UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

CENTRO ASOCIADO DE TORTOSA

EL ESTUDIO OPERATIVO DE LA
PSICOLOGA

UNA APROXIMACIN MATEMTICA

JOSEP MARIA FRANQUET BERNIS

2008
Primera edicin, abril de 2008

Josep Maria Franquet i Bernis

e-mail: jfbernis@iies.es

ISBN: ...

Depsito legal: DLT ...

Edita: UNED-Tortosa. C/ Cervantes, n: 17, 43.500 TORTOSA

Imprime: Cooperativa Grfica Dertosense,
C/ Cervantes, n: 21, 43.500 Tortosa.
Tel.: 977 44 00 28
Fax: 977 44
e-mail:

Printed in Spain

La reproduccin total o parcial de esta obra mediante cualquier

procedimiento, ya sea reprografa o bien tratamiento informtico, as como
la distribucin de ejemplares por medios de alquiler o prstamo, estn
rigurosamente prohibidos sin la autorizacin escrita del autor y del editor,
excepto citas, siempre que se mencione su procedencia, y sern sometidos a
las sanciones establecidas por la ley.
 A Pepi,
psicloga y maravillosa personilla,
cuya presencia querida o cuyo recuerdo entraable
han sido para m el mejor estmulo
en la realizacin de tan prosaico
como deficiente trabajo.

El estudio y la aplicacin de las Matemticas es como un

largo y anchuroso ro, el Nilo, que comienza por la
modestia y termina por la magnificencia.

C. Colton
 INDICE GENERAL

NDICE GENERAL
Pg.

NDICE GENERAL ..................................................................................... 7

PRLOGO ................................................................................................... 13

CAPTULO 1. Disquisiciones generales ..................................................... 17

1. Justificacin de la aplicacin de las matemticas al presente estudio ..... 17
2. Breve recorrido histrico sobre los inicios de la Psicologa aplicada ...... 21
3. La Psicologa como ciencia ................................................................... 25
4. El conductismo y la Teora de Sistemas ................................................. 27
5. Estudio de los efectos de los estmulos sobre el sistema psicolgico ...... 32
6. La frecuencia de respuesta como variable independiente: las
aportaciones de Skinner ......................................................................... 37

CAPTULO 2. Los modelos psicolgicos .................................................... 39

1. Definicin y conceptos previos .............................................................. 39
1.1. Sntesis histrica del concepto de modelo .................................. 39
1.2. Definicin y clases de modelos...................................................... 42
2. Modelos para el conocimiento cientfico ............................................... 44
3. Modelos de simulacin .......................................................................... 45
4. Los modelos y la Teora de Sistemas ..................................................... 49
4.1. La modelizacin ............................................................................ 49
4.2. Los modelos matemticos.............................................................. 50
4.2.1. Variables exgenas y endgenas ........................................... 50
4.2.2. Problemas que se plantean .................................................... 50
4.2.3. Formulacin de los modelos matemticos ............................. 54
4.3. Otra clasificacin de los modelos .................................................. 55

CAPTULO 3. La Psicologa como Sistema ................................................ 59

1. Introduccin .......................................................................................... 59
2. El sistema de gestin ............................................................................. 65
3. Variables de un sistema psicolgico ...................................................... 66
4. El concepto de probabilidad subjetiva ................................................ 67
5. Determinacin e indeterminacin de un sistema psicolgico ................. 75
6. Sistema controlado ................................................................................ 78
7. Sistema regulado ................................................................................... 79
8. Estabilidad de un sistema psicolgico .................................................... 81

CAPTULO 4. Los sistemas psicolgicos .................................................... 83

1. Conceptualizacin previa....................................................................... 83
2. Existencia de los sistemas psicolgicos ................................................ 84
3. Concepto y formalizacin de un sistema psicolgico ............................ 85

