Analisis de La Información Aprender A Investigar Icfes

YOLANDA GALLARDO DE PARADA
ADONAY MORENO GARZN

Serie
APRENDER A INVESTIGAR
Mdulo 4
ANLISIS DE LA INFORMACIN
INSTITUTO COLOMBIANO PARA EL FOMENTO
DE LA EDUCACIN SUPERIOR, ICFES
Subdireccin General Tcnica y de Fomento
PATRICIA MARTNEZ BARRIOS
Directora General
PATRICIA ASMAR AMADOR
Subdirectora General Tcnica y de Fomento
MNICA IBARRA ROSERO
Jefe Divisin de Fomento (A)
MARA JESS RESTREPO ALZATE
Coordinadora del Proyecto
Serie: APRENDER A INVESTIGAR
ISBN: 958-9279-11-2 Obra completa
ISBN: 958-9279-15-5 Mdulo 4
1 Edicin: 1987
1 Reimpresin: 1988
2 Reimpresin: 1991
2 Edicin: 1995
Reimpresin: 1998
3 Edicin: (corregida y aumentada) 1999
ICFES
Calle 17 N 3-40 A.A. 6319
Telfono: 2819311 - 2834027 - 2834067 - 2435129
Fax: 2845309 - 2834047 - 2845980
Santa Fe de Bogot
Diseo de cartula, diagramacin e impresin:
ARFO EDITORES LTDA.
Carrera 15 N 53-86
Tels.: 2355968 - 2175794
Santa Fe de Bogot, D.C.
El proyecto de actualizacin y revisin de la presente edicin de la serie APRENDER A IN-
VESTIGAR fue realizado por el ICFES, para lo cual se conform el siguiente grupo de autores:
Mdulo 1:
LUIS JAVIER JARAMILLO
Mdulos 3 y 4:
ADONAY MORENO Universidad San Buenaventura - Cali
YOLANDA GALLARDO DE PARADA Universidad de Pamplona (N.S.)
Mdulos 2 y 5:
MARIO TAMAYO Y TAMAYO Universidad ICESI - Cali
Instructivos para videos:
LUZ ESTELLA URIBE VLEZ EAFIT - Medelln
INSTITUTO COLOMBIANO PARA EL FOMENTO
DE LA EDUCACIN SUPERIOR
La serie APRENDER A INVESTIGAR ha sido realizada por el ICFES. Para las ediciones anteriores se cont
con el siguiente grupo de autores:
CARLOS ESCALANTE A. HUMBERTO RODRGUEZ M.
Profesor Universidad Nacional de Colombia Profesor Universidad Nacional de Colombia
ALBERTO MAYOR M. EDUARDO VLEZ B.
Profesor Universidad Nacional de Colombia Investigador Instituto SER de Investigaciones
NGEL FACUNDO D.
Exjefe Divisin de Fomento
Investigativo ICFES
Serie: APRENDER A INVESTIGAR
Mdulos: 1. CIENCIA, TECNOLOGA, SOCIEDAD Y DESARROLLO
2. LA INVESTIGACIN
3. RECOLECCIN DE LA INFORMACIN
4. ANLISIS DE LA INFORMACIN
5. EL PROYECTO DE INVESTIGACIN
MDULO 4: ANLISIS DE LA INFORMACIN 5
Contenido
SERIE APRENDER A INVESTIGAR
Presentacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Introduccin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Propsito, poblacin y objetivos de la serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Estructura de aprendizaje de la serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
La organizacin de la serie: los mdulos, y material audiovisual . . . . . . . . . . . . . . . 17
Descripcin sinttica de los mdulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
La asesora de tutores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Mdulo 4: ANLISIS DE LA INFORMACIN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1. NATURALEZA DE LA ESTADSTICA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2. DIVISIN DE LA ESTADSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1 Estadstica descriptiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Descripcin de datos, tcnicas de representacin grfica . . . . . . . . . . 29
2.1.2 Distribucin de frecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.3 Elaboracin de una tabla de frecuencias . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.4 Presentacin grfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.4.1 Histogramas y polgonos de frecuencias . . . . . . . . . . . . . . . . 34
2.1.4.2 Grficas de barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.4.3 Grficas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.4.4 Grficas circulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3. DESCRIPCIN DE DATOS - TCNICAS NUMRICAS . . . . . . . . . . . . . . . . . . . . . 41
3.1 Medidas de tendencia central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.1 La moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.2 La mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1.3 La media aritmtica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Medidas de dispersin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 El rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.2 Percentiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.3 Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.4 Desviacin estndar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.5 Coeficiente de variacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 Asimetra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Kurtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Tablas de contingencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
SERIE: APRENDER A INVESTIGAR 6
4. INTRODUCCIN A LAS PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.1 Probabilidades elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.2 Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3 Leyes de las probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4 Anlisis combinatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4.1 Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4.2 Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3 Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.5 Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.6 Distribucin binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.7 Distribucin normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.8 Distribucin de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5. ESTADSTICA INFERENCIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.1 La prueba de hiptesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2 Pruebas de significancia de muestras nicas o simples . . . . . . . . . . . . . . . . . 86
5.2.1 Prueba Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.2.2 Distribucin t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.3 Distribucin Chi cuadrado:
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6. REGRESIN Y CORRELACIN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.1 Introduccin a la bidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2 Ajuste de una recta de regresin rectilnea simple . . . . . . . . . . . . . . . . . . . . . 101
6.3 Correlacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.4 Coeficiente de correlacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7. ANLISIS DE LA VARIANZA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8. ESTUDIO DE FACTIBILIDAD DEL SOFTWARE ESTADSTICO. . . . . . . . . . . . . . 117
8.1 SAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.2 SPSS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.3 Requerimientos mnimos para la instalacin del Software SAS . . . . . . . . . . . 120
8.4 Requerimientos mnimos para la instalacin del Software SPSS . . . . . . . . . . 120
8.5 Manejador de Base de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9. STATGRAPHICS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.1 Grupo I: Data handling and system utilities . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.2 Grupo II: Plotting and descriptive statistics . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.3 Grupo III: Anova and regression analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9.4 Grupo IV: Time series procedures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9.5 Grupo V: Advanced procedures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9.6 Grupo VI: Mathematical procedures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9.7 Requerimientos fsicos para la instalacin de Statgraphics . . . . . . . . . . . . . . 127
ANEXO: Instructivo para el uso del video
1. Uso didctico del video . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
2. Videos:
La medicin y las ciencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
La curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
La muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
BIBLIOGRAFA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Mdulo 4
Anlisis
de la informacin
El anlisis de la informacin en el proceso investigativo, depende del
enfoque y del tipo de investigacin que se haya seleccionado, como tam-
bin de los objetivos que se hayan planteado.
La estadstica se constituye en una herramienta fundamental para el
anlisis de la informacin. Sin embargo es necesario precisar y seleccio-
nar el tratamiento estadstico dependiendo del enfoque cuantitativo o cua-
litativo, de la escala de medicin de las variables, de las hiptesis y de los
objetivos.
La estadstica es fundamental para resolver problemas de descripcin
de datos, anlisis de muestras, contrastacin de hiptesis, medicin de
relaciones y predicciones.
1. NATURALEZA DE LA ESTADSTICA
La estadstica es una rama de la ciencia, encargada del diseo y apli-
cacin de mtodos para recolectar, organizar, analizar y hacer deduccio-
nes a partir de ellos.
Aunque los orgenes de la estadstica se remontan a los estudios de
los juegos de azar del siglo XVIII, slo en los ltimos 60 aos se han desa-
rrollado las aplicaciones de los mtodos estadsticos en casi todos los
campos de la ciencia (social, comportamental y fsica). La mayor parte de
las primeras aplicaciones de la estadstica consistieron principalmente en
la presentacin de datos en forma de tablas y grficas. Este campo se
desarroll con rapidez llegando a incluir gran variedad de mtodos para
ordenar, resumir y expresar en alguna forma las caractersticas de un con-
junto de nmeros. Hoy estas tcnicas cubren lo que es sin duda la ms
visible aplicacin de la estadstica: la masa de informacin cuantitativa
que se recopila y se publica todos los das en nuestra sociedad. Las tasas
de natalidad, de mortalidad, los ndices de precios, los promedios de go-
les obtenidos en las fechas semanales de ftbol, son algunas de las mu-
chas estadsticas que nos resultan familiares.
Adems de expresar las caractersticas de la informacin cuantifica-
ba, estas medidas proporcionan una base importante para el anlisis en
casi todas las disciplinas acadmicas, especialmente en las ciencias so-
ciales y del comportamiento, donde la conducta humana no puede gene-
ralmente ser descrita con la precisin que se consigue en las ciencias
exactas. Las medidas estadsticas de satisfaccin, inteligencia, aptitud
para el trabajo y capacidad de liderazgo, que sirven para ampliar nuestro
conocimiento de las motivaciones y del rendimiento humano, son ejem-
plos de lo dicho. Del mismo modo, los ndices de precios, productividad,
producto nacional bruto, empleo, reservas disponibles y exportaciones son
elementos tiles tanto para el gerente como para el gobernante cuando se
trata de trazar una poltica encaminada a lograr el desarrollo y la estabili-
dad econmica a largo plazo.
La estadstica proporciona una metodologa para evaluar y juzgar las
discrepancias entre la realidad y la teora. Adems de su papel instrumen-
tal, el estudio de la estadstica es importante para entender las posibilida-
des y limitaciones de la investigacin experimental, para diferenciar las
conclusiones que pueden obtenerse de los datos de aquellas que carecen
de base emprica y en definitiva para desarrollar un pensamiento crtico y
antidogmtico ante la realidad.
En la actualidad con la ayuda de la informtica y la tecnologa el trata-
miento estadstico de la informacin se hace ms sencillo.
Para el anlisis de datos cuantitativos, tenemos en la actualidad progra-
mas como el SAS, SPSS, MINITAB, SVSTAT, RESAMPLING, STATGRA-
PHIS. Para el anlisis de datos cualitativos existen programas como el
QUALPRO, ETHNOGRAPH, NUDIST, AQUAD.
2. DIVISIN DE LA ESTADSTICA
La estadstica se divide en dos grandes ramas, dependiendo del mto-
do empleado para manejar la informacin y hacer que tenga sentido: esta-
dstica descriptiva y estadstica inferencial.
Grfica 1.
2.1 Estadstica descriptiva. Permite describir resumir y analizar la
informacin obtenida de la muestra.
Para tal fin se recolecta la informacin, se tabula, se grafica y en mu-
chos casos en vez de trabajar con todas las observaciones, es preferible
tener unas medidas que resuman los datos.
Bsicamente hay tres tipos de medidas de resumen: medidas de ten-
dencia central, medidas de dispersin o variabilidad de los datos y medi-
das de ubicacin.
La grfica 1 se interpreta as: con los datos de la muestra se aplica la
estadstica descriptiva; con los resultados de la estadstica descriptiva se
hacen anlisis de estadstica inferencial referidos a la poblacin.
Poblacin
Estadstica
descriptiva
Muestra
Estadstica inferencial

MAPA CONCEPTUAL DE ESTADSTICA DESCRIPTIVA
TABLAS DE FRECUENCIAS
TABULACIN
TABLAS DE CONTINGENCIA
PUNTOS
GRFICAS O
LNEAS
DIAGRAMAS
BARRAS HISTOGRAMAS
CRCULO
CAJA
MEDIA
MEDIDAS DE MEDIANA
TENDENCIA MODA
CENTRAL MEDIA GEOMTRICA
RANGO
MEDIDAS MEDIDAS DE DESVIACIN ESTNDAR
DE DISPERSIN VARIANZA
RESUMEN NDICE DE DISPERSIN
CATEGRICO
CUARTILES
MEDIDAS DE QUINTILES
UBICACIN DECILES
PERCENTILES
2.1.1 Descripcin de datos, tcnicas de representacin grfica
El concepto de la descripcin est asociada a la distribucin de fre-
cuencias, que consiste en el ordenamiento o clasificacin de los valores
observados en una variable, de acuerdo con su magnitud numrica. Per-
mite al investigador identificar la forma como ciertos puntos o caracters-
ticas estn distribuidos.
La distribucin de frecuencia se puede construir a partir de variables
medidas a cualquier nivel, desde nominal hasta de razn.
Podramos suponer que queremos ver cuntos productores agrcolas
en una vereda son grandes, medianos o pequeos productores.
Entrevistamos a los productores de la vereda y les preguntamos la
extensin de su explotacin y la clasificamos de acuerdo con el tamao
(magnitud) en una de las tres categoras.
Se construye la distribucin de frecuencias que muestre cuntos pro-
ductores son grandes, cuntos medianos y cuntos pequeos. El recuen-
to ser:
Tabla 1 - Tipo de productor agrcola
Tipo de productor Frecuencia
Pequeo 7
Mediano 12
Grande 9
Total 28
En el cuadro slo se ha agrupado el nmero de agricultores pertene-
cientes a cada categora. El nmero de agricultores se denomina obser-
vaciones o frecuencia (f).
Para el caso de variables medidas a nivel intervalo o de razn, pode-
mos hacer exactamente el mismo ejercicio.
Si se tiene, por ejemplo, la informacin acerca del nmero de cajas de
madera que construyen al da unos carpinteros en un taller, podramos
clasificarlos por su productividad.
Tabla 2 - Nmero de cajas construidas por 15 carpinteros
N de cajas
Carpinteros construidas
1 11
2 10
3 8
4 12
5 12
6 10
7 7
8 8
9 10
10 11
11 10
12 9
13 9
14 10
15 11
A partir de esta informacin podemos aclarar an ms la naturaleza de
la produccin por carpintero y se podra entrar a comparar esta productivi-
dad con la de otro tipo de taller o fbrica.
En la tabla 3 introducimos un mayor significado y ordenamiento a la
informacin que se est analizando.
Tabla 3 - Nmero de cajas construidas por 15 carpinteros
Hasta ahora los ordenamientos que se han hecho son bastante simples,
pero en la vida real muchas veces la informacin analizada es ms compleja
y la distribucin de frecuencias debe ser construida a partir de un mayor
nmero de puntajes.
N de carpinteros
N de cajas que construyen X F
construidas N de cajas
7 I 1
8 II 2
9 II 2
10 5
11 III 3
12 II 2
2.1.2 Distribuciones de frecuencias
La distribucin de frecuencias es un mtodo para organizar y resumir
datos. Bajo este mtodo los datos que componen una serie, se clasifican
y ordenan, indicndose el nmero de veces en que se repite cada valor.
Los caracteres de los elementos de una poblacin pueden ser: cualita-
tivos y cuantitativos.
Los datos cualitativos, denominados tambin atributos, son todos aque-
llos fenmenos que pueden ser descritos cualitativamente, es decir me-
diante palabras; son ejemplos de atributos: la clasificacin de los alum-
nos de una universidad por departamento de origen, clasificacin de un
grupo de personas por ocupacin, por sexo, por cargo, etc.
Los caracteres cuantitativos, denominados variables, son todos aque-
llos fenmenos susceptibles de ser expresados cuantitativamente, es decir
mediante nmeros. Por ejemplo: peso, estatura, edad, nmero de hijos,
salarios, etc.
Las variables se dividen en: discretas y continuas, teniendo en cuenta
que sta clasificacin tiene ms valor terico que prctico.
Las variables discretas son aquellas que admiten solamente valores
enteros, es decir no tienen valores intermedios; por ejemplo el nmero de
hijos por familia, ya que no se puede decir que una familia tiene dos hijos
y medio.
Las variables continuas, son aquellas que admiten valores fraccionar-
los, pudindose establecer intervalos. Por ejemplo, la estatura de una per-
sona que mide un metro con setenta centmetros, que pesa sesenta kilos,
una libra y cuatro onzas, etc.
2.1.3 Elaboracin de una tabla de frecuencias
Tomemos como ejemplo una muestra de 20 alumnos, determinando
su peso en kilos; para facilitar el trabajo redondeamos las cifras.
X
1
= 74 X
5
= 69 X
9
= 47 X
13
= 65 X
17
= 76
X
2
= 67 X
6
= 61 X
10
= 85 X
14
= 88 X
18
= 57
X
3

= 94 X
7
= 71 X
11
= 82 X
15
= 52 X
19
= 72
X
4
= 70 X
8
= 79 X
12
= 55 X
16
= 58 X
20
= 66
El primer paso a seguir consiste en determinar el valor mximo y el
mnimo.
En el ejemplo tenemos:
X
mximo
= 94; X
mnimo
= 47
La diferencia entre el valor mximo y el mnimo se denomina recorrido
o rango.
94 - 47 = 47
El rango, ser entonces de 47.
Introducimos dos nuevos smbolos que son:
m = nmero de intervalos (o clase de la distribucin)
c = amplitud de intervalo (o de clase de la distribucin)
El valor de m, o sea, el nmero de intervalos se puede obtener me-
diante la siguiente frmula:
m = 1 + 3.3 log n , donde n es el nmero de datos
Es de anotar que la anterior frmula es poco conocida, por consiguien-
te, es poco usual. Sin embargo, se recomienda que el nmero de interva-
los, hasta donde sea posible, no sea menor de 5 ni mayor de 16.
Para el clculo de amplitud del intervalo se puede aplicar la siguiente
frmula:
En el caso de nuestro ejemplo, el nmero de intervalos ser:
m = 1 + 3.3 log2O de donde m = 1 + 3.3,x 1,30
m = 1 + 4,29
m = 5.29 5 intervalos.
X
max.

- X
min.
o sea rango
C = C =
m m
La amplitud del intervalo de clase ser:
Rango R =47
Nmero de intervalos m = 5
Redondeando y para mejor manejo de los datos, se puede considerar
que la amplitud del intervalo sea de 9.
La tabla de frecuencias nos quedar en la siguiente forma,
Tabla 4 - Distribucin de frecuencias del peso de 20 alumnos
Peso Frecuencias (f) Frecuencia Relativa Fr
46 - 55 3 3/20 = 0.15 = 15%
56 - 65 4 4/20 = 0.20 = 20%
66 - 75 7 7/20 = 0.35 = 35%
76 - 85 4 4/20 = 0.20 = 20%
86 - 95 2 2/20 = 0.10 = 10%
Total 20 20/20 = 1 = 100%
Frecuencia relativa (Fr)
Es su frecuencia dividida por el total de datos y se expresa general-
mente como un porcentaje:
f
Fr =
__
n
2.1.4 Presentacin grfica
Aunque las tablas sean ya el resultado de una concentracin de datos,
pueden ser, sin embargo, demasiado amplias y complejas, de modo que
pierden una buena parte de lo que debera ser su cualidad primordial, la
claridad.
Entonces, podemos recurrir a la presentacin grfica, para la mejor
comprensin y anlisis de los datos. En las variables discretas se hace la
representacin mediante diagramas de frecuencias; para ello, en el eje hori-
C =

R

de donde C =

47

= 9.4
m 5
zontal, se colocan los distintos valores de las frecuencias absolutas o rela-
tivas. Si la representacin se refiere a las frecuencias absolutas o relativas
acumuladas se denomina: Diagrama de frecuencias acumuladas, colocn-
dose los valores de la variable en el eje horizontal y las frecuencias Fr, en el
vertical.
2.1.4.1 Histogramas y polgonos de frecuencias
Una distribucin de frecuencias, se puede describir por medio de histo-
gramas de frecuencias, que son grficos que representan la informacin
contenida en una distribucin de frecuencias.
El ejemplo de la tabla 4, sobre el peso de los alumnos, se puede pre-
sentar en un histograma que representa exactamente lo mismo.
Grfica 1.
Peso en kilos de 20 alumnos de un colegio
Otra manera de describir la distribucin de la informacin obtenida, es
por medio del polgono de frecuencias.
Estos son grficos en la forma de una serie de lneas rectas conecta-
das entre s y que unen puntos medios de intervalos a lo largo del eje
horizontal.
El caso del peso de los alumnos, puede servirnos para ilustrar la tcnica
de los polgonos de frecuencia. Para construirlo se siguen los mismos pa-
sos que para construir un histograma, pero en lugar de construir los rectn-
gulos a partir de los lmites superior e inferior de los intervalos, se calcula el
punto medio del mismo y se unen, por medio de una lnea recta que se
conecta a los puntos medios de los dems intervalos.
As por ejemplo en el grfico 1 podemos trazar el polgono de frecuen-
cias, uniendo los puntos medios del histograma de frecuencias.
2.1.4.2 Grficas de barras
La grfica de barras es fcil de construir y su interpretacin es de
gran utilidad. Una grfica diseada para mostrar magnitudes absolu-
tas deber tener su inicio en cero y una escala de cantidades conti-
nuas. Las grficas de barras pueden construirse en forma vertical u
horizontal.
Las grficas de barras pueden dividirse en tres tipos:
a. Grficas de barras con partes componentes. En esta grfica cada ba-
rra ha sido segmentada en dos partes componentes; as, por ejemplo,
en la siguiente grfica se tiene que la poblacin de estudiantes de 100
semestre de la facultad X, de la Universidad Y, se distribuye segn el
sexo y la edad as:
Distribucin de los estudiantes de dcimo semestre de la Facultad X,
de la Universidad Y, por sexo y edad
En la grfica se muestra el nmero de estudiantes clasificados por
sexo y edades, en cada barra se presentan los dos componentes, los
hombres y las mujeres.
b. Grficas de barras agrupadas. En esta grfica, se presentan los mis-
mos datos de estudiantes, excepto que los componentes por sexo se
muestran separadamente as:
0 1 0 2 0 3 0 4 0
N m e r o d e E s t u d i a n t e s
3 0 - 3 4
2 5 - 2 9
2 0 - 2 4
1 5 - 1 9
E
d
a
d
h o m b r e s
m u j e r e s
Distribucin de los estudiantes de dcimo semestre de la Facultad X,
de la Universidad Y, segn el sexo y la edad
c. Grficas de barras bidireccionales. Cuando se desea graficar cantida-
des positivas y negativas, tales como prdidas y ganancias en la pro-
duccin de una empresa, por tipo de producto. As, en la grfica de
produccin de la empresa X, se tiene que las prdidas y ganancias por
tipo de producto son:
Utilidad o prdida en la produccin de la Empresa X
2.1.4.3 Grficas lineales
Cuando debe presentarse una serie que cubre un gran nmero de pe-
rodos de tiempo, los datos graficados por medio de barras se ven dema-
siado acumulados; entonces, stas pueden ser reemplazadas por una
lnea, ya que las lneas son ms efectivas que las barras, cuando existen
marcadas fluctuaciones en las series, o cuando deben presentarse varias
series sobre la misma grfica. Por ejemplo, el nmero de estudiantes de
la facultad X, matriculados por sexo, en el perodo 1990-1998.
0 5 1 0 1 5 2 0 2 5 3 0
3 0 - 3 4
2 5 - 2 9
2 0 - 2 4
1 5 - 1 9
E
d
a
d
N m e r o d e E s t u d i a n t e s
m u j e r e s
h o m b r e s
Estufas
Calentadores de agua
Secadores
Enfriadores
Planchas
-40 -20 0 20 40 60
utilidad o
prdida
Produccin
Nmero de estudiantes de la Facultad X, matriculados por sexo,
en el perodo 1990-1998
2.1.4.4 Grficas circulares
Las grficas circulares, llamadas tambin de tipo pastel, se usan para
mostrar los tamaos relativos de los componentes de un total. Son utiliza-
dos, para indicar cosas tales como participacin de cada facultad en el
total de estudiantes matriculados de determinada universidad, en pero-
dos diferentes.
El proceso para realizar el diagrama consiste en una regla de tres.
Para conocer el ngulo de cada sector se debe relacionar los 3600
que tiene una circunferencia con el tamao de la muestra y con cada una
de sus frecuencias absolutas, as:
360 n
X F
1
Por ejemplo, si la siguiente tabla representa el nmero de docentes de
una universidad, clasificados por modalidad educativa.
Modalidad
Tcnica 5
Tecnologa 25
Universitaria 80
Post-grado 15
N = 125
El diagrama circular se construir as:
360 125 Donde 125 es el tamao de la muestra y
X 5 5 la frecuencia en la primera modalidad.
0
100
200
300
400
500
600
90 91 92 93 94 95 96 97 98
Aos
N
m
e
r
o

