La Estadistica BREVE RESENA DE LAHISTORIA DE LAESTADISTICA Iniciamente el temino estadistica, que se deriva del latin status, lo cual significa estado en el sentido politico, se empled para re- ferirse ala recoleccin y descripcién de datos del Estado, concretamente se entendia como la ‘ciencia del Estado" (Pefia y Romo) © la “artmética del Estado” (Aron y Aron). Espectficamente el nombre lo empled por primera vez, en el siglo XVIl, Godotredo Achenwal (1719-1772), profesor de Derecho Pubico en la Universidad de Gottinga, quien us6 el termino estadistica, como sustan- tivo derivado del trmino status (en alemén: stat), para refeise “al conocimiento profundizado dela situacién, o status, relativa 0 comparada de cada Estado’ (Achenwall, 1749). De un modo resumido, la historia de la estadistica se puede condensar en tres grandes etapas: 1. Los Censos: Desde el momento en que se constiuye una autordad potica, a idea de inventaiar de una forma ms o menos regular la poblacion y la rquezas existentes en el teritorio est igada ala conciencia de soberania y alos primeros esfuerzos, administrativos. Como muestra de lo antigua que es esta forma de hacer Estadistica, hacia el aio 3000 a. C. los babilonios usaban pequefas taiilas de arcila para recopiar datos sobre la produccin agricola y sobre los géneros vendidos o cambia- ‘dos mediante trueque. En el siglo XXX! a. C., mucho antes de construr las pirémides, los egipcios analizaban ls datos de la poblacin yl renta de! pals. Los itros biblcos de Nimeros y Crénicas incluyen, en algunas partes, trabajos de estadistic. El primero contiene dos censos de la poblacion de Israel y el segundo describe el bienestar material de las diversas tribus judas En China existian registros numéricos similares con anterioridad al affo 2000 a. C. Los gregos clésicos realzaban censos couya informacion se utiizaba hacia el $94 a. C. para cobrar impuestos. El Imperio romano fue el primer gobierno que recopié una gran cantidad de datos sobre la poblacin, superficie renta de todos los tertoros bajo su conto. 2. Dela Descripoién de los Conjuntos a la Artmética Potica: Las ideas mercantiistas entraian una intensfcacion de este to de investigacién El registro de nacimientos y defunciones comenzé en Inglaterra a principio del siglo XVI, yen 1662 aparecio «' primer estudio estacistico notable de poblacén,ttuiado Observations on the London Bills of Mortality (Comentarios sobre las partidas de defuncion en Londres). Un estudio similar sobre la tasa de mortalidad en la ciudad de Breslau, en Alemania, realizado en 1691, fe utiizado por e astrénomo inglés Edmund Halley como base para a primera tabla de mortalidad. Colbert ‘mutica las encuestas sobre artculos manufacturados, el comercioy la poblacié: os intendentes del Reino envian a Paris sus memorias, Vauban, més conocido por sus fortficaciones o su Dime Royale, que es la primera propuesta de un impuesto sobre los ingresos, se sefiala como el verdadero precursor de los sondeos, Mas tarde, Bufon se preocupa de esos problemas antes de dedicarse a la historia natural. La escuela inglesa proporciona un nuevo progreso al superar la fase puramente A.) En general (A, A, 1A, -)= BIA) BAJA) BUNA, ~A) mad pip de as probeblidadescompuesis s psa eae av aquelas stuaciones en que as probabiiiades condcionadas son ms facies de obtener que ls probabidates de las intersecciones. ydetr se sabe por estos previos que 01% dela poblactn tne problemas vasculares Un esto sobe ndviiuos con probes Se ate ela que el 20% de els son pacas de aero. Sie 10% de as indvduos con pacas de aeroma esl expuede & Avec rasta por desprendmiento de roms que protabiida ene un invduo cualquiera de estar expueso a muerte sila por desprendimiento de trombos de una placa de ateroma? facas de aleroma}: Azfexpuesto 2 muerte sila por ..