7
INDICE GENERAL

4. Importancia de las conexiones en nuestro estudio ................................. 88

5.Acoplamiento entre los elementos de un sistema psicolgico ................ 89
6. Estructura del sistema psicolgico ........................................................ 91
7. Conducta del sistema psicolgico ......................................................... 91
8. Transformaciones de un sistema psicolgico ........................................ 93
9. Tipos de problemas y niveles de resolucin .......................................... 94
10. Clases de sistemas psicolgicos .......................................................... 95
11. Caractersticas de los sistemas abiertos ............................................... 97
12. Algunas ideas sobre Ciberntica ......................................................... 99
12.1. Introduccin ............................................................................... 99
12.2. Definiciones y conceptos ............................................................ 100
12.3. Objeto, aplicaciones y demostraciones ....................................... 100
12.4. Funcionamiento, comunicacin y control ................................... 101
12.5. El concepto de entropa ............................................................... 102
12.5.1. Definicin ........................................................................... 102
12.5.2. El concepto termodinmico y su aplicacin......................... 103
12.5.3. La entropa de Shannon ....................................................... 105
12.5.4. La entropa, el desorden y el grado de organizacin ............ 105
12.5.5. Entropa, procesos reversibles e irreversibles ...................... 106
12.5.6. Entropa, ciberntica y comunicacin .................................. 106
12.5.7. Ejemplo ............................................................................. 110

CAPTULO 5. El estudio sistmico de la Psicologa .................................. 113

1. Percepcin ............................................................................................ 113
2. Aprendizaje y recuerdo .......................................................................... 113
2.1. Introduccin ................................................................................. 113
2.2. Tratamiento sistmico .................................................................. 115
2.3. La dicotoma: Adaptacin Aprendizaje ...................................... 118
3. Comunicacin ...................................................................................... 119
4. Eleccin y Valoracin ........................................................................... 121
4.1. Introduccin ................................................................................. 121
4.2. El planteamiento histrico del problema ....................................... 122
4.3. Utilidad y conducta del sistema psicolgico .............................. 123
4.4. Modelos de eleccin ..................................................................... 125
4.4.1. Concepto .............................................................................. 125
4.4.2. Un ejemplo belicoso ............................................................ 126

CAPTULO 6. De inters para el psiclogo experimentador .................... 129

1. Los albores de la psicologa experimental ............................................. 129
1.1. Introduccin ................................................................................. 129
1.2. Los siglos XVII y XVIII: la epistemologa de la mente ................ 129
1.3. El siglo XIX: epistemologa del sistema nervioso ......................... 132
1.4. Comienzo formal de la psicologa experimental de la conciencia .. 138
2. Pilotaje de un sistema psicolgico ......................................................... 140
3. Programa y su naturaleza ....................................................................... 141
4. Decisin y su naturaleza ........................................................................ 143

8
 INDICE GENERAL

CAPTULO 7. Aplicaciones de la Investigacin Operativa (I) .................. 147

1. Aplicacin de la Teora de la Programacin Dinmica y de los
Procesos Estocsticos ...................................................................... 147
2. Aplicacin de la Teora de Grafos .................................................... 156
3. Aplicacin de la Teora de Gestin de Stocks ................................... 159

CAPTULO 8. Aplicaciones de la Investigacin Operativa (II)

Teora de Colas o de los Fenmenos de Espera .................. 163
1. Introduccin .................................................................................... 163
2. Proceso de Poisson .......................................................................... 163
3. Estimulacin ilimitada ..................................................................... 167
4. Estimulacin limitada ....................................................................... 174
5. Ejercicios de aplicacin ................................................................... 177

CAPTULO 9. Probabilidad, Estadstica y Anlisis factorial ................... 191

1. Probabilidad y estadstica ................................................................ 191
1.1. El origen de los mtodos estadsticos ............................................ 191
1.2. El clculo de probabilidades ......................................................... 191
1.3. La Inferencia Estadstica .............................................................. 193
1.4. La Estadstica Descriptiva ............................................................ 196
2. La cuantificacin en el procedimiento experimental ........................ 198
3. Otros conceptos diversos de probabilidad ......................................... 200
3.1. Introduccin ................................................................................. 200
3.2. Probabilidad clsica ...................................................................... 201
3.3. Probabilidad frecuencialista .......................................................... 203
3.4. Probabilidad lgica ....................................................................... 207
4. Probabilidad condicionada y teorema de Bayes ............................... 209
4.1. Probabilidad condicionada ............................................................ 209
4.2. Teorema de Bayes ........................................................................ 210
5. Aplicacin de los mtodos robustos en el anlisis de las
variables psicolgicas .................................................................... 213
6. Aplicacin del Anlisis Factorial...................................................... 218
6.1. Introduccin .................................................................................. 218
6.2. Clculo de la matriz de correlaciones ............................................ 220
6.3. Teoras bifactorial y multifactorial ................................................ 222

