 por 100 la produccién de maiz. Evidentemente, antes de lanzarnos a abonar Ia extensidn total, parece sensato hacerlo con una parcel pequefia (aunque bien representativa de dicha extension) y observar qué cosecha de maiz alcanzamos en ella. Pues bien la Estadistica Inferencial pretende hacer afirmaciones sobre la produccién previsible de maiz en la extensidn total, a partir de la cosecha obtenida en la parcela mindscula experimental En conclusion, la Estadistica Inferencial pretende hacer afirmaciones 0 «infe- rencias» acerca de una poblacién, a partir de fos resultados obtenidos en una muestra extraida de aquélla, Ahora bien, el Céleulo de Probabilidades, segiin lo iremos viendo, es el puente ‘que nos permite pasar de lo afirmado con certeza (en Ia muestra) a lo pronosticable solo con probabilidad (en la poblacién), de lo conocido a lo desconocido. Por cllo, antes de comenzar con la misma Estadistica Inferencial, nos es necesario dedicar algunos capitulos a dicho Caleulo de Probabilidades. Es cierto que los conceptos probabilisticos son para nosotros un mero instrumento, pero wn instrumento que debemos saber manejar hibilmente si deseamos hacer inferencias de modo res- onsable y pretendemos tomar decisiones, con riesgo minimo de error, acerca de problemas de tanta importancia como pueden ser Ia implantacién de un nuevo sistema educativo a escala regional © nacional, la difusién masiva de un medica- ‘mento presuntamente anticancerigeno, la introduccién de unas nuevas pruebas de aptitud para los estudios universitarios, el triunfo previsible de cierto partido politico en unas elecciones, el apoyo nacional a la construccién de centrales nue leares, ete., et. 1.2. Definiciones previas Proponemos a continuacién algunas definiciones que son necesarias para poder introducir conceptos tales como probabilidad, variable aleatoria... que, a sit vez, son indispensables para poder abordar los problemas especificos de la Estadistica Inferencial Definicién 1.1. Experimento alearorio: Bs toda operacién euyo resultado no puede ser pronosticado con eerteza, Serdn experimentos aleatorios: lanzar una moneda al aire, aplicar un test a luna persona, disparar una flecha a una diana, contar las piezas defectuosas entre las fabricadas un dia cualquiera en cierta empresa industrial El experimento aleatorio es, pues, una operacién 0 proveso que puede ser Ievado a cabo repetidas veces bajo las mismas condiciones iniciales, pero cuyo Imroduecion | 21 resultado final no es siempre el mismo. Ello es debido a que diversos factores alea- torios (es decir, no sistemiticos, no sujetos a nuestro control) influyen en el te. sultado de dicho proceso. Asi, por ejemplo, en ef experimento consistente en dis- disparar una flecha a una diana podemos fijar unas mismas condiciones iniciales el mismo arquero, el mismo arco, la misima diana, la misma distancia entre diana y arquro, la misma hora del dia, etc. Sin embargo, no podemos eliminar cl influjo de otros factores de tipo aleatorio: rafaga imprevista de aire, distraccién involun- {aria del arquero, etc, El resultado final depend, ciertamente, de las condiciones iniciales fijadas por nosotros, pero, también, de factores aleatorios que eseapan {nuestro control y, por eso, nos impiden pronosticar con certeza cual set dicho resultado en cada prucha conereta. Conviene advertir que el experimento aleatorio puede ser entendido 0 como tun proceso realizado fisicamente, © como un proceso conecbido idealmente, Lo importante es que sean posibles dos o mis resultados, sin que podamos afiemar ‘con certeza cual de ellos se verificara en cada una de las pruebas, bien realizada fisicamente, bien concebida idealmente, Definicién 1.2. Espacio nwestral, E: Bs ol conjunto de todos los resultados posibles de un experimento aleatorio, Puesto que los resultados posibles de un experimento aleatorio dependen det enfogue dado a éste, podemos asociar diversos espacios muestrales a un mismo ‘experimento aleatorio, como sucede en ef ejemplo siguiente, Enmpio 1.1. Lancemos al aire dos dados uno de color rojo y el otro de co- lor verde, Si aceptamos como resultado posible «color y puntos de las dos caras vueltas hacia arriba», tendremos el espacio muestral compuesto de 72 resultados posibles, gue vemos en la figura 11 PRBOBD SQOOD @ PID BORO VOSQODHS PVOGOOSBOOODW Fiewrs 1.122 / Estadistica pare Peicdtogos Si aceptamos como resultado posible «puntos de las dos caras vueltas hacia arriba, prescindiendo del color», tendremas el espacio muestral compuesto de 36 resultados posibles, de la figura 1.2 oo oo oe oo OB o8 90 oo on oo OB og ao ao a8 ao 8S 8a 60 oo oo ao 568 of8 8o oo 6 ao oo ao 8a eo 5a 6a 8a 8B Figura 12 Si, finalmente, aceptamos como resultado posible «color de las dos caras vueltas hacia arriba, prescindiendo del niimero de puntos», tendremos el espacio mucstral compuesto de 2 resultados posibles, de la figura 1.3, Figure 13 Desde ahora usaremos indistintamente las expresiones «resultado posible», ‘resultado elemental», «elemento». ‘Vamos a distinguir tes tipos de espacios muestrales, de acuerdo con el niimero de elementos de los que constan: a) Espacio muestral discreto finito: el que consta de un niimero finito de cle- mentos. Por ejemplo, los tres espacios muestrales aeabados de exponer b) Espacio muestra! discreto infinito: el que consta de un nimero infinito ‘numerabfe de elementos, es decir, tal que sus elementos pueden ser puestos en cortespondencia biunivoea con la’ sucesiin de los niimeros naturales Por ejemplo, el espacio muestral asociado al experimento consistente en lanzar luna moneda al aire hasta que saga cara. Dicho espacio muestral constaré de los clementos: A, RA, RRA, RRRA..., (donde A significa anverso o cara y R significa reverso 0 cruz). Bstos elementos pueden ser puestos en correspondencia biunivoca ‘con la sucesién de los niimeros naturales: el A con ef I (y el I con el A), el RA con cl 2(y el 2.con el RA), el RRA con el 3 (y el 3 con el RRA), el RRRA con el 4 (y el 4 con el RRRA), ete ©) Espacio muesiral continuo: el que consta de un nimero infinito no numerable dle clementos, ¢s decir, tal que sus elementos no pueden ser puestos en edrrespon- dencia biunivoca con la sueesion de los nimeros naturales. Invoduccion | 23 or ejemplo, el espacio muestral asociado al experimento «lanzar una fleche tuna diana», El nimero de puntos posibles alcanzables por la flecha es infnito no snumerable En este capitulo y en los tres siguientes nos limitaremos casi exclusivamente a espacios muestrales diseretosfintos, debido a que los conceptos probabilsticos son mis asequibles a nivel discreto finito que a nivel continuo o discreto infinito, Definicion 1.3, Suceso; Es cualquier subonjunto de un espacio muestra, E. Expirto 1.2. Supuesto el espacio muestral E = {a, b, ¢,d,e,f}, sera su ceesas los subconjuntos 5, = {b, ¢}, 8: = {a, 6d}, Sy = fe} Diremos que un suceso S tiene lugar, cuando se vetitica uno cualquiera de los elementos que Io constituyen, EuEWPLO 1.3. Supuesto el espacio muestral {2.8.0.8 a} Giremos que tiene lugar el suceso weara par» 5= (288) siempre que se verifique uno cualquiera de los resultados posibles’ {ea}. {E3}. (6) ‘Vamos a distinguir cuatro tipos de sucesos, de acuerdo con cl mimero de ele mentos del espacio muestra (inito), £, de Tos que constan dichos sucesos 4), Suceso sinpleo elemental el que consta de un solo elemento de B: ‘Asi, en el ejemplo 1.2, es simple o elemental el suceso $3 = {e} +) Suceso compuesto: el que consta de dos o mis. . , [Asienelejemplo 12, son compuestoslossucesos 5, = {b, ¢}¥S, ~ (a, 6d} 10) Suceso seguro 0 cierto: el que consta de todos los elementos de Fes deci, el mismo £ ‘Asi, en el ejemplo 1.2 es seguro 0 cierto