} P(A,)=0,001; p{A,JA)=0.20; Dem 001 x 0,20 x 0,1 = 0,000002 ‘Se ha realizado una encuesta sobre el fenémeno de la violencia en fos st_|_no_| nste| toa | | rmedios de comunicacion la informacion obtenida queda recogida en la 5 Mujeres) 256 | 45 |_19 [L220 Dicha taba se denomina fla de contingencia de frecuencia ya part de | cela se puede obtener abundante informacion ~ reall) |e |) Elegio un encvstado al azar, la probabidad de que haya dicho (S) es (S) = 418/600, de que haya dio (Njo piN) = 1400600 y la probabildad de (N)s/(N}c es p(NN) = 42600F} la pro- aleatorio nbargo la espacio terminar podemos vorables fuese el sea blemas esto a psibita otal % Nociones de Probabildad Iguaimente podemos determiner la probabiidad de que hayamos elegido un Hombre p(H) = 280/600 0 de una mujer pl) = 3201600. La probabilidad del suceso (Hy S) = {Hombres que han dicho si} es p(H y S) = 162/600. Dicho suceso no es fo mismo que el suceso HIS = {Seleccionar un hombre entre los que han dicho sn SIH={'Seleccionar respuesta afimatva entre los hombres") cuyas probabiidades respectivamente son: st NO | Ns/Nc | Total st NO_| Ns/Ne | Total Hombres 162 a5 a 280 Hombres 162 95 23 280 Mujeres] 256 | 45 9 320 Mujeres} 256 | 45 19 x20] rola (Loa ao Tonia) a0) Suconarun amb ete Selena espa saa Te wuehardetos ntols hones ‘pIHIS) = 162/418 ‘pISIH) = 162/280 126 126 op _ nly 9) goo , vly5) 4) 2) 220" lH) 600 Es evidente que si el suceso A no esta condicionado por B entonces p(A/B) = p(A) por que p(Ay B) = p(A) p(B) Sucesos independientes Dos sucesos son independientes si y s6lo si p(ArsB)=p(A)p(B). Si dos sucesos son independientes PAN) _ PA): PB) (Al BY = = (A) PA ay payee yydel mismo modo p{BIA) = p(B). ‘Aveces es itl ener en cuenta que si dos sucesos A y B son independientes sus complementaros también lo son, 0 sea si (Ay B) = p(A) * p(B) entonces p(At y B*) = p(A*) « p(B) platy ((A0 BY) = ‘Segiin las leyes de De Morgan 4-plA0B)= Pues p(S*) = 1 (8) 4-(P{A) + p(B) - (Ay B)) = 1 pla) - p(B) + PIA 8) 1 (A) - p(B) + IA) * pt IA) * (p(B) - 1) +1 - pe IA) «(1 - p(B) + 1 - p(B) = (1 p(B) «(t= CA) = BIAS) * BBY) ‘Sacando factor comin y operando Pues p(A0 B) = p{A) + p(B) - pAy B) Por hipotesis p(A y 8) = p(A) x p(B) Puede probarse igualmente que siAy B son independientes también se verfica que IA BY) = p(A) * p(B") pias y B) = pA‘) x p(B)Gustavo Pefia Torbay 36 TEOREMA DE LA PROBABILIDAD TOTAL E -Distrto uniertarie de Jute Un problema sine de introduccién, en el distito unverstao de Jauja los estu- antes se distribuyen entre las tres carreras que pueden cursarse del siguiente modo: 20% estudian arquitectura, 35% medicna y 45% economia, El porcentae de alumnos que finalzan sus estudos en cada caso es del 5%, 12% y del 18% respectvamente.Elegido un alumno al azar determina la probabldad de que haya acabado ls estuios. ‘Sea Tel suceso“fnalzar los estudos", como : SiAy Ay YA, Sn respectrament, ks sues ‘st E=A,UAUA, Char srquitectura’, “estuciar medina y ‘estuar eco- aie idee toftenevis wrens 82 THORE)=TAAUAUA)=(TOA) UIA) UTA) agg a BHAA Ws csr A ia oc SHE MTCAT A oA daca) Yinnews E24 ONC PIT) = B(A,) * PITIA,) + p(A,) x BCTIA,) + P(A.) « pCTIA,) Expresando mediante un diagrama y calculando la probabilidad que un alumno al azar haya terminado los estudios. TVOSy (ALyT) & pALyT)=p(ADxECT/ AL +020 005 «001 TIO2y (Ady T) cd AI yT)=BADXpCT/AD = 035 x02 «0,042 42 (0.35 PAS YT) = AD tectura ts sucesos ‘etu yestudar eco- Ay Ay y que cursen ua, a ‘Nociones de Probabil Por ejemplo, la fébrica de enlatados Pl S.A. produce 5000 envases diaros. La maquina A produce 3000 de estos envases, de que el 