d
e

E
s
t
u
d
i
a
n
t
e
Hombres
Mujeres
Total
En el siguiente ejemplo, se muestra la distribucin porcentual del n-
mero de estudiantes matriculados en 5 facultades de una universidad X,
en los aos de 1990 y 1998.
DESCRIPCIN DE DATOS, TCNICA DE REPRESENTACIN
GRFICA - AUTOEVALUACIN N 1
Lea cuidadosamente cada uno de los siguientes enunciados y sea-
le la respuesta correcta.
1. El propsito principal de la estadstica descriptiva es:
a) Representar los datos por medio de histogramas.
b) Obtener la informacin necesaria para la investigacin.
c) Medir en escalas nominales, ordinales e intervalos.
d) Conocer las caractersticas generales de una distribucin de
frecuencias.
e) Todas las anteriores.
2. Una distribucin de frecuencias slo se puede construir a partir de
variables medidas en escalas intervalos.
S _______ No _______
Luego X
=
360x 5
125
a
15%
b
18%
c
8%
d
36%
c
13%
d
27%
e
15%
b
14%
a
31%
e
23%
Por qu? _______________________________________________
_________________________________________________________
3. Si clasificamos 220 municipios en grandes, medianos y peque-
os, de acuerdo con el nmero de habitantes, de forma tal que
tenemos 49 grandes, 63 medianos y 108 pequeos, cmo los
representara en un histograma de frecuencias como en un diagra-
ma circular?
4. Para construir un histograma de frecuencias, primero es necesa-
rio construir un polgono de frecuencias.
S _______ No _______
5. En un examen general de matemticas los 30 alumnos de un cur-
so obtuvieron las siguientes calificaciones:
Calificacin N de alumnos
78 1
77 1
76 0
75 2
74 1
73 0
72 2
71 2
70 4
69 5
68 3
67 0
66 3
65 2
64 0
63 1
62 2
61 1
Represente la misma informacin en una distribucin de frecuencias,
basada en intervalos. Determine el rango, el nmero de intervalos y
la amplitud de los intervalos. Represente los resultados por medio de
un histograma y un polgono de frecuencias.
S E R I E : A P R E N D E R A I N V E S T I G A R4 0
R E S P U E S T A S A L A A U T O E V A L U A C I N N 1
1. d
2. No
3. Grfico
4. No
5. Rango = 17; nmero de intervalos = 6; amplitud de intervalo = 3
Calificaciones F Frecuencia
Relativa %
61-63 4 13.3
64-66 5 16.7
67-69 8 26.7
70-72 8 26.7
73-75 3 10.0
76-78 30 100.0
Graficar
3. DESCRIPCIN DE DATOS - TCNICAS NUMRICAS
La segunda tcnica utilizada en la estadstica descriptiva se basa en
dos tipos de clculos numricos: Los de tendencia central y los de dis-
persin.
Las medidas de tendencia central se basan en que, en cualquier distri-
bucin de frecuencias, los valores tienden a concentrarse al rededor de
un valor central de la distribucin.
Las de dispersin, por el contrario, se basan precisamente en la mane-
ra en que los valores se distribuyen alrededor de esos valores centrales.
Para entender la naturaleza de la distribucin, tenemos que tratar de
describir el centro de la distribucin de las mediciones y la forma como
stas varan alrededor de ese centro.
Podemos utilizar estas tcnicas descriptivas, tanto para estudiar los
parmetros de la poblacin como las estadsticas de las muestras y en
este ltimo caso, a partir de ellas podemos estimar los correspondientes
parmetros de la poblacin.
3.1 Medidas de tendencia central
A continuacin describimos las tcnicas de tendencia central: moda,
mediana y media aritmtica.
3.1.1 La moda
La moda de una distribucin se define como el valor que presenta la
mayor frecuencia. Se usa con mediciones de escala nominal, ordinal, de
intervalo o de razn.
Es comnmente utilizada como una medida de popularidad, que refle-
ja la tendencia de una opinin. En algunas distribuciones slo hay una
moda, pero en otras puede haber dos o ms modas. Si tomamos 1, 4, 4,
4, 2, 5, 5, 8, 3, 6, 5, vemos que tanto el cuatro como el cinco aparecen con
ms frecuencia y en tres ocasiones. Es decir, hay dos modas y la distribu-
cin es bimodal.
Cuando se trabaja con datos agrupados, la moda se refiere como el
valor medio del intervalo que constituye la mayor frecuencia.
Tabla 5. Puntajes obtenidos por 50 alumnos de un curso de fsica
Puntajes Frecuencias
30 - 32 4
33 - 35 4
36 - 38 5
39 - 41 7
42 - 44 12
45 - 47 7
48 - 50 4
51 - 53 3
54 - 56 2
57 - 59 2
Total 50
En la tabla 5, presentamos la distribucin obtenida al estudiar los puntajes
obtenidos por 50 estudiantes como calificacin en un curso de fsica.
El intervalo que contiene el mayor nmero de casos, o mayor frecuen-
cia es 42 - 44. Este intervalo contiene los puntajes 42, 43 y 44. El valor
medio del intervalo es, por lo tanto, 43 y lo denominamos como la moda.
3.1.2 La mediana
La mediana se define como la medida de tendencia central que divide
a cualquier distribucin en dos partes iguales.
En la siguiente distribucin:
7, 8, 8, 9, 12, 15, 18, 18, 20, 21, 23.
La mediana es 15, porque se sita en el punto que divide la distribucin
en dos partes iguales. Hay el mismo nmero de casos antes y despus
del 15.
La mediana se usa en variables medidas en escala ordinal, intervalo o
de razn. Su mayor uso es cuando se tienen muchas observaciones y
generalmente se utiliza en distribuciones de ingresos, edades, pesos.
Cuando hay una distribucin con un nmero par de casos, la mediana
es el promedio de los dos valores medios. As, en la siguiente distribucin
de notas:
78,95,86,73,52,90,89,84,76,92
El valor de la mediana es 85, porque, primero al ordenar la distribucin
de menor a mayor as:
52,73,76,78,84,86,89,90,92,95
Siendo 10 el total de notas, las que aparecen en la posicin quinta y
sexta estn en la mitad de la distribucin, entonces la mediana ser:
84 + 86 = 85
2
Cuando se tiene informacin agrupada, la mediana se define como el
valor dentro del intervalo que divide la distribucin en dos partes iguales.
El smbolo utilizado es Me.
En la tabla 6, tenemos una distribucin cualquiera con 5 intervalos de
tamao 5 y con 30 observaciones.
Tabla 6. Distribucin de frecuencias de los pesos de 30 estudiantes
Frecuencias
Intervalos F acumuladas
30 - 34 4 4
35 - 39 7 11
40 - 44 8 19
45 - 49 6 25
50 - 54 5 30
Total 30
Los pasos a seguir para el clculo de la mediana son:
Encuentro las frecuencias absolutas acumuladas.
Con base en las frecuencias acumuladas ubico el intervalo donde que-
de la frecuencias correspondiente a la mitad del tamao de la mues-
tra, es decir: n
2
Encuentro el valor del lmite real inferior del intervalo donde est n
2
Aplico la siguiente frmula:
donde Li = Lmite real inferior donde est ubicada
n
2
Fa = Suma de las frecuencias anteriores a donde est
ubicado
n
2
C = Amplitud del intervalo.
En el ejemplo anterior de los pesos de 30 estudiantes la mediana
est dada por:
Li = 39.5 Corresponde al lmite inferior donde est 15 como
frecuencia acumulada.
Corresponde a la frecuencia del intervalo donde est
n
2
Fa = 11 Corresponde a la suma de las frecuencias antes de
n
2
C = 5 Es la amplitud del intervalo.
Luego:
Mediana = 42
3.1.3 La media aritmtica
Es la medida de tendencia central ms conocida, es fcil de calcular, de
gran estabilidad en el muestreo, sus frmulas permiten tratamiento alge-
braico.
n _ Fa
2
Mediana = Li + C
Fn
2
n
=
30
=

15
2 2
F n
=

8
2
Mediana = 39.5 +
(15 - 11)
x 5

8
Adems, presenta el inconveniente de ser muy sensible a los valores
extremos, cuando stos son demasiado bajos o demasiado altos. Se re-
presenta as: X
La media aritmtica se define como la suma de todos los valores ob-
servados dividido por el nmero de observaciones (n).
La frmula para datos no agrupados es:
Donde -Xi corresponde a la sumatoria de todos los valores de la
muestra.
La media aritmtica de la siguiente distribucin es:
1.1, 2, 1, 2.4, 3, 2, 4.5
Para las distribuciones con datos agregados, existe una frmula, aun-
que un poco ms complicada, es bastante fcil de aplicar.
donde f corresponde a las frecuencias, y X al valor de cada marca de
clase.
Tabla 7. De valores de los pesos de los 30 estudiantes
x f
Intervalos Marca de clase Frecuencias fx
30-34 32 4 128
35-39 37 7 259
40-44 42 8 336
45-49 47 6 282
50-54 52 5 260
Total 30 1265
La marca de clase es el punto medio de cada intervalo. Para tal fin se
suman los dos valores extremos y se divide entre dos. Por ejemplo, la
marea de clase para el primer intervalo es:
X =
xi
n
X =
1.1 + 2 + 1 + 2.4 + 3 + 2 + 4.5
=
16.1
=

2.28
7 7
media
=

fx

n
Por consiguiente al aplicar la frmula la media aritmtica es:
La media aritmtica tiene sus ventajas, sobre las otras medidas de
tendencia central, en que:
Cada caso se incluye en el clculo.
Es rgidamente calculada, es decir, slo hay una para conjunto de datos.
Es importante para hacer inferencias, es decir sirve tambin para cal-
cular parmetros de la poblacin.
La media aritmtica slo se puede calcular a valores numricos, es
decir que estn en escala de intervalos o de razn.
3.2 Medidas de dispersin
Son aquellas que nos determinan cmo se agrupan o se dispersan los
datos alrededor de un promedio.
En este captulo se estudiarn las medidas que se utilizan para deter-
minar cun bien representan los promedios a la distribucin considerada.
En el siguiente ejemplo se presentan las notas obtenidas por dos gru-
pos de estudiantes:
Grupo A Grupo B
80 97
80 95
75 70
83 72
82 73
81 96
82 80
75 72
79 71
7 71
795 797
X
=
30 + 34
=
64
=

32
2 2
media
=
1.265
=
42.17

30
XA = 79.5
XB = 79.7
La media aritmtica de ambas series es prcticamente igual (79.5 en
el grupo A y 79.7 en el grupo B). Un anlisis de las cifras individuales
revelan un gran contraste. En el grupo A hubo muy poca variacin entre
las notas, siendo la ms alta 83 y la ms baja 75. En el grupo B, se nota
mayor variacin, en este grupo la mayor nota fue 97 y la menor 71. Como
conclusin se podra decir que en el grupo B hubo notas muy altas y muy
bajas. En el grupo A las notas tuvieron una mayor concentracin alrede-
dor del promedio.
Para establecer esta caracterstica se utilizan las medidas de varia-
cin o dispersin, entre las cuales las ms utilizadas son el rango, la
varianza y la desviacin estndar.
3.2.1 El rango
La medida ms simple de dispersin es el rango. Este identifica la
distancia entre el valor mayor y el valor menor de la distribucin. Ms
especficamente, se define como la diferencia entre el mayor valor y el
menor valor. Se simboliza por r.
Ejemplo, el rango de la siguiente distribucin es:
25, 36, 64, 20, 48, 59.
r = 64 - 20 = 44
El rango es sencillo de calcular pero tiene la desventaja de que es
sensible a los valores extremos.
3.2.2 Percentiles
Los percentiles son usados para calcular una segunda medida de dis-
persin. El P-simo percentil de un conjunto de mediciones ordenadas
segn su magnitud, es el valor que tiene P% de las mediciones por debajo
de l y (100 P%) por encima.
Se utilizan muy frecuentemente para describir los resultados de pruebas
de conocimiento, como los del Sistema Nacional de Pruebas y en la clasi-
ficacin de personas en forma comparativa. Entre los percentiles de ms
inters estn el 25, el 50 y el 75, frecuentemente denominados como el
menor cuartil Q
1
, el cuartil mediano (mediana) Q
2
y el cuartil superior, Q
3
.
3.2.3 Varianza
De todas las medidas de dispersin, la ms importante, ms conocida
y usada es la varianza. Se define como la media aritmtica de los cuadra-
dos de las desviaciones, respecto a su media. Se simboliza por S
2
.
Su frmula es:
para datos no agrupados
datos agrupados
Ejemplo con datos no agrupados
X
i
= 5; X
2
= 3; X
3
= 1; X
4
= 6; X
5
= 10
Lo cual indica que la varianza de los datos es de 9.2
Ejemplo para datos agrupados
Supongamos la siguiente tabla de pesos en kilogramos:
S
2
=

(x
i
- media)
2

n
S
2
=

f (X - media)
2

n
X

=

5 + 3 + 1 + 6 + 10
=
25
=

5

5 5
S
2

=

(5-5)
2
+ (3-5)
2
+ (1-5)
2
+ (6-5)
2
+ (10-5)
2

5
S
2

=

0 + 4 + 16 + 1 + 25
=
46
=

9.2

5 5
Tabla 8 - Pesos de 100 estudiantes de un colegio
Marca de
Pesos clase X X - X (X - X)
2
Frecuencias f f (X - X)
2
60-62 61 -6.45 41.60 5 208.0
63-65 64 -3.45 11.90 18 214.2
66-68 67 -0.45 0.20 42 8.4
69-71 70 2.55 6.50 27 175.5
72-74 73 5.55 30.80 8 246.4
Total 100 = n 852.51
X = 67.45
donde X es la marca de clase
X la media aritmtica
f la frecuencia de cada intervalo
Propiedades de la varianza
a. La varianza siempre debe ser un valor positivo S
2
> 0
b. La varianza de una constante es 0, es decir: si Xi = C para todo i,
entonces S
2
= 0
c. La varianza de una constante ms una variable, es igual a la varianza
de la variable.
S
2

(k + X)
: = S
2
k
+ S
2
x
= 0 + S
2
x
= S
2
x
Tambin es vlida para la diferencia
S
2

(k + X)
: = S
2
k
+ S
2
x
= 0 - S
2
x
= S
2
x
d. La varianza de una constante por una variable, es igual al producto de
la constante al cuadrado por la varianza de la variable:
S
2

(kX)
: = k
2
S
2
X
S
2
=

f (x - x)
2

n
S
2
=
852.5
= 8.52
100
3.2.4 Desviacin estndar
La desviacin tpica estndar es la raz cuadrada de la varianza, con-
siderada siempre con signo positivo.
Para el caso del peso de los 100 estudiantes del colegio la desviacin
estndar es:
La varianza se expresa siempre en unidades diferentes a las originales,
es decir, si la variable se refiere a peso en Kg, al calcular la varianza estar
dado el peso en Kg al cuadrado. Es una de las razones por la cual se utiliza
la desviacin estndar, pues se expresa en las mismas unidades de la va-
riable.
3.2.5 Coeficiente de variacin
Esta medida relaciona la desviacin estndar y la media, para expre-
sar la variacin de la desviacin con respecto a la media aritmtica. Se
acostumbra expresarlo en porcentaje.
La frmula que se utiliza es:
El coeficiente de variacin sirve para determinar el grado de homogenei-
dad de la informacin. Si el valor del coeficiente de variacin es pequeo
indica que la informacin tiene un alto grado de homogeneidad y si el coefi-
ciente de variacin es grande es porque la informacin es heterognea.
Ejemplo: al hallar el coeficiente de variacin de 6, 3, 4, 7, 8
Lo cual indica que la informacin es homognea, pues el coeficiente
de variacin es de 33.04%.
S
=
S
2
S
=
8.52
=
2.92
Cv

=
S

100
X
S = 1.85
Cv

=

1.85
=

0.3304
=
33.04%

5.6
X

=

28
=

5.6

5
3.3 Asimetra
Una distribucin es simtrica si se tiene que: la media es igual diana e
igual al modo (X = Md = Mo); pero si la distribucin se vuelve asimtrica
las tres medidas se separan y entonces el valor promedio ar ser mayor
que la mediana, que a su vez ser mayor que el modo, deducindose que
la distribucin es asimtrica positiva. Si la media aritmtica es menor que
la mediana y sta menor que el modo, se dice que la distribucin es
asimtrica negativa. En la distribucin asimtrica positiva, la curva pre-
senta un alargamiento a la derecha; en la negativa el alargamiento pre-
senta hacia la izquierda. Vase grficas 4.
Grfica 4. Asimetra
Las frmulas para calcular la asimetra y su grado son:
3.4 Kurtosis
Una caracterstica importante de la variacin de algunas distribucio-
nes es su grado de agudeza en la cima de la curva que las representa
agudeza que se observa en la regin del modo, comparada con las con-
diciones halladas para el mismo sitio en la curva normal, es lo que
Kurtosis.
As
=

3(Media aritmtica - Mediana)
=
3(X - Md)
Desviacin estndar s
As
=

Media aritmtica - Modo
=
X - Mo
Desviacin estndar s
Si la curva es ms plana que la normal, la distribucin se llama achatada
o platicrtica; si es ms aguda, lleva el nombre de apuntada o leptocrtica,
y si la curva es normal, se denomina mesocrtica.
La Kurtosis es una medida de altura de la curva, por lo tanto est re-
presentada por el cuarto momento de la media. En la misma forma que
para la asimetra, su clculo se efecta en funcin de la desviacin estndar
y de los momentos unidimensionales de orden cuatro con respecto a la
media aritmtica.
Su frmula es:
Otra formula para medir la Kurtosis es la que se basa en los cuartiles
y percentiles.
En donde Q = 1/2 (Q
3
-Q
1
). Si el valor encontrado de la Kurtosis es
igual a 0.263 se dice que la curva es mesocrtica o normal; si es mayor, la
curva es leptocrtica y si es menor, la curva es platicrtica.
Por ejemplo, calcular el coeficiente de Kurtosis, si el valor del primer
cuartil es Q
1
= 68.25; Q
3
= 90.75; P
10
D
1
=58.12 y P
90
= D
9
= 101.00
Aplicando la frmula se tiene:
Se puede decir que la curva es normal o mesocrtica.
a
4

=
m
4

=

m
4
s
4
m
2
2
K

=
Q
P
90
- P
10
K

=
11.25

=

11.25

=
0.262
101.00 - 58.12 42.88
Se tiene Q

=
1

(90.75 - 68.25)
=

1
(22.5) = 11.25
2 2
K

=
Q

en donde Q
=

1
(Q
3
-Q
1
) reemplazando
P
90
- P
10
2
3.5 Tablas de contingencia
En muchas ocasiones, la informacin puede organizarse y presentar-
se de acuerdo con la relacin entre dos o ms variables.
Es cuando se habla de tablas de doble entrada o mltiples entradas o
comparacin de colectivos. Las variables pueden ser categricas o nu-
mricas.
Esta forma de representacin presenta grandes ventajas, entre otras
resume informacin y posibilita el anlisis de dependencia, asociacin,
correlacin y homogeneidad.
Supongamos que a partir de datos disponibles en nuestro estudio se
ha elaborado el siguiente cuadro:
Tabla 9. Distribucin de alumnos por jornadas y clase de colegio
CLASIFICACIN DE
NMERO DE ALUMNOS
LA JORNADA COLEGIOS COLEGIOS TOTAL
OFICIALES PRIVADOS
nica 230 840 1070
Maana 583 614 1197
Tarde 418 234 652
Total 1231 1688 2919
Si comparamos los datos en direccin horizontal constatamos que el
mayor nmero de estudiantes corresponde a la jornada de la maana,
mientras que si leemos los datos en direccin vertical el mayor nmero de
estudiantes corresponde los colegios privados.
En ocasiones el investigador desea especificar y analizar los datos
con ms variables. Para el ejemplo anterior podra ser sexo y edad.
Tabla 10. Distribucin de alumnos por jornadas,
clase de colegio, sexo y edad
Clasificacin COLEGIOS OFICIALES COLEGIOS PRIVADOS
de la jornada Hombres Mujeres Hombres Mujeres
10-15 15-20 10-15 15-20 10-15 15-20 10-15 15-20
nica 52 80 22 76 132 180 423 105
Maana 121 47 168 247 241 132 86 155
Tarde 123 154 49 92 76 51 47 60
Subtotal 296 281 239 415 449 363 5561 320
TOTAL 1231 1688
En este ejemplo, el 52 corresponde al nmero de estudiantes hombres
entre los 10 y 15 aos, de jornada nica pertenecientes a colegios oficiales.
Las tablas de contingencia se pueden realizar con frecuencias relati-
vas, es decir, con porcentajes.
NDICE DE DISPERSIN CATEGRICO
Para datos ordinales y nominales se utiliza el llamado NDICE DE DIS-
PERSIN CATEGRICO, cuya frmula es:
Donde K es el nmero de categoras de la variable.
f
2
es la suma de las frecuencias al cuadrado
N = nmero de casos (tamao de la muestra)
Por ejemplo:
Si tenemos la siguiente clasificacin de 15 estudiantes por preferen-
cias deportivas:
D

=
K(N
2
- f
2
)
N
2
(K - 1)
DEPORTES ALUMNOS f
2
FTBOL 8 64
VOLEIBOL 2 4
BASKET 5 25
TOTAL 15
El ndice de dispersin categrico sera:
Lo cual indica que los datos presentan una dispersin del 88%.
DISTRIBUCIN DE DATOS, TCNICAS NUMRICAS
AUTOEVALUACIN N 2
Lea cuidadosamente cada uno de los siguientes enunciados y sea-
le la respuesta correcta.
1. Para entender la naturaleza de la distribucin de frecuencias, las
medidas de tendencia central son mejores que las de dispersin
S _______ No _______
2. Las medidas de tendencia central son-.
___________________________________________________
3. Cul es la mediana de la siguiente distribucin?
4, 4, 5, 3, 7, 9, 5, 1, 7, 3, 7, 7, 5
D