el sueeso E = (a, be dhe Lo llamamos seguro o cierto porque al realizar el experimento, se Vetifiear’ segura 0 certamente uno de los resultados posibles o elementos de E, y, por com- siguiente, segin lo acabado de indiear, (endré lugar E 14) Suceso imposible: el que no consta de elemento alguno de E. i, en el gjemplo 1.2, es imposible el suceso S, = {gh Lo llatamos imposible porque al realizar el experimento, es imposible que se verifique un suceso cuyos elementos no perteneven a E. A dicho suceso lo represen- taremos por ¢.24 J Estadlstca para Psicdlogos Definicién 1.4, Unién: Dados dos sueesos, S, y 5, subconjuntos de £, Ia- maremos unién de S, y S, al suceso constituida por los elementos de E que perte- even 0.8 Sy, 0.4 Sq, 08 los dos a la vez Designaremos ls unién de S, y S, por 8, U S;. Evidentemente, se cumple que S,UE=E y S,U6 Definicion 1.8. Interseccién: Llamaremos interseccion de S, y S; al suceso cconstituido por los elementos de E que pertenecen simultineamente aS, ¥ a Sy. Designaremos la interseccion de S, y S, por $, 1 Sy. Evidentemente, se cumple que 8,9 y S\0b=6 Definicién 1.6. Complemento: Llamaremos complemento de S, al suceso cons- tituido por los elementos de E que no pertenecen a 5, Designaremos por 5, al complemento de 5, Evidentemente, SUS = Ey S05, =6 Definicin 1.7. Diferencia: Llamaremos diferencit, 8, ~ Sal sueeso cons- tituido por los elementos de S, que no pertenceen aS, Andloganente, Hamaremos diferencia, S, ~ S}, al suceso constituido por los elementos de S, que no per- tencen a 8, Enmirio 1.4, Supuesto el espacio mucstral E = (a, 6, 6d. ef.8, hil} y los sucesos 5, = {¢, d. fog} y 8; = (a, efi), tendremos: fed fae aicih fe N Unién de Sy 8, : $US, Interseecién de S, y $3: $, NS, Complemento de S,: Sy = fa beh id} Complemento de $; : S, bed, e,8. 4) Diferencia S,— S$, : S,— 8, = (d.g} Diferencia S,—S, = Sy —S, = {asins) Nétese que S,USy=S,US,, 8,98, MS, in 1.8. Mutua exclusividad: Diremos que S, y S son mutuamente exclusives si 5, 11S; = 6; es decir, sino tienen elemento alguno en comin. Invoduccion | 25 Exapto 1.5, Supuesto el espacio muestral E = {a, b, 6, dy & f, , Wi), los su- (e050 Sy = {af} y Sy = {e,d,e,g} son mutuamente exclusivos. ‘Los llamamos mutuamente exclusives porque la verificacién de uno de ellos excluye la veriicacién del otro, al no tener elemento alguno en comin. ara representar grificamente los sucesos de que hemos acabado de hablar, suelen ser introducidos los lamados diagramas de Ven. En la figura 14 se re- ppresentan los sucesos uni6n, interscccidn, complemento, diferencia y mutua ex: clusividad, a partir de los sucesos S, y 5, (representados por dos circulos), sub- conjuntes de un espacio muestral £ (representado por el rectingulo dentro del cual se encuentran Tos cisculos). LS GZ 4 OO ‘Cicules sin puto en comdn: ora exclusiidad26 / Estadstice pare Picdtogos Los resultados del ejemplo 1.4 quedan representados grificamente en la fic gura 15. £ Figuea 15 Las definiciones de unién, interseccién y mutua exclusividad pueden ser ex- tendidas al caso de m suecsos (donde m es un niimera finito mayor que 2), del modo siguiente: Definicion 1.9. Unién den sucesos: Dados n sucesos $y, Sy,..-, Sy, subcone Juntos de un espacio mucstral £, llamaremos union de S) S...--, 5," (designas da por 5, US; U-+-US,) al stceso constituido por todos aquelios' elementos de E que pertenecen a und, al menos, de dichos sucesos. Definictén 1.10. Interseccion de nm sucesas: Dados n suces0s $,, Sy... Syp subconjuntos de un espacio muestral Z,llamaremos interseecin de 8;, 83... $. (designada por S, 8, 1-1) al suceso eonstituido por todos aquelios ele? ‘mentos de E que pertenecen simultineamente a los n sucesos. Exateto 1.6. Supuesto el espacio muestral = (a, b, c,d, e, fra} y los sue ©5808 S, = {6,dh gh. Sy = a breed} Sy ~ (a.e,), tendremos Union de Sy. Spy 8, + 8, US, US\= fa bode} Inersecion ie 8}, 5) y Sy: SSIS. = leh Defnicién 1.11 Mutua exchusvidd den sucess: Diremos que Sy, Syo---» 8, son mutuamente exclusives si 5,1) = $ (i,j = 1,2... mi +p); es docit, ‘ninguno de ellos tiene elemento alguno en comin con ninguno de los demas, Enapio 1.7. Supuesto el espacio muestral E = {a b, 6, dye, fg, fh i}s los sucesos 8, = {a, d}, S; = {b, hi} y S, = {e,f} son mutuamente exclusives, Definicion 1.12. Jeualdad de sucesos: Diromos que dos sucesos, © subcon- juntos de £, son iguales si todo elemento de E, perteneciente « uno de ellos, per~ tenece, también, al otro; y si todo elemento de E, no perteneciente « uno de ellos, ‘no pertenece, tampoco, il ott. Invoduecion | 27 Por consiguiente, demostrar que dos subconjurtos, de E, 5, y S, son iguales, equivale a demostrar que todo clemento de F pertencciente (no perteneciente) a S;, tambien (tampoco) pertenece a S,. La pertenencia 0 no pertenencia de un elemento ¢ (de £) a un suceso 0 subconjunto $ (de £), vendri expresada del modo siguiente: eS (e pertenece a S), eg S (e no pertencee a S) Supuesto esto, veamos ebmo podlemos comprobar Ia igualdad entre ciertos su- ‘e¢s0s 0 subconjuntos de E. Enmpio 1.8. Sean dos sucesos 5, y Sy, subconjuntos de £. Veamos cémo el suceso d = 5, US, y el suceso B = 5, 173; son iguales, es decir, cémo la union de los complementes de 5, y 5, «8 iguil al Gomplemento de la interseccién de S, y S;, Para ello comprobemos cbmo todo elemento de E perteneciente a A también perienece a B, y cOmo todo elemento de £ no perteneciente a A tampoco pertenece 4 B. Con este fin construyamos la siguiente tabla de pertenencias y no pertenencias s sos, 8 SUS, ETS, a € ¢ € e e ‘ é é 3 5 5 € é 4 . . € ‘ + « < « = - ay - 2 e @ io) @ 7 Las columnas (1) y (2) nos offecen las cuatro posibilades verificables por cualquier clemento de F: pertenecer a 5, y S, (¢, €} no pertenecer a Sy y pertene- cer a S (@, ©), pertenccer a 5; y no pertenecer a S, (€, @), no pertencecr ni a Sy ni aS @ a foun (2) nos indon qs perenscer& SS, ipa pence 2S, ¥ a S,, y que no pertenecer a S, 1S, implica bien no pertenecer a uno cualquiera de dllos o bien no pertenecer a ninguno de los dos. La columna (4) nos indice que pertenecer a S, implica no pertenecer a Sy y que no pertenecer aS, implica pertenecer a S,. La columna (5) nos indica algo andlogo respecto aS, y a 8: Er columna (6) nos indica que pertencee « §, US, implica perteneer bien 1 S,, bien a S,, bien a los dos Simulténeamente, y que no pertenecer a S, US, implica no pertenecer ni a S, ni a S, _ ‘La colurnna (7) nos indica que pertenecer a 5,75, implica no pertenecer a 8, 8, y que no pertenecer a 5, TS, implica pertenecer aS, 1 Supuesto esto, es claro que las columnas (6) y (7) son idénticas. Bllo quiere decie que pertenccer a 5, US, implica pertenecer a 5,775, ¥ que no pertenecer2B / Esteistica pore Peicsiogos 85, US: implien no pertenscera 5, T3;sen oa palabras ue S, US, y5, 7S son iguales. 