1h son defectuosos y la maquina B produce los 2000 restantes de los que se sabe que el 4% son defectuosos. Determ la probabilidad de que un envase elegido al azar sea defectuoso, SiD 0s e1 suceso ‘seleccionar un envase defectuoso" y (no ‘uiente nos muestra el camino: eleccionar un envase no defectuoso’, el diagrama de &rbol sucesos FROBABUDAD o pont=onsy Wy [ora opie a pley 0) = pis) pi /8) \ Pe feyne0} Ay neo) / / o aoe wee PO/)=OPdy eyo) [PY o} =opI6/ Ply B= pe) pm/a pI) = 3/5, pra ope = 0023 Detectusas yn) Defectiasas — (8¥0) p18) =2/ pho oyey=036 @yneD} PBynoD) Aplcando e!tsorema resulta: p(D) = p/AMD) + p(B) = p(A) « p(DIA) + p(B) x p(DIB) = 0,028 ‘ro ejemplo, la prevalencia de inarto cardiaco para hipertensos es del 0.3% y para no hipertensos del 0,1%. Sila prevalencia hipertensién en una cieta poblacion es del 25% ¢Cual es la prevalencia del infrto en esa poblaciOn? A,=(ser hipertenso) A. selo) estos sucesos consttuyen una paricion; B=(padecer infarto}. Datos: p(BIA,)=0,003; p(B|A,)=0,001; p(A.)=0,25; y evden mente p(A,)=0,75; por tanto: (B}= (0,003x0,25) + (0,001 x 0,75) = 0,0016.‘Gustavo Feria Torbay = Quiz de Practica: Probabilidad Condicionada y Total 1, Se-sabe que el 50% de la poblacién fuma y que el 10% fuma y es hipertensa, {Cul es la probabilidad de que un fumador sea hipertenso? 2. Una uma 1 contiene 8 blancas y 7 negras, hacemos una extraccién de 2 bolas, en el supuesto de que hemos visto que una de esta bolas es negra zcual es la probabildad de que la otra también lo sea? 3. Una caja contiene tres monedas. Una moneda es corrente ora tiene dos caras y la otra esté cargada de modo que a pro- babildad de obtener cara es de 1/3. Se selecciona una moneda al azar y se lanza al aie, Halla a probabilad de que salga cara, 4. Se sabe por estucios previos que el 0.1% de la poblacién tiene problemas vasculares. Un estudio sobre individuos con pro- blemas vasculares revela que el 20% de ellos son placas de ateroma. Sie 10% de los individuos con placas de ateroma se exponen a muerte sibita por desprendimiento de trombos zqué probabilidad tienen un indviduo cualquiera de estar expuesto ‘a muestre sibita por desprencimiento de trombos de una placa de ateroma? Descripcién de las notas adjudicada: Descriptive Statistics pct Mein Toa ‘Std, De. 3.608 Sid. Error Count Minar Maximum oot. Var. Range ‘Skew ness Kurtosis Median oR Mode 10% Tr. Mean MAD 00 pcr 22a i Bae A Rhinos S Z°g72 ES38 unfumador sea s visto que una toque la pro- de que salga duos con pro- de aleroma se tor expuesto 9 ‘Nociones de Probabilidad TEOREMA DE BAYES Sean, A... Suces0s mutuamente excluyentes y le probebildad no nul, tales que A,UA,U... UA, = ©. iB es un suceso en © de probabiidad no nua, enfonces: Aa/B) = PBLAn a AD Enea Est po de razonamieno es muy importante en tareas profesionales, como el diagnéstcn,evaluacon, toma de decisiones yapliccin de a inferencia estadistic en la investigacon Tenemos tres unas: Acon 3 bolas rojas y S negras, | Uamamos R = "sacar bola rj" y N= ‘sacar bola ar Bon bos jasytnegray Coon 2botsrjasy | neg Eneldayrama de belajunopuedenver | 2" Sk SInegas. Eszogemos una una al azaryexraemos | sels distints pobebldades de ocurencia de os men, Unaola, Silabclaha sido ja, cul esa probeb- | sucesos Ro N paracada una de las tesumes.la | Won lida de haber sco eta de ia uma A? probabidad peda es PIA). sh Flay BORA) TP RTAVT PE) PRIB) “Tres magunas (A, By C) producen el 45%, 30% y 25%, respectvament, det foal de las pezas en una fabric. Los % de products defectuosa de estas z wep agunas sn del 3%, 4% y 5% defecunsa'yN= ‘pecs | ng Oe? Ua pezadaza cles probated de que seadfectosa ||| noes det’ , S Tames, a azar, una pieza yresuta defecluosa, cua sla