=
3(225 - 93)
225(3 - 1)
D

=
396

= 0.88
450
4. Un profesor pidi los pesos en Kg a 30 estudiantes del curso de
lgebra y obtuvo los siguientes resultados:
No. de estudiantes
Edad f
30-34 5
35-39 6
40-44 8
45-49 7
50-54 4
Total 30
a. Cul es el peso promedio de sus alumnos? _________
b. Cul es la mediana? _________
c. Cul es la moda de las edades? _________
5. Cules son las modas de las siguientes series de nmeros?
a) 122, 103, 148, 113, 103, 118.
b) 75, 84, 37, 49, 51, 83.
c) 22, 43, 22, 38, 41, 43, 20.
6. Cul es la medida de dispersin ms sencilla?
___________________________________________________
7. El rango tiene la desventaja de ser sensible a los valores
extremos.
S _______ No _______
8. La varianza siempre debe ser un valor positivo.
S _______ No _______
9. Cmo se define la Desviacin Estndar?
___________________________________________________
10. Una de las caractersticas de la Kurtosis es el grado de agudeza
de la curva, la cual se puede clasificar en tres tipos:
a. Una ms plana que la normal 0: __________________
b. La segunda ms aguda 0: __________________
c. Si la curva es normal 0: __________________
RESPUESTA A LA AUTOEVALUACIN N 2
1 . N o
2 . M e d i a , m e d i a n a y m o d a
3 . 5
4 . a . X = 4 . 1 8
b . M e d i a n a = 4 2
c . m o d a = 8
5 . a ) 1 0 3 b ) N o h a y c ) 2 2 y 4 3
6 . E l r a n g o
7 . S
8 . S
9 . L a r a z c u a d r a d a d e l a v a r i a n z a
1 0 . a . P l a t i c r t i c a . b . L e p t o c r t i c a . c . M e s o c r t i c a
Taller de estadstica N 1
Se realiz un experimento para evaluar el efecto de la edad en la fre-
cuencia cardaca, cuando se somete una persona a un grado especfico
de ejercicios. Se seleccionaron al azar hombres de cuatro grupos de eda-
des, 10-19, 20-39, 40-59, 60-69. Cada individuo recorri la banda sin fin a
una velocidad especfica durante 12 minutos y se registr el aumento de
la frecuencia cardaca, la diferencia antes y despus del ejercicio, (en la-
tidos por minuto)
Qu puede usted concluir, si los siguientes datos son el resultado del
procesamiento de la informacin apoyada en el computador.
VARIABLE GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4
Talla 15 10 12 12
Promedio 30.1333 27.5 29.5 38.3333
Mediana 30 27.5 29 37.5
Moda 22 24 33 36
Varianza 24.8381 23.8333 19.1818 50.6061
Desviacin estndar 4.98378 4.88194 4.37971 7.11379
Mnimo 22 21 22 28
Mximo 39 34 37 54
Rango 17 13 1.5 26
Quartil inferior 26 24 26.5 34.5
Quartil superior 34 32 33 42
Rango interquartil 8 8 6.5 7.5
Skewness -0.0873053 -0.0716212 0.0311649 0.668752
Kurtosis -0.612727 -1.59948 -0.726827 1.02909
Coeficiente de variacin 16.5391 17.7525 14.8465 18.5577
Suma 452 275 354 460
Preguntas
1. Qu tipo de muestreo se realiz?
2. Qu grupo fue ms homogneo en los resultados? Por qu?
3. Comparando las medias aritmticas qu grupo obtuvo la menor
media?
4. Qu grupo presenta un mayor rango? Qu significa?
5. Si consideramos el grupo 4
5.1 Cul es el mnimo valor?
5.2 Cul fue el mayor aumento de frecuencia cardaca?
5.3 Qu porcentaje de la informacin est por debajo de 34.5?
5.4 Qu porcentaje de la informacin est por encima de 34.5?
5.5 Qu porcentaje de la informacin est entre 34.5 y 42?
6. Si consideramos el grupo 2
6.1 Qu porcentaje de la informacin est por encima de 32?
6.2 Qu valor corresponde al dato que ms se repite?
6.3 Qu dato est ubicado en el primer cuartil?
6.4 Qu significado tienen las dos respuestas anteriores?
Respuestas
1. Muestreo aleatorio por estratos segn edades.
2. El grupo No. 3 porque obtuvo el menor coeficiente de variacin.
3. El grupo No. 2 con un valor de 27.5.
4. El grupo No. 4 significa que obtuvo mayor variabilidad entre el dato
mayor y el dato menor.
5. 5.1 28
5.2 54
5.3 El 25%
5.4 El 75%
5.5 El 50%
6. 6.1 El 25%
6.2 24
6.3 24
6.4 Significa que por debajo del dato que ms se repite hay un 25%
de la informacin.
4. INTRODUCCIN A LAS PROBABILIDADES
4.1 Probabilidades elementales
Consideramos varios ejemplos: es casi seguro que hoy no llueve, con
ello expresamos algn grado de confianza de que no llueve, a pesar de la
completa seguridad.
Qu posibilidad existe de obtener una buena nota en el examen de
economa? En el de estadstica?
En el prximo examen tengo la oportunidad de obtener una nota alta.
Si un aficionado a la hpica es preguntado sobre una fija en una deter-
minada carrera, puede darnos una insinuacin de cul caballo puede ga-
nar. El caballo X tiene una buena oportunidad.
Nos encontramos con un conjunto cuya tcnica se refiere a resultados
que no estamos muy seguros. Asociamos cierto grado de confianza, con
relacin a que cada una de estas predicciones se realice. El cierto grado
de confianza reposa en la experiencia (pasada y presente).
Los Bayecianos definen la probabilidad de un acontecimiento, como
una medida del grado de confianza que uno tiene, en que ocurra el acon-
tecimiento.
Otros autores consideran que la probabilidad pertenece a aquellas no-
ciones imposibles de ser definidas adecuadamente y se les considera
basadas en la experiencia. Por lo tanto, se puede decir que la probabilidad
es una creencia basada en la experiencia.
Consideramos algunas definiciones, segn el mtodo.
a. Mtodo axiomtico. El cual concibe la probabilidad de ocurrencia
de un suceso, como un nmero comprendido entre cero y uno. Este con-
cepto tiene que ver directamente con la nocin de frecuencia relativa,
donde: 0 < p < l.
Supongamos que se lanza 100 veces una moneda, anotamos el nmero
de veces que sale cara y las veces que sale sello; los resultados fueron los
siguientes:
Frecuencias absolutas: cara 56 veces; sello 44 veces
Frecuencias relativas: 56/100; 44/100
Posibilidad: p = 56% (xito); q = 44% (fracaso)
b. Mtodo emprico o prctico. Considera la probabilidad de un su-
ceso, como aquel nmero al cual se aproxima cada vez la frecuencia re-
lativa de la ocurrencia de un suceso, cuando las veces que se repite el
experimento que origina ese suceso es bastante grande. Este concepto
tiene algo que ver con el experimento de Quetelet, en donde la probabili-
dad de un suceso tiende a estabilizarse en un punto, cuando el nmero de
experimentos se va haciendo cada vez ms grande.
c. Mtodo clsico. Considera la probabilidad como el cuociente de
dividir los casos favorables, que pueden ocurrir en un suceso, por el total
de casos posibles.
Nmero de casos favorables
p =
__________________________
Nmero de casos posibles
Ejemplos:
En el lanzamiento de una moneda hay:
2 posibilidades N Combinaciones Probabilidades
C (C) 1/2 = 0.5
S (S) 1/2 = 0.5
2 1 = 1.0
Lanzamiento de dos monedas.
4 Posibilidades N Combinaciones Probabilidades
2C (C,C) 1 1/4 = 0.25
1 C y 1 S (C, S) (S, C) 2 2/4 = 0.50
2S (S,S) 1 1/4 = 0.25
4 1 = 1.00
Lanzamiento de tres monedas.
8 posibilidades N Combinaciones Probabilidades
1C (C, C, C) 1 1/8 = 0.125
2C y 1S (C, C, S) (C, S, C) (S, C, C) 3 3/8 = 0.375
2S y 1C (S,S,C)(S,C,S)(C,S,S) 3 3/8 = 0.375
3S (S, S, S) 1 1/8 = 0.125
8 1 = 1.000
En efecto el nmero de casos posibles en los ejemplos anteriores se
obtiene:
2
1
= 1 2
n
2
2
= 4 2 = casos posibles en una moneda
2
3
= 8 n = nmero de lanzamientos
En un dado sera: 6
n
6
1
= 6 6 = casos posibles en un dado
6
2
= 36 36 = casos posibles al lanzar dos dados
4.2 Esperanza
Si p es la posibilidad de xito en un suceso, en un solo ensayo, el
nmero de sucesos o esperanzas de ese suceso en n ensayos, estar
dado por el producto de n y la probabilidad de xito p.
E = n p
Ejemplo:
En el lanzamiento 900 veces de dos dados, cul es la esperanza de
que la suma de sus caras sea un valor menor a 6?
Primero obtenemos la probabilidad de xito del suceso en un solo
ensayo.
(1,1) (1,2) (1,3) (1,4) (2,1) (2,2) (2,3) (3,1) (3,2) (4,1) = 10
Como se lanzan 900 veces, en dos dados, se tiene:
La esperanza es que en 250 de los 900 lanzamientos, la suma de sus
caras sea menor de 6.
4.3 Leyes de las probabilidades
Para facilitar el clculo de las probabilidades se emplean estas leyes.
1. Si dos o ms sucesos son tales que solamente uno de ellos puede ocu-
rrir en un solo ensayo, se dice que son mutuamente excluyentes. Se
E
= np = 900
10
=
900
=

250
36 36
denomina probabilidad aditiva y ser igual a la suma de las probabilidades
de cada suceso.
P = P
1
+ P
2
+ P
3
........... + P
n
Ejemplo:
La probabilidad de obtener un as o un rey, sacando una sola carta en
una baraja espaola de 40 cartas. Si uno de los casos aparece, queda
excluido el otro.
2. Se dice que dos o ms sucesos son independientes, si la probabilidad
de presentacin de alguno de ellos queda influenciada por la presenta-
cin del otro. En caso contrario, se dice que son dependientes.
En otras palabras, si el resultado de un suceso no afecta al otro, se
dice que son independientes, por lo tanto se efectuar la multiplicacin
de las probabilidades para cada suceso.
P = P
1
x P
2
x P
3
..... x P
n
Ejemplo:
Qu probabilidad tendremos de obtener dos reyes, sacando una car-
ta de una baraja y la otra de una segunda baraja?
Se dice que los sucesos son dependientes, o eventos compuestos, si la
ocurrencia o no ocurrencia de un evento en cualquier prueba afecta la
probabilidad de otros eventos en otras pruebas, es decir que la probabi-
lidad del segundo suceso depende del primer suceso, el del tercero, de
lo que haya sucedido en el primero y segundo y as sucesivamente.
P
1
=
4
=
1

(As)
40 10
P
2
=
4
=
1

(Rey)
40 10
P = P
1
+P
2
=
1
+
1
=
2
=
1
10 10 10 5
P
=
4
x
4
=
16
=
1
40 40 1600 100
Ejemplo:
La probabilidad de obtener tres ases, sacando sucesivamente tres
cartas de una baraja espaola, sin volverlas a incluir (sin reposicin)
en el montn.
4.4 Anlisis combinatorio
El anlisis combinatorio es un sistema que permite agrupar y ordenar,
en diversas formas, los elementos de un conjunto.
Los tres principales tipos de anlisis combinatorio son:
4.4.1 Permutaciones
Se denominan permutaciones de elementos, los diferentes grupos
que se pueden hacer, tomndolos todos cada vez.
Las permutaciones implican orden.
Cada conjunto ordenado de elementos se denominar una permuta-
cin de los n elementos diferentes.
La formula es P
n
= n!, donde P
n
corresponde al nmero de permuta-
ciones posibles.
Por ejemplo:
Determine el nmero de permutaciones posibles de las letras A, B, C, D.
P
4
= 4! = 4 x 3 x 2 x 1 = 24
Representmoslas:
P
1
=
4
40
P
2
=
3
39
P
3
=
2
38
P =
1
2470
P
=
4

3

2
=
24
40 39 38 59280
ABCD BACD CABD DABC
ABDC BADC CADB DACB
ACBD BCDA CBAD DBAC
ADBC BDAC CDAB DCBA
ADCB BDCA CDBA DCAB
ACDB BCAD CBDA DBCA
Otro ejemplo:
Cuntos nmeros diferentes de 9 cifras se pueden formar con los dgitos
del cero al 9, usndolos una sola vez?
P
10
,= 10! = 10 x 9 x 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1 = 3.628.800
Permutaciones con repeticin
Las permutaciones con repeticin r, son un caso particular de las variacio-
nes y no existe una ley sencilla para su formacin. Dado lo complicado del
sistema, slo, se presenta la frmula que logra el nmero de esta clase de
permutaciones.
Sean los elementos aa - bbb - cc - d, para permutar con repeticin, ten-
dremos 8 elementos repartidos as: dos del primero, tres del segundo, dos
del tercero y uno del cuarto, entonces las permutaciones se presentarn
as:
P
8
(r: 2,3,2,1) y la frmula respectiva ser:
P
8
(r:2,3,2,1)=1680
La formula ser
Ejemplo:
De cuntas maneras distribuiramos 3 monedas de $100 y 4 monedas
de $500 en una misma lnea?
P
7
(r: 3,4) = 35
P
8
(r:2,3,2,1)
=

8!
=
8 x 7 x 6 x 5 x 4 x 3 x 2 x 1
2!3!2! 2 x 1 x 3 x 2 x 1 x 2 x 1
P
n
(r: r
1
, r
2
)
=

n!
r
1
!r
2
!
P
7
(r: 3,4)
=

7!
=
7 x 6 x 5 x 4 x 3 x 2 x 1
3!4! 3 x 2 x 1 x 4 x 3 x 2 x 1
Otro ejemplo:
Cuntos grupos de 2 letras se pueden formar con las letras de la palabra
amigas.
4.4.2 Variaciones
Las variaciones corresponden a aquellas permutaciones donde los ele-
mentos no se toman en su totalidad.
Dado un conjunto de n elementos diferentes, se denominar permutacin
parcial o variaciones, de subconjunto de r elementos (r<n) pertenecientes al
conjunto dado.
En el ejemplo de las cuatro letras o elementos (n) vamos a permutar de a 2 (r)
AB BA CA DA
AC BC CB DB
AD BD CD DC
Ejemplo:
Cuntas cifras diferentes de 4 dgitos se pueden formar con los dgitos
del 0 al 9, usndolos una vez?
4.4.3 Combinaciones
Son aquellas en las que no interesa el orden de la aparicin de ele-
mentos del conjunto. Ser lo mismo AB que BA.
P
6
(r: 2)
=

6!
=
360
2!
La frmula es: V
n

=

n!
(n - r)!
r
V
4

=

4!

=

4 x 3 x 2 x 1
=
12
(4 - 2)! 2 x 1
2
V
10

=

10!

=

10 x 9 x 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1
=
5.040
(10 - 4)! 6 x 5 x 4 x 3 x 2 x 1
4
Cuando se toma la totalidad de elementos, solamente se puede hacer una
combinacin. Si se tiene las letras A, B, C, D y se combinan de dos en dos, se
obtienen 6 casos:
AB BC CD
AC BD
AD
La frmula ser:
Y se lee combinacin de n elementos tomados de r en r.
Ejemplo:
Cul es la combinacin de las 4 letras A, B, C, D, tomadas de 4 en 4.
El factorial de cero es uno (0! = l).
En la combinacin de estas 4 letras tomadas de 2 en 2 ser,
4.5 Probabilidad condicional
En algunos eventos probabilsticos se tiene alguna informacin, que
reduce el espacio muestral original a uno de sus subconjuntos; las probabi-
lidades asociadas a esos subconjuntos determinan la probabilidad condi-
cional.
Su frmula est dada as:
Ejemplo:
(
n
)
= C
n
=

n!
r!(n - r)!
r
r
(
4
)
= C
4
=

4!

=

4 x 3 x 2 x 1

=
1
4!(4 - 4)! 4 x 3 x 2 x 1 x 1
4
4
(
4
)
= C
4
=

4!

=

4 x 3 x 2 x 1

=
6
2!(4 - 2)! 2 x 1 x 2 x 1
2
2
P(B/A) =
P(B A)
P(A)
El 18 % de las familias de un barrio tienen vehculo propio, el 20% tiene
vivienda de su propiedad y el 12% tiene vivienda y vehculo. Cul es la posi-
bilidad de tener vivienda si se tiene vehculo?
A = Propietario de vehculo
A = No propietario de vehculo
B Propietario de vivienda
B No propietario de vivienda
B B Total
A 0.12 0.06 0.18
A 0.08 0.74 0.82
Total 0.20 0.80 1.00
INTRODUCCIN A LAS PROBABILIDADES
AUTOEVALUACIN N3
1. La definicin clsica de probabilidades es el cociente de dividir el
nmero de casos favorables que pueden ocurrir en un suceso, por
el nmero de casos posibles: S ______ No ______
2. Cul es la probabilidad de que una bola, extrada al azar de una
urna que contiene 3 bolas rojas, 4 blancas y 5 azules, sea blanca?
a. 3/12
b. 1/3
c. 5/16
d. Ninguna
P(B/A) =
0.12
= 0.66
0.18
3. Una seora invita a cenar a 8 personas; despus de sentarse ella,
de cuntas maneras se pueden sentar sus invitados?
4. En un juego de moneda, entre dos personas, con un premio de
$1.000 por aparicin de cara, cul es la esperanza de ganar con el
resultado de cara?
5. De cuntas maneras se pueden sacar dos manzanas de una caja
que contiene 8 manzanas?
RESPUESTAS A LA AUTOEVALUACIN N 3
1 . S .
2 . 1 / 3
3 . 4 0 . 3 2 0
4 . $ 5 0 0
5 . C
8
2
= 2 8
4.6 Distribucin binomial
En repetidos ensayos, siendo p la probabilidad de xito en un solo ensayo
la cual debe permanecer fija y q la probabilidad de fracaso, entonces la proba-
bilidad P de que se obtengan r xitos en n ensayos, es el termino del desarro-
llo binomial (q+p)
n
.
La frmula general ser:
p = C
n
r
p
r
q
n-r
Los criterios que deben satisfacer una experiencia binomial son:
a) Existir un nmero fijo de pruebas repetidas (n).
b) Cada una de las n pruebas debe tener dos resultados: favorable o desfa-
vorable; en el caso de una moneda ser: cara o sello.
c) La probabilidad de xito de un acontecimiento es fija.
d) Las pruebas son independientes.
e) Nos interesa el nmero de xitos en n pruebas.
En caso de lanzar 4 monedas y se quiera determinar la probabilidad de
obtener exactamente dos caras, ser:
4.7 Distribucin normal
Muchas distribuciones de mediciones, que se hacen tanto en las cien-
cias sociales como en las ciencias naturales, tienden a tener un polgono
de frecuencias con una forma que se asemeja al corte transversal de una
campana.
Esta distribucin se observa ms cuando el nmero de observaciones
es grande y cuando en muchos casos las investigaciones se realizan con
muestras de poblaciones grandes; en la mayora de los casos las distri-
P
= C
4

1

1
=
4! 1

1
=
4.3.2.1

1 1
2 2 2!2! 2 2 2.1.2.1 4 4
2
2 4-2 2 2
P
= 6
1
=
6
=

0.375 = 37.5%
16 16
buciones tienden a aproximarse a la curva en forma de campana ya men-
cionada.
Una distribucin de frecuencias que se asemeja a una campana se reco-
noce como una Distribucin Normal, que por tener caractersticas especia-
les, se convierte en un requisito fundamental para entender el proceso rela-
cionado con la inferencia estadstica y la prueba de hiptesis.
Cuando el nmero n de experimentos es grande, se hace difcil el clculo
de las probabilidades mediante el teorema del Binomio; para facilitar el clculo
y agilizar las operaciones, utilizaremos la distribucin normal.
Entre las propiedades de la distribucin normal estn,
a. El rea total debajo de la curva, puede representar el nmero total de ele-
mentos en una poblacin y se puede considerar que el rea es igual a la
unidad.
Esta propiedad permite determinar la proporcin de la frecuencia conteni-
da entre dos puntajes a lo largo del eje horizontal, ya que se puede calcular
la proporcin del rea debajo de la curva y contenida entre los dos puntos.
b. La media aritmtica, la mediana, y la moda de una distribucin normal son
iguales a cero.
c. La desviacin estndar es igual a 1
d. Como veamos, tiene una distribucin simtrica.
e. Es una distribucin asinttica, es decir, como no toca el eje de las X, se
extiende infinitamente.
f. En una distribucin normal el 68.26% de los valores bajo la curva, se en-
cuentra dentro de ms o menos una desviacin estndar de la media arit-
mtica; el 95.46% de los valores debajo de la curva se encuentra dentro
de ms o menos dos desviaciones estndar de la media y el 99.9% se
encuentra dentro de ms o menos tres desviaciones estndar, tal como
se ve en la grfica 5.
La curva est dada por la funcin:
donde: n nmero de datos
G desviacin estndar de la distribucin binomial = npq
e base de los logaritmos naturales = 2.71828
3.1416
media de la distribucin nominal = np
Grfica 5. Caractersticas de una distribucin normal.
Probabilidad mediante una aproximacin a la curva normal
X y Y son cantidades concretas de la misma especie. La variante esta-
dstica z
=

, representa una medida de las desviaciones estndar o
G
de las G llamadas unidades estandarizadas. La expresin anterior tambin
es conocida como desviacin normal. Aplicando la frmula podemos cal-
cular la probabilidad, por ejemplo de obtener 4, 5 y 6 caras, en 9 lanza-
mientos de una moneda, mediante una aproximacin a la binomial.
Y =
n
e
G 2
z
2
2G
2

n = 9 p = q =
= np = 9 () = 4.5
p = (3.5 < x <6.5)
x = 4,5 y 6 caras
Grfica 6.
Se tiene que x 3.5 corresponde al lmite inferior de 4, y x 6.5 es el lmite
superior de 6. Se va a buscar el valor del rea comprendido entre 3.5 y 6.5,
o sea, P (3.5<x<6.5). Primero localizamos el rea a partir de la media
hasta el lmite inferior, dado que cada lado vale el 50%, la suma total ser
igual a uno.
z = (-0.67) = 0.2486, tomado de la tabla, rea bajo la curva normal.
G = npq = 9 () () = 1.5

De donde z
=
x
entonces z
=

3.5 - 4.5

=
0.67
G 1.5
Z = 1.33 = 0.4082, tomado de la tabla, rea bajo la curva normal.
Se desea el rea comprendida entre z = -0.67 y z = 1.33
Para ello sumamos: 0.2486 + 0.4082 = 0.6568
La probabilidad de que aparezca 4, 5 y 6 caras es del 65.68%. Vase
grfica 6.
Ejemplos:
Usando la tabla del rea bajo la curva normal, plantearemos algunos
problemas que servirn de modelo. Ver grficas: 7 - 8 - 9 y 1 0.
a) Para z = 1.5 y z = -1.4
z = 1.5 la tabla da 0.4332 z =1.4 la tabla de 0.4192
p (-14<z<1.5) = 0.4332+0.4192
p 0.8524 = 85.24%
Grfica 7.
Z
=
6.5 - 4.5

= 1.33
1.5
b) Si se plantea p (z<1.5), corresponde al siguiente grfico.
0.5000 + 0.4332 = 0.9332 = 93.32%
Grfica 8.
c) P (z>1.5)
0.5000 - 0.4332 = 0.0668 =6.68%
Grfica 9.
d) Si queremos conocer el porcentaje de frecuencia comprendida entre
z = -3 y z = -2, ser necesario proceder por diferencia.
z = -3 = 0.4987
z = -2 =
0.4772
0.0215
La diferencia es 0.0215 = 2.15%
P (-3 < z < -2)= 2.15%
Grfica 10.
4.8 Distribucin de Poisson
Se tiene ahora una distribucin binomial, cuando n es grande, por lo gene-
ral mayor de 50, a la vez que p, la probabilidad de xito de un suceso se
acerque a cero, mientras que q, la probabilidad de fracaso, se aproxime a
uno, de tal manera que el producto np, llamado lamda es menor o igual a 5,
debe utilizarse la distribucin de Poisson.
Su frmula es:
donde e = 2.71828
P =

x
e
-
X!
= np
x = nmero de casos favorables
Ejemplo:
a) Si el 1 % de las bombillas fabricadas por una compaa son defectuosas,
hallar la probabilidad de que en una muestra de 100 bombillas 3 sean
defectuosas.
= 100 x 0.01 = 1
X = 3
e-
1
(utilizamos la tabla para valores de e
-
)
e-
1
= 0.36788
b) Si, la probabilidad de que una persona adquiera la enfermedad como
consecuencia de una vacuna contra la misma, es 0.0002, cul es la
probabilidad de que la adquieran exactamente 5 personas en una po-
blacin de 10.000 vacunados?
= np = 10.000 x 0.0002 = 2
x = 5
entonces P =
2
5
(0.13534)
=
32(0.13534)
=
4.33088
5.4.3.2.1 120 120
P = 0.03609 = 3.61 %
P (x = 5) = 3.61 %
P