RESUMEN Y CONCLUSIONES ................................................................ 227

APNDICE ................................................................................................... 231

ANEXO 1. Restantes especificaciones metodolgicas ................................. 233

I. La distribucin normal ............................................................................ 233

1. La distribucin terica de probabilidad ............................................ 233
2. Las reas bajo la curva normal ........................................................ 239

9
INDICE GENERAL

II. La prueba del chi-cuadrado ................................................................... 247

1. Frecuencias observadas y tericas ................................................... 247
2. Definicin de 2............................................................................... 247
3. Ensayos de significacin ................................................................. 249
4. La prueba chi-cuadrado para la bondad del ajuste ............................ 250
5. Tablas de contingencia .................................................................... 250
6. Correccin de Yates para la continuidad .......................................... 251

III. Funciones de densidad y de distribucin .............................................. 255

1. Generalidades .................................................................................. 255
2. Interpretaciones grficas .................................................................. 257
3. Ajustes a una distribucin gamma y/o exponencial ...................... 259
3.1. Distribucin gamma .................................................................. 259
3.2. Caractersticas de la distribucin gamma ................................... 261
3.2.1. Funcin de distribucin, media y varianza ................................. 262
3.2.2. Funcin generatriz de momentos factoriales .............................. 265
3.2.3. Propiedad reproductiva .............................................................. 265
3.3. Distribucin exponencial ............................................................... 267
4. Ajuste a una distribucin beta ...................................................... 267
4.1. Conceptualizacin ........................................................................ 267
4.2. Caractersticas .............................................................................. 270
4.2.1. Funcin de distribucin ............................................................. 270
4.2.2. Media ........................................................................................ 272
4.2.3. Varianza .................................................................................... 272
5. La distribucin hipergeomtrica ...................................................... 272
6. La distribucin F de Snedecor y el anlisis de la varianza ................ 274

IV. La uniformidad en la distribucin de las variables psicolgicas ......... 276

1. El concepto de coeficiente de uniformidad psicolgica ................ 276

2. Otros coeficientes de uniformidad psicolgica ................................ 279
2.1. Basados en la desviacin media absoluta ...................................... 279
2.2. Basados en otras medidas de dispersin y concentracin .............. 280
2.2.1. ndice de Gini y curva de Lorenz ............................................... 280
2.2.2. ndice de Williamson ................................................................. 281
2.2.3. ndice de concentracin de Lorenz ............................................. 282
3. Otras caractersticas interesantes de la distribucin de las variables
psicolgicas ......................................................................................... 285
3.1. Ecuaciones de ligadura entre los coeficientes de uniformidad ....... 285
3.2. Agrupamiento en clases y otras caractersticas de las
distribuciones psicolgicas .................................................................. 290
3.2.1. Los intervalos de clase ............................................................... 290
3.2.2. Forma de la distribucin de frecuencias ..................................... 292
3.2.3. Otros coeficientes de uniformidad psicolgica ............................ 294

10
 INDICE GENERAL

ANEXO 2. Ejemplos prcticos .................................................................... 295