probabil i ae ie ies uantamacinpicte | S29 oy ZO magna fone la mayor probabidad de haber producto acta pie | esarseen oo deectusa? iagrama de etoladunto, oH Para calcularla probabilidad de que la pieza elegida sea defectuosa, P(D), por la propiedad de la probabilidad total, P(D) = P(A) « PIA) + P(B) + P(DIB) + P(C) « P(DIC) = 0.45 + 0.03 + 0.20 0.04 + 0,25 + 0.05 = b, Debemos caloular (8D), por el teo- ta /)=—__A@v-r(oig)___0.30-004 __ BRD) pao m2 x mera nah ADIAIT ROTATES” UAT UGATOH- OOOO . Calculamos P(A/D) y P(CID), comparandolas con el valor 045-003 de P(BID) ya calculado. Aplicando el teorema de Bayes, (4/D)= 75355 30-9,043025-005 380 oblenemos: 0.25-0.05 1s 25 PC (7) = 0,025 + 0.0166 + 0,01 = P(7) 3+ Tras lanzar un poliedro al azar obtenemos un 3. Qué probabildad hay de que e! 3 pertenezca al tetraedro? Esta probablidad puede calouarse mediante el Teorema de Bayes, puesto que lo que deseamos conocer es a probabiidad de tn suoeso (que el poliedro escogido sea el tetraedro)concicionado al suceso cbservado (obtener un 3 al lanza el polieo) PCT) = [PBMT)*PCT)]/ PCT)"P(AT) + P(H)"P(AIH) + P(O}'PLBIO) + P(O)"P(3ID) + FPS Tia) = [14°40 (15°14) + (158106) + (15178) + (185142) + (105°1720)] (113) = 0,05 | 0,1349 = P(TI3) = 0.370 ‘Tras lanzar un poliedro al azar obtenemos un 3. ,Cual es la probabildad de que perteneciera al dodecaedro? Para conocer esta probabiidad se aplica de nuevo el Teorema de Bayes. La probabildad es diferente porque aunque el de- rominador es el mismo que en el ejercicio anterior el numerador no es el mismo. (018) = [PC@ID)"P(O}|/[PCT}"PCAM) + PLH}P(GM) + P(O}*P(3IO) + P(O}'PEBID) + P(NPC3I] TB) = (1112°1/5]/[(V5"114) + (154116) + (105°18) + (4054/12) + (115°1/20)) (TIS) = 0.016 /0,1349 © P(TIS) = 0,128 5+ Una expedicion ocupada por res conductores de camién, los sefiores Ahorn, Behom y Zehorn. Ahorn conduce et SO%% de todo el camino, Behom el 20% y Zehom el 30%. De la experiencia se conoce que Ahorn produce una abolladura del 10% de todo el viaje, Behorn el 15% y Zehor ol 20% (véase el gro). Sse report una abolladura, :cudl de os conductores tiene la mayor probabiliad de haberia generado? Definimos el evento: F1: Ahorn conduce, F2: Behom y F3: Zehom ...B: se tha producido una abolladura. Para P(8) = PIBFAIP(F1) + PBFZP(F2)+ PBIFSIPI), P(B)= 0,1 -0,5+ 0,15- 0,2 0,3= 0,05 + 0,03 + 0.06 = 0,14 wip PUB) 0,05 _ 5 a5 5 P(F,|B) = — PUB) ou” 03571, iS BL ot caine opis PUR|B) = Gay = 02148 09 85) 0,06 e oe PUB) = SEE = 04286 Entonces Zehorn ha conducido con la mayor probabilidad de tener abolladuras. 33 a valore Pari a9 [=a & m y a ti Las, sus) que! Talc Lat que(sacar un 3 Mado a esta na de sus beabiidad de edo) que el de- {50% de 110% de res tiene a“ Nociones de Probabilidac FUNCION DE PROBABILIDAD Una variable aleatoria es una variable que recoge todos ls posibles valores de un experimento aleatrio. E Consideremos el experimento aleatorio que consist en lanzar tres monedas, supongamos que a cada elemento de su espacio muestral E=(coc, cox, oX6, x00, Ob, XCX, XC, xx) le asignamos un nimero real, el correspondiente al nimero de caras(disceta) Esta correspondencia que acabamos de construir es una funcién del espacio muestral E ‘ene conjunto dels nimeros reales R. Aesta funcin la lamaremos variable aleetoriay la denotaremos por X Lafuncién de probabildad (x) de la va. X es lafuncidn que asigna a cada valor x de la variable su correspondiente probabiidad p, Es decir, sixes una variable aleatoria discret, y sus valores son x1, X2,..xk, representamos como pi, p2.. las correspondiente probabilidades de que ocurran cada uno de los valores. Dicho de otro modo pi=P(x=xi). Cada probabilidad es un nimero entre 0 4, yla suma de todas las