=

1
3
- e
-1

=

1 (0.36788)
=
0.06131
3! 3.2.1
p =

x
. e
-
X!
LA CURVA NORMAL Y SUS APLICACIONES
AUTOEVALUACIN N4
1. La curva normal se caracteriza por que es asimpttica. Esto quiere
decir que:
a. La media es igual a la moda _________________
b. Tiene forma de campana _________________
c. Es simtrica _________________
d. Nunca toca el eje _________________
e. Ninguna de las anteriores _________________
2. La tabla bajo la curva normal sirve para indicar cul es:
a. La proporcin de los casos que se encuentran entre la media y
un valor llamado puntaje _____________
b. El valor de la desviacin estndar en relacin con el valor de la
media _____________
3. En una distribucin normal, la media, la mediana y la moda son
iguales:
S _____ No _____
4. Cul es el rea bajo la curva normal que corresponde a un z =
2.5?
_____________________________________________________
5. El promedio de las notas de un curso est en 1.350 puntos y tiene
una distribucin normal con una desviacin estndar de 18 puntos.
a. Qu porcentaje de alumnos tiene notas entre 1.350 y 1.377
puntos? _________________
b. Entre 1.365 y 1.377 _________________
c. Entre 1.31 y 1.351. _________________
6. Con una distribucin de 20 elementos se obtiene una media de 20.3
y una desviacin estndar de 2.81. Si uno de los elementos tiene un
valor de 28, cul es el valor de z?
a. 17.18 _____________
b. 7.70 _____________
c. 2.74 _____________
d. 5.48 _____________
e. Ninguno de los anteriores _____________
7. En una distribucin normal, el 68.26% de los valores bajo la curva
se encuentra dentro de ms o menos una desviacin estndar de la
media aritmtica.
S _____ No _____
8. En una distribucin binomial, cuando n es pequea, se utiliza la dis-
tribucin de Poisson.
S _____ No _____
RESPUESTAS A LA AUTOEVALUACIN N 3
1 = d ; 2 = a - , 3 = S ; 4 = 4 9 . 3 8 % ; 5 = a ) 4 3 . 3 2 % ;
b ) 1 3 . 6 5 ; c ) 2 1 . 1 4 % ; 6 = c ) 2 . 7 4 ; 7 = S ; 8 = N o
5. ESTADSTICA INFERENCIAL
Ayuda a determinar la confiabilidad de la inferencia de que los fenme-
nos observados en la muestra ocurrirn tambin en la poblacin de donde
se seleccion la muestra. Es decir, sirve para estimar la eficacia del razo-
namiento inductivo con el cual se infiere que lo que se observa en una
parte se observar en el grupo entero.
El objeto de la estadstica es el de hacer inferencias (predecir, decidir)
sobre algunas caractersticas de la poblacin con base en la informacin
contenida en una muestra.
Por lo tanto, se puede afirmar que el empleo de la estadstica inferencial
presume el dominio de la estadstica descriptiva. Sin embargo se debe
tener presente que al predecir un resultado o tomar una decisin se est
sujeto a una incertidumbre o margen de error, bien sea por la tcnica de
muestreo o por la seleccin del estadstico de prueba.
Es importante resaltar que se debe diferenciar entre las tcnicas que
son vlidas para el anlisis de los datos cualitativos y de los datos cuanti-
tativos.
En el caso de la estadstica inferencial el investigador se encuentra
con dos tipos de tcnicas. Por un lado las tcnicas paramtricas que
suponen una serie de supuestos acerca de la naturaleza de la poblacin
de la que se extrajo la muestra de estudio. Por otro lado, las tcnicas no
paramtricas, que no requieren supuestos sobre las caractersticas de la
poblacin y que se facilitan ms para el anlisis de datos nominales y
ordinales.
Las ventajas de las tcnicas paramtricas es que son ms potentes
que las no paramtricas y por consiguiente las inferencias que se realizan
son ms fiables. El inconveniente es que el investigador no siempre pue-
de cumplir con los requisitos y supuestos que exige el enfoque paramtrico,
sobre todo en investigaciones educativas y sociales.
La ventaja de las tcnicas no paramtricas es que son fciles de utili-
zar y algunas son tan potentes como las paramtricas.
El anlisis de datos cualitativos ha generado tcnicas propias, que ac-
tualmente constituyen toda una metodologa especfica que viene marcada
por la propia idiosincrasia cualitativa y que toma determinadas opciones en
relacin a las unidades de registro de los datos y la forma de tratarlos.
Actualmente existe inters por sistematizar estos procedimientos, sin
embargo esta tarea es difcil debido al carcter abierto y flexible de la me-
todologa, los diversos enfoques, y la variedad de objetivos cientficos que
puede cubrir.
Una de las maneras de realizar estimaciones es con las pruebas de
hiptesis referentes a sus valores.
En muchos aspectos el procedimiento formal para la prueba de hip-
tesis es similar al mtodo cientfico.
5.1 La prueba de hiptesis
Ya el investigador, desde el momento en que identifica y delimita el pro-
blema que va a investigar, ha aclarado los elementos conceptuales y las
hiptesis o modelos que tiene que probar. En las etapas complicadas con
la generacin de los instrumentos, con la recoleccin de la informacin y
con la codificacin de la misma, estas hiptesis se aclaran mucho ms y
en algunos casos, toman caractersticas cuantitativas, permitiendo la apli-
cacin de tcnicas estadsticas, para probar su relevancia en cuanto a su
capacidad para generalizar el fenmeno, o la relacin entre fenmenos, a
poblaciones mayores, o para tomar decisiones en relacin con tales fen-
menos.
En esta parte distinguiremos la lgica del proceso para probar una hi-
ptesis y aplicaremos en casos determinados la prueba Z, la prueba T y la
prueba de significacin entre muestras, para ilustrar el proceso de prueba
de hiptesis.
La lgica de la prueba de hiptesis
En el proceso de la estadstica inferencial, hay dos tipos de hiptesis
claves: una es la hiptesis de investigacin (H
1
), que simplemente seala
la existencia de un hecho o de un evento, o la relacin entre dos o ms
fenmenos.
La otra es la hiptesis nula (H
0
) que se construye artificialmente para
que el investigador evale su hiptesis de investigacin.
Si la hiptesis de investigacin afirma que existe una relacin entre dos
o ms fenmenos, la hiptesis nula (H
0
) plantea que no existe relacin
entre los dos fenmenos.
Es decir, se utiliza esta ltima como un modelo para probar la hiptesis de
investigacin, o sea, probar su veracidad o su falsedad.
Para probar una hiptesis, se necesita:
1 La existencia o planteamiento de la misma.
2 Que se anticipen los eventos que pueden resultar a partir de la observa-
cin o experimentacin.
3 Que se especifiquen las condiciones bajo las cuales la hiptesis se puede
rechazar o aceptar.
4 Que se haga el experimento y la observacin y que se analice el evento o
resultado.
5 Que se tome la decisin de rechazar o aceptar la hiptesis.
Esto implica que, aunque se tiene que observar o experimentar, todas las
suposiciones se hacen antes de las mismas observaciones o experimentos.
Es decir, el investigador predice y luego bajo las reglas del juego de su predic-
cin evala en relacin con los resultados. Si stos no son consistentes con
lo que se predijo, se rechaza la hiptesis.
Con un ejemplo podemos ilustrar la naturaleza de la prueba de hiptesis.
Supongamos que se est probando una nueva semilla para resolver proble-
mas de productividad en una regin determinada. La hiptesis de la investiga-
cin sera que la media aritmtica por fanegada es mayor de 519 arrobas, que
es el tradicionalmente observado en esa regin.
Para verificar la hiptesis tenemos que completar los cinco pasos siguientes:
1 Aclarar la hiptesis de investigacin H
1

y crear la hiptesis nula H
0
.
2 Obtener la distribucin del muestreo.
3 Seleccionar un nivel de significancia y una regin de rechazo.
4 Hacer la prueba estadstica.
5 Comparar y concluir.
Punto 1
El paso uno se define en el enunciado del problema. Para que sea verifica-
da H
I
, el proceso a seguir es contradecir a H
0
, es decir, hay que contradecir
que la media aritmtica es igual o menor a 519.
Entonces las dos hiptesis se representan as:
H
1
: X > 519
H
0
: X < 519
Con lo anterior, lo que se est diciendo es que, si encontramos que el
promedio de produccin por fanegada es de 519 arrobas o menos, tendre-
mos que concluir que nuestra hiptesis inicial H
1
, tendr que ser modificada y
por lo tanto, la nueva semilla, por lo menos en cuanto a su productividad, no
es competitiva con las tradicionalmente utilizadas.
Punto 2
Una vez aclaradas las suposiciones del punto 1, acerca de H
1
y H
0
, por
medio de un razonamiento matemtico podemos obtener la distribucin de
muestreo, o sea, la distribucin de todos los posibles valores que una estads-
tica puede tener, con base en un muestreo probabilstico de un universo.
Esta distribucin nos dice, entonces, qu probabilidad hay de obtener cada
uno de los resultados.
Dependiendo del tamao de las muestras, las distribuciones de muestreo
tienden a tomar una distribucin normal y por ello no es necesario calcularlas.
Un teorema importante, que es una aplicacin de la distribucin normal,
conocido como el teorema del Lmite Central, dice que si en una poblacin
de tamao N, con una media de y una varianza de S
2
se obtienen mues-
tras al azar, la distribucin de las medias de las muestras seleccionadas
ser normal -y ms lo ser en la medida en que se incremento el nmero de
muestras seleccionadas- y tendr una media de Y y varianza S
2
/N.
El teorema garantiza que la media de una muestra puede estar muy cer-
cana al de la poblacin, en la medida en que tenga un tamao n grande, ya
que la varianza de la distribucin de las medias muestrales S
2
/N, se hace
ms pequea en la medida en que aumenta el tamao n.
La desviacin estndar de la distribucin de las medias de la muestra se
denomina como el error estndar: S/ /N
Punto 3
A partir de la informacin obtenida, el investigador puede escoger resulta-
dos que permitan aceptar o rechazar sus supuestos. Posteriormente, los re-
sultados identificados para rechazar la suposicin se llaman de regin crtica,
dividiendo as los resultados en los que sirven para rechazar y los que sirven
para aceptar la hiptesis nula, sabiendo que estos sectores estn relaciona-
dos con errores de tipo y .
Una vez aclaradas la H
1
y H
0
, obtenemos aleatoriamente una muestra de
la produccin por fanegada de la semilla probada en la regin.
Calculamos la media aritmtica y la desviacin estndar de los datos de la
muestra, informacin sta que nos permite hacer la prueba estadstica.
Si calculamos x, sabemos que la distribucin de muestreo de x, supo-
niendo que H
0
es cierto, es bastante aproximada a una distribucin normal
con un = 519.
Valores de x, que contradicen H
0
y por lo tanto validan a H
1
, sern aque-
llos que se encuentran en la regin de la cola derecha de la distribucin,
como lo seala la figura 11. Estos valores contradictorios generan la re-
gin de rechazo, es decir, si el valor observado de x cae en la regin de
rechazo, descartamos H
0
y aprobamos H
1
. Observemos que se verifica H
1
contradiciendo H
0
. Por lo tanto si x cae en la regin de aceptacin de la
figura 11, aceptamos H
0
y no podemos verificar H
1
. Esta es la etapa de
comparacin con la regin de rechazo.
Grfica 11. Suponiendo que H
0
es verdadera, los valores
contradictorios de X estn en la cola superior.
Hay posibilidad de cometer dos tipos de errores al probar la hiptesis.
Podemos, como en cualquier proceso de decisin entre dos escogencias,
cometer el error de rechazar a H
0
cuando en realidad es verdadera; error
tipo l ; o podemos aceptar H
0
cuando en realidad es falsa; error tipo ll .
Y aunque es conveniente determinar la regin de aceptacin y de rechazo,
minimizando tanto el error tipo como el error tipo , esto no es imposible
porque estn inversamente relacionadas, es decir, para una muestra de
tamao , cuando se cambia la regin de rechazo para incrementar el error
, el error disminuye y viceversa.
Para resolver este problema, la comunidad de cientficos ha decidido
que se debe trabajar con la probabilidad de cometer error tipo l y la espe-
cificacin del valor para el error tipo determina la regin de rechazo.
Cmo se hace? Volviendo a nuestro ejemplo, sabemos que rechazamos
H
0
si obtenemos grandes valores de x.
Si tenemos una muestra de 36 terrenos de una fanegada, como mues-
tra del estudio y si la media aritmtica es x = 573 y la desviacin estndar
es S = 124 la pregunta clave sobre la cual tenemos que tomar una deci-
sin es si el x para toda la regin es mayor que 519.
Para concluir, decidimos el valor del error con el cual queremos traba-
jar; siempre sabemos que hay la posibilidad de cometer un error. Si en este
caso queremos correr el riesgo de equivocarnos 1 de cada 40 decisiones,
es decir de rechazar incorrectamente H
0
entonces = 1/40 = 0.025
Como suponemos que H
0
es verdadera, x est distribuida normalmen-
te y tiene = 51 9 y una desviacin estndar de:
Punto 4
Supongamos que en la figura 11 la regin rayada sea la equivalente a la
de un = 0,025. Para calcular el punto de rechazo, se tiene que calcular el
valor de Z, que tiene un rea de 0.025 a su derecha. En la tabla de reas
bajo la curva normal vemos que el valor correspondiente es de 1.96, por lo
que lo designaremos como el lmite para la regin de rechazo y si el valor
observado de x es mayor que 1.96, desviaciones estndar arriba de = 159,
se rechaza la hiptesis nula.
S
=
124
=

20.67

N 36
Cuando el valor de x es igual a 573 y el de S es igual a 124, el valor de
Z normalizado es:
Punto 5
El ltimo paso es comparar el valor obtenido con el dispuesto como
rechazo, ya que x encontrado est a ms de 1.96 unidades de desviacin
estndar arriba del = 519, rechazamos H
0
en favor de H
1
y concluimos
que la productividad de la nueva variedad de semilla es significativamente
mayor que 519.
5.2 Pruebas de significancia de muestras nicas o simples
Cuando se quiere probar hiptesis a partir de una muestra nica, se
pueden utilizar varias pruebas de significancia de hiptesis. En estudios
en ciencias naturales y ciencias sociales es muy frecuente este tipo de
situaciones y las tcnicas utilizadas ms frecuentemente son la prueba Z,
y la prueba t frecuentemente llamada t de Student.
5.2.1 Prueba Z
Normalmente se utiliza cuando se conoce el parmetro de la pobla-
cin. Ilustremos su uso con el siguiente ejemplo hipottico:
En una institucin de enseanza media se presenta una desercin que
los directores consideran muy alta y pensaron que con un programa de
consejera, podran controlarla, con la hiptesis de que cuanta ms gua
personal, mayor sera la probabilidad de continuar exitosamente en la
institucin. Se gener una consejera y al cabo de un ao se recopil infor-
macin sobre el nmero de veces que cada estudiante tuvo contacto for-
mal con un consejero.
La media aritmtica para el total de estudiantes fue de 12.1 visitas al
ao, con una desviacin estndar de 3.21.
Meses despus se hizo una muestra aleatoria simple de 40 estudian-
tes desertores y a partir de los datos obtenidos con la recopilacin de in-
formacin, se les calcul una media aritmtica de 9.11. Al ver que era ms
baja que el resto de la poblacin, los directores se hicieron la siguiente pre-
Z

=

x -

=

573 - 519
=

54

=
2.61
S 124 20.67
N 36
gunta. Es el nmero de visitas de los desertores significativamente ms
bajo que el de la poblacin estudiantil?
Supongamos la hiptesis de la investigacin H
1
: x < y la hiptesis
nula H
0
: x > , decidimos utilizar un nivel del 0.01 de significancia, la muestra,
como vimos, es probabilstica.
Para probar la hiptesis calculamos el puntaje Z, normalizado como
habamos visto as:
El signo es indiferente al resultado, porque estamos trabajando con
reas, por lo tanto Z = 5.86.
En la tabla de reas bajo la curva normal, vemos que para que el x sea
significativamente distinto de = 12.1, se necesita una Z = 2.33 o mayor;
como el Z obtenido es mayor, se rechaza H
0
y se acepta H
1
, ya que:
0.5000 - 0.0100 = 0.4900
Entonces Z = 2.33
Concluimos que los estudiantes desertores tienen un nmero de con-
tactos significativamente inferior al resto de la poblacin estudiantil.
5.2.2 Distribucin t de Student
En los casos en que no se conoce el parmetro poblacional, depen-
demos nicamente de las estadsticas de las muestras y utilizamos la
Prueba t.
Cuando n > 30 (muestra grande) la desviacin estndar simbolizada por
I, se le considera como un buen estimador de la desviacin estndar
poblacional, debido a que existe una mayor probabilidad de que los valores
extremos que toma la variable, queden incluidos en el clculo de la va-
rianza para la muestra, tal como ocurre en el clculo de la varianza pobla-
cional.
Siendo, I = S, la frmula para obtener I ser:
Z

=

x -

=

9.11 - 12.1
=

-2.99
=
-5.86
S 3.21 3.21
N 40 6.32
Para n < 30 (muestra pequea) la desviacin estndar se simboliza
por I, cuando no se ha efectuado ninguna correccin. Se considera que,
I, por lo general, es mejor que S, debido a la menor probabilidad de que
se incluyan los valores extremos de la variable. Por tanto, se hace nece-
sario efectuar algunas correcciones en el clculo:
a. Cuando se da la desviacin estndar sin corregir:
b. Cuando se desea corregirla directamente
En la distribucin de t Student, se considera que las curvas son sim-
tricas, pero algo ms achatadas y ms abiertas en los extremos, los cua-
les corresponden a regiones crticas. A medida en que el tamao de la
muestra se hace ms grande, ms se acerca a la normal.
La funcin dada para este tipo de distribucin es:
donde v corresponde a los grados de libertad, nmero que depende de
n; C es una constante que depende de v y es calculada en tal forma que el
rea bajo la curva sea igual a 1.
Grados de libertad
Corresponden al nmero mximo de variables que puedan asignarse
libremente, antes de que el resto de las variables queden completamente
determinadas.
I
=

(x - x)
2
n - 1
^
Y = C 1+
t
2
v

v+1
2
I
=

(x - x)
2
n
n n - 1
^
I
=

(x - x)
2
n
^
Las variantes estadsticas para el clculo de t son:
a) En las distribuciones muestrales donde n < 30, la frmula es:
tambin puede escribirse en la siguiente forma
donde I se obtiene corrigindola as:
b) En las distribuciones de medias muestrales se tiene:
siendo
En la determinacin de los puntos crticos, t
i
(inferior) y t
s
(superior), se
utiliza la tabla t de Student. En primer lugar se fija el nivel de significacin,
por ejemplo, = 0.05, luego se calculan los grados de libertad, siendo en
distribuciones muestrales v = n - 1, en diferencias de medidas muestrales:
v= n
i
+ n
2
- 2. Si la prueba es bilateral, se tomar el 5% para cada una de
t =
x -

I
n
t =
x -

I
n-1
^
I
=
I

n

I
=

(x - x)
2
n - 1 n - 1
^
t
=
(X - Y)
2
(
x
-
y
)
I
x-y
I
2
=

(X - X)
2
+

(Y - Y)
2
n
1
+n
2
-2
I
x-y
=
I
2

+

I
2

n
1
n
2
las regiones crticas y si es unilateral se tomar el doble del nivel de
significancia asignado; en este caso, ser 0. 1 0.
Ejemplos:
1. Una muestra de 25 observaciones tiene una media de 42.0 y una des-
viacin estndar de 8. Trabajando con un nivel de significancia del 1%.
Existe razn para rechazar la hiptesis de que la media de la pobla-
cin es de 46.0.
a. H
1
: x 46
H
0
: = 46
b. = 0.01
Grfica 12.
V = 25-1; = 0.01; corresponde a una t = 2.7969
c. I = 8
^
I
= 8
25
=
8(1.021)
=
8.17
25 - 1
t

=

42 - 46

t

=

-4
=
-2.45
8.17 1.63
25
Como el valor de t = -2.45 queda en la regin de aceptacin, se acepta
la hiptesis de que = 46, es decir no existe razn para rechazar que la
media de la poblacin es 46.
2. Un fabricante de cigarrillos analiza el tabaco de dos marcas diferen-
tes, para determinar el contenido de nicotina y obtiene los siguientes
resultados, en miligramos.
Marca A: 24 26 25 22 23
Marca B: 27 28 25 29 26
Los resultados anteriores, sealan que existe una diferencia en el
contenido medio de nicotina en ambas marcas?
Solucin:
a) H
I
:
x

y
H
O
:
x
=
y
b) = 0.05
c) I
x-y
= 1
Siendo:
Tabla 11. Resultado de las dos marcas de cigarrillos
para determinar el contenido de nicotina
X y x-x (x - x)
2
y-y (y - y)
2
24 27 0 0 0 0
26 28 2 4 1 1
25 25 1 1 -2 4
22 29 -2 4 2 4
23 26 -1 1 -1 1
120 135 0 10 0 10
I
=

(X - X)
2
+

(Y - Y)
2
n
1
+n
2
-2
I
x-y
=
I
2

+

I
2

n
1
n
2
d)
e) v = n
1
+ n
2
-2
v = 5 + 5 - 2
v = 8
Grfica 13.
f) Los resultados anteriores sealan que existe una diferencia significati-
va en el contenido medio de nicotina en ambas marcas. Vase grfica
13.
5.2.3 Distribucin Chi Cuadrado:
2
La distribucin normal se utiliza en todos aquellos casos que ofrecen
dos resultados posibles; cuando se presentan ms de dos resultados posi-
bles, debe aplicarse la prueba chi cuadrado que se simboliza as:
2
. Un
ejemplo tpico de distribucin lo constituye el lanzamiento de una moneda
con posibilidades de que aparezca cara o sello. Uno de
2
consiste en el
lanzamiento de un dado con seis caras posibles, numeradas del 1 al 6.
t
=
(24 - 27) - 0
=
3
=

3
1 1
X =
120
= 24

5
Y =
135
= 27

5
I=
10 + 10
=
20
=
2.5

5 + 5 - 2 8
I
=
1.6 I
2
=
2.5
I
x-y
=
2.5
+
2.5
=

1
=
1

5 5
El Chi cuadrado es la suma de las fracciones que tienen por numerador
el cuadrado de las diferencias entre las frecuencias reales u observadas y
las frecuencias esperadas o tericas y por denominador la frecuencia es-
perada.
en donde n
i
frecuencia observada o real
n*
i
frecuencia terica o esperada
Se puede observar en la frmula, que mientras mayor sea la coinciden-
cia entre las frecuencias observadas y las esperadas, menor ser el valor
de
2
. Si
2
= 0 significa concordancia entre las frecuencias observadas y
las esperadas.
Ejemplo:
Supongamos que se lanza un dado 60 veces. Se sabe que las fre-
cuencias tericas, para este caso son de 10 veces cada cara y las fre-
cuencias reales son los resultados del lanzamiento. La base de un nivel
de significancia del 5%, permite suponer que el dado no es perfecto?
Solucin:
El problema da las frecuencias reales nt, para cada cara, como se ve en
la tabla 12. Las frecuencias esperadas se obtienen multiplicando la probabi-
lidad de cada suceso por n (nmero de lanzamientos). Vase grfica 14.
Tabla 12. Frecuencia en el lanzamiento de un dado 60 veces
Caras n
i
n
i
* n
i
- n
i
* (n
i
- n
i
*)
2
1 7 10 -3 9 0.9
2 14 10 4 16 1.6
3 8 10 -2 4 0.4
4 5 10 -5 25 2.5
5 16 10 6 36 3.6
6 10 10 0 0 0
60 60 0 - 9.0
2

=

(n
i
- n*)
2
n*
i
i

(n
i
- n*)
2
n*
i
i
y as se obtienen las dems frecuencias te-
ricas.
Se realiza la prueba teniendo en cuenta los siguientes pasos:
1) H
I
: n
i
n*
i
H
I
: n
i
n*
i
2) = 0.05
3)
4) V = n - 1 = 6 - 1 = 5.
.
.
2
0.05
= 11.07
Grfica 14.
En la tabla de distribucin de
2
, encontramos que 11.07 es el valor
crtico.
5)
2
<
2
0.05
, es decir 9 < 11.07, por lo tanto se acepta la hiptesis de que
la diferencia no es significativa. En otras palabras podemos afirmar que
a un nivel del 5%, las diferencias que presentan las frecuencias reales,
con relacin a las frecuencias tericas no nos da base para afirmar que
el dado est cargado.
n
*
i
= np
1
= 60
1