1.3. Reglas de contar Introduccion Cuando es reducido el niimero de resultados posibles de un experimento aleato- rio (es decir, su espacio muestral £), suele ser tarea sencilla contar tanto ese ni ‘mero, como el niimero de resultados de cada uno de los sucesos 0 subconjuntos de E. Sin embargo, cuando el niimero es grande, no stele ser ficil el recuento de dichos resultados y, por ello, necesitamos ciertas reglas que nos ayuden a realizar esta tarea enumerativa ‘Comenzaremos proponiendo la notacién factorial, como condicién instrumental previa. Expondremos después las reglas © formulas que nos dan el nimero de elementos de que constan ciertos conjuntos (variaciones, permutaciones, combi naciones) que aparecerin mas adelante, tanto en la exposicién tedrica, como, sobre todo, en la resolucién de problemas, Notacion factorial Llamaremos-«i factorial» (0 factorial de n), designindolo por n!, al producto de los m primeros niimeros naturales, Es decir, m= DQE- = Heap Por ejemplo, St = (1) (2) ) ) (5) = 120. De la misma definicién se deducen las siguientes relaciones: nn + = n+ DL an En efecto, ma +) = [QE =~ DO] @ +) =—H4 HE Asi, por ejemplo, 414 +1) = [0) 2) GH] = 51 Siendo r , sin tener ‘que efectuar lanzamiento alguno de la misma (punto de vista «a priorin) y otra cosa distinta es atribuir 0,50, como probabilidad, al suceso {cara} de una moneda cualquiera por el hecho de que aparezcan «caras) en la mitad de un largo mimero de lanzamientos (punto de vista «a posteriorin). Por supuesto, si la experiencia atestiguara que en vez de 0,50 eran 0,45, 0,69, 0,72,..., los valores alrededor de los cuales se estabilizaba la proporcién de «cara», teas un largo nimero de lan- ‘zamientos, atribuiriamos 0,45, 0,69,0,72,...,eomo probabilidades al suceso «carar, y no 0,50, Ravonando de modo anélogo al seguido al tratar del punto de vista «a priori», podemos comprobar oSmo las probabilidades definidas como limite de frecuencias relativas cumplen con las tres condiciones alli expuestas. b) Punto de vista subjesivo La probabilidad de un suceso es una caracteristica fundamentalmente subjetiva; ‘no es mis que el grado de fe o confianza que un sujeto tiene acerca de la verificacién del suceso de que se trate. Las personas deben recoger cuanta informacion objetiva puedan acerca de dicho suceso, pero, en tiltima instancia, la probabilidad atribuida al mismo es el grado de fe 0 confianza que ellas se Forman acerca de la verificacién. el suceso en cuestion. Dos personas, suficientemente informadas acerea de un posible suceso, pueden atribuirle distintas probabilidades si es distinto el grado de confianza que ellas allergan acerca de su verificacién. Segiin que este grado sea menor 0 mayor, las correspondientes probabilidades van desde 0 (carencia total de confianza) hasta 1 (confianza plena). Supongamos, por ejemplo, que dos equipos de fitbol van a enfrentarse por primera vez en su historia deportiva. El experimento alcatorio Gugar el uno contra cl otro) da lugar a tres resultados posibles: gana el primero (G,), gana el segun- do (G,), empatan ambos (E). Como nunca han jugado anteriormente, no podemos atribuir probabilidades de tipo frecuentista a los tres sucesos anteriores. Por otra parte, es claro que nos es imposible atribuirles probabilidades de tipo objetivo a priori, Las tnieas probabilidades asignables son decididamente subjetivas. Es muy verosimil que personas distintas tengan muy distinta fe sobre le verificacién de ‘cada uno de los tres sucesos anteriores y, asi, son posibles esquemas tan dispares como los siguientes: {PG,) = 1, PG) = 0, PE) = 0}, (PG) {PG,) = 03, PG) = 0.1, 95),42 / Extedistice pars Peiesogos De modo anlogo, sélo son asignables probabilidades subjetivas a sucesos como fos siguientes: aparicién de pett6leo en la provincia de Madrid dentro del afio 1985, como resultado de las oportunas prospecciones petroliferas; hallazgo de seres inteligentes en un planeta lejano, tras el correspondiente planetizaje en el ‘mismo; estallido de una guerra mundial antes de 1990, como consecuencia de la tensién internacional, ete. Es posible que dentro de las Ciencias Humanas la probabilidad subjetiva deba ‘adquirir un relieve mayor que el conseguido haste el presente. No obstante, nos limitaremos fundamentalmente a la probabilidad objetiva por una doble razon. En primer lugar, la Estadistica basada sobre la probabilidad objetiva es mas ase- quible, esté mejor estructurada y es més universal que la Estadistica basada sobre la probabilidad subjetiva. En segundo lugar, un conocimiento sélido de la Esta- distica clisica, fundada sobre 1a probabilidad objetiva, ¢s el mejor instrumento para iniciar estudios estadisticos serios fundados sobre la probabilidad subjetiva. Sobre probabilidad subjetiva pueden ser consultados, por ejemplo, Kyburg y Smokler, De Finetti, Barnett. Este dltimo propone a un nivel bastante asequible los distintos tipos de probabilidad y los correspondientes tipos de Estadistica 2.1.2, Enfoque formal Supongamos un espacio muestral £, y sus correspondientes subconjuntos, in- cluido el mismo £ (0, suceso seguro). Llamaremos probabilidades de dichos sucesos @ unos valores numéricos que verifiquen los axiomas siguientes: Axioma 1. La probabilidad del suceso seguro vale 1, Simbélicamente, PE)=1 Axioma 2. La probabilidad de cualquier otto suceso S, es no negativa. Sim- Dolicamente, PS) 20 Axioma 3. La probabilidad de la union de dos sueesos, S, y S., mutuamente exclusivos, es la suma de sus probabilidades. Simbolicamente, POS, US) PS) + PS), si 5,8, = Axioma 4, La probabilidad de la unién de un conjunto infinito numerable dle sucesos mutuamente exclusivos, es igual a la suma de sus probabilidades. Sim- béticamente, PS, US, US, U--) = PS) + PS) + PS) +, si 8,5, GIRL TED Probabitsed (espacio muestra! discrete) | 43 De estos axiomas podemos inferir algunos teoremas: Teorema 2.1. P(S,US,U++:US,) = P(S,) + P(S)) ++ + PS) Si Sy Spy... S, som mutuamente exclusivos yn > 2. En efecto, el'axioma 3 nos dice que la relacion es cietta para el caso de dos su- esos (n = 2), Nos bastard con probar que si es cierta para el caso dem — 1 su cesos, lo es también para el caso dem. ‘Supongamos, por tanto, que es cierta para n — 1 sucesos. Esto supuesto, con- sideremos los sucesos S = S, US; U++*US,.;y S,, Evidentemente, Sy S, son ‘mutuamente exclusives. Por tanto, P(SUS,) = P(S) + PCS,) segiin el axioma 3, Pero, por hipétesis, POS, US; Us US,4) = POS,) + POS.) + + POS) Consiguientemente, POS, US; U« US, US) = POS) + PUS,) = PUS,) + PS) +0 + PSD) Teorema 2.2. P(S) = 1 P(S). En efecto, 5 y S son mutuamente exclusivos; por consiguiente, P(SU S) = P(S) + PS) segiin él axioma 3. Ademés, SUS=E PSUS) = P(E) = segin el axioma 1. En conclusion, P(SUS) = P(S) + PS) = 1 Es deci, P(S) = 1 ~ P(S) Teorema 23. P() = 0. En efecto, P@)=1- P@4A / Extadlstice para Psiediogos sf weorena 22, Ahora ie, = Ademis PCE) = I sexo xioma 1 ror tanto, PO) = ~ PE) =1-1=0 Teroma 24S) < I endo $ un sco clic in efecto, P(S) = 1 — P(S), segiin el teorema 2.2. Por otra parte, P(S) > 0 y P(S) > 0, segiin el axioma 2. Por tanto, P(S) < I pees 2) Teorema2s. P(S, US;) = P(S,) + P(S,) ~ P(S, S,),siendo S, y S, dos sucesos cualesquiers pertenscientes al espacio muestral E, 5, 5. Figure 2 En efecto, os claro (véase figura 2.1), que PS, US) = PS, Sy) + PS, Sy) + PS, Sy) en ues 5, US, 6 lt unién de 5, 18,, 8, 18,, $,15, que son mutuamente ex clusivos P(S,) = POS, S,) + PLS, NS) 22) pues S, es la union de $, 05, y S, 8, que son mutuamente exclusives. PS? POS, 1S,) + PS, NS.) 23) Dues Se a nién de 8, 98, ¥ 8, 18, que son mutuamente exclusives or tanto, PS,) + POS,) = PS, 1S) + PUS,8,) + PS, Sy) + PS, S,) Probabitided (espacio muestra! disreto) | 46 segin (2.2) ¥ 2.3), y PUS,) + PUS,) = PES, NS) + PLS, US) segin (2.1) or consiguiente, P(S, US.) = P(S,) + P(Sy) = PLS, 18.) NOTAS, 1. Los axiomas anteriores no nos ensefian a atribuit probabilidades a los su- ‘ces0s, Solamente nos indican las condiciones que deben cumplir ciettos valores rnuméricos llamados probabilidades, para poder ser tenidos como tales. Asi, por jemplo, si el experimento sleatorio consiste en lanzar una moneda al aire, el es: pacio muestral consta de dos sucesos clementales: A (anverso 0 cara) y R (reverso © cruz). Pues bien, cualquiera de los pares: {P(A) = 0.50, P(R) = 0,50), {P(A) = 0.60, PR) = 0.40}, {P(A) = 0.05, P(R) = 0,95), ete ccumplen con los tes axiomas anteriores. Es verdad que, de hecho, de todos tos, pares coherentescon los axiomas, solemoselegi el par (P(A) = 0,50, P(R) = 0,50}. No obstante, esta cleccién no la hacemos basados en su coherencia con los axio- mas (todos los pares anteriores eran igualmente cohetentes), sino por razones entrinsecas a los mismos. : 2. En realidad, 10s axiomas 2 y 4 bastan para demostrar los teoremas 2.3, 2.1 y el supuesto axioma 3. En efecto, a) Sean S, = 8, 5, = (= 2,3...) Bvidentemente, $95, = 6 = 1b (J 5,. Por tanto, segin el axioma 4, ech dt A. Ademis, S 7) = £5, = 76) + £7 De donde, ¥ P(p) = 0. Pero, P() > 0, eatin el axioma 2. Por consiguien- te, P(p) ~ 0, que es el teorema 2.3. 