I. Primer problema ...................................................................................... 293

1. Datos y enfoque del problema .......................................................... 293

2. Normalizacin del problema ........................................................ 297
3. Caractersticas de la distribucin ..................................................... 302
3.1. Medidas centrales o promedios ..................................................... 302
3.2. Medidas de dispersin o concentracin ......................................... 304
3.3. Otras caractersticas de la distribucin de frecuencias.................... 305
3.4. ndice de Gini y curva de Lorenz .................................................. 307
3.5. ndice de Williamson .................................................................... 308
3.6. Curva e ndice de concentracin de Lorenz ................................... 309
3.6.1. Otras especificaciones acerca de la curva de Lorenz .................. 309
3.6.2. ndice de concentracin de Lorenz ............................................. 310
4. Ajuste a una distribucin normal ..................................................... 311
2
4.1. La hiptesis de normalidad y el estadgrafo .............................. 311
4.2. Determinacin y fiabilidad del coeficiente de correlacin no
lineal............................................................................................... 313
5. Distribucin exponencial ................................................................. 315
6. Correccin por agrupamiento en clases ......................................... 316

II. Segundo problema .................................................................................. 318

III. Tercer problema ..................................................................................... 331

IV. Cuarto problema .................................................................................... 345

BIBLIOGRAFA ................................................................................ 355

ABREVIATURAS Y SIGLAS............................................................... 361

INDICE DE FIGURAS ......................................................................... 363

11
INDICE GENERAL

12
 RESUMEN

Mediante el presente estudio se propugna la introduccin de nuevas herramientas

matemticas, basadas fundamentalmente en la Teora de Sistemas y en la
Investigacin Operativa, que puedan resultar de utilidad para el estudio de la conducta
humana, habida cuenta del aporte de instrumentos que suponen, al tiempo que se
enriquece el estudio de la Psicologa mediante una concepcin ms profunda y amplia
de su campo de accin. La eficacia que aquellas tcnicas matemticas han venido
demostrando en su aplicacin al enfoque y resolucin de cuestiones cientficas de
diversa ndole, induce claramente a pensar en el porvenir provechoso que, con la
sistematizacin de su contexto, aguarda a la Psicologa, abriendo nuevos y
esperanzadores horizontes de investigacin.

Se realiza un repaso histrico a la evolucin que la aplicacin de las Matemticas ha

experimentado a lo largo de la existencia de la Psicologa como ciencia social. Ms
adelante tambin se recrea un recorrido histrico por los albores de la Psicologa
experimental. Se define posteriormente el concepto y clases de los modelos
psicolgicos, as como las variables, grados de indeterminacin y estabilidad de los
mismos, hacindose especial mencin del concepto de probabilidad subjetiva y de
sus aplicaciones.

Se conceptualizan y formalizan los sistemas psicolgicos a partir de sus elementos y

estructura, estudindose las conexiones as como las transformaciones y modalidades
de acoplamientos, analizndose los diversos tipos de problemas que pueden
presentarse as como sus niveles de resolucin. Un enfoque interesante y novedoso
de muchos problemas psicolgicos reside en su tratamiento a base de la aplicacin de
diversas tcnicas de la Investigacin Operativa: la Teora de la Programacin
Dinmica y de los Procesos Estocsticos, la Teora de Grafos, la Teora de la gestin
de Stocks y la Teora de Colas o de los Fenmenos de Espera, as como la Teora de
Probabilidades y la Estadstica, esta ltima de aplicaciones psicomtricas ms
antiguas y bien conocidas.

Por ltimo se insertan sendos anexos referentes a restantes especificaciones

metodolgicas de inters para la resolucin de las cuestiones planteadas a lo largo del
trabajo, as como a la contemplacin de diversos ejemplos prcticos de utilidad para el
psiclogo experimentador.

Palabras clave: Sistema, estmulo, variables psicolgicas, conductismo, modelo,

probabilidad, entropa, conexiones, ciberntica, aprendizaje, recuerdo, comunicacin,
eleccin, valoracin, pilotaje, uniformidad.
 RESUM

Mitjanant el present estudi es propugna la introducci de noves eines matemtiques,

basades fonamentalment en la Teoria de Sistemes i en la Investigaci Operativa, que
puguin resultar dutilitat per al estudi de la conducta humana, tot tenint en compte
laportaci dinstruments que suposen, mentre senriqueix lestudi de la Psicologia
mitjanant una concepci ms profunda i extensa del seu camp dacci. Leficcia que
les esmentades tcniques matemtiques han demostrat en la seva aplicaci per a
lenfocament i resoluci de qestions cientfiques de diversa ndole, indueix clarament
a pensar en lavenir profits que, amb la sistematitzaci del seu context, espera a la
Psicologia, obrint nous i esperanadors horitzons de recerca.