=
60

=
10

6

6

2

=

(n
i
- n*
i
)
2

=
9.0
n*
i
PRUEBAS DE HIPTESIS - AUTOEVALUACIN N 5
1. La hiptesis de investigacin es exactamente lo mismo que la
hiptesis nula?
S _____ No _____
2. Si una hiptesis de investigacin es que dos poblaciones tienen
iguales medias aritmticas, cul es la hiptesis nula?
a. Que en efecto tienen iguales medias aritmticas ____
b. Que las dos poblaciones tienen distintas medias aritmticas ____
c. Que las medias aritmticas pueden ser iguales o distintas ____
d. Para poder definirla hay que conocer la desviacin estndar ____
3. Una distribucin de muestreo es lo mismo que una distribucin
de una muestra?
S _____ No _____
Por qu?
___________________________________________________
___________________________________________________
4. El nivel de significancia es:
a. Lo mismo que el nivel de precisin _____
b. La regin crtica de una curva normal _____
c. Una probabilidad _____
d. El error alfa _____
e. La exactitud con que se predicen los parmetros _____
5. El valor crtico de un puntaje Z para una prueba de una cola, al
nivel de significancia 0.05 es: ________
6. A partir de una muestra de obreros en una fbrica, se puede
inferir a cerca de las caractersticas de esa fbrica?
a. No _____
b. Slo si uso una prueba Z _____
c. Slo si uso una prueba t _____
d. Si se usa una prueba Z o prueba t _____
7. La prueba t se prefiere a la prueba Z cuando no se conocen los
parmetros del universo?
S _____ No _____
8. Los salarios diarios de una industria estn distribuidos normal-
mente con una media de $132 y una desviacin estndar de $25.
Si una empresa de dicha industria, que cuenta con 40 obreros
paga en promedio $122, puede acusarse a esta compaa de
pagar salarios inferiores al nivel de significancia del 1%?
S _____ No _____
Desarrollo: _________________________________________
___________________________________________________
___________________________________________________
9. Una hiptesis dice que el estudiante promedio de la universidad
colombiana tiene un coeficiente de inteligencia mayor que el resto
de la poblacin. Escriba una hiptesis de investigacin y una
hiptesis nula, con un coeficiente de inteligencia que al estan-
darizarse tiene una X = 100
Hiptesis de investigacin: ______________________________
Hiptesis nula: ________________________________________
10. Un fabricante de ciertas piezas de proyectiles sostiene que en
condiciones normales de reparacin, tienen una duracin media
=320 horas. Probar esta afirmacin frente a la alternativa
320, si 16 piezas duran un promedio de 308 horas, con una
desviacin de 29 horas. Utilizar un nivel de significancia del 5%.
M D U L O 4 : A N L I S I S D E L A I N F O R M A C I N 9 7
1 1 . U n d a d o s e l a n z a 1 0 0 v e c e s y s e o b t i e n e n l o s s i g u i e n t e s r e s u l -
t a d o s :
C a r a A 1 2 3 4 5 6
n i 1 2 1 7 2 0 2 2 1 3 1 6
P u e d e c o n s i d e r a r s e e l d a d o p e r f e c t o a l n i v e l d e l 1 % d e s i g n i -
f i c a n c i a ?
S _ _ _ _ _ N o _ _ _ _ _
E x p l i q u e .
Z

=

122 132

=
2.53
25

40
t

=

308 320

=
1.60
29

15
1. No, es lo contrario.
2. b
3. No. La distribucin de una muestra son las caractersticas que
tienen los datos a partir de una muestra.
La distribucin de un muestreo es la distribucin de una mues-
tra de medias a partir de muestras.
4. c
5. 1.96
6. d
7. S
8. cae en la regin de rechazo. Se puede
acusar a la compaa de pagar salarios inferiores al nivel del 1%
9. Hiptesis de investigacin: H
1
= x >100 Hiptesis nula: H
0
=x100
10. cae en la zona de aceptacin, o sea, que
la duracin promedio es de 320, a un nivel significativo del 5%.
11. S, porque
2
= 4.518 y cae en la zona de aceptacin y se puede
considerar el dado perfecto.
6. REGRESIN Y CORRELACIN
6.1 Introduccin a la bidimensional
En esta parte examinaremos la relacin entre variables, medidas en es-
calas de intervalo o de razn. Pero ya no slo queremos comparar, ahora
queremos entender qu tipo de conexin hay entre las variables, por inter-
medio de la relacin que existe entre ellas, e ir ms all entendiendo la
naturaleza de la relacin entre las variables.
En las distribuciones bidimensionales se consideran dos variables en
forma simultnea, determinndose si tienen alguna relacin funcional entre
s; an ms, cuantificando dicha relacin. Estas variables pueden ser am-
bas discretas, ambas continuas, o una discreta y otra continua.
Llamaremos Xi a la primera variable, donde i toma todos los valores
desde 1 hasta n. As tendremos X
1
, X
2
, X
3
, ... X
n
; Y
i
se considerar como la
segunda variable, donde i toma los valores desde 1 hasta n. Se tendrn
tantos valores de X como valores de Y, es decir, se tomarn siempre pares
de observaciones.
Tabla. Valores de X y Y
X
i
Y
i
X
i
Y
i
X
i
2
Y
i
2
XY
X1 Y1 6 3 36 9 18
X2 Y2 10 4 100 16 40
X3 Y3 14 8 196 64 112
X4 Y4 20 12 400 144 240
27 18 729 324 486
33 25 1.089 625 825
Xn Yn 110 70 2.550 1.182 1.721
Para cada variable se podr calcular la media aritmtica, la varianza y
la desviacin estndar, usando los datos no agrupados.
X

=

X
i
=

110

=
18.33
N 6
Y

=

Y
i
=

70

=
11.67
n 6
La covarianza es una medida de dispersin que representa el grado de
variabilidad conjunta entre X
i
y Y
i
. Su smbolo es m
xy
m
yx
. Se define como
la media del producto de las desviaciones respecto a las medias aritmti-
cas. Entonces se puede calcular la covarianza por la siguiente frmula:
Tomando los datos de la tabla anterior podemos calcular la covarianza
as:
Los datos de la distribucin bidimensional anteriormente dada puede
representarse grficamente en un par de ejes de coordenadas, tomando
el eje de la abscisas para la primera variable (X
i
) y el eje vertical para los
valores de la segunda variable (Y
i
).
m
xy

=

X

Y

X

Y
n
m
xy

=

1.721

=

(18.33)(11.67)
6
m
xy

=
286.83 213.91
m
xy

=
72.92
S
2

=

X
2
X
2

=

2.550

(18.33)
2

=
89.01
n 5
x
i
S
2

=

Y
2
Y
2

=

1.182

(11.66)
2

=
61.04
n 6
y
i
S
y
= S
2
= 89.01 = 9.44
y
S
y
= S
2
= 61.04 = 7.81
y
En un plano cartesiano se presentan tantos datos como puntos pares
de observaciones se tengan, correspondiendo cada punto a un par de ob-
servaciones. A esta representacin grfica se le denomina indistintamen-
te diagrama de desparramiento, de esparcimiento o nube de puntos.
Grfica 15. Nube de puntos
El problema consiste ahora en unir varios puntos de ese conjunto o
nube de puntos, mediante un ajuste, ya sea rectilneo, parablico, expo-
nencial o de cualquier otro tipo de lnea que represente al conjunto. En
algunos casos esos puntos estarn condensados al rededor de la lnea,
en otros presentarn diferencias; en este ltimo caso, se pueden producir
grandes errores, como consecuencia de que el ajuste realizado no es el
ms indicado.
El tipo de lnea que se relaciona, depender de la forma que asuma el
conjunto de puntos, al hacer la respectiva grfica. Tambin valindose de la
experiencia del estadstico se puede determinar el mejor ajuste. En la
exponencial, es muy sencilla la identificacin, basta que la variable muestre
un crecimiento geomtrico, como por ejemplo, la poblacin, el producto bruto,
etc.
En general, se dice que la curva que hace mnima la suma de los cua-
drados de las desviaciones entre puntos dados, dicha lnea es la mejor.
6.2 Ajuste de una recta de regresin rectilneo simple
Supngase que se desea ajustar una recta, para ello sabemos que la
ecuacin general de la recta es:
Y = a + bx, X = a + by
donde X, en la primera ecuacin y Y en la segunda es la variable que
se supone conocida, llamada variable independiente. Ahora, Y y X en una
segunda ecuacin corresponde a la variable que se va a estimar, conoci-
da con el nombre de variable dependiente.
a. es el coeficiente de posicin, denominado tambin origen, o sea, es
la altura de la perpendicular levantada en el punto de origen. Vase grfica
16.
El coeficiente de posicin puede ser mayor, menor o igual a cero.
a) a>0 b) a=0 c) a<0
Grfica 16.
En el primer caso ser un punto por encima del origen, en el segundo
pasar por el origen y en el tercero estar por debajo del origen.
b. Es el coeficiente angular, el cual nos determina los crecimientos o
la cantidad que aumenta en Y, por cada unidad que aumenta X y se deno-
mina como pendiente.
El coeficiente angular puede ser:
a) b>0 b) b<0 c) b<0
Grfica 17. Coeficiente angular b.
Grfica 18. Posicin de a y b.
Si b es un valor mayor que cero, es decir positivo, nos indicar que la
recta es ascendente; si b es menor que cero, la recta ser descendente y
si es igual a cero, la recta es paralela al eje horizontal o vertical.
Cuando se tiene la ecuacin Y = a + bx, se dice en este caso que se
est estimando a Y en funcin de X. Para la ecuacin X = a + by, decimos
que estimamos a X en funcin de Y
El problema, ahora, consiste en calcular los parmetros a y b.
Partiendo de las ecuaciones normales de los mnimos cuadrados, se
pueden calcular estos parmetros.
Las ecuaciones normales para los mnimos cuadrados son:
1) Y = Na + b X
2) XY = a X + b X
2
Tomaremos los datos de la distribucin bidimensional de la tabla y reem-
plazando en estas ecuaciones se tiene:
1) 70 = 6a + 110b
2) 1.721 = 110a + 2.550b
Por sustitucin, eliminamos a y calculamos el valor de b as, multipli-
camos los valores de la ecuacin (1) por -110 y los de la ecuacin (2) por
6 y se resta de la primera.
1) -7.700 = -660a - 12.100b
2) 10.326 = 660a + 15.300b
2.626 = 3.200b
Reemplazamos el valor calculado de b en la ecuacin (1) as:
1) 70 = 6a+110(0.82)
70 = 6a + 90.2
a = -3.37
Reemplazando en la ecuacin general de la recta, Y = a + bx, se tiene:
Y = 3.37 + 0.82x
cuando se quiere estimar X en funcin de Y, se procede de la siguiente
forma:
X = a + by
b

=

2.626
=

0.82
3.200
a

=
70 90.2
6
Las ecuaciones normales para el clculo de los parmetros a y b son:
1) X = Na + b Y
2) XY.= a Y + b Y
2
1) 110 = 6a + 70b
2) 1.721 = 70a + 1.128b
Multiplicando (1) por -70 y (2) por 6 y luego restamos de la primera:
1) -7.700 = -420a - 4.900b
2) 10.326 = 420a + 7.092b
2.626 = 2.192b
Reemplazando este valor en la ecuacin (1) se tiene el valor de a
1) 110 = 6a+70(1.20)
110 = 6a+84
Reemplazando en la ecuacin general de la recta X = a + by, se tiene:
X = 4.33 + 1.20y
6.3 Correlacin
En la prctica algunas de las variables que medimos en los procesos de
investigacin, tienen un nivel de medicin intervalo o de razn y para re-
solver problemas con estos niveles existen unas tcnicas diferentes a las
que hasta ahora hemos visto.
b

=
2.626

= 1.20
2.192
a

=
100 84
6
a

=
100 84
6
Cuando tenemos mediciones realizadas con escalas intervalos o de
razn, la mejor medida paramtrica de asociacin es la relacin de Pearson
(r), tambin conocida como la relacin Producto-Momento. Para hacer
una correcta interpretacin del coeficiente, se tienen que hacer dos supo-
siciones.
1. Se supone que la relacin es lineal.
2. Que la distribucin de las variables asociadas tiende a ser normal.
Es importante entender que una correlacin entre dos variables produce
un nmero que resume la naturaleza de la asociacin entre las variables.
En el caso de la correlacin de Pearson, ese nmero (r) toma valores
desde -1 hasta +1, pasando por cero, cuando hay relacin entre las varia-
bles. Si la relacin tiende a ser inversa, se aproximar a -1, en la medida
en que sea perfecta y por el otro lado, si la correlacin tiende a ser directa,
se acercar a +1. No slo sirve para indicar si hay o no relacin, sino para
indicar la fuerza de la misma y tambin para compararla con las otras
variables.
Una forma adecuada para ilustrar la naturaleza de r, se muestra en la
figura 19. Aqu se presentan 6 tipos de relaciones entre las dos variables X
y Y. Cada punto en los cuadrantes representa los valores de X, y Y toma
un elemento de la muestra o poblacin analizada.
En la grfica A, se ve claramente una nube de puntos dispersos, casi
que aleatoriamente distribuidos. Cuando esto sucede no existe ninguna
relacin directa entre las dos variables, es decir r es igual o tiende a cero
(r 0).
En la grfica B, vemos que existe una tendencia. A mayores valores de
X parecen estar asociados mayores valores de Y, por lo tanto, existe una
relacin directa entre las dos variables. Es decir r>0.
En la grfica C, vemos que tambin hay una tendencia, pero en este
caso indicando que a valores pequeos de X corresponden valores gran-
des de Y y a valores grandes de X corresponden valores pequeos de Y. O
sea, hay una relacin inversa entre las dos variables r<0.
En la grfica D, vemos que hay una correlacin no lineal entre las dos
variables. En el rango de valores bajos y altos de X corresponden valores
bajos de Y y en el rango de valores intermedios de X corresponden valores
altos de Y. Aunque r 0, no podemos decir que no hay relacin entre las
dos variables, slo que la relacin es curvilnea y por lo tanto requiere de
un tratamiento particular.
Grfica 19. Ejemplos para entender la interpretacin de r.
Los dos ltimos grficos E y F sirven para ilustrar una situacin que
suele presentarse durante una investigacin.
En el caso E, vemos que la mayora de los elementos analizados, pa-
recen indicar la no existencia de relacin entre las dos variables, pero hay
unos pocos casos donde altos valores de X tienen a los valores de Y.
En el caso F, se presenta lo contrario, la mayora de las observaciones
analizadas indican una relacin positiva entre X y Y, pero unos pocos ca-
sos la distorsionan, ya que rompen la tendencia.
Estos ejemplos, muestran la utilidad de hacer uso de histogramas y de
las distribuciones de las frecuencias obtenidas, para no cometer errores.
Por ejemplo, concluir que no hay relacin en el caso del grfico D, cuando
en realidad hay una no lineal; o decir que hay relacin positiva en el grfico
E, o que no existe relacin en el grfico D, cuando en realidad es lo con-
trario.
En estos dos ltimos casos, lo recomendable es retirar los elementos
distorsionadores, o completar una mayor informacin, por si en realidad lo
sugerido por los casos extremos es la tendencia real, o por ltimo, revisar
los procesos de recoleccin, codificacin o sistematizacin de la informa-
cin, donde se pudo haber cometido algn error.
6.4 Coeficiente de correlacin
Nos permite cuantificar el grado de correlacin existente entre las va-
riables X y Y.
Hay dos maneras de calcular el coeficiente de correlacin, una aritm-
tica y otra por medio de lgebra de matrices.
Hagamos un ejercicio aritmtico:
Supongamos que queremos medir la asociacin que existe entre inno-
vacin tecnolgica y produccin, en 11 empresas que elaboraron un mis-
mo producto. En la tabla 12 se presenta la informacin obtenida en visitas
realizadas a 11 industrias.
Tabla 12. Ejemplo para calcular r
Empresa Nivel Produccin X
2
Y
2
XY
tecnolgico X y
1 44 20 1.936 400 880
2 62 19 3.844 361 1.178
3 30 15 900 225 450
4 50 21 2.500 441 1.050
5 28 13 784 169 364
6 34 15 1.156 225 510
7 49 17 2.401 289 833
8 54 17 2.916 289 918
9 72 22 5.184 484 1.584
10 66 21 4.356 441 1.386
11 27 14 729 196 378
N=11 X=516 Y=194 X
2
= 26.706 Y
2
=3.520 XY = 9.531
Una frmula para calcular r es:
Sustituyendo tenemos:
r = 0,867
Como correlaciones cercanas a 1 son altas e indican una asociacin
positiva, concluimos que hay una alta asociacin entre la tecnologa utili-
zada y la produccin en el tipo de industria estudiadas.
El grado de correlacin lo podemos clasificar evitando un tanto la rigi-
dez de sus lmites:
a. Correlacin perfecta, cuando r=1 (o menos de 1).
b. Correlacin excelente, cuando r es mayor que 0.90 y menor que 1,
(-1<Y<-0.90).
c. Correlacin aceptable, cuando r se encuentra entre 0.80 y 0.90
(-090<r<-080).
d. Correlacin regular, cuando r se encuentra entre
0.60 y 0.80 (-080<r<-0.60).
e. Correlacin mnima, cuando r se encuentra entre 0.30 y 0.60
(-0.60<r<-0.30).
f. No hay correlacin para r menor de 0.30 (-0.30<r<0)
r

=
N

XY (

X)(

Y)
N

X
2
(

X)
2
N

Y
2
(

Y)
2
r

=
(11)(9.531) (516)(194)
11(26.706)(516)
2
11(3.520)(194)
2
r

=
4.737
29.820.840
REGRESIN Y CORRELACIN - AUTOEVALUACIN N 6
1. La frmula Y = a + bx, corresponde a la ecuacin general de la
recta?
S _____ No _____
Qu nombre recibe la variable X? __________________________
2. Qunombre recibe a?
____________________________________
3. Qunombre recibe b?
____________________________________
4. Con base en los datos de la siguiente tabla de valores para X y Y,
halle la recta de regresin por los mnimos cuadrados. Para
Y=a+bx
____________________________________________________
Xi Yi
____________________________________________________
13 5
14 7
8 9
10 8
15 11
____________________________________________________
60 40
____________________________________________________
5. Calcule el coeficiente de correlacin, a partir de los datos de la
siguiente tabla:
____________________________________________________
Xi Yi
____________________________________________________
9 23
17 35
20 29
19 33
20 43
23 32
____________________________________________________
108 195
____________________________________________________
S E R I E : A P R E N D E R A I N V E S T I G A R1 1 0
1. S. Variable independiente.
2. Coeficiente de posicin.
3. Coeficiente angular.
4. Y = -180.4 + 15.7x
5. r = 0.60
7. ANLISIS DE LA VARIANZA
Del anlisis de varianza, podemos decir que esta tcnica estadstica,
normalmente es utilizada para analizar resultados en la investigacin con
diseos experimentales y cuasi experimentales. Muchas veces necesita-
mos comparar dos o ms distribuciones, que corresponden a variaciones
de una misma variable dependiente, afectada por una o ms variables
independientes.
Las variables independientes pueden ser medidas en cualquier tipo de
escala, pero la variable dependiente debe ser medida, al menos, al nivel
intervalo. Si las variables independientes son medidas al nivel intervalo o
de razn, tendramos un tpico caso de anlisis de regresin mltiple.
Si queremos medir la importancia relativa de tres procesos en la cali-
dad de un producto final utilizamos el anlisis de varianza (ANOVA).
En la tabla 13 tomamos unos datos hipotticos para ilustrar su caso. Te-
nemos tres grupos de 5 productos, seleccionados independientemente,
al azar, con sus respectivos puntajes, en cuanto a su calidad; sta, que
es la variable dependiente, se midi por medio de una escala intervalo.
Tabla 13. Datos para ilustrar el uso de Anova
Mtodo 1 Mtodo2 Mtodo 3
Total
X X
2
X X
2
X X
2
6 36 9 81 4 16
10 100 7 49 6 36
9 81 8 64 9 81
11 121 8 64 4 16
12 144 5 25 3 9
48 482 37 283 26 158 111
x 9.6 7.4 5.2 7.4
N 5 5 5 1.5
Supongamos que cada grupo sometido a un mtodo de produccin
distinto, tiene varianzas iguales. Es decir, la hiptesis nula H
0
, es que no
hay diferencias en las medias aritmticas de los tres grupos. Suponga-
mos que queremos analizar las observaciones a un nivel de significancia
del 0.05 y ver si hay diferencias en la calidad por el mtodo empleado. El
clculo de F, contra cuya distribucin de muestreo se comparan los resul-
tados, es el procedimiento a seguir.
1 Suma total de los cuadrados de los puntajes de los tres grupos as:
2 Suma de cuadrados entre columnas. Igual frmula pero referida a cada
uno de los tres grupos o mtodos utilizados as:
3 Suma de cuadrados entre columnas (grupos).
Suma total del cuadrado = suma dentro + suma entre
Suma entre = suma total - suma dentro.
Suma entre = 101.6 - 53.2
Suma entre = 48.4

(X

X)
2

=
X
2

(

X)
2
N
=
(482 + 283 + 158)
(111)
2
15
=
923 821.4 = 101.6
Mtodo 1

=
482

(48)
2
=
482 460.8

=

21.2
5
Mtodo 2

=
283

(37)
2
=
283 273.8

=

9.2
5
Mtodo 3

=
158

(26)
2
=
158 135.2
=

22.8
5 53.2
Total
4 Grados de libertad. Son los siguientes:
Suma total = n-1
= 15-1=14
Suma dentro = K(N
1
-1); donde K=nmero de grupos y N
1
tamao de los grupos (5)
= 3(5-1)
= 12
Suma entre = K-1
= 3-1
= 2
5 Clculo para anlisis de la varianza con el valor de F
Suma de Grados de Estimacin F
Cuadrados libertad de la varianza
Total 101.6 14
Entre columnas 48.4 2 24.20
Dentro de las 53.2 12 4.43 5.46
columnas
La estimacin de la varianza es la razn de la suma de cuadrados y
los grados de libertad y F es igual a la razn de la estimacin entre y la
estimacin dentro.
48.4
Varianza entre = = 24.2
2
53.2
Varianza dentro = = 4.43
12
F