1)" Sean Sy Syyevey Sy $y Gy yy donde $15; = 4, 74 J, De aqui se deduoe que P(S,US,US,U-"-US,) = POS, US, USSU US,UGUGU96 / Estodsticn para Psicdtoges ryt Z r@~ segin el axioma 4 MS) ues acabamos de ver que P(@) = 0, Bs decir, llegamos al teorema 2.1 ©) De la relacién anterior, se deduce que, para n = PS,) + PS), si 108 queda P(S, US.) = 5,18; = @, que no es mis que el axioma 3 2.2. Probabilidad condicional Antes de ofrecer una definicién explicta, vamos a considerar el ejemplo si- auiente: Esato 2.1. Durante ef curso académico 1979-1980, el timero de alumnos ‘matriculados en las Facultades de Filologia, Ciencias de la Informacion y Ciencias Econdmicas y Empresariales de la Universidad Complutense, teniendo en cuenta el sexo, fue el de la tabla 2,2. TABLA 22 Filologia Jee. Informacion | CC. Beonémicas Varn 783 3420 sist | tose Mujer | 2386 2288 Ue sa oval aa6T ‘08 19 | ase Eligiendo al azar uno de los estudiantes de la tabla 2.2, la probabilidad de que sea de Filologia es 3.367 ina = 0194 ‘Si imponemos ahora Ia condicién de que el estudiante clegido sea vardn, la probabilidad de que sea de Filologia es E o9sa = 90% Notese que 983 son los elementos del suceso {ser de Filologia y ser var6n}, 8 decir, del suceso 4 1B, siendo A el suceso {ser de Filologia} y B el suceso {set Probabilded (espacio muestal aiscrto) | AT ‘ Sc: vari, Si hora conse varén),y que 10954 yon os ementor del seo B 3 vate. orenaleson 4 1’ B come subcojants del spaco musta conto por los 1.384 etudiats, endremos gue y que PB Por consiguiente, la probabilidad condicional de A, supuesto B (que hemos visto valia 983/10.954), puede venir dada por 983/17.354 10.954)17.334 De aqui que propongamos las siguientes definiciones: Defi jén 2.1. Llamaremos probabilidad condicional (o condicionada) de A, supucsto B, designindola por P(4|B), a la expresién: PNB) 28) pala =o te ‘Anilogamente, definiremos la probabilidad de B, supuesto 4, como: pepiay = PBA) PAB) es) PA) PA AAs, la probabilidad de ser vara, bajo la condicién de ser de Filologi valdri 983/17.354 _ 983 Pala) = (367 /17.354 0,292 Naturalmente, P(4|B) y P(BA) slo podran ser definigas si P(A) y P(B) son distintas de cero 2.3. Teorema del producto Acabamos de ver que, segin 24) y 2.5), P(A B) = P(B) P(A\B) = P(A) PB\AY4B / Estacistice pare Psicdtogas Es decir, la probabilidad del producto (o interseccién) de dos sucesos es igual al producto de la probabilidad de uno de ellos por la probabilidad condicional del otro, Everio 2.2. Una una U, contiene tres bolas blaneas y dos rojas. Otra urna U, eontiene cinco bolas blancas, una amarilla y cuatro rojas. Eligiendo al azar una uma y extrayendo al azar una bola de la urna elegida, goudl es la probabilidad de ue lat bola sacada pertenezca a la uma U, y sea blanca? ,Cual la de que la bola sacada pertenezca a la una U; y sea roja? La probabilidad de clegir U, es 0,50. La probabilidad condicional de extrace bola blanca, supuesto que ha sido elegida U,, es 3/5 = 0,60, Por tanto la proba. bitidad del producto (uma U, y bola blanca) valdra (0,50) (0,60) ~ 0,30. La probabilidad de clegir U, es 0,50. La probabilidad condicional de extract bola roja, supuesto que ha sido elegida U,, ¢s 4/10 = 0,40. Por tanto, la proba bilidad det producto (urna U, y bola roja) valded (0,50) (0,40) = 0,20. Exmrto 2.3. Tenemos en un estante cinco libros de Matemiticas, tres de Geografia y dos de Latin, bien entremezclados entre si. Elegimos un libro al azar ¥ To colocamos sobre la mesa, Volvemos a clegir al azar otro libro de entre los fhueve que quedan en el estante y lo eolocamos sobre la mest. {Cul es la proba bilidad de que los dos libros que estin sobre la mesa sean de Matematicas? {De que los dos sean de Geografia? {De que los dos sean de Latin? {De que uno sea de Matemiticas y el otto de Geografia? {De que uno sea de Matematicas y el otto de Latin? {De que uno sea de Geografia y al otro de Latin? (dos Matemiticas) 20/90 P(dos Geogratia) 690 P(dos Latin) 2/90 P(uno Matematicas y otro Geografia) 30/90 P(uno Matemiticas y otro Latin) 20/90 P(uno Geografia y otro Latin) 12,90 90/90 El teorema del producto se extiende al caso de tres sucesos, Sy, 53 y Sy, del ‘modo siguiente: POS, 18; 18) = P(S,) PUS,IS,) P(S,|S, 1 S,) Su extension al caso de m sucesos, S,, 53,..45 Sys es la siguiente PU, 95, 0+ 15,) = PCS.) PLSIS)) PUSS, 53) PISS, 9.8, 9.8) POSS, NS, 5...) Probabilded (especio muestra! diseeto) | 49 2.4. Sucesos independientes Definicion 2.2, Ditemos que dos sucesos, A y B, son independientes estadis- ticamente (0, sencillamente, independientes) si, y s6lo si, se verifica PCAN B) = PCA) PCB) 6, EsMPL024, Lancemos alaire una moneda «imparciab» dos veces consecutivas. Elespacio muestral consta de cuatro resultados posibles: AA, AR, RA, RR. Dada | supuesta «imparcialidad de la moneda, los cuatro resultados anteriores sera equiprobables, es decir, se veriicard P(AA) = P(AR) = P(RA) = PIRR) a CConsideremos ahora tos sucesos S, = {cara en la primera tirada) y 5, = = {cara en la segunda trada}. Evidentemente, P(S,) = P(AA) + P(AR) i) = FAA) + PORA) ris, 03,)= PAA) =! Por consiguiente, 1 PS) PSY = $F = F= PLSD Es decir, 5, y S son independientes. Lo cual esti de acuerdo con el hecho de que la aparicién de cara en la segunda tirada es independiente de lo que haya sux ceedido en la primera. Teorema 2.6, Si dos sucesos, 4 y B, vetfican la relacién (2.6), entonces veri- fican, necesariamente, las relaciones siguientes: P(AlB) = P(A) en P(B\A) = P(B) @8) En ofecto, P(A 1B) _ PUA) PB) PAI) = By pay PH)80 / Extadstice para Psicogos segin 24) y 2.6), y = PADS) _ Pa) Pw Pa PCH P(B|A) = PCB) sewtin 2.5) ¥ 2.6), Teorema 2.1. $i dos sucesos, A y B, verifican las relaciones (2.7) y (2.8), en tonces verifican, necesariamente, la relacién (2.6) En efecto, PAB) P(d|B) P(B) = P(A) PCB) segin 24) y 2.7), y PAN B) (BIA) P(A) = PCA) PB) segin (2.5) y 2.8), Corolario, De acuerdo con los teoremas 2.6 y 2.7, podemos decir que dos sueesos, y B, son independiente si,y sé si, P(A|B) = PCA) os P(B|A) = PUB) Queda como gercicio para el lector demostrar que si P(4|B) = P(A, entoncer, necesariamente, P(B|4) = P(B) y reeiprocamente. Definicion 2.3. Diremos que tres sucesos, 5,, S;, Sy, son independicntes es- {adisticamente (0, sencillamente, independientes) si, 'y solo si, verifican las tela. ciones: POS, NS.) = PIS) PIS), PLS, Ss) = P(S,) P(S,), es) P(S, 1 S,) = P(S,) P(S;) PU, 5,18) = PIS) PCS) POSS) e1) Enairto 2.5. Lancemos al aire una moneda «imparcialy tres veces consecue {ivas. El espacio muestral consta de ocho resultados posibles: AAA, AAR. ARA, RAA. ARR, RAR, RRA, RRR. Dada la supuesta «imparcialidad» de la moneda, los ocho resultados anteriores serdn equiprobables, es decit, se verificard PIAA) = PAAR) = += PORRA) = P(RRR) = } Consideremos ahora los sucesos $, = {cara en la primera tirada), on la segunda tirada}, $y = {cara en la terceratirada} (cara Probabilded (espacio muestal aisereto) | 51 Evidentemente, P(S,) = P(AAA) + P(AAR) + P(ARA) + P(ARR) = HHT dt P(S,) = P(AMA) + P(AAR) + P(RAA) + P(RAR) = Per P(S;) = P(AAA) + P(RAA) + P(ARA) + PORRA) = b+ 44 P(S, 1S.) = P(AAA) + P(AAR) ; P(S, NS,) = P(AAA) + P(ARA) =} +} ; P(S; S,) = P(AAA) + PIRAA) = 5+ i =} P(S, 1.8; 9.8.) = P(AAA) 8 