probabilidades es 1 Lo. que se hace para decir qué es y qué no es una funcion de probabildad es construir una serie de proniedades (denominadas aiomas) que se exigiran a una funcién para poder ser catalogada com funcién de probabildad.Y, ,cvales son estos axiomas? ‘+ Axioma 1: Para cualquier suceso X, la probabilidad debe ser mayor 0 igual que 0 i © Axioma 2: P(Q) = 1 PIUA |= P(A) ‘+ _Axioma 3: Peta sucesos Xi, de modo que cada par de sucesos no tengan ringin wy a resultado comin, se verica que La representacién grfica usual de la funcién de probabilidad discreta es un diagrama de barras no acumulatvo. Ademas, en mu- cchas ocasiones no interesa tanto conocer a probabiidad de que la variable aleatoria x tome exactamente un determinado valor sino a probabildad de que tome valores menores 0 iquales que un cierto valor x.En tales casos es necesario acumular los distnts valores de la funcion de probabilidad hasta el valor deseado. Se trata de una nueva aplicacién lamada funcion de distribucion, Parmetros dela distribucion veo A Esperanza (wea) : : matemitea Vata of = Sx pa = Sw : | “| a ae: a eee ta Dietibucin de probeilidadee t Fencdn de detnby Las variables aleatoria también pueden ser continuas. Una variable aleatora continua tiene la caracleristica de tomar cada uno de U8 valores con probabildad infinitesimal, a efectos practicos, 0. Por tanto, no se pueden expresar en forms tabular. Sin embargo, aun- {que no se pueden considerarprobabilidades de valores concretos, puede calcularse la probabilidad de que la variable tome valores en deterinados intervals (los intervalos en cuestion pueden ser abiertos 0 cerrados, sin que se modifique la probabildad total), Plas X30) Estimacién por Intervalos de Confianza - Muestras Grandes En{a Tabla que sigue se dan las formulas para el célculo del error tpico de varios de los estadisticos mas empleados, en el cas = Disribaciba mocstal (Notas expeiales Se cumple para muestras grandes 0 pequefas. La 8 estamos ante uno unilateral (grtico dela derecha). Riga tac Tipos de error, signiticacién, nivel de confianza y potencia Hyit=th Hyiu> Condicin de la poblacion cite Hi, fsa No hay ecto Sinay efecto oes, Dessioncoreda ror ipo aceptarH! Hs verdadera) (vena Hes fsa creo qe ta P (eotipo IH, es as) ro ay efecto Nivel de Confianza B (beta) Erortpol Leena Rechazar H, p (rechazar HH, es verdadera) Desién corecta (erortpo 1H e8 cet) 1p Creo qe «zla) Poenca dela Prusba shay oocto Sinaia de no cometar al Error Tipo P de comator ol Ero Tipo En términos visuales... ‘A primera vst, la inferencia experimental estas a adopta a forma de una inferenciainversa de una scat muestra observada a una poblacén desconocida: la [Ho Cierta] version estadistica de una inferencia inductva. En es- tos casos, la imposibildad de examinar una poblacion enfera obliga a tener que conformarse con una mues- tra aleatoria de fa misma, cuya informacién se usa para tralar de levar a cabo inferencias acerca de la poblacén misma, Esto simula un proceso induct, ya aque se argumenta de la muestra a la poblacion de la ‘que ha sido extraida, concluyendo con una afirmacin 4e cardcter incierto acerca dela poblacién. La medida precisa de la nsegurdad que comport todainferencia experiment estadistica la garantza la apcacion del caleulo matemtco de probabilidades, sin el recurso de probabilidades a prior (Rivadul, 1991).Contrast estadistico de hipdtesis (inferenciaestaditca) 2 es. Si METODO TRADICIONAL DE PRUEBA DE HIPOTESIS coe 1, Ideniicara aceveracin ohipétesis especfica que se probard,y expresarlaen forma simbolica, 2 Darla forma simbélica que debe ser verdad sila aseveracion originales falsa | 4, Doles os exresones simples obterides, sar comohptesis nua que contenga la condo de gulag , sera la ora declaracin. — 4, Escoge el rive! de signfcancia acon base en la gravedad de un eror ipo I. Hacer x pequeiasilas consecuencas de rechazar una H, verdadera son graves. Los valores de 0,05 y 0,01 son muy comunes. 