=
24.2

= 5.46
4.43
6 Decisin
En la tabla de distribucin F vemos que con un nivel de significancia
del 0.05 y con 2 y 12 grados de libertad, necesitamos un valor igual o ma-
yor a 3.88 para poder rechazar H
0
. Como en efecto obtuvimos uno de 5.46,
rechazamos H
0
y concluimos que los mtodos utilizados s producen una
diferencia significativa en la calidad del producto.
ANLISIS DE VARIANZA - AUTOEVALUACIN N 7
1. En una universidad se quiere probar el efecto que distintos mto-
dos de enseanza tienen, en los resultados de un curso dado.
Tres mtodos se proponen y se aplican a tres grupos, compues-
tos de 14 estudiantes, cada grupo seleccionado aleatoriamente
entre los alumnos del curso. Los resultados del examen final del
semestre se presentan a continuacin. Se puede concluir que los
mtodos producen un efecto diferencia.
52 27 16
49 36 14
34 34 23
52 32 21
14 41 29
41 33 20
34 25 28
42 19 27
33 28 17
39 22 12
51 25 40
43 14 28
39 22 18
43 27 21
2. La distribucin que se utiliza para probar el nivel de significancia
de un anlisis de varianza es el
2
Verdadero _____ Falso _____
M D U L O 4 : A N L I S I S D E L A I N F O R M A C I N 1 1 5
R E S P U E S T A A L A A U T O E V A L U A C I N N 7
1. Suma total = 5.112.4
2. Suma de cuadrados entre columnas:
Mtodo 1 = 1.309.4
Mtodo 2 = 675.5
Mtodo 3 = 715.4
Total 2.700.3
3. Suma de cuadrados entre columnas.
Suma de cuadrados entre las columnas:
5.112.4
2.700.3
2.412.1
4. Grados de libertad.
Suma total = 42-1 =41
Suma dentro = 3(14 - 1)39
Suma entre = 3-1 =2
5. Clculo F
Sumade Grados de Varianza F
cuadrados libertad
Total 5.112.40 41
Entre 2.412.10 2 1.206.10
Dentro 2.700.30 39 69.24 17.42
Si se prueba con significancia del 0.01, esto implica que necesi-
tamos un F al menos de 5.3, para rechazar H
0
y aceptar que los
mtodos s tienen efecto en el rendimiento acadmico de los es-
tudiantes y como se obtiene un F=17.42, concluimos que s tiene
efectos.
2. Falso, es la distribucin F.
Comente los resultados de los 2 problemas.
8. ESTUDIO DE FACTIBILIDAD DEL SOFTWARE
ESTADSTICO
La necesidad de contar con una herramienta adecuada para la ense-
anza e investigacin estadstica, conlleva a realizar un estudio detallado
de los programas con mayor aplicacin en estos campos, adems se
debe considerar para la implementacin de stos, los recursos fsicos
para un desempeo eficaz.
El paquete estadstico SAS y SPSS cumplen con los requerimientos
acadmicos debido a su manejo personalizado, cursos de actualizacin y
asesora continua, lo cual contribuye como soporte a la docencia y en
gran parte al proceso educativo.
8.1 SAS
Es un sistema que provee herramientas para la captura, administra-
cin y anlisis de datos.
Este software permite un total control sobre la informacin.
Permite accesar, administrar, analizar y presentar la informacin.
El SAS est conformado por los siguientes mdulos:
STAT
Provee herramientas para el anlisis estadstico avanzado. Sirve para
administrar la informacin como:
Almacenamiento y recuperacin de informacin.
Programacin y modificacin de datos.
Reportes.
Anlisis estadstico.
FSP**
Sirve para construir y manipular conjuntos de datos. Este mdulo facilita
la captura de datos, validacin, verificacin en tablas, edicin y consulta.
AF**
Sirve para crear mens y para encadenar los diversos mdulos.
ETS*
Provee herramientas para realizar proyecciones en modelos econom-
tricos. Puede realizar reportes como tablas de amortizacin y tablas de
depreciacin.
OR
Provee una herramienta para investigacin de operaciones.
QC*
Es una aplicacin para estadsticas en control de calidad.
GRAPH
Es el mdulo que posee el SAS
Regression
NLIN
ORTHOREG
REG-RSREG
Analysis
Of Variance
ANOVA-
PLAN-
TTEST
GLM
NESTED-
VARCOMP
Multivariante
CANCORR
FACTOR
PRINCOMP
Survial
Analysis
LIFEREG
Discriminant
CANDISC
DISCRIM
STEPDISC
Categorical
CADMOD
FREQ
Scoring
SCORE
Clustering
ACLACUS
CLUSTER-
FASTCLUS
TREE-
VARCLUS
SAS/STAR PROCEDURES
Convenciones:
* No es necesario.
** Para realizar aplicaciones bajo ambientes SAS.
SHARE
Permite el acceso concurrente de varios usuarios a archivos comunes
SAS. Este mdulo garantiza la integridad y la seguridad de la informacin.
ACCES
Este mdulo sirve para realizar las interfaces en los manejadores de
bases de datos.
8.2 SPSS
BASE
Contiene estadsticas bsicas, grficos de alta resolucin y un paque-
te completo de listado. Con el SPSS BASE 6.0 bajo Windows se produci-
r un anlisis y resultados de alta calidad.
Estadsticas profesionales
Medidas de similariedad y diferencias en sus datos, provee tcnicas
de clasificacin. En este procedimiento incluye Anlisis Cluster, Anlisis
Discriminante, Anlisis Factor, Anlisis Multidimensional, Anlisis Proxi-
midades, Mnimos Cuadrados con Ponderacin y Mnimos Cuadrados con
dos fases.
Estadsticas avanzadas
Incluye sofisticadas tcnicas como: Regresin Decox, Estimacin
Kalpian Meier, Regresin Logstica, Anlisis Lineal Logartmico, Anlisis
de Varianza Multivariado, Regresin No-Lineal de Vida (Tabla vida).
Tablas
Crea una variedad de cuadros tabulares, incluyendo tablas complejas
(mltiple respuesta).
Tendencias
Ejecuta pronsticos y anlisis de series de tiempo, modelos de suaviza-
cin y mtodos para estimacin autorregresin.
Categoras
Ejecuta anlisis conjunto y procedimientos de optimizacin, incluyen-
do anlisis de correspondencia.
Chaid
Desarrolla modelos predictivos, produce variables predictorias.
Lissrel
Relaciona un anlisis estructural lineal y modelos de ecuaciones simul-
tneas.
8.3 Requerimientos mnimos para la instalacin del Software SAS
1. Procesador 486 o superior.
2. Memoria RAM 32 Mb o superior.
3. 20 Mb de espacio en el disco duro.
4. Cualquiera de las siguientes opciones
Windows versin 3.1 o posteriores.
Windows para trabajo en grupo versin 3.1 o posteriores.
8.4 Requerimientos mnimos para la instalacin del Software SPSS
1. Procesador 386 o superior.
2. Memoria RAM 32 Mb o superior.
3. 20 Mb como mnimo para almacenar el SPSS.
4. Monitor VGA.
5. Cualquiera de las siguientes opciones.
6. Windows versin 3.1 o posteriores.
Windows para trabajo en grupo versin 3.1 o posteriores.
8.5 Manejador de Base de Datos
En la actualidad existen en el mercado una gran variedad de maneja-
dores de bases de datos con caractersticas nicas, es decir, no son com-
patibles con los sistemas tradicionales de manejadores de bases de datos
de segunda y tercera generacin como Dbase, DataEase, Foxpro. Los
manejadores de Bases de Datos de cuarta generacin que se recomien-
dan por compatibilidad son Acces, Paradox, Foxpro.
Para cumplir con los objetivos educativos se recomienda por su flexi-
bilidad y compatibilidad el Foxplus bajo ambiente Windows.
Visual Foxpro 6.0
La herramienta para el desarrollador profesional de aplicaciones xBase.
(En esta nueva versin obtendr: Mejor rendimiento e IDE, mayor conec-
tividad y soporte de ActiveX).
Caractersticas
Sigue la evolucin de Foxpro desde un sistema de desarrollo de bases
de datos de escritorio y de tipo procedural a un entorno de desarrollo
orientado a objetos, con las herramientas necesarias para construir apli-
caciones y componentes en sistemas clientelservidor e lnternet.
Visual Foxpro 6.0 es un miembro de la familia que integra el sistema de
desarrollo Visual Studio. Permite la utilizacin de los ltimos avances en los
sistemas operativos Windows y Windows NT y ha sido diseado para per-
mitir a los 500.000 desarrolladores que usan Visual Foxpro una forma ms
potente y eficiente de crear aplicaciones multicapa cliente/servidor, basa-
das en Web y centradas en el tratamiento de datos. La compatibilidad con
el ao 2000 est totalmente asegurada.
Visual Foxpro mantiene un completo set de comandos Xbase para per-
mitir una curva suave de aprendizaje a los programadores de bases de
datos en entornos MsDos.
Dispone de las caractersticas ms avanzadas en el diseo de clases
orientadas a objeto incluyendo herencia, subclases, encapsulacin y poli-
morfismo. Las libreras de clases visuales y no visuales (por cdigo) redu-
cen enormente el tiempo de desarrollo.
Existen herramientas de diseo para todas las fases de desarrollo de
la aplicacin. Un motor de bases de datos altamente eficiente, un lenguaje
centrado en los datos y la capacidad de creacin de componentes hacen
de Visual Fospro una herramienta idnea para la generacin de lgica de
negocio en los entornos multicapa con tratamientos intensivos de datos.
Visual Foxpro puede intercambiar datos con bases de datos SQL a
travs de ODBC (Open Database Connectivity). De esta forma, no es
necesario un gran esfuerzo en la adaptacin de aplicaciones basadas en
servidor de ficheros a aplicaciones clientelservidor. Tambin podemos uti-
lizar los componentes ADO (ActiveX Data Objects) para intercambiar in-
formacin con datos relacionases y no-relacionales mediante OLE DB.
Visual Foxpro puede ser utilizado en las tres capas de una arquitectura
clientelservidor. Puede suministrar el interface de usuario a travs del uso
de formularios con toda la potencia de la orientacin a objeto. Los controles
ActiveX pueden usarse en los formularios y se subciasean para extender
sus funcionalidades. La lgica de negocio puede encapsularse en compo-
nentes muy eficientes gracias a la potencia de Fospro en la recuperacin y
manipulacin de datos. Los componentes COM pueden ser llamados des-
de el front-end del usuario o desde el servidor lnternet. Los componentes
comunican con las bases de datos de Fospro y SQL a travs de ODBC y
OLE DB. En almacenamiento de datos puede estar soportado por el motor
de Visual Foxpro. En arquitecturas CIS la mejor combinacin es SQL para
el proceso de las transacciones y Visual Foxpro para el manejo de consul-
tas locales y procesos batch.
Novedades en Visual Foxpro 6.0
La aparicin de Visual Foxpro 6.0 ha supuesto principalmente una evo-
lucin de las herramientas de desarrollo para adaptarlas a la arquitectura
COM y al desarrollo de aplicaciones multicapa en lnternet e lntranet. Ade-
ms dispone de herramientas de desarrollo mejoradas y ampliadas. Por
ltimo se han revisado los comandos de programacin, destacando la
mejora en el soporte del ao 2000.
Las principales novedades son:
OLE Drag and Drop
El OLE Drag and Drop permite intercambiar datos entre los controles de
una aplicacin o entre varias aplicaciones que soporten esta funcionalidad.
Ahora podemos arrastrar ficheros desde el explorador de Windows a la
ventana del proyecto o transportar textos con el ratn desde Word o Excel.
Visual foxpro dispona desde versiones anteriores de un drag and drop
propietario. Sigue existiendo, pero se recomienda no utilizar los dos tipos
de drag and drop simultneamente en una aplicacin.
Documentos activos
Visual Foxpro permite crear documentos activos, los cuales permiten
visualizar documentos no-Htmi en un explorador de lnternet. De momento
slo es posible con el Microsoft lnternet Explorer. Un documento activo es
un tipo de documento OLE embebido. Se visualiza totalmente en un rea
de la aplicacin contenedora o host, mezclando su men con el del host.
La tecnologa de documento activo permite visualizar mltiples tipos de
documentos dentro de un nico contenedor.
A diferencia de Visual Basic, los formularios de Visual Foxpro no re-
quieren modificaciones para crear documentos activos. Es suficiente con
iniciar la aplicacin desde una clase basada en la clase base ActiveDoc.
La clase base ActiveDoc aporta las propiedades, eventos y mtodos para
un documento activo y de esta forma interactuar con el host.
Mejoras en el servidor de automatizacin
Un servidor de automatizacin es un componente que expone su
funcionalidad, la cual puede ser usada por otras aplicaciones a travs de
la automatizacin. Visual Foxpro puede crear servidores de automatizacin
dentro o fuera del proceso.
Las mejoras en este tema se refieren al soport del Apartement Model
Threading. De esta forma Visual Foxpro tiene soporte para Microsoft Tran-
saction Server. Los componentes construidos con Visual Foxpro pueden
ser manejados por el explorador de Microsoft Transaccin Server y parti-
cipar en las transacciones con otros componentes.
Otras mejoras de adaptacin de los servidores de automatizacin a la
arquitectura COM son: gestin optimizada del Runtime, soporte mejorado
de las libreras de tipos, manejo de excepciones, paso de arrays, nuevas
propiedades y mtodos para la automatizacin...
Galera de componentes
La galera de componentes es una nueva herramienta que ayuda a agru-
par y organizar objetos como las clases, libreras, formularios, botones.
Los distintos objetos pueden organizarse en otros objetos como proyectos,
aplicaciones u otras agrupaciones diferentes. Estas agrupaciones visua-
les se pueden adaptar dinmicamente a las necesidades del desarrollador.
La galera de componentes incluye tambin las Visual Foxpro Foun-
dation Classes. Son un conjunto de clases para mejorar las aplicaciones,
reutilizando cdigo probado y optimizado.
Estas clases pueden incluirse en nuestros proyectos directamente o
crear subciases para adaptarlas a las distintas aplicaciones.
Aplicacin de cobertura y control de rendimiento de cdigo
La aplicacin de cobertura genera informacin de las lneas que fueron
ejecutadas en un determinado fichero. Por otro lado se puede configurar
el control que se realiza sobre las lneas de cdigo ejecutadas, cuntas
veces se ejecutan, duracin y muchos otros aspectos.
Acceso por programa al proyecto
En versiones anteriores de Visual Foxpro, el nico acceso a los pro-
yectos se realizaba de forma directa, abriendo la tabla pix a travs del
gestor de proyectos. Ahora se ha implementado un objeto proyecto para
poder manipularlo por programa. El objeto proyecto acta de intermedio
entre un proyecto abierto y el desarrollador que puede interactuar direc-
tamente con el proyecto.
9. STATGRAPHICS
Software para el anlisis de datos cuantitativos y cualitativos cuya es-
tructura est sobre la base de mens. Existen versiones para trabajar bajo
DOS y bajo Windows.
El men principal de Statgraphics permite entrar a cualquiera de las 22
secciones divididas en seis grupos.
9.1 Grupo I: Data handling and system utilities
A. DATA MANAGEMENT. Men para entrada de datos, definicin de varia-
bles, importacin y exportacin de datos.
B. SYSTEM ENVIROMANT. Acceso a requerimientos y configuracin del
sistema.
C. REPORT WRITER AND GRAPHICS REPLAY. Configuracin de im-
presoras.
D. PLOTTER INTERFACE. Interfase para plotter.
9.2 Grupo II: Plotting and descriptiva statistics
E. PLOTTING FUNCTIONS. Elaboracin de grficas estadsticas en dos
y tres dimensiones.
F. DESCRIPTIVE METHODS. Resume datos, realiza distribuciones de
frecuencia, obtiene estadsticas bsicas.
G. ESTIMATION AND TEST. Elabora intervalos de confianza y pruebas de
hiptesis para una o dos muestras. Permite hacer pruebas de bondad
de ajuste.
H. DISTRIBUTION FUNCTIONS. Genera nmeros aleatorios. Permite ha-
cer clculos con las principales funciones de probabilidad continuas y
discretas.
I. EXPLORATOR Y DATA ANALYSIS. Realiza el anlisis exploratorio de
datos, diagrama de tallos y hojas, diagrama de caja, etc.
9.3 Grupo III: Anova and regression analysis
J. ANALYSIS OF VARIANCE. Realiza anlisis de varianza de una o dos vas.
K. REGRESION ANALYSIS. Ajusta modelos lineales y no lineales en una
y varias variables.
9.4 Grupo IV: Time series procedures
L. FORECASTING. Pronosticacin con modelos de series temporales.
M. SMOOTHING. Procedimientos de promedios mviles
N. QUALITY CONTROL. Procedimientos de control de calidad estadsticos.
O. TIME SERIES ANALYSIS. Procedimientos para ajustar modelos ARIMA
a series temporales.
9.5 Grupo V: Advanced procedures
P. CATEGORICAL DATA ANALYSIS. Tablas de contingencia, correspon-
dencias simples, etc.
Q. MULTIVARIATE METHODS. Componentes principales, anlisis de con-
glomerados, tests multivariados, etc.
R. NONPARAMETRIC METHODS. Pruebas no paramtricas con una y
varias muestras.
S. SAMPLING. Determina tamao de la muestra.
T. EXPERIMENTAL DESIGN. Mtodos de diseo de experimentos, anova,
manova, diseos 2
2
, 2
3
, etc.
9.6 Grupo VI: Mathematical procedures
U. NUMERICAL ANALYSIS. Mtodos de anlisis numricos, races de fun-
ciones, mtodo simple, lgebra, etc.
V. MATHEMATICAL FUNCTIONS. Glosario de funciones matemticas,
aplicaciones.
9.7 Requerimientos fsicos para la instalacin de Statgraphics
1. Sistema operativo DOS (Windows 3.1 o superior si se va a instalar la
versin bajo Windows).
2. Procesador 386 o superior
3. El monitor se configura en la instalacin.
4. 5 Mb para almacenar el STATGRAPHICS.
Tablas
reas bajo la curva normal
Fraccin del rea total (10.000) bajo la curva normal, correspondiente a dis-
tancias entre la media y las ordenadas situadas a z unidades de desviacin
estndar de la media.
Nmeros aleatorios
INSTRUCTIVO PARA EL USO DEL VIDEO
Distribucin de t
Distribucin de X
2
Valores de F con significancia de 0.05
Valores de F con significancia de 0.01
Serie
APRENDER A INVESTIGAR
ANEXO
Mdulo 4
Instructivo para el uso del video
ESTELA URIBE VLEZ
1. Uso didctico del video
2. Videos:
La medicin y las ciencias
La curva normal
La muestra
1. USO DIDCTICO DEL VIDEO
En este documento queremos mostrar la importancia que tiene la utiliza-
cin de video en las aulas de clase, sus ventajas y desventajas en las activi-
dades acadmicas. As mismo, que es responsabilidad del profesor el buen
uso que de ste se haga para facilitarle el proceso enseanza-aprendizaje.
El video es un sistema de almacenamiento de imgenes y sonidos que
utiliza los mismos fundamentos tcnicos que la televisin y que naci para cu-
brir las necesidades que las programadoras de T.V. tenan para almacenar sus
programas y librarse de la esclavitud de la emisin en directo. Su aparicin
revolucion la tecnologa televisiva, que hasta el momento se reduca a la trans-
misin de sucesos en directo, de forma irrepetible. El video configur una nueva
televisin donde el programa elaborado por montaje, el diferido, las repeticio-
nes y los intercambios de programas, enriquecen la produccin televisiva.
La mayor ventaja que tiene el video con respecto al resto de los audio-
visuales, desde el punto de vista didctico, es la posibilidad de una presenta-
cin flexible y un fed-back inmediato.
Una de las funciones que debe cumplir el video en el aula es la de ser un
facilitador para el proceso enseanza-aprendizaje.
El docente debe reflexionar sobre la realidad educativa concreta y, como
consecuencia de ello, descubrir cules son sus necesidades reales con rela-
cin al video como medio concreto, fruto del desarrollo de las nuevas tecno-
logas de la comunicacin y su aplicacin en la enseanza.
El video como medio didctico
La forma ms frecuente de esta utilizacin consiste en el trabajo con el
grupo/aula la situacin de enseanza masiva, en la que el monitor sustituye
el discurso del profesor. Generalmente se recurre a este medio para motivar/
introducir un tema, aunque para algunos temas y/o disciplinas generalmente
aquellas centradas en la explicacin de procesos, etc. el video introduce
algunos momentos didcticos.
El video puede cumplir diferentes funciones dentro de los procesos de
enseanza-aprendizaje; entre ellas tenemos:
Funcin motivadora
El video, como todos los medios basados en lenguajes visuales, es parti-
cularmente apto para transmitir emociones, sensaciones, afectos, que a me-
nudo las palabras no logran expresar con la misma precisin, ya que la ima-
gen, por su misma naturaleza, comunica de manera inmediata, ms rpida y
emotiva que la palabra. En este sentido, adems de implicar al alumno en la
informacin videogrfica, pueden desarrollarse y afirmarse actitudes, estimu-
lar la imaginacin, la fantasa...
Bsicamente se trata de utilizar el video para captar la atencin y, a su
vez, dar una primera idea, muy general sobre el tema. El tipo de programas
que podemos emplear puede proceder de emisiones de televisin comercial,
de pelculas, de actividades realizadas en el propio centro, entre otras. Su
grado de elaboracin desde el punto de vista educativo puede ser muy ele-
mental, ya que lo fundamental de esto reside en lo que tiene de actualidad o de
inters para el alumno. El profesor es quien puede decidir qu tipo de conteni-
dos son los adecuados, en cada caso concreto, para el desarrollo de esta
funcin. El material puede tener los orgenes ms diversos.
Funcin presentadora/introductoria
La presentacin del contenido del tema, bien en su totalidad, bien en una
parte del mismo, puede ser otra de las funciones del video en el aula. Esta
utilizacin es sensiblemente diferente a la anterior y no se puede entender ni
tiene sentido de forma aislada.
El desarrollar un tema en el aula por medio del video debe tener dos accio-
nes previas:
1. Adecuar el programa a la situacin concreta de clase.
2. Desarrollar los materiales que van a permitir la comprensin y el desarro-
llo del mismo, el video por s solo tiene problemas para, de una forma
adecuada, dar una informacin a un grupo de alumnos. La velocidad de la
narracin puede ser, entre otros, uno de los problemas que se pueden
presentar. Para suplir algunos de estos problemas se hace indispensable
que el profesor prepare por lo menos dos tipos de materiales complemen-
tarios a esta presentacin como son:
Materiales de ampliacin del contenido del video. Estos deben permitir
que el alumno vea la importancia del tema que el video ha mostrado y
cmo desarrollar aquellos aspectos tratados en el video que puedan
tener un inters relevante. Deben ser fundamentalmente documentos,
referencias bibliogrficas, etc., que el profesor debe preparar para cada
video.
Materiales de observacin o evaluacin del video. Deben ser como guas
de observacin del problema, en el que se destacan aquellos aspectos
del mismo que tienen un mayor inters y que deben ser observados con
ms atencin. Tienen una doble funcin: destacar los puntos fundamen-
tales y evaluar los contenidos por el alumno. Estas guas contienen una
serie de cuestiones que se han de responder con la informacin que
facilita el programa visionado. No se trata exclusivamente de preguntas
y respuestas en el sentido ms tradicional. Pueden ser esquemas para
completar, mapas a complementar, grficas, etc.
Un uso complementario de todo lo anterior va a permitir al estudiante no
slo la utilizacin de cualquier gua, sino tambin la manipulacin de los pro-
gramas de video utilizados en clase, de tal forma que pueda crear con ellos su
propio programa, bien con intencin de completar el aprendizaje o bien con
una intencin evaluadora.
Funcin informativa
Est directamente relacionada con la adquisicin de conocimientos y con
la relacin que se establece entre las nuevas informaciones que se reciben y
las ideas que ya se poseen, desarrollando nuevos conceptos y conocimien-
tos. El video acta de mediatizador desde el momento que se trata de una
observacin indirecta. Esta observacin no puede limitar el estudio a lo que el
entorno le ofrece visualmente, sino que se ocupar de cosas que no pueden
ser observadas directamente, bien por problemas especiales no se puede
acceder, bien por problemas temporales acontecimientos que pueden apre-
ciarse con la concentracin o dilatacin del tiempo, lugares inaccesibles para
la visin humana, o por tratarse de una conexin con otras tecnologas tele-
scopios, microscopios, o de acceso difcil, costoso o peligroso.
Funcin instructiva
El video, adems de motivar y transmitir informacin, ha de servir para
proporcionar instrumentos tendientes a la organizacin del conocimiento y al
desarrollo de destrezas. Las destrezas, las actitudes de base conseguidas,
pueden transferirse a otros mbitos del conocimiento, de la cultura o de las
situaciones vitales a travs de principios.
La aplicacin de estos principios a la utilizacin didctica se centra, fun-
damentalmente, en la intervencin del profesor en la transmisin del mensaje
especialmente, en el modo de presentacin, de tal forma que lo haga ms
dinmico y activo. Esta intervencin requiere un conocimiento de las im-
plicaciones que el modo de presentacin de un material tiene en el alumno, la
posibilidad de flexibilizar la utilizacin de los materiales a fin de adecuarlos al
mayor abanico de necesidades y condiciones y, por ltimo, requiere tambin
la integracin del medio en el contexto.
Estos principios son:
a. El modo de presentacin: La eficacia del mensaje depende tanto del con-
tenido como de su presentacin.
b. Flexibilidad de utilizacin: La flexibilidad supone para el profesor el trata-
miento de dicho mensaje desde enfoques diversos:
a. La audiencia: Debe conocer muy bien a su audiencia y tener claras sus
necesidades.
b. Contemplar la necesidad de utilizacin en situaciones didcticas que
no sean solamente grupales.
c. Utilizacin integrada en el contexto educativo: El profesor debe presen-
tar contenidos que se integren en el medio afectivo, social y cultural del
alumno destinatario.
Funcin de recapitulador
Este es otro posible uso del video en la situacin interactiva de clase, el
empleo de las secuencias ms significativas del tema expuesto, dndole un
tratamiento diferente, ms gil, ms breve, puede permitir que todo el tema se
resuma en unos pocos minutos, de manera que quede claro cules son las
ideas y los conceptos fundamentales del mismo.
Las funciones anteriores van interrelacionadas y le corresponde al profe-
sor desarrollarlas de tal forma que se adecuen a sus propsitos; por lo tanto el
profesor debe, con anterioridad a la utilizacin del video en el aula, visionar