Es facil comprobar cémo se verifican (2.9) y (2:10). En efecto, POS) PS) =EF= T= PINS) IH LATED ut 22 ‘Ademis, 1 2 1 = 5,95, 95) 28 ¢ POS) POS) PUSS) = " ii 2.10) implica necesa- Notese que ni (2.9) implica necesariamente (2.10), ni ( P ramen (29) Es eo, varied ucla ds os telson pee verificarse 0 no verificarse la otra. La independencia exige que (2.9) y (2.10) se verifiquen simulténeamente. = {a,b, ¢,d), donde los yePLo 2.6. Consideremos el espacio muestral F = (a,b, 6d), don cuatro sess sens son supucsamets euobale. Sean 3, fa, 2) (a, ¢}, Sy = {ad}. Evidentemente, P(S,) = Pla) + PO) PS,) = P@) + Plo52 / Estodistica pare Psicdlogos + P(S, 9'S,) = Pla) PS, 08,) = Pea PS; 1'S,) = Pla) =PISNS). WI=LAH IED En cambio, P(S,) POS) POS) = EsaMpto 27. Consideremos el espacio muestral E = {a, b, ¢, d, e}; donde los cinco sueesos clementales tienen las siguientes probabilidades Pla) = 1/21, Pb) = P(e) = Pid) = 4727, Plo = 1427 Sean S, = (a, b.e}, §, Evidentemente, {a,b}, 8, = [a ed} Psy re +P+ 0-1 P(S;) = Pla) + P(b) + P@) = % + PUSy) = Pla) + Plo) + P@) = # + P(S, N'S,) = Pla) + PQ) = y + R 1,4 Ble Sle PES, 08) = PQ) + Po) = 4 A Probabilded (espacio muestra! disersto) | 53 ni, 05)= 7) + 20H =e = 8 7 POS, 8,183) = Pla) = 35 Es ficil comprobar cémo se verifica (2.10), pero no se verfica (2.9). En efecto, 1 Vail 33 Lergs,nsns, Fr PAS, AS) P(S,) POS) POS) = 4 En cambio, PUS) POS) = 5 5 POSS). i= 123 TF) Defincion 2.4. Diremos que n sucesos, S,, Sy...» Sq som independents e- tadisicamente (0, senilamente, independienes) sy s6lo si, la probablidad de la interseocion d¢ dos cusleaguiera de ellos, de tes cualesqiera, .... de n~ I cuslesquieray, finalment, delosn, es igual sl producto de ls probabildades de Tos do, de los tes, «sy de los n ~ 1 y, inalmente, de fos 2.5. Formula de Bayes Comenzaremos llamando particibn del espacio muestral B, al conjunto de - sucos0s, $), Sy...» Sj de B, tales que sean mutuamente exchisives y exhausti- vos, es deci tales que verifiguen las dos condiciones siguientes: a) $,08,=604/. db) S\US,U US SE Por gjemplo, los sucesos $5, Sy y Sy, de la figura 2.2, constituyen una par- ticibn de E. Figura 2254 / stadstice pra Psicdtogos Supongamos, pues, que el conjunto (S,, S,,..., §,) es una pasticién de E. Sea un suceso 5, perteneciente a £, con probabilided no mula. (La figura 23 con 4k = 4 puede ilustrar ef razonamiento.) Esto supuesto, vamos a demostrar la si- sguiente relacion POS) = EPS) PISS) @=1,2,..., 8) ean £ x | Figues 23 En efecto, $1.5, 9 S2...., $9 S,son una particidn de S. Por consiguiente, PS) = PSS) + PISS) + + PISS) segin el teorema 2. PS) = P(S,) P(SIS,) + P(S,) P(S|S,) +--+ + PLS.) POS|S,) segiin (2.4), PS) = EPS) PUSS), @ ees KD au deovesin 21, Sipura has conideracionts anteriores, se (Sp) una prin de, sca Sn soso con proba no mil. Ps Bn, coo ee inmedts te 09.9 3 Oh ee 1S) PS|S)_ POS}s) Ps i EPCS) PIS) en 1a expresin (2.12) I aad formula de Baye. En ela as probabiidades lh BES GPRS uma rsd es Es la robin 66805 Sy, 5;,..-1 5. Por su parte, las probabilidades P(S,|S), P(S,|S),...+ (Ss) Sule er btadasprobadades ta posers oka es Bk olde Probabilsed (espacio muestra! disereto) | 8B lugar S) de los mismos & sueesos anteriores. Finalmente, las probabilidades con- dicionales P(S|S), POS|S;),---» PCS) suelen ser lamadas «verosimilitudesy. Exspto 2.8, En una bolsa tenemos tres dados iguales, salvo el color de sus ccaras, El dado Dy tiene cuatro caras blancas y dos rojas, el dado D, tiene tres ‘caras blancas y tes rojas y el dado Dy tiene una cara blancs y cinco rojas. Es extraido al azar uno de los tres dados y lanzado al aite. Sabiendo que la cara vuelta hacia arriba ha sido blanca, cual es la probabilidad de que el dado elegido haya sido D,? Cuil la de que haya sido elegido D,? ;Cual la de que haya sido elegido Dy? Sean: {ser elegido D,}, S, = {ser elegido D,}, {cara bianca vel hacia arriba} {ser elegido Dy} Probabilidad a prior PS)= 18 PS)=1B PS) = 18 Verosimilitudes PISS) = 4/6 PISS) = 3/6 ISIS) = 1/6 PIS)PUSIS,) = 4/18 PIS,)PISIS,) = 3/18 PLSS)PYSIS3) PS) = 4/18 + 3/18 + 1/18 = 8/18 18 Probabilidad posteriori POSS) = Fag e PSIS) = ties g POS) = Sig De modo esquemético lo representamos en I tabla 2.3 TABLA 23 7S) PSS) PENG 765) Jpobubitdad a priori) Verosmitnases | obits Pood) | propabdad a poston 18 | amaonse | Baas 13 36 4/3) Gio) = 3/8 a8 13 6 4/3) (16) = 1/18 aig ts “38 —_ mS) = 818, 8856 / Extodstice pare Peiestogos Resuinainos lo gu acabamos de realizar en ee ejemplo. Patimos de unas probebdaes «pro 3s valiéndonos de tt inforsmacon adams, cabs ‘Hor anu robbins» poster. As Is Peoblidals ro de-aie hae $i lego Dy 18, pct hs tres dade ann lama Sprtnia des eon Peo (ypu conocid el cole ds as tas dos sda) acs au de hecho ha quedado vcs hacia aaiba ha sido blanc Gt noe voles ae ifn I robin » porn der cad seg aya sido, ascended 1321/2. Lo eal eta de acttdo on el eho de D, el dado con mayor nitmero de caras blancas, Stssho de sr Erewrto 2.9. Estudios realizados en una amplia r it sont n pia region han manifestado dos @) El 4 por 100 padece diabetes 1) Ciena pubs ctnea X (de muy fi nica X (de muy fii spin) disgnostcn como diabé- fics un 95 por 100 de los que lo son en realidad y a un 2 por 100 de os que no Sabiendo que una persona de dicha r como diabética mediante la prueba X, realmente diabetes? Sean: regiOn clegida al azar ha sido diagnosticada . jeuil es la probabilidad de que padezea 1 = {padecer diabetes}, S; = {no padecer diabetes}, = {X diagnostca diabetes) En funcién de los datos, tenemos la tabla 2.4, TABLA 24 PS) 768) PS) FSS) ri |Probabilidad a priori] Verosimiitudes | (Probabilidad x prior) x robaiads ri] Voit | PR ARo8< | ppg peo ons os | a04)(095) = 0030 0.98 02 | (996) 002) = oe2 vo MUS) = 00572 Nétse qu a probbilidad «pris iar sto 08. En ambi, tenkndo an cana Wea weal Probabilited (espacio muestra! diseeto) {57 dde que dicha persona ha sido diagnosticada como diabética por la prueba X, la correspondiente probabilidad a posteriori asciende a 0,664, Eneweto 2.10. Un joven escritor acaba de concur su primera novela. El eon- fia, con una modesta probabilidad subjetiva igual a 0,30, que ser aceptada ma- Yyotitariamente. Para una mejor valoracién del posible éxito, presenta su original 2 una revista literaria famosa cuyo juicio viene siendo positive en un 85 por 100 de las novelas que, de hecho, son aceptadas mayoritariamente y en un 6 por 100 de las que no lo son. Suponiendo que el jicio de tal revista es positivo, gewdnto valdra ‘ahora la confianza 0 probabilidad subjetiva del joven novelista sobre la aceptacion mayoritaria de su obra? Sean: Sy = {aceptacion mayoritaria) , 8, = {juicio positive de la revista) Formamos la tabla 2.5 TABLA 25 AS) PIS|S) PCS) P(S|S) PIS |S) rota sro] ersinauses | vba p< | put e poss 030 ass | (030085 = 0255 oxo os | (70,0008) = 042 s 10) | PCS) 0207 a 1,000 Natese que la probabilidad a priori de que la novela obteriga aceptacién ma- yoritaria es solo 0,30. En cambio, teniendo en cuenta la informacién adicional de {que el juicio de la famosa revista literaria ha sido positivo, la correspondiente pro- Dabilidad a posteriori asciende a 0,859, Exepto 2.11, Una red de talleres lanza una masiva campafia publicitaria en la que, entre otras cosas, afirma poseer una habilidad Gniea en poner & punto las baterias de los coches. EI St. Inocencio Bendito, cuya fe en la publicidad es inre- mediablemente ciega, antes de realizar una excursion invernal lama a un téenico de dichos talleres para que inspeecione la bateria de su coche. Tras la inspeveién, free con probabilidad 0,94 que ha quedado puesta a punto satisfactoriamente, Por otra parte, la experiencia pasida le ha venido ensefiando que si In bateria5B / Estadistion