Es fa un reps histric a levoluci que laplicaci de les Matemtiques ha sofert al llarg

de lexistncia de la Psicologia como a cincia social. Ms endavant tamb es porta a
terme un recorregut histric pels inicis de la Psicologia experimental. Es defineix
posteriorment el concepte i les classes de models psicolgics, aix como les variables,
graus dindeterminaci i estabilitat dels models, fent especial referncia al concepte de
probabilitat subjectiva i a les seves aplicacions.

Es conceptualitzen i formalitzen els sistemes psicolgics a partir de llurs elements i

estructura, estudiant-se les connexions aix com les transformacions i modalitats
dacoblaments, analitzant els diversos tipus de problemes que poden presentar-se aix
com els seus nivells de resoluci. Un enfocament interessant i noven de molts
problemes psicolgics es troba en el seu tractament a base de laplicaci de diverses
tcniques de la Investigaci Operativa: la Teoria de la Programaci Dinmica i dels
Processos Estocstics, la Teoria de Grafos, la Teoria de la gesti de Stocks i la Teoria
de Coles o dels Fenmens dEspera, aix como la Teoria de Probabilitats i la
Estadstica, aquesta darrera daplicacions psicomtriques anteriors i prou conegudes.

A la fi safegeixen sengles annexos referents a restants especificacions

metodolgiques dinters per a la resoluci de les qestions plantejades al treball, aix
como es procedeix a la contemplaci de diversos exemples prctics dutilitat per al
psicleg experimentador.

Paraules clau: Sistema, estmul, variables psicolgiques, conductisme, model,

probabilitat, entropia, connexions, ciberntica, aprenentatge, record, comunicaci,
elecci, valoraci, pilotatge, uniformitat.
 SUMMARY / ABSTRACT

The present study proposes the introduction of new mathematical tools, based mainly
on the Theory of Systems and on Operational Research, which may be of use in the
study of the human behaviour, taking into consideration the great amount of tools that it
represents, at the same time as it enriches the study of Psychology through a deeper
and wider conception of its field of action. The efficiency that those mathematical
techniques have shown, when being applied to the focusing and solving of scientific
matters of different kinds, leads us to believe in a profitable future for Psychology, by
means of the systematisation of its context, opening new and hopeful horizons in this
field of research.

A historic review of the evolution of the application of Mathematics has been carried out
all along the existence of Psychology as a social science. Further on, the beginnings of
Experimental Psychology will also be the object of a historical analysis. After that, the
concept and kinds of the psychological models have been defined, as well as the
variables, rates of in-determination and stability, especially mentioning the concept of
subjective probability and its applications.

The psychological systems have been conceptualised and formalised, going out from
its elements and structure, studying the connections as well as the transformations and
types of connections. The different kinds of problems that may emerge have been
analysed and so have the possibilities of solution. An interesting and innovating
focusing of various psychological problems consists in a treatment based on the
application of different techniques of the Operational Research: the Theory of Dynamic
Programming and the Stochastic Processes, the Graphs Theory, the Theory of the
Stocks management and the Theory of Colas or of the Waiting Phenomena, as well as
the Theory of Probabilities and Statistics, being the last mentioned one of the oldest
and best-known psychometric applications.

Finally, the corresponding annexes have been inserted, referring to the additional
methodological specifications, which could help to solve the subjects exposed
throughout this work. Furthermore, several practical examples have been added which
may be of use for experimenting psychologists.

Key words: System, stimulus, psychological variables, behaviour, model, probability,

entropy, connections, cybernetics, learning, memory, communication, election,
evaluation, driving, uniformity.
 RSUM

Moyennant cette tude on plaide pour lintroduction de nouveaux outils

mathmatiques, fonds essentiellement sur la thorie de systmes et linvestigation
oprationnelle, qui puissent tre utiles ltude de la conduite humaine, tant donn
lapport dinstruments quils supposent en enrichissant, au mme temps, ltude de la
Psychologie travers dune conception beaucoup plus profonde et tendue de son
champ daction. Lefficacit que ces techniques mathmatiques-l ont dmontr dans
leur application la mise au point et rsolution de questions scientifiques de
caractristiques diverses, nous mne carrment penser au riche avenir que la
Psychologie aura, avec la systmatisation de son contexte, an ouvrant de nouveaux et
encourageants horizons dinvestigation.