repetidamente el mismo, analizarlo y decidir cules son los puntos esenciales
del tema, desarrollando seguidamente los materiales complementarios para
los estudiantes.
El video como medio de expresin y de comunicacin
Si concebimos el video como un medio que une la comunicacin didcti-
ca, es obvio que, adems de transmitir informacin externa ms o menos
modificada o manipulada por el profesor, debe servir de medio de expresin
de las propias ideas y experiencias para los protagonistas del proceso ense-
anza-aprendizaje profesor y alumnos.
El video, por su propia naturaleza, resulta un medio apropiado en una comuni-
cacin bidireccional multidireccional en el aula. Su desarrollo como tal, exi-
ge, no obstante, un cambio radical en algunas concepciones ancladas en el
sistema educativo y, especialmente, aquellas relacionadas con la facultad y la
libertad para comunicar.
Es necesaria la participacin libre y consciente por parte del alumno en el
proceso comunicativo.
La simplicidad tcnica de manejo y los bajos costos de este medio, hacen
posible lo que con el cine era ms complicado. La enseanza de la imagen es
hoy factible en su doble vertiente, para contemplarla y para usarla como me-
dio de expresin. Conocer los criterios y principios que estn detrs de un
mensaje verboicnico nos permite dos tipos de acciones:
Primero. Facilitar la decodificacin completa de los programas que nos
llegan por los medios de comunicacin de masas, fundamentalmente la
televisin.
Segundo. Permite utilizar un nuevo medio de expresin de forma correcta,
de manera que podamos decir lo que deseamos y que nuestro mensaje
sea decodificado de acuerdo con nuestra intencin.
En relacin con esto ltimo debemos recordar que el video es un medio de
comunicacin, y por lo tanto rene las condiciones necesarias para poder
establecer por medio de l un proceso de comunicacin fundamentalmente
grupal y en menor medida personal.
El video como medio de investigacin
El video rene unas condiciones que le hacen ser un buen auxiliar para la
investigacin, tanto para los estudiosos de la educacin, profesores, investi-
gadores, etc., como para los propios alumnos. Por lo que respecta a los pri-
meros, el video permite la grabacin de distintos tipos de situaciones que
tengan que ver con la enseanza y que, posteriormente, se pueda estudiar al
ritmo que se desee. Reuniones de grupos de trabajo, situaciones de clase,
entrevistas, etc., son algunas de las ocasiones en las que el video puede
aportar la posibilidad de observar aspectos que, de otra manera, pueden pa-
sar inadvertidos.
En el caso de los alumnos que tambin es extensible a cualquier tipo de
investigaciones, el video puede proporcionar el soporte ideal para la observa-
cin del desarrollo de procesos de tipo fsico, etc., archivo documental, reali-
zacin de informes y un buen nmero ms de posibilidades que prcticamen-
te est limitado solamente por la imaginacin y creatividad de los usuarios.
Otros usos del video
Evidentemente, existen otros usos del video en el aula, entre los cuales
podemos destacar su utilizacin como medio de entretenimiento, o como re-
cursos para la formacin permanente del profesorado, para la comunicacin
universidad-padres, como medio de investigacin, entre otros.
Desde este punto de vista, los usos que resultan bsicos para los profe-
sores pueden ser:
a. En la formacin del profesorado, actuando como instrumento de anlisis
en diversas tcnicas, como microenseanza, y tambin en la familiariza-
cin de los profesores respecto a dicho medio.
b. En la investigacin didctica, como instrumento de anlisis de las interac-
ciones profesor-alumno, de las conductas de los alumnos, de la actuacin
de los profesores... Tambin constituye un campo de investigacin en este
terreno la investigacin sobre diseo y elaboracin de materiales didcticos
en video.
Todos los posibles usos descritos casi nunca podremos aislarlos total-
mente en la prctica educativa; as por ejemplo, la formacin del profesorado
no puede desligarse del componente de medio de investigacin que el video
desarrolla.
Ventajas del video como ayuda didctica
Permite mostrar situaciones histricas, presentes y futuras.
Se pueden repetir acciones.
Se pueden integrar imagen, color y sonido.
Permite adecuar parte de un tema en imgenes que se puedan proyectar.
Mantiene la atencin del estudiante, si el tema es motivador.
Posibilita la reflexin en grupo sobre el tema proyectado.
Se pueden realizar anlisis parciales sobre el tema, suspendiendo la pro-
yeccin cada vez que el profesor o el estudiante lo consideren necesario.
Permite la interactividad en clase.
Puede ser visto en grupos o individualmente.
No requiere oscuridad para su presentacin.
Desventajas del video como ayuda didctica
Slo se debe presentar una idea del tema que se va a tratar.
El desarrollo del tema puede ser muy rpido y no se capta fcilmente.
Si el tema es largo y montono permite que los estudiantes se distraigan.
Propicia los comentarios durante la proyeccin, lo que puede distraer a los
asistentes.
Si el tema no est bien tratado permite el adormilamiento entre los asis-
tentes.
Errores ms comunes cuando se presenta un video
No conocer el tema del video con anterioridad a la presentacin.
Desconocer su estado fsico (imagen rayada, mal sonido, baches...).
Pretender que un video por s solo sea didctico.
No preguntar a su audiencia si lo ha visto.
No hacerle una introduccin antes de su presentacin.
No analizar al final de la presentacin una evaluacin o conclusiones so-
bre el tema.
Presentar videos muy largos sin hacer pausas para reflexionar sobre el
tema o hacer declaraciones sobre el mismo.
No adecuar el aula para su presentacin.
Apagar la luz cuando se utiliza un monitor de T.V.
Utilizar un monitor de T.V. pequeo para una audiencia muy grande.
Desconocer el funcionamiento de los equipos: T.V., VHS o Betamax.
Algunas recomendaciones para utilizar el video con fines didcticos
QU HACER
1. Ver el contenido del video y analizarlo
para ver si es apropiado al tema
que queremos complementar.
2. Revisar muy bien el material se-
leccionado antes de presentarlo.
3. Hacer una presentacin del tema
y explicar qu se pretende con el
video.
4. Debemos interrogar a los partici-
pantes si ya conocen el video,
para no repetirlo o hacer otro en-
foque sobre el mismo.
5. Hacer una pausa para evitar la fa-
tiga, hacer preguntas o aclaracio-
nes sobre el tema si es del caso.
QU NO HACER
1. Seleccionar todo el video slo por
el ttulo.
2. Presentar un video sin conocer su
contenido y su estado fsico, so-
nido, imagen.
3. Proyectar un video sin hacer an-
tes una presentacin del tema.
4. Presentar un video sin preguntar
a los participantes si ya conocen
su contenido.
5. Presentar videos muy largos sin
hacer una pausa.
Bibliografa
MARTNEZ SNCHEZ, Francisco. La educacin ante las nuevas tecnologas de la
Educacin: Configuracin de los videos didcticos. Anales de la Pedagoga N 8,
1990, pgs. 159-180.
COLOM CAELLAS, Antonio J., SUREDA NEGRE, Jaume, SALINAS IBEZ, Jess.
Tecnologas y medios didcticos. De Cincel S.A., Madrid, 1988.
6. Presentar videos en idiomas ex-
tranjeros,
7. Seleccionar el video como nico
medio de apoyo a un curso.
8. Utilizar un monitor de T.V. peque-
o para audiencias numerosas.
9. Oscurecer el aula cuando se
est utilizando un monitor de T.V.
10. Terminar la presentacin sin ha-
cer conclusiones o preguntas so-
bre el video.
6. Debemos preguntar si el idioma
del video es comprensible para
todos.
7. Debemos combinar medios en
nuestros cursos.
8. Seleccionar el tamao del moni-
tor de T.V. de acuerdo con el n-
mero de la audiencia.
9. Se debe dejar la luz prendida,
esto permite observar la reaccin
de la audiencia ante el video.
10. Al terminar de ver un video se de-
ben hacer preguntas, aclaracio-
nes, verificar si se cumpli el ob-
jetivo propuesto.
2. VIDEOS
2.1 VIDEO: LA MEDICIN Y LAS CIENCIAS
Introduccin
El propsito de este video es mostrar qu es la medicin, sus diferen-
tes procesos para recolectar la informacin.
El material audiovisual cumple la funcin de complemento o refuerzo al
material escrito, est concebido como un material autoinstructivo elaborado
como imgenes sencillas y de una forma coloquial.
La informacin consignada en cada uno de los videos es autosuficiente,
es decir, que en forma independiente comunica una informacin completa
sobre un determinado tema. Sin embargo, no debe perder de vista que cada
uno de ellos es parte integrante de una unidad global que es todo el curso.
Para complementar el Mdulo 4, Anlisis de la informacin, se ha ela-
borado el video La medicin y las ciencias, el cual le dar una visin pano-
rmica y al mismo tiempo ser un complemento al tema que usted ha estu-
diado.
Recomendaciones
Antes de ver este video le recomendamos haber estudiado el Mdulo 4,
Anlisis de la informacin, y estar familiarizado con las tcnicas bsicas para
recolectar la informacin,
Recuerde que el ideo es una ayuda complementaria, que pretende refor-
zar el contenido que usted ya estudio, adems debe tener en cuenta:
Para ver el video utilice un monitor de televisin adecuado, mnimo de 14.
No oscurezca la sala en donde vea el video, as no se fatigar.
Recuerde llevar papel y lpiz para que tome nota.
Es conveniente que sepa manipular el control remoto del VHS o Betamax
para que pueda adelantar o retroceder en las ideas que no le sean claras.
Despus de ver el video debe realizar la Autoevaluacin que aparece a
continuacin del guin de contenido. Si ve el video con otros compaeros
podr realizar despus una mesa redonda para discutir las respuestas, lo
que lo har ms interesante y as los aportes que hagan los participantes
sern valiosos.
Guin de contenido del video
LA MEDICIN Y LAS CIENCIAS
Los investigadores disponen hoy de instrumentos muy precisos para me-
dir magnitudes de espacio, de tiempo, de intensidad, no slo en nuestro mun-
do cercano sino en el espacio sideral.
Estos adelantos tcnicos son el resultado de un proceso tan largo como la
presencia humana sobre la Tierra, tan antiguo como su necesidad de enume-
rar, de contar, de medir las cosas, los animales, los seres diversos que com-
partan con l su pequeo mundo circundante. Para numerar cosas o para
medir longitudes, lo ms obvio era recurrir al propio cuerpo, utilizar los dedos,
los brazos, los pies, como unidades de medida; pero al tratarse de longitudes,
los pies de Pedro eran ms largos que los pies de Pablo, y unos y otros ms
largos que los de sus mujeres. Fue preciso entonces escoger arbitrariamente
el pie derecho de Pedro como medida universal para toda la tribu, y como
Pedro no poda concurrir a todos los sitios donde se necesita, se hicieron
rplicas de los pies de Pedro para que todos pudieran utilizarlas.
La fbula anterior puede ser o no ser una resea exacta de la manera como
se inici la historia de las medidas en el mundo, pero fue sta la manera como
se impuso, como consecuencia de la revolucin francesa, el sistema mtrico
decimal para las mediciones en casi todos los rincones del planeta. Aunque el
metro de cien centmetros tiene relacin matemtica como una medida de la
tierra misma, la medida metro es un objeto de platino e iridio que se encuentra
en el museo de Svres cerca de Pars, esa medida tiene la ventaja de que
se le puede tomar rplicas bastante adecuadas, como sta que es el patrn
de longitud para Colombia y reposa en la Universidad Nacional.
Son medidas arbitrarias en su origen, pero aceptadas por el mundo y por
consiguiente convertibles para la mayora de la gente que sabe lo que significa
un metro, un kilogramo, una hora, un ao luz. La investigacin cientfica mo-
derna se hace en una u otra forma, con base en procesos de medicin que
pretenden sealar las caractersticas de los objetos que se investigan; aun-
que es preciso decir que lo cuantitativo no constituye la parte ms importante
de la investigacin y que incluso en investigaciones relativas a ciencias socia-
les la medicin tiene sus limitaciones que deben ser comprendidas por el
investigador, para que no aspire a llegar con sus conclusiones ms all de lo
que le permiten los datos. Los procesos de medicin se han desarrollado
ms all en las ciencias naturales y en las llamadas exactas que en las cien-
cias sociales; pero de todos modos siempre y cuando el investigador tome
las medidas reservas tambin el comportamiento de los seres humanos y
sus actitudes pueden ser medidas, tanto en las ciencias sociales como en las
naturales o en las exactas. Las mediciones que logramos hacer dejan siem-
pre margen al error, porque siempre nos valemos de nuestros sentidos que
estn sujetos permanentemente a insuficiencias habituales o temporales, y
nuestros instrumentos de medida ms perfectos siempre dejan la posibilidad
abierta para la incertidumbre. Sin embargo, cuando se toman todas las pre-
cauciones y se realizan todas las pruebas y contra pruebas necesarias, el
cientfico puede confiar en sus mediciones y quienes recibimos el beneficio
de sus investigaciones tambin podemos aceptar como slidas las bases
sobre las que estn edificadas. Podemos por ejemplo crear hiptesis sobre
comportamiento del mercado de algn producto y establecer si dicho com-
portamiento puede ser observado en sus consecuencias, si luego nuestros
sentidos y nuestros instrumentos nos dicen que estamos experimentando lo
que preveamos, podemos tener confianza en que nuestra hiptesis era cier-
ta. Lo que s tiene que considerar indispensable el investigador para que el
proceso de medicin tenga su efecto es la clarificacin y clasificacin de los
conceptos que utiliza, de tal manera que haya definiciones que permitan lo-
grar acuerdos acerca de lo que se trata de expresar, o sea, que los otros
entiendan lo que quiere decir aunque no lo compartan.
Hay diversos niveles de medicin ya sea en fsica o en astronoma, en
sociologa o economa, segn las propiedades o caractersticas que estn
siendo medidas; ante todo el nivel nominal que slo sirve para clasificar sin
establecer ninguna otra diferencia entre las unidades o individuos de que se
trata, y los nmeros vienen a desempear medianamente el papel de nom-
bres para distinguir a uno del otro. El nivel ordinal le asigna valores numricos
a los sujetos en tal forma que los valores ms altos corresponden a los indivi-
duos que tiene ms de la caracterstica que se est midiendo, con lo que se
diferencia uno del otro, como en el nivel anterior, pero adems introduce la
posibilidad de un orden determinado. Sin embargo, hay por lo menos dos gran-
des limitaciones: la diferencia entre el individuo que tiene el nmero uno y el
que tiene el nmero dos no es igual a la que existe entre ste y el que tiene el
nmero tres; adems, no existe el cero absoluto y si le ponemos el nmero
cero a alguno de los muecos, sera para significar que tiene menor altura que
el nmero uno, pero no significara ausencia de altura. De esas dos fallas, el
nivel intervalo de medicin soluciona la primera, permite establecer el orden
con intervalos iguales de tal manera que entre 10 y 20 grados hay la misma
diferencia que entre 20 y 30 grados de temperatura; pero tampoco tenemos el
cero absoluto, pues una temperatura de cero grados no significa carencia de
temperatura sino el comienzo de la escala positiva y de la negativa.
Finalmente existe el nivel de razn o radial en la medicin, que incluye las
posibilidades de los otros niveles, pero tambin incluye la del cero absoluto. El
ingreso de las diversas personas se mide en pesos que son iguales para uno
y para otro; por lo tanto, se pueden diferenciar segn reciban ms o menos.
Pero, adems, tienen la posibilidad de un cero absoluto como en el caso de
quien est desempleado y no recibe un solo centavo de ingreso. El investiga-
dor deber definir muy bien el nivel de medicin que corresponde al problema
que desea investigar y el nivel que escoja le estar sealando la tcnica esta-
dstica que debe utilizar para analizar los fenmenos.
Adems de la escogencia adecuada de los niveles de medicin que el
investigador necesita, en cada caso debe tener bien claros los factores que
tomar como constantes y los que tendr como variables. Generalmente se
designan los factores constantes con las primeras letras del alfabeto castella-
no o del griego, y las variables con las ltimas letras de nuestro alfabeto, a las
que se puede aadir distintivos numricos. Por ltimo, las variables pueden
tomar slo cierto nmero de valores y entonces son variables discretas, como
cuando damos un valor unitario a cada respuesta acertada de un alumno, o
pueden ser variables que tomen un nmero infinito de valores y entonces son
variables continuas como en el sistema mtrico decimal.
Volvamos sobre la posibilidad de error que siempre acecha al investigador
y que es ms preocupante segn sea la necesidad de precisin y el instru-
mento que utiliza. Los errores pueden obedecer a falla personal, como por
ejemplo: un defecto de la vista en el investigador, o a defectos sistemticos
surgidos de fallas intencionadas o fortuitas de los aparatos de medicin. Y
finalmente se dan los errores aleatorios, que corresponden al mismo proceso
de medicin, ya que por ejemplo: la ms precisa de las balanzas no nos da
siempre la misma medida, aunque es imposible cerrar el paso a toda posibi-
lidad de error. El cientfico tiene que cuidar que su investigacin sea siempre
confiable, vlida y representativa.
La calidad interna radica en la representatividad o capacidad de ser gene-
ralizada que tenga la investigacin en los resultados que exhibe. La confiabilidad
de una medicin es la consistencia que muestra al ser realizada varias veces,
o sea se refiere a la ausencia de errores que aparece en pruebas diferentes.
La validez de una medicin es el grado con que sta representa una medi-
da de lo que realmente se quiere medir, o sea de aquello que en etapa anterior
se ha aclarado conceptualmente como objeto de la investigacin o de la me-
dicin especfica; con lo que ya se est diciendo que es ms importante ase-
gurarse de la validez de la medicin que de su confiabilidad. Aunque no es
posible establecer directamente la validez de una medicin, la prctica cient-
fica ha consagrado varias maneras indirectas, ya sea para mediciones he-
chas en el campo de las ciencias naturales o exactas, o ya sea en el de las
ciencias sociales.
Por ltimo la representatividad o generalidad de una medicin tiene que
ver con el grado en que sus resultados surgidos a partir de una muestra pue-
den ser atribuidos a la poblacin general; porque si la medicin no est
bien hecha pierde representatividad as se haya escogido cuidadosamente la
muestra.
Autoevaluacin
Apoyndose en el contenido del Mdulo 4 y del video que acaba de ver,
conteste o complete si es del caso las siguientes preguntas:
1. Qu debe considerar el investigador para que el proceso de medi-
cin tenga efecto?
2. Cmo pueden ser los niveles de medicin?
3. Para qu sirve el nivel nominal?
4. Para qu sirve el nivel ordinal?
5. En qu consiste el nivel de razn o radial en la medicin?
6. Qu determina la tcnica estadstica que el investigador debe uti-
lizar para analizar los fenmenos?
7. Qu otros factores debe considerar el investigador adems de la
escogencia de los niveles de medicin?
8. Cmo pueden ser las variables?
9. Qu diferencia hay entre estas variables?
10. A qu puede obedecer la posibilidad de error en la medicin que
realiza el investigador?
11. De qu depende la calidad interna de un proceso de investiga-
cin?
12. En qu radica la calidad externa de los procesos de investigacin?
13. En qu consiste la confiabilidad de una medicin?
14. Qu es la validez de una medicin?
R e s p u e s t a s a l a A u t o e v a l u a c i n
1. Clarificacin y clasificacin de los conceptos que utiliza, para lograr
acuerdos acerca de lo que se trata de expresar.
2. Nominal, ordinal y el nivel de razn o radial.
3. Para clasificar sin establecer ninguna otra diferencia entre las uni-
dades o individuos de que se trate.
4. Asigna valores numricos y puede introducir la posibilidad de un
orden determinado.
5. Incluye las posibilidades de los otros niveles y la del cero absoluto.
6. El nivel de medicin.
7. Los factores que tomar como constantes y los que tendr como
variables.
8. Discretas y continuas.
9. Las discretas tienen nmero de valores, las continuas tienen un
nmero infinito de valor.
10. A falla personal.
Defectos sistemticos surgidos de fallas intencionadas o fortui-
tas de los aparatos de medicin.
Errores aleatorios que corresponden al mismo proceso de medi-
cin.
11. De la confiabilidad y validez que tenga la observacin de los datos.
12. En la representabilidad o capacidad de ser generalizada que tenga
la investigacin en los resultados que exhibe.
13. Es la consistencia que muestra al ser realizada varias veces, o sea
a la ausencia de error que aparece en pruebas diferentes.
14. Es el grado con que sta representa una medida de lo que realmen-
te se quiere medir.
D e s p u s d e h a b e r r e a l i z a d o l a a u t o e v a l u a c i n p u e d e c o m p a r a r s u s r e s -
p u e s t a s c o n e l g u i n d e c o n t e n i d o .
2.2 VIDEO: LA CURVA NORMAL
Introduccin
El propsito de este video es mostrar qu es la curva normal, su com-
prensin y la aplicacin en el trabajo investigativo.
con imgenes sencillas y de una forma coloquial.
Para complementar el Mdulo 4. Anlisis de la informacin, se ha ela-
borado el video La curva normal, el cual le dar una visin panormica y al
mismo tiempo ser un complemento al tema que usted ha estudiado.
Recomendaciones
Antes de ver este video que tiene una duracin de 15 minutos, le recomen-
damos haber estudiado el Mdulo 4, conocer en qu consiste el modelo teri-
co de la curva normal y cules son sus mltiples aplicaciones.
Recuerde que el video es una ayuda complementaria, que pretende refor-
zar el contenido que usted ya estudi; adems tenga en cuenta:
Recuerde llevar papel y lpiz para que tome nota.
Es conveniente que sepa manejar el control remoto del VHS o del Betamax
podr realizar despus una mesa redonda para discutir las respuestas, lo que
lo har ms interesante y as los aportes que hagan los participantes sern
valiosos.
LA CURVA NORMAL
Qu nuevas vas son necesarias para la ciudad? Qu cantidad de pro-
visiones debe almacenar este negocio para atender a sus clientes? En qu
nivel est la calidad de esta deportista? Para responder preguntas como s-
tas es necesario observar y registrar la frecuencia y la forma como ocurren
ciertos hechos a lo largo de un perodo. En el caso de las vas, por ejemplo:
podramos llegar a conocer datos como el promedio de vehculos que transi-
tan durante varios das de la semana; o la clase de vehculos que con ms
frecuencia pasan por all; son buses, camiones o carros particulares, y con
mayor observacin podramos llegar a conocer muchos detalles de la forma
como se comporta el trnsito en esa calle en distintas horas y en diversas
pocas del ao. De la misma manera y con procesos similares de observa-
cin el propietario de este negocio podra calcular las provisiones que debe
almacenar de acuerdo con la forma como se comporta la demanda de sus
clientes segn das, horas y clase de producto.
En el caso del deportista, tambin sera posible registrar las marcas que
logra en su deporte, con el fin de medir sus progresos a lo largo de un entrena-
miento o para compararlo con las marcas que logran otros competidores. La
estadstica nos proporciona entonces un conjunto de tcnicas para registrar y
observar el comportamiento de fenmenos variables. Cuando se efectan
mediciones estadsticas se observan diferentes formas en la frecuencia con
que ocurre el fenmeno. Por ejemplo: si examinas el comportamiento del cliente
en esta panadera a lo largo del da, es probable encontrar que las ventas
mximas se localizan en dos perodos, en las primeras horas de la maana y
las ltimas de la tarde. Esta clase de distribuciones se conocen como bimo-
dales. En otro tipo de distribuciones las mayores frecuencias se acumulan a
uno u otro lado de los valores de la variable. Por ejemplo: es probable que las
calificaciones que un profesor oneroso concede a sus alumnos estn repre-
sentadas por un tipo de curva concreta en la cual se registra que la mayor
parte de estudiantes consiguen buenas notas; en el caso del profesor muy
estricto la distribucin de las frecuencias ser opuesta al caso anterior.
En el caso dos, la curva refleja que slo unos pocos estudiantes consi-
guen buenas notas, mientras que la mayora slo alcanzan calificaciones malas
o mediocres. Otra clase de distribucin, conocida como distribucin normal,
es aquella en la cual las frecuencias tienden a concentrarse uniformemente
alrededor de un valor central. A esa distribucin se aproxima por ejemplo: los
puntajes que los estudiantes consiguen en exmenes como las pruebas del
ICFES, o los de ingreso a la universidad; en ese caso la mayor parte de estu-
diantes se concentra en los puntajes intermedios de la escala, mientras que
un grupo menor consigue los puntajes mximos y otros resultantes se ubican
en los mnimos.
A partir del concepto de distribucin normal, la ciencia de la estadstica ha
desarrollado un modelo terico de importantes y mltiples aplicaciones. Este
modelo se conoce como curva normal y no es otra cosa que una representa-
cin grfica y matemtica de aquellos fenmenos que bajo ciertas condicio-
nes pueden considerarse como normalmente distribuidos. En su origen la
curva normal surge como representacin de la frecuencia de eventos que