pare Psicdlogos ‘sti a punto, su coche arranca, & 1o més al tercer intento, en un 98 por 100 de las cocasiones y fo hace slo en un 20 por 100 si no esta a punto. Pues bien, cl dia de li excursién su coche no logra arrancar. En vista de esta informacion adicional (de que su coche no arranca), jeuinto valird ahora su desmedida confanza pri- ‘mitiva en la puesta a punto de su bateria por la red de talleres en euestion? iva or de talleres i {puesta @ punto verdadera} , $= {puesta a i)» Sz = {puesta a punto false $= {no arrancar) ) TABLA 26 S15) PES) PESIS) PSI5) robadilida a pron) vermis) | Probublided a postein Verosilitudes 092 (0394 (602) 10188 (0,06) (0,80) = 0,080 POS) = 0.0668 Notes que lt probtilidad a prior de que a bateria haya quedado Punto de modo correcto era 0.94. En cambio, teniendo en acne kena adicional de que el coche no arranca, la correspondiente probabilidad a joa aoe fespondiente probabilidad a posteriori Noras 1. La formula de Bayes no es més que una rencia de la defi ue una consecuencia de la definicién de Probabilidad condicional, aceptada por bayesianos y no bayesianos. En efecto, POS, 18) POSS) 105) POS) pot definicién de probabilidad condicional, y también (58) = 2 POS|S) PS) _ POSS) ‘ Pues P(S|S,) = “Fis > por deinicion de probabilidad condiconal Probabilded (espacio muestral aisereto) | 59 Por consiguiente, tanto un bayesiano como un no bayesiano tienen que aceptar dicha formula. La distineiin entre uno y otro esté (a grandes rasgos) en que el Dayesiano: 4a) Usa sistematicamente dicha formula en sus investigaciones. 'b) Introduce, con frecuencia, probabilidades subjetivas como probabilidades a priori EL bayesiano comienza con una probabilidad de cualquier tipo y la va modifi- cando, mediante el teorema de Bayes, de acuerdo con la informacion que la ex- periencia le va ofteciendo. 2. A primera vista puede parecer que mutua exclusividad ¢ independencia significan lo mismo, Sin embargo, esta primera apreciacion es falsa. Supongamos, ten efvcto, dos sucesos con probabilidades no nulas. En este supuesto: 42) Si son mutuamente exclusivos, no pueden ser independientes ) Sino son mutuamente exclusivos, pueden ser bien independientes, bien no independientes, 6) Si son independientes, no pueden ser mutuamente exclusives, 4) Si no son independientes, pueden ser bien mutuamente exclusivos, bien ‘no mutuamente exclusives. La demostracién de a) y c) es casi inmediata y queda como ejercicio para ef lector (véase ejereicio 2.47). Las proposiciones b) y d) quedan eorroboradas con los siguientes ejemplos independientes No mutsanente xctavs,| Car Cte) £2] 5 0,5 <025 403 no independientes, No independientes, (0,5) 04) = 02 40 ‘mutuamente exclusivos60 / éstadisice para Psicdtogos No independientes, no ‘mutuamente exclusives 055) (03) 0,25 # 03 EJERCICIOS 21, Demostrar que si P(4|B) = P(4), entonces P(B|A) = PCB). 22, Demostrar que si - en 22 Demostar gue si P(AlB) = P(AlB), entonces PAN B) = PUA) PCB) y 23. Demostrar que P(A UB P(A) P(B) si A y B son independientes, 24, Demostrar que si P(A MB) = P(A) P(B),entonces P = PAB) =P) PB), PLA BP) PB) = PA) 25, Lancemos al aite dos dados. Llamemos 4 al suceso «par de caras cuya suma de puntoncsimpae,Lanemos Bal sueeso wlio rier con cut msn many al aise eda und co inca pa de punta. Exo nua, _las siguientes probabilidades: P(4), PCB), P(C), P(A NB), PLAN ©) PUN) PAU B.PAUC.PBUC, PAN BACLPAU BUC 26. Demostrar que P(ANBN CAD) = PLAIBNCND) PIC D) P(CID) PD) 27. Demostrar que PIB) + PAB) =1 si A y B son independientes. 28. :Cuinto vale P si “4 2B {Cointo vale PAU BUC. SIAN BACH Hy AD BE BANCH 4, 29. El espacio muestral de cierto experimento aleatorio const experiment sleatorio consta de los diez re- sltadoscquiprobables: Ry Ry Ry, Ry Ry fe ys Ra, foe Cori oo subconjuntos 0 sucesos A'~ Ry, Ry, Ry, Ry y Be Ry, Ry Ro Ry, Ros Ran. Son A'y B mutuamente exclusivos? (Son independientes? eS Probabildad (espacio muestra! aiserto) | 61 2.10, Tenemos siete monedas de las que tres son falsas. Elegimos aleatoriamente dos de las site. {Cusil es la probabilidad de que las dos sean falsas? :De que ninguna sea falsa? {De que una sea falsa? 2.11, Una ura contiene cuatro bolas blaneas y dos rojas. Extraemos tres bolas al azar, {Cul es la probabilidad de que las tres sean blancas? {Cual la de que dos sean blancas? {Cuél la de que una sola sea blanca? 2.12, Un juego consiste en lanzar simulténeamente tres monedas al aire, Si las {tes aparecen de igual modo (las tres «carasy o las tres «cruces) se gana, En caso contrario, se vuelve a tirar. {Cual es la probabilidad de ganar en la primera tirada? {Cul la de perder en la primera y ganar en la segunda? {Cuil la de perder en las ‘dos primeras y ganar en la tercera? 2.13. Un grupo de nueve personas esti compuesto de dos inglesas, tres francesas ¥¥ cuatro italianas. Supuesto esto, 42) Si elegimos dos personas aleatoriamente, jeuil es la probabitidad de que las dos sean italianas? +b) Si elegimos tres personas aleatoriamente, jeul es la probabilidad de que ninguna sea inglesa? 2.14, {Cuil es la probabilidad de obtener una «care» o mas si lanzamos al aire tuna moneda tres veces consecutivas? {Cul la de obtener dos © mis «carasy? 2.15, ‘Tenemos que aplicar cuatro pruebas de inteligencia, tres de personalidad ¥ dos de intereses profesionales. $i aplicamos estas nueve pruebas aleatoriamente, {cual es la probabllidad de que sean aplicadas en primer lugar las cuatro pruebas {de inteligencia, en segundo lugar las tres de personalidad y en dtimo lugar las dos de intereses profesionales? 2.16. ‘Tenemos cinco tarjetas marcadas respectivamente con las letras 4, B, C, ‘D, E, Las barajamos perfectamente y las vamos descubriendo una tras otra (sin volver la carta una vez descubierta). ;Cual es la probabilidad de que aparezean pre- cisamente segiin el orden A, B, C, D, E? 2.17. Lanzamos al aire un dado. {Cuil es la probabilidad de obtener cara par? {Cuil la de obtener eara con menos de cinco puntos? {Cual la de obtener una cara ‘con tres © menos puntos o una cara par? {Cul la de obtener una cara con tres © ‘menos puntos y cars impar? 2.18, En un grupo de diez personas seis son varones y cuatro mujeres. Si elegimos aleatoriamente dos personas de entre las diez, cual es la probabilidad de que esas ddos personas sean varones? {Cuil la de que sean mujeres?62 / Estavistica pare Psicdlogos 219, | Dos estudiantes responden cuatro cuestones, cas una de as cuales adite jos respuestas (una verdadera y otra falsa). Si ambos responden al azar, jeudl es la probabilidad de que ambos respondan del mismo modo a fas cuatro cuestiones? UA tres de ellas? {A dos de ellas? (A una sola? {A ninguna? 2.20, Lanzamos dos dados al aire. Cul es la probabilidad de que las caras vuel- tas hacia arriba sean tales que la sum de sus puntos valga siete? {Cuall la de que la suma valga nueve o mas? {Cuil la de que la suma valga seis 0 menos? 2.21. En cierto juego de azar cada vez que jugamos tenemos una probabilidad igual a 0,25 de alcanzar premio. Si jugamos tres veces consecutivas, geudl es la pro- babilidad de no aleanzar premio alguno? ;Cuél la de aleanzarlo las tres veces? 