5, _Idenificar la estadistica pertinente para esta prueba y determinar su dstbucion de muesteo, 6. Determinar la estadisica de prueba, los valores crticos y a regién critica. Dibujar una grficae incluir la estadistica de prueba, elo los valores criicas y la regién critica 7. Rechazar H, sila estadistca de prueba esta en la regién critica. No rechazar H, sila estadistica de prueba esta en la regin etic, 8. _Expresarla decision anterior en termines sencillos, no técnicos. Determinacion de valores P De cole derecha | Valor P= trea |_| Volar B= dn Velor P= dex a @ tierda veces el érea veces el drea ala} empl = | ala eadarde de || i egtar de de echa dete | | 2 derecho de eal la estadistica ‘estadistica de la estodistice Pruebo de prueba pce de pruebo Valor P El valor Pes dos Elvolor Pes dos Valor P | < | veces esto érea veces esta érea| | NE a 3 z oy ae é it Cece RR a ae Estodistica de prusbo— Estadistica de prueba ~!Gustavo Petia Torbay Redaccién de conclusiones en pruebas de hipétesis 7 Eantiene ie 7 exeveracisn original ee condicisn de iguolded? Si (Ce afirmacion original contiene igualdad y se ‘Ne Soomerte en A) (Le afirmacién original no contiene ‘gualded y se converte en H,) ELECCION DE LA PRUEBA ESTADISTICA ADECUADA Redaccion de la . core bal “Hay nfo cos is «| peelgianmeeras da la cxeveracién de que Hh_ Rechazer 1) Coaseracion original” No “No hay suficientes indicos] [para justificar el rechazo de la aseveracién de que. (eseveracién original)” (No rechazor Hy) Se si ['Los datos de muestra rechoxa x lepoyan la aseveracién de He. 12... axeveracién original). No = ‘Le muestra ne propor- (Wo rechazar H,) __|#ione indicios suficientes para apoyar lo azeveracién de que... (oseveracién original)” ‘Como dicen Siegel y Castllan (2005), “cuando se dispone de pruebas estaistcas atermatvas y vidas para una hipdtesis es tadistica de investigacion en particular, es necesario emplear algunas racionaizaciones para elegir entre ellas’(p. 3); pero, problema radica en que los cfterios, en la mayoria de los casos, son solo sugerentes, de manera que la decision queda de parte de investigador esenciaimente. A continuacién mostramos y dscutimos algunos de los elementos que se suelen emplear en la tom de decision y, luego, un fujo gram que muestra las altemativas de una forma mas sistematizada ‘Cual aspecto dela cistribucién se pretende contastar + Estadistons de posicon (tendencia central, percentiles...) '+ Estadisis de dispersion (varianza, Q) * Asociacion entre variabies (comelacion ..) Forma de a distibucion CCutntas variables se consderan en el estucio. © Una (un-variade) * Dos (b-vaiada) «+ Tres (mul-variada) CCuéntos grupos (0 muestras) se consideran © Una Dos © Mas de dos Relacin entre los grupos + Independientes ‘© Cortelacionados ‘Se conace cbmo se da el aspecto de interés en la poblacion ‘= Si no require de grados de libertad «No: requere de grados de libertad ‘Se presume la forma de la cistibucion de las) variables(s) fen a poblacion * Skesladisica parameética + No: estadisticano-paramética Tamafo de la muestra ‘= Ne30 (muestra pequeta) ‘© N230 (muestra grande) Los grups nen todos el mismo tamario + Si (defo balanceedo) * No (Gisero destalanoeado) ‘Modelo muestal ‘= Aleatorio © No aleatorio ‘Se cumplen ls supuestos dela prueba de contraste de hipdtess (SI 0 No)6 Contrast estadistco de hipétesis (inferencia estadist "__ DISTINCIONES ESENCIALES EN LA ELECCION DE PRUEBA DE HIPOTESIS ‘Almomento de