ocurren al azar, y por lo tanto como parte de la teora de la probabilidad. En
efecto, al tomar estas ocho monedas podemos preguntarnos con qu fre-
cuencia relativa saldrn caras si las lanzramos un gran nmero de veces. Lo
primero que responde la teora de probabilidad es que en la mayor parte de los
casos saldrn cuatro caras, del mismo modo podremos suponer que en el
menor nmero de veces saldrn solamente caras y que en un nmero de
veces igualmente menor no saldrn caras. El histograma completo de fre-
cuencias relativas para el caso propuesto tendr finalmente esta distribucin,
y si en vez de ocho lanzramos diecisis monedas aumentara el nmero de
las barras dentro del histograma y cada vez se identificara mejor el perfil de la
curva y de la distribucin normal. De esta manera la curva normal representa
en su origen la frecuencia con que ocurren fenmenos regidos por el azar,
sobre los cuales operan multitud de factores independientes. De la misma
forma que podemos encontrar crculos de diferente dimetro sin que por ello
pierdan su carcter de crculos, es posible tambin encontrar curvas cerca-
nas a la normal, pero con diferentes configuraciones. Por ejemplo: estas dos
curvas registran el mismo valor como promedio pero su amplitud vara porque
es distinta a su desviacin estndar.
Estas dos curvas registran promedios diferentes pero sus desviaciones
estndar son iguales.
En estas dos curvas los promedios y las desviaciones estndar son dife-
rentes.
Sin embargo la familia de las curvas normales cumplen las siguientes
caractersticas: en primer lugar toda curva normal es simtrica, es decir que
la mitad de su lado izquierdo es igual a la mitad del lado derecho, igualmente
la distribucin que representa la curva normal es unimodal a tal punto que
promedio, mediana, y moda tienen todos el mismo valor.
De otra parte, y a diferencia de un polgono de frecuencia, la curva normal
es continua, y por lo tanto slo registra en rigor valores de variables que sean
continuas.
Otra caracterstica comn es que la curva normal es asinttica, es decir,
que no toca el eje de las x y que por lo tanto ocupar un nmero infinito de
observaciones; si bien es cierto que en las ciencias sociales las mediciones
no son continuas ni el nmero de observaciones es infinito, la utilidad prctica
de la curva normal es su valor como modelo estadstico y matemtico.
La curva normal es un instrumento que ayuda a organizar, describir y pre-
decir el comportamiento de fenmenos que en su distribucin se aproximan a
la distribucin normal. As por ejemplo, y tomando la curva normal como mo-
delo, podran estimarse el porcentaje de colombianos adultos cuya estatura
vara entre 1.60 metros y 1.80 metros y el porcentaje de aquellos que miden
menos de 1.60 metros o ms de 1.80 metros.
Otra forma en que la Curva Normal acta como modelo de suma impor-
tancia es en la llamada Distribucin de Muestreo. En efecto, si obtenemos
una gran cantidad de muestras aleatorias de un universo dado, el valor de los
promedios y de otras estadstica de esas muestras tienden a conformar una
distribucin normal. A modo de ejemplo veamos este caso: los valores 1, 2 y
3 conforman nuestro universo. De ese universo vamos a obtener todas las
posibles muestras de dos elementos. He aqu la primera muestra, el prome-
dio de esa muestra es uno y lo anotamos en una tabla de frecuencia. Ahora
vamos a repetir el procedimiento con las otras posibles muestras, es decir,
tomamos los valores de la muestra y consignamos en la tabla el valor de su
promedio, he aqu el resultado final, los promedios de las diferentes muestras
tienen una distribucin muy cerca a la normal. Si el universo fuera mayor y las
muestras ms grandes el perfil de la curva normal sera ms notable. Hay otro
hecho en extremo interesante y es que el valor promedio de la distribucin de
estos promedios coinciden con el valor promedio del universo original. Este
carcter normal de la distribucin de muestreo es de gran importancia para
realizar inferencias ya que permite al investigador calcular la probabilidad de
que el valor de una estadstica obtenida en una muestra, coincida con el valor
del parmetro de la poblacin o universo. Como modelo terico, la curva nor-
mal tiene en sntesis las siguientes caractersticas: como sabemos es una
distribucin simtrica y asinttica que no toca el eje horizontal y se extiende
indefinidamente; el rea total debajo de la curva puede representar el nmero
total de elementos de la poblacin o universo, es decir, constituye el 100% de
los casos; esta propiedad permite que entre dos puntajes a lo largo del eje
horizontal sea posible determinar la proporcin de la frecuencia entre dos
puntajes; proporcin que ser igual al rea de la curva entre esos dos puntos.
Cuando se normaliza una distribucin, el medio aritmtico, la mediana y la
moda son iguales a cero; por lo tanto, los valores al lado izquierdo del eje
horizontal son negativos mientras que los valores del lado derecho son posi-
tivos.
La desviacin estndar en una desviacin normalizada es igual a uno, el
68.26% de los valores de la distribucin se localizan bajo el rea determinada
por una desviacin estndar a cada lado del medio aritmtico. Del mismo
modo el 95.46% de los valores se localizan entre extremos de dos desviacio-
nes a lado y lado del medio. El 99% de los valores se agrupan bajo el rea que
determinan tres desviaciones estndar a lado y lado del mismo medio. La
comprensin y aplicacin de la curva normal es una exigencia en el trabajo
investigativo, particularmente cuando se desea hacer inferencias a partir de
una muestra. La curva es un modelo, es una abstraccin; para aplicarla con
acierto se requiere su exacta comprensin como instrumento estadstico; lo
mismo que el conocimiento preciso de la ndole y caractersticas de la inves-
tigacin para la cual se aplique.
Autoevaluacin
Apoyndose en el contenido del Mdulo 4, y en el video que acaba de ver
1. Qu es la distribucin normal?
2. Qu es la curva normal?
3. Por qu surge la curva normal?
4. Cuales son las caractersticas que deben cumplir la familia de las
curvas normales?
5. Qu es una curva normal asinttica?
6. Cul es la utilidad prctica de la curva normal?
7. Como modelo estadstico y matemtico la curva normal es un ins-
trumento que ayuda a...
8. Qu es distribucin de muestreo?
9. Qu caractersticas tiene la curva normal como modelo terico?
10. Cuando se normaliza una distribucin, la media aritmtica, la me-
diana y la moda son igual a....
11. A qu es igual la sesviacin estndar de una distribucin normali-
zada?
12. Qu se necesita para aplicar la curva normal con acierto?
1. Es aquella en la cual las frecuencias tienden a concentrarse unifor-
memente alrededor de un valor central.
2. Es una representacin grfica y matemtica de aquellos fenme-
nos que bajo ciertas condiciones pueden considerarse como nor-
malmente distribuidos.
3. Como representacin de la frecuencia de eventos que ocurren al
azar y por lo tanto como parte de la teora de la probabilidad.
4. Toda curva normal es simtrica.
La distribucin que representa la curva normal es la unimodal.
La curva normal es continua.
La curva normal es asinttica.
5. Es la que no toca el eje de la X y por lo tanto ocupar un nmero
infinito de observaciones.
6. Es su valor como modelo estadstico y matemtico.
7. Organizar, describir y predecir el comportamiento de fenmenos
que en su distribucin se aproximan a la distribucin normal.
8. Cuando la curva normal acta como modelo se obtiene una gran
cantidad de muestras aleatorias de un universo dado y el valor de
los promedios y de otras estadsticas tiende a conformar una distri-
bucin de muestreo.
9. Es una distribucin simtrica y asinttica que no toca el eje hori-
zontal y se extiende independientemente.
El rea total debajo de la curva normal puede representar el n-
mero total de elementos de la poblacin urbana.
10. Cero
11. A uno
12. Su exacta comprensin como instrumento estadstico, lo mismo
que el conocimiento preciso de la ndole y caractersticas de la in-
vestigacin para la cual se aplica.
D e s p u s d e h a b e r c o n t e s t a d o l a s p r e g u n t a s p u e d e s c o m p a r a r s u s r e s -
2.3 VIDEO: LA MUESTRA
Introduccin
El propsito de este video es mostrar qu es la muestra, cundo utili-
zar una muestra, qu obtiene el investigador a travs de la muestra.
con imgenes sencillas y de una forma coloquial.
Para complementar el Mdulo 4. Anlisis de la informacin, se ha ela-
borado el video: La muestra, el cual le dar una visin panormica y al
mismo tiempo ser un complemento al tema que usted ha estudiado.
Recomendaciones
Antes de ver este video que tiene una duracin de 15 minutos, le recomen-
damos haber estudiado el Mdulo 4, conocer qu es la muestra, cmo se
utiliza, para qu sirve, cmo se determina sta. Recuerde que el video es una
ayuda complementaria, que pretende reforzar el contenido que usted ya estu-
di. Adems tenga en cuenta:
Recuerde llevar el papel y lpiz para que tome nota.
Es conveniente que sepa manejar el control remoto del VHS o del Betamax
podr realizar despus una mesa redonda para discutir las respuestas, lo que
lo har ms interesante y as los aportes que hagan los participantes sern
valiosos.
LA MUESTRA
Muchas afirmaciones sobre caractersticas de las personas de una regin
o sobre las que tienen una misma profesin u oficio, o sobre caractersticas
de las personas segn su edad o sexo son ejemplo de generalizaciones, he-
chas a partir de la observacin de apenas unos casos. Eso quiere decir que
en la vida cotidiana deducimos que una poblacin tiene cierta caracterstica
por el hecho de haberla observado en una muestra de esa poblacin.
Todos generalizamos pero todos sabemos que esas generalizaciones no
son cientficamente ciertas; sin embargo, la ciencia tambin hace generaliza-
ciones a partir de la observacin de un nmero limitado de casos. La diferen-
cia est en que la ciencia sigue rigurosos mtodos para garantizar la validez
de sus generalizaciones. En efecto, el trabajo del investigador cientfico es
encontrar leyes, relaciones, comportamientos y otras caractersticas que per-
mitan conocer mejor, bien sea el mundo de los fenmenos naturales o bien el
mundo de los fenmenos humanos y sociales. En este proceso son muchas
y diversas las preguntas que motivan un trabajo de investigacin. Por ejem-
plo: cuntos desempleados tiene el pas? o cmo puede controlarse la roya
de los cafetos?, o de qu manera influye el nivel educacional de los padres
en el desarrollo fsico y mental de sus hijos? En casos como estos los
desempleados o los cafetos o los padres de familia constituyen la poblacin o
universo objeto de cada investigacin. Pero ante la imposibilidad de que el
investigador examine a cada individuo de su universo o poblacin sean desem-
pleados, o cafetos, o padres de familia o cualquier otro conglomerado, se
hace indispensable que tan solo observe una muestra tomada de la poblacin
o universo objeto de su estudio y que a partir de esa muestra pueda generali-
zar vlidamente para todos los casos. As pues, podemos decir que cuando el
investigador desea conocer una caracterstica de una poblacin o universo su
trabajo se orienta en primer lugar a observar esa caracterstica en una mues-
tra tomada de esa poblacin o universo, los valores que el investigador mide
en la muestra se conocen como estadstica y los valores que corresponden a
la poblacin o universo se conocen como parmetros. As por ejemplo puede
ocurrir que en una muestra encontremos un 10% de desempleo. Ese valor
sera la estadstica, pero es posible que el valor real del desempleo en la ciu-
dad en la cual se tom la muestra al contabilizar absolutamente todos los
casos sea un 12%, esta cifra entonces sera el parmetro. Podemos decir
entonces que el investigador obtiene estadsticas de la muestra para inferir
parmetros de la poblacin o universo. En este proceso de inferencia cientfi-
ca, el investigador debe cumplir varias y rigurosas exigencias; debe en primer
lugar garantizar que su muestra sea representativa del universo, es decir, que
la muestra reproduce las distribuciones y valores del universo o poblaciones
con mrgenes de error calculables. La representatividad de la muestra de-
pende de varios factores; uno de ellos es la identificacin del universo de don-
de va a sacar la muestra, esta identificacin del universo o marco de muestreo
no siempre es sencilla; hay algunas dificultades inherentes, la primera es la
posibilidad de delimitar un universo, por el hecho de que todo universo es un
organismo vivo que se expande, que crece y es dinmico; tomemos el caso
de la poblacin de una ciudad o el nmero de carros que hay en la ciudad, o el
nmero de maestros que hay en una nacin, esos universos estn perma-
nentemente creciendo y por lo tanto es muy difcil dar una delimitacin precisa
en un momento preciso; en segundo lugar existe una segunda clase de limita-
ciones que tiene que ver con el tipo de objeto social sobre el cual se va a hacer
la muestra.
Hay objetos sociales que de por s son distintamente definidos como por
ejemplo: el nmero de alcohlicos que hay en una ciudad o el nmero de
vagabundos, etc., en esos casos evidentemente no hay manera de precisar
el universo; hay una tercera clase de delimitaciones que tienen que ver con
las posibilidades tecnolgicas al servicio de una investigacin, para poder
delimitar ese universo en objetos que estn ya centralizados, que tienen re-
gistros pblicos, por ejemplo el problema no es tanto el dato ni la clase de
dato, sino el control y la sofisticacin que existe en cuanto a la informacin
para ese tipo de datos. Otro factor influyente en la representatividad de la
muestra es el diseo muestral. Disear una muestra es buscar que cada
componente de un universo tenga la posibilidad de estar incluido en la mues-
tra y que se pueda calcular la posibilidad que cada elemento tenga de estar en
la muestra.
Las muestras aleatorias o probabilsticas son de varias clases y exigen
diferentes procedimientos de seleccin; sin embargo no son las nicas que
se utilizan en la investigacin porque tambin existen muestras no proba-
bilsticas. Las muestras no probabilsticas o intencionales se justifican parti-
cularmente en etapas exploratorias de la investigacin o para finar instrumen-
tos de redaccin de datos o para estudios en profundidad.
Este es un caso: la muestra no probabilstica se elabora siempre sin tener
en cuenta los procedimientos estadsticos de muestreo, es aquella donde no
se conoce el universo y es muy difcil, por lo tanto, determinar una muestra, y
donde los elementos de la muestra tienen no todas las mismas posibilidades
de ser escogidas para el estudio. Vamos a poner un ejemplo muy claro que es
la forma de explicarlo. En investigacin tenemos una forma de conseguir in-
formacin llamada bola de nieve. La podemos aplicar a una investigacin en
pintura. Por ejemplo: queremos investigar a los pintores en Colombia, nica-
mente conocemos un pintor y no conocemos a los dems, por lo tanto no
conocemos ni el universo ni la muestra. Vamos donde este pintor que cono-
cemos y hacemos la entrevista, al final de la entrevista le preguntamos por
dos pintores similares a l en el grupo que nos interesa. Para hacerle la entre-
vista vamos donde esta gente, los entrevistamos y al final les preguntamos
tambin si conocen otros dos pintores, cada uno de ellos. En esta forma va-
mos ampliando el grupo de gente que estamos necesitando y la bola de nieve
va creciendo. Ya no tenemos solamente uno, tenemos seis y eso se va am-
pliando. Cada persona nos va dando dos nombres ms y en esta forma va-
mos creando un universo de donde podemos sacar una muestra que la va-
mos creando. Inicialmente en este caso sera la muestra primero y el universo
despus, pero nicamente debe ser utilizada la muestra no probabilstica en
aquellos casos en que no exista conocimiento sobre el universo y por lo tanto
la dificultad para conseguir una muestra sea muy grande.
En resumen el investigador define con la mayor claridad posible el univer-
so de su estudio, que las amas de casa, que los miembros de partidos polti-
cos, que los de un servicio pblico, etc., ahora el investigador obtiene mues-
tras unas veces aleatorias y otras intencionales de la poblacin o universo
que desea estudiar, pero ojo, que sean muestras representativas.
El investigador hace sus observaciones y mediciones sobre la muestra,
de esa manera obtiene estadsticas o sea valores como frecuencias, prome-
dios y otros que le sirven para conocer el comportamiento de la muestra de
las variables que est investigando. Finalmente y mediante procesos estads-
ticos el investigador puede, con margen de errores calculables, generalizar a
la poblacin o universo las observaciones hechas a la muestra; de modo ge-
neral eso es as; pero hay unos pasos de anlisis de datos y comprobacin de
hiptesis muy rigurosos. Medir algo en la muestra y generalizar a la poblacin
es lo que se conoce como inferencia, es decir, que una estadstica nos permi-
te hallar un parmetro.
Para definir el tamao de la muestra hay que considerar algunos aspec-
tos, unos de orden prctico y otros de orden terico. En el orden prctico y
para definir su muestra busca orientaciones en otros estudios similares e
igualmente examina los recursos econmicos con que cuenta, el tiempo de
que dispone. Desde el punto de vista terico, el investigador determina su
muestra principalmente de acuerdo con los objetivos de su estudio e igual-
mente se sirve de las frmulas que las estadsticas proporcionan para calcu-
lar tamao de muestra. Cmo influyen estos factores prcticos y tericos
para que un investigador determine el tamao de su muestra?
Un factor importante es la naturaleza del estudio o sea qu tipo de investi-
gacin se est realizando, de qu tipo de investigacin se trata. Pongamos
algunos ejemplos:
En primer lugar es muy importante la naturaleza del estudio, es decir, qu
tipo de investigacin se est realizando, en qu tipo de disciplina y cuales son
los objetivos precisos de la investigacin para el momento en que el investiga-
dor selecciona o determina la muestra. En segundo lugar hay dos factores
tambin muy importantes, el factor econmico y el factor tiempo que ya el
investigador debe haber tenido en cuenta desde el momento en que inici su
investigacin. La complejidad de una muestra por ejemplo hace que aumente
el precio de una investigacin o los costos de una investigacin. Por otra par-
te, tambin se puede racionalizar adecuadamente el tiempo si se han hecho
estudios previos sobre lo que es la muestra. Tambin debe tenerse en cuenta
el tipo de procesamiento de la informacin que se va a hacer, y por otra parte
la forma como se va a hacer la recoleccin de informacin. Una tercera ca-
racterstica importante es la tradicin que otros investigadores han construido
con relacin al tipo de muestra que han utilizado, para investigaciones o estu-
dios similares, finalmente la estadstica y la teora del muestreo han propor-
cionado herramientas muy valiosas a los investigadores de diferentes discipli-
nas para la adecuada toma de decisiones, en el momento de determinacin
de la muestra.
La precisin de los resultados no slo depende del tamao de las mues-
tras, si hay errores de recoleccin, una muestra grande podra ser mala, mien-
tas que una muestra pequea con cuidadosa recoleccin y seleccin podra
ser excelente.
Una muestra grande no es suficiente para garantizar la precisin de los
resultados.
Para determinar una muestra no basta con saber frmulas matemticas
que nos permitan encontrar su tamao, depende en primer lugar de la preci-
sin con que est definido el universo de la investigacin, de la claridad que el
investigador tenga sobre los objetivos y de su estudio, la recoleccin y proce-
samiento cuidados de los datos. De esta forma la claridad conceptual y rigor
metodolgico son la garanta necesaria para que finalmente las tcnicas esta-
dsticas permitan inferir resultados a partir de una muestra.
Autoevaluacin
Apoyndose en el contenido del Mdulo 4, y en el video que acaba de ver
1. Qu es una muestra?
2. En qu se diferencian las generalizaciones que hace la ciencia
con respecto a las generalizaciones que no son cientficamente
ciertas?
3. Cmo se llaman los valores que el investigador mide en la mues-
tra?
4. Con qu nombre se conocen los valores que corresponden a la
poblacin o universo?
5. De qu depende la representatividad de la muestra?
6. Qu es disear una muestra?
7. Qu tipos de muestras se utilizan en la investigacin?
8. Cundo se utilizan las muestras no probabilsticas o intencionales?
9 Qu es la muestra no probabilstica?
10. El investigador hace sus observaciones y mediciones sobre...
11. Qu obtiene el investigador a travs de la muestra?
12. ,Qu es inferencia?
13. Cmo se define el tamao de la muestra?
14. Para determinar una muestra qu debe tener en cuenta un inves-
tigador?
15. Qu constituye la garanta necesaria para que finalmente las tc-
nicas estadsticas permitan resultados a partir de una muestra?
M D U L O 4 : A N L I S I S D E L A I N F O R M A C I N 1 6 3
1. Son las generalizaciones hechas a partir de la observacin de ape-
nas unos casos.
2. En que la ciencia sigue rigurosos mtodos para garantizar la vali-
dez de sus generalizaciones.
3. Estadsticos.
4. Parmetros.
5. De la identificacin del universo de donde se va a sacar la muestra.
6. Es buscar que cada componente de un universo tenga la posibili-
dad de estar incluido en la muestra y que se pueda calcular la posi-
bilidad que cada elemento tenga de estar en la muestra.
7. <->Muestras aleatorias o probabilsticas
<->Muestras no probabilsticas o intencionales
8. Se justifican particularmente en etapas exploratorias de la investi-
gacin o para afinar instrumentos de redaccin de datos o para es-
tudios en profundidad.
9. Es aquella donde no se conoce el universo y es muy difcil por lo
tanto determina una muestra y donde los elementos de la muestra
no tienen todos la misma posibilidad de ser escogidos para el es-
tudio.
10. La muestra
11. Obtiene estadstica, o sea valores como frecuencias, promedios y
otros que le sirven para conocer el comportamiento de la muestra
de las variables que est investigando.
12. Es medir algo en la muestra y generalizar a la poblacin.
13. Se debe buscar orientacin en otros estudios similares, examinar
los recursos econmicos con que se cuenta, el tiempo de que se
dispone, lo anterior desde el punto de vista prctico; y desde el pun-
to de vista terico el investigador determina su muestra principal-
mente de acuerdo a los objetivos de su estudio e igualmente se
sirve de las frmulas que la estadstica proporciona para calcular
tamaos de muestra.
I N S T R U C T I V O P A R A E L U S O D E L V I D E O
14. La precisin con que est definido el universo de la investigacin.
La claridad que el investigador tenga sobre los objetivos y varia-
bles de su estudio.
La recoleccin y procesamiento cuidadoso de los datos.
15. La claridad conceptual y rigor metodolgico.
D e s p u s d e h a b e r c o n t e s t a d o l a s p r e g u n t a s p u e d e s c o m p a r a r s u s r e s -
Bibliografa
BERENSON, Mark. Estadstica bsica en administracin. Conceptos y aplicaciones.
1992.
BRIONES, G. Mtodos y tcnicas de investigacin para las ciencias sociales. Mxico,
Trillas, 1982.
CARVAJAL, Lizardo. Metodologa de la investigacin. Sptima edicin. Cali, FAID, 1991.
CEBALLOS ROJAS, Argemiro. Estadstica descriptiva y probabilidad bsica. 1994.
GODINO, J. y otros. Azar y probabilidad. Fundamentos didcticos y propuestas
curriculares. Sntesis, 1991.
GONZLEZ REYNA, Susana. Manual de redaccin e investigacin documental. Se-
gunda edicin, Mxico, Trillas, 1994.
HARNETT y MURPHY. Introduccin al anlisis estadstico. Addison-Wesley Iberoame-
ricana, 1993.
HOPKINS, Kenneth. Estadstica bsica para las ciencias sociales y el comportamien-
to. 1997.
KREYSZIG, Erwin. Estadstica matemtica. Limusa. 1983.
MASON, Robert; LIND Douglas. Estadstica para administracin y economa. 8
a
edi-
cin. Santa Fe de Bogot, Alfaomega Grupo Editor S.A. de C.V., 1998.
MENDENHALL, William. Introduccin a la probabilidad y a la estadstica. Grupo Edito-
rial Iberoamericana, 1991.
MENDENHALL, William; WACKERLY, Dennis; SCHEAFFER, Richard. Estadstica
matemtica con aplicaciones. Mxico, Grupo Editorial Iberoamericana, 1994.
MENDENHALL, SCHEAFFER y WACKERLY. Estadstica matemtica con aplicacio-
nes. Grupo Editorial Iberoamericana, 1986.
MONTGOMERY, Douglas C. Diseo y anlisis de instrumentos. Grupos Editorial Ibero-
americana, 1991.
MONTGOMERY, Douglas C. Control estadstico de la calidad. Grupo Editorial Ibero-
americana, 1991.
PARZEN, ENMANUEL. Teora moderna de probabilidades y sus aplicaciones. Mxico,
Limusa, 1991.
PEA SNCHEZ DE RIVERA, Daniel. Estadstica, modelos y mtodos. Tomo I y Tomo
II. Alianza Editores, 1990.
SCHEAFFER, MENDENHALL, OTT. Elementos de muestreo. Grupo Editorial Ibero-
americana, 1987.
SCHEAFFER y McCLAVE. Probabilidad y estadstica para ingeniera, Grupo Editorial
Iberoamericana, 1993.
SUREZ DE LA CRUZ, Alberto Camilo. Metodologa para el estudio y la investigacin.
Cuarta edicin, Bogot, Ediciones Ciencias y Derecha, 1991.

Analisis de La Información Aprender A Investigar Icfes

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Analisis de La Información Aprender A Investigar Icfes

Enviado por

Direitos autorais:

Formatos disponíveis

YOLANDA GALLARDO DE PARADA

ADONAY MORENO GARZN

SERIE: APRENDER A INVESTIGAR 28

Você também pode gostar