2.22. Supongumnos quince alumnos de Psicologia de los cuales cuatro pertenecen &laSeccion 4, cinco a la B y seis ala C, Elegimosaleatoramente dos de entre los quince. Cua es la probabildad de que ambos pertenezean la Seceion A? ,Cul Ja de que pertenezcan a la Seecion B? {Cual Inde pertenezcan ala scecibn C? 2.23,” -Encita iudad el 5) por 100 son soteros, et 40 Bor 10 io. Sen dos cesne asin ees pes penn Con i ue nos encontamos, ceil ela probabidad de qu ams persone Ste casadas? (Cul la de que ninguna de las dos sea viuda? ;Cual la de due una de las dos esté casada y la otra soltera? “ seuame delet 224 Una una U, sone et Bolas rj y dos lane comin es ol oy dos anes, Ot ura U; conte os bl nt yds Hea 8 leno tomes an de ns sea Y letramensexaumos ua ols de a urs Sep ate ea de extraer bola roja? vm S's probabiiad 2.28. Para legar a ston central de una casa hay un so ral de una cas ay un slo paso on tes puertas (4B 6 na dts de oa a baba de seco ual pon ext a aes por fon viginates de 097, por losde BOE yor kas €3 09, {Cail esl probabiidad de que lapel saldn central una porona saat 2 cae sin ser feeoncida por ninguno dels via! css se Ennion daar ars es tae 2.27. En una caja estan entremezcladas dos piezas defectuosas con dos perfectas. Las vamos extrayendo al azar una detrés de otra hasta encontrar las dos perfoo. tas, ¢Cuiil es la probabilidad de encontrar la segunda pieza perfecta en segundo Iu- g2r? {Cuil a de encontrar en tecer lugar? {Cuil la de encontrarla en euarto luga Probabilidad (espacio muestra! dsereto) | 63 2.28. Tirando un dado cuatro veces consecutivas, jcuil es la probabilidad de que nno salga el cinco? {Cual la de que aparezca una sola vez? {Cual la de que aparezca dos veces? {Cuil la de que aparezca tres veces? {Cuil la de que aparezca las cuatro 2.29, Sean tres urnas, U,, Uz y Us. U; consta de una bola roja, tres blancas y sci azuiles. U, consta de dos verdes, dos rojas y una blanca. U, consta de dos azales Jy ocho rojas, Eligiendo al azar una urna y extrayendo al azar una bola de esta urna, resulta que la bola extraida es roja. Con estas condiciones, cual es la probabilidad de que la bola haya sido extraida de la primera urna? De la segunda? {De la ter- 2.30. Por la experiencia pasada sabemos que vale 0,90 la probabilidad de que luna méquina esté perfectamente montada. Ademés, sabemos que toda méquina perfectamente montada s6lo produce dos piezas defectuosas de cada lote de cien. En cambio, las no perfectamente montadas vienen a producir un 40 por 100 de piezas defectuosas. Elegida al azar una de las piezas producidas un dia cualquic- ra, vemos que es defectuosa. {Cuil es la probabilidad de que haya sido produci- da por una maquina perfeetamente montada? {Cual ls de que haya sido producida ‘por una méquina imperfectamente montada? 231. La probabilidad de revent6n de una rueda en cierta carretera es igual a 0,0. Supuesto un revent6n, la probabilidad de accidente es igual a 0,40, Sin reventén, la probabilidad de accidente es igual a 0,15. Considerado al azar uno de los acci- lentes ocurridos durante un mos, {cudl es la probabilidad de que dicho accidente haya sido debido a un reventén? 2.32. Dos urnas son tales que la probabilidad de elegir la primera es cuatro veces mayor que la de elegir la segunda. La primera contiene siete temas de «Fstadistica Descriptive y tres de «Probabilidad Elemental». La segunda contiene seis temas de «Estadistica Deseriptivan, diez de «Estadistica Inferenciab» y cuatro de «Pro- babilidad Elemental». Sabiendo que el tema elegido ha sido de «Estadistica Des- criptivan, jeudl es la probabilidad de que haya sido extraido de la uma primera? {Cuil de que haya sido extraido de Ia urna segunda? 23, Un estudiante realiza un test de admision en cierta universidad. Aunque el testudiante desconoce el resultado del test, sospecha con probabilidad igual a 0,40 {que superd el nivel de admision. Unas semanas después la universidad le envia una carta de admisién. Por la experiencia pasada sabe que cs admitido un 80 por 100 de los que superan la prueba y s6lo un 5 por 100 de los que no la han superado. ‘Con esta nueva informacion, jeual seré ahora la probabilidad que dicho estudiante tendr acerca de la superacion del nivel de admision? 2.34. De los economistas que trabajan en las empresas de cierta regidn, el 70 por 100 hha estudiado en universidades estatales y el 30 por 100 en universidades pri-G4 / Extaistica pare Peicologos vadas. Por otta parte, el 50 por 100 de los que han estudiado en universidades priva {das son ahora altos ejecutivos y slo lo son el 10 por 100 de los que han estudiado et Uuniversidades estatales. Elegimos al azar un economista y resulta ser alto ejecutivo. (Cuil es la probabilidad de que haya realizado sus estudios en una universidad rivada? 2.35. Una caja contiene ocho monedas «imparciales» y dos «parciales» euya pro- babilidad de cara vale 0,70, Elegimos al azar una de las diez monedas y la lanzamos al aire, obteniendo cara. {CuAl es la probabilidad de que dicha moneda sea «par- ciabs? 2.36. Tenemos cinco frascos con pildoras sedantes. Las de un frasco 4, son gra- ‘ernente tGxicas. Las de los cuatro restantes son ligeramente t6xicas, Antes de dor- ‘mir tomamos una pasilla,eligiendo aleatoriamente el frasco, pues ereemos que las pildoras de los cinco frascos son del mismo tipo. Al cabo de un rato sentimos gran malestar y caemos en la cuenta que el frasco A contiene pildoras gravemente tOxicas. Segin un manual de Medicina que consultamos, las pildoras de A causan cel malestar que sentimos en un 90 por 100 de los casos. En cambio, las pildoras de los ottos cuatro frascos slo lo causan en un 15 por 100 de los casos. {Con qué probabilidad podemos afirmar que la pildora tomada pertenecia al frasco 4? 2.37. De un lote de diez libros de Psicologia siete estin escritos en castellano y €l resto en otros idiomas. Si elegimos al azar y simultineamente tres libros, jcudl «la probabilidad de que menos de dos estén eseritos en otro idioma? 2.38. Siete personas llegan aleatoria y no simultineamente a una joyeria a lo largo de una mafiana. Siendo Pancracio, Elio y AristObulo tres de ellas, ;eudl es la pro- Dabilidad de que lleguen: 4) En el orden P-E-A y siendo ellos los tres primeros en llegar? ) En cualquier orden y siendo ellos los tres primeros en llegar? ©) En cualquier orden, Megando uno inmediatamente deteis del otro y no siendo ellos los tres primeros en llegar? 4) En cualquier orden y no legando uno inmediatamente detrés del otto? 2.39, En un centro comercial de cierta ciudad se encuentran seis establecimientos de souvenirs. Tres turistas que han pasado la noche en la ciudad, antes de mar- ccharse, deciden comprar algunos regalos para sus familiares, Si dichos tuistas eligen Aleatoria e independientemente el establecimiento, cul es Ia probabilidad de que los tres lo elijan distinto? {Cual la de que dos elijan el mismo? {Cuil la de que los ‘es elijan el mismo? (En los casos segundo y tercero, el «mismo» establecimiento puede ser uno cualquiera de los seis.) 2.40. Cuil es la probabilidad de que de diez personas clegidas al azar e indepen- dientemente, dos cualesquiera no hayan nacido en el mismo dia dentro de los 365 del aio? Probabilided (espacio muestra! continue) | 6B 2A1. Consideradas todas las mancras distintas segtin las cuales ocho personas pueden sentarse alrededor de una mesa, {cual es la probabilidad de que dos de elas puedan sentarse siempre una junto a la otra? 2.42, En una uma tenemos dos bolas blancas y tres rojas. Extraemos al azar tuna bola, observamos su color y la reponemos en la urna, introduciendo con ella luna nueva bola blanca si la bola extraida ha sido blanca o dos rojas si la bola extraida haa sido roja. Repetimos esta operacién tres veces. {Cul es la probabilidad de que ‘no haya sido blanea ninguna de las tres bolas extraidas? {Cual la de que lo haya sido una’ {Cul la de que lo hayan sido dos? {Cual la de que lo hayan sido las tres? 243. Si diez personas son colocadas en fila, {cual es la probabilidad de que tres de ellas queden situadas consecutivamente? 24, ‘Tres cazadores disparan independientemente a un jabali que, de hecho, ha sido hetido mortalmente por una sola bala, Sabiendo que las probabilidades de ue cada tno por separado alcanzara al jabali son 0,20, 0,40 y 0,60 respectivamente, {cual es a probabitidad de que la bala mortifera haya sido disparada por el primero, por el segundo, por el tercero? 