seleocionar el procedimiento para contrastar una hipdtesis son varios los elementos que hay que tomar en cuen pero ene ellos hay 4 que acumulan usualment la mayor parte de laatencién de los autores: nivel de medida tamario de a mu tra,nimero de grupos y relacién entre los grupos. | Nive de mecida: usualmente se dice que medir consiste en la asignacin de numerales alas propiedades de los objetos de acu ‘doa una reglas, de modo que los simbolos que representan las caracteristicas en estudio puedan ser validamente objeto de | | sma operaciones que son propiasderealzarcon os elementos de realidad en cvestin (principio de somorsmo), adem en pscoogia hay que reconocer la imposibilidad de una axiomética univoca, dada la diversidad de enfidades en estudio, por cual es preciso recur a la nocion de escala de medida, de modo que cada escala representa un determinado nivel y rigor en axiomatologia empleada (Amau, 2006). Es usual en ls textos de metodologia en psiologia recur a los niveles propuestos f Stevens (1946, 1951), ue son cuatro, a saber: ala Relaciones queladefinen j Nominal | 1. Eauiveenia | Ordinal 2. Equivalencia 3._Mayorque | Deintenalo | 1. Equvalenia * t (2. Mayor que | 43. Razin conaida ete cvlesquira de dos intvalos Derazin | 1. Enuvalencia 2. Mayor que 7 4. Razin conoid ene culesquerade dos inevlos : 4_ Razin conecida ene cualesquera de ds valores dea escla Tamafio dela muestra: un aspecto muy importante al momento de decidir cul procedimiento empleer para el contraste de hit | _._S8eslacantdad de observaciones de las cuales se dispone, el tamafo dela muestra. En este sentido, usualmente se dstingu |b os amas: Muestra Pequeia (n<3) y Muesta Grande (1230), Namero de grupos: esta caracterstca esta relacionada con la variedad de provedimientos alos cuales se somete o se ha vis sometida la poblaién; en los disefios experimentales tiene que ver con el numero de variables independientes y de nveles « ffataiento que tiene cada una de ellas; en los disefios observacionales alude a la complejidad dela taxonomia de las concicion {en as cuales se han desarrollad las fenémenos en estudio, Claro est, el caso més sencillo en este sentido es el que implica ‘ol grupo; por a otra parte, el maximo est limitado por los recursos y la factibildad del estudio que se plantea, pero no es usu {ue ls invesigaciones en psicologia tengan mas de 40 grupos, dada la gran complejidad que ello supone. Relacion entre los grupos: esta distincién se refiere asi los grupos son observados en mas de una oportunidad, lo cual equiva Asiel estudio es de corte transversal o de medidas repetidas; al primero se lo denomina de grupos independientes y al segunc de grupos corelacionados. Prueba paramétrica Vs no-paramétrica: una cistincin final se refiere alos supuestos que se hacen con relaciin a los datos, (ual define el tipo de prueba que se debe emplear en el contraste de hipdtesis. Cuando se especfican ciertas condiciones acer dela cstrbucion de la variable en la poblacion, se debe usar una prueba paramétrica, Por el contrari, si el modelo especiica so teondiciones muy generales y ninguna acerca dela forma especifica dela distrbucion de la cual fue obtenida la muestra, se usar una prueba no-paramétrica, Supuestos de la pruebas paramétricas: dada la populardad de las pruebas paramétricas, simplemente por mucho las mé templeedas, es muy important identficar cuales son los supuestos que ella implica: '* Lavariabe tiene un nivel de medida por lo menos de interval (otros dicen de cuasi-intervalo) ‘+ _Lavariable se dstibuye de forma normal en la poblacion| ‘+ Muestteo probabilitico ‘+ Independencia de los errores de medida Homogeneidad de las vaianzas de ls grupos Relevancia del efecto