2S. Siendo P(A) = 0,60, P(B) = 0.50 y P(A UB) POBD A), PAB), PB\A). 90, caleular PAN B), 2.46, Siendo independicntes A y B y siendo P(A) = 0,80 y P(B) = 0,30, ealeular PANB), PUB), PLA), P(A\B), PBA). 247. Sean A y B dos sucesos con probabilidades no nulas. Esto supuesto, de- mostar que’ 4) Si son mutuamente exclusivos, no pueden ser independientes. 1) Si son independientes, no pueden ser mutuamente exclusives. 2.48. E170 por 100 de los estudiantes aprueba una asignatura A y un 60 por 100 aprueba otra asignatura B. Sabemos, aclemés, que un 38 por 100 del total aprucba ambas. {Cuil es ls probabilidad de que un estudiante elegido al azar apruebe la asignatura B, supuesto que ha aprobado la A? {La de que apruebe B, supuesto (que no ha aprobado ? {La de que no apruebe B, supuesto que ha aprobado 4? Ua de que no apruebe B, supuesto que no ha aprobado 4? 2.49, Suponiendo P(A) y P(B) no mulas, demostrar que si P(A) > P(B), enton- ces, necesariamente, P(A|B) > P(B|A) 2.50. Una corriente de agua tiene que pasar desde O a F a través de tres valvu- las V,, Vs, Vy. La probabilidad de que el agua pase a través de V, 50,8, a través66 / Estaistica pare Psicélogos de V, 5 0,85 y a través de V, es 0.9. Sabiendo que el pasar (0 no pasar) el agua 1 través de una cualquiera de las tres valvulas es independiente del pasar (0 n0 pasar) a través de las dos restantes, caleular la probabilidad de que el agua pase desde O hasta F, en cada uno de los cuatro casos siguientes: 4 > » D OG ° F ° F H 2 (). 4 OO 6 ye 6 F G © 3 Funciones de probabilidad y distribucién (variables aleatorias discretas) 3.1. Variable aleatoria Los resultados posibles o espacio muestral £, de un experimento aleatorio no son necesariamente numéricos. Ahora bien, tanto en Probabilidad como, sobre todo, en Estadistica, nos es muy ficil y, aun a veces indispensable, operar con ‘nimeros. Por esta razén vamos a atribuir mimeros a los sucesos elementales de E, dde manera que no tengamos que referirnos directamente a los elementos de E, sino alos valores numéricos que los representan. Este cometido lo llevamos a cabo me- diante el concepto de variable aleatoria. Definicion 3.1. Variable aleatoria: Toda funcion que atribuye un némero teal, y uno solo, # cada suceso elemental de , es deci, toda funcién real definida sobre E, En general, las variables aleatorias las designaremos por letras mayiisculas la tinas. Designaremos, en cambio, por letras minisculas latinas a los valores que ellas atribuyen a los sucesos elementales de E, Everio 3.1. El experimento alestorio consiste en lanzar una moneda al aire {os veces consecutivas y observar en cudntas de ellas queda la moneda con la cara ‘vuelta hacia utriba. El espacio muestral consta de ocho resultados posibles: RRR, RRA, RAR, ARR, RAA, ARA, AAR, AAA (donde A significa cara 0 anverso y R significa eruz 0 reverso). Una regla 0 funcién posible es la siguiente: «atribuir ‘cada suceso elemental un nimero igual al de caras vueltas hacia arriban. Esta funcién 0 variable aleatoria X atribuye a esos ocho sucesos elementales los si- uientes valores numéricos: X(RRR) = 0, X(RRA) = X(RAR) = X(ARR) = 1, X(RAA) = X(ARA) = X(AAR) = 2, X(AAA) = 3 Exewrto 3.2. El experimento aleatorio y el espacio muestral son los mistos ue los considerados en el ejemplo anterior. Definimos, en cambio, sobre E la si- guiente repla o funcién: «Asignar un 2 a cada cara vuelta hacia arriba, un 3 a cada6B / Estadistice pare Psicdogos ‘cruz, multiplicando, después, entre si los valores asignados a las tres monedas>» Esta funcién o variable aleatoria, Y, atribuye a los ocho sucesos elementales de F los siguientes valores numéricos: Y(RRR) = 27, (RRA) = Y(RAR) = Y(ARR) = 18, Y(RAA) = Y(ARA) = Y(AAR) = 12, Y(AAA) = Exewrto 33. El experimento aleatorio consiste en lanzar un dado al aire y observar la cara que queda vuelta hacia arriba. El espacio muestral consta de seis resultados posibes: BAS888 ‘Una regls o funcién posible es la siguiente: «Atribuir a cada suceso elemental ‘un niimero igual al de puntos de Ia cara vuelta hacia arriba» Esta funci6n o variable aleatoria, Z, atribuye esos seis sucesos elementales los siguientes valores numéricos: AQ)=1, 2) ze 3, Za=4, 28) 20 En este tiltimo ejemplo existe correspondencia biunivoca entre sucesos elemen= tales y valores numéticos. A cada suceso elemental le corresponde un solo nimero ya cada niimero un solo suceso elemental. Por el contrario, en los ejemplos 3.1 y 3.2 la cortespondencia no es biunivoca. A cada suceso elemental le corresponde tun solo niimero, pero a cada niimero no Te corresponde un solo suceso elemental Obsérvese, sin embargo, que en los tres ejemplos a cada suceso elemental le corres ponde un niimero, y uno solo, de acuerdo con la definicién de variable aleatori. Evidentemente, toda funcién de una variable aleatoria X, seguiré atribuyendo un valor numérico, y uno solo, a cada suceso elemental de E y, por tanto, seri, también, variable aleatoria. Asi, por ejemplo, supuesta la variable aleatoria, , del cjemplo 2.1, la funcién W =X? — 1 sigue atribuyendo un valor numérico, ¥¥ uno solo, a cada uno de los sucesos elementales de E, a saber: W(RRR) = —1, W(RRA) = W(RAR) = IV(ARR) = 0, W(RAA) = W(ARA) = W(AAR) = 3, (AAA) = 8 El término «variable aleatoriay no es quiz el més oportuno. En primer lugar, mas que variable (en el sentido de variable independiente) es funcién (o variable dependiente). En segundo lugar, no es aleatoria, es decir, frente a un mismo suceso elemental de £, no le atribuye un valor numérico de modo aleatorio e imprevisible, sino de modo bien fijo y predeterminado. Lo que es aleatorio es el experimento sobre cuyo espacio muestral queda definida In variable aleatoria, Lo que desco- rnocemos es cual seri el resultado de dicho experimento en una realizacién con- ‘reta del mismo. Pero, una vez conocido este resultado, la variable aleatoria le atribuye un valor numético inequivoco y determinado de antemano. Convendria distinguir entre variable aleatoria como ley 0 regla de atribucién Funciones de probabilided y distibuctén (variables aleatoras discrtas) | 69 ‘de mimeros reales y variable aleatoria como coajunto de nimeros reales atribuidos mediante dicha ley o regla. Asi, en el ejemplo 2.1, tendriamos la representacibn de la figura 3.1 Exacia Variable slatria ¥ Tay aba Renado dea oro ral gu ley ameros rele aaumero de ears Sinbuidor RRR, b RRA, 1 RAR, 1 ARR, 1 x RAA. 2 Ana: 2 AAR: 2 AAA 3 Figura 31 En la prictica, unas veces utilizaremos el término variable aleatoria como auténtica funcién 6 ley y otras veces como conjunto de niimeros reales obtenidos ‘mediante dicha ley. Algunos autores (véase, por ejemplo, Hinich y Mackenzie, 1968, pat. 4) definen la variable aleatoria exclusivamente como conjunto de valores. Para nosotros serin equivalentes expresiones como «la variable aleatoria X atribuye a los sucesos elementales de E los valores reales xy, X3y-- 3) ¥ «da variable aleatoria X asume 0 toma los valores x,, x3y-..) %, Fespecto @ Los su- ces0s elementales de Ev (0, mas sencillamente, «la variable aleatoria X toma los valores 2,,.%,,..., %4»)- De otro modo, serin'equivalentes las expresiones «sean ys %ys- +5 2%, 108 valores atribuidos por la variable aleatoria a los sucesos ele- -mentales de E» y «sean 2,,.%3,..., 2 los valores asumidos por la variable alea- toria X». Definiciin 32. Variable aleatoria discreta: Bs aquella que sélo puede tomar lun nimero finito o infinite numerable de valores Definiciin 33. Variable aleatoria continua: Bs aquella que puede tomar un nnimero infinito no numerable de valores,