On fait dabord, une rvision historique lvolution que lapplication des

mathmatiques a expriment tant au long de lexistence de la Psychologie comme
science sociale.

Ensuite, on rcre aussi un parcours historique des dbuts de la Psychologie

exprimentale. On dtermine, par la suite, le concept et classes des modles
psychologiques, et aussi les variables, les degrs dindtermination et stabilit des
mmes, en faisant une mention spciale du concept de Probabilit subjective et ses
applications.

On conceptualise et formalise les systmes psychologiques partir de leurs lments

et structure, en tudiant les connexions et les transformations et types dassemblage,
en analysant les diffrents types de problmes quon puisse trouver ainsi que leurs
niveaux de rsolution. Une faon intressant et nouvelle denvisager beaucoup de
problmes psychologiques rside dons leur traitement, grce lapplication de
techniques diverses de la recherche oprationnelle: la thorie de la Programmation
dynamique et des Procs stochastiques, la thorie des Graphes, la thorie de la
gestion de Stocks et la thorie des Queues ou des phnomnes dattente, de mme
que la thorie de probabilits et la statistique, celle-ci dapplications psychomtriques
plus anciennes et bien connues.

Enfin, on introduit deux annexes concernant dautres spcifications mthodologiques

dignes dintrt pour la rsolution des questions poses tant au long du travail, ainsi
que la contemplation de diffrents exemples pratiques dutilit pour le psychologue
exprimentateur.

Mots cls: Systme, stimulation, variables psychologiques, conduite, modle,

probabilit, entropie, connexions, cyberntique, apprentissage, mmoire,
communication, lection, valorisation, pilotage, uniformit.
 PRLOGO

A menudo resulta problemtico aventurarse en introducciones que

no pretendan reflejar ni una nerviosa sntesis del trabajo al que preceden,
ni una alevosa mencin a posibles predecesores, ni siquiera una leve
apologa de la exposicin posterior. Sin embargo, s voy a tratar de definir
mi postura acerca de la utilidad y eficacia que, desde un punto de vista
orgullosamente cientfico, adorna el mvil principal de esta humilde obra.

Aunque el ttulo puede inducir a error, cuando nos referimos a la

disciplina denominada Psicologa matemtica debemos tener en cuenta
que no se trata de un saber sobre la mente y la conducta; es
simplemente el conjunto de conocimientos matemticos, principalmente
estadsticos, como tendremos ocasin de comprobar, que el psiclogo
utiliza para construir una psicologa cientfica; o tambin, la aplicacin de
los modelos matemticos para el estudio de la conducta humana. La
psicologa diferencial, la experimental, la psicometra y la psicofisiologa
son las disciplinas psicolgicas que ms utilizan los recursos de la
matemtica para sus investigaciones sobre la mente y el
comportamiento. Ahora bien, mediante nuestro estudio pretendemos la
introduccin de nuevas herramientas matemticas, basadas
fundamentalmente en la Teora General de Sistemas y en la
Investigacin Operativa, que puedan resultar de utilidad para la
consecucin de los mismos o parecidos fines.

La aplicacin de la Teora de Sistemas y de la Investigacin

Operativa al estudio de la Psicologa, constituye, probablemente, uno de
los recursos intelectuales ciertamente inexplorados -por su novedad- y
ms prometedores -por el ingente aporte de instrumentos operativos que
representa- de entre los que la ciencia psicolgica podra jams hacerse
apropiacin, al tiempo que la enriquece mediante una concepcin ms
profunda y amplia de su campo de accin. La eficacia intachable que
aquellas tcnicas matemticas han venido demostrando en su aplicacin
al enfoque y resolucin de cuestiones cientficas de diversa ndole,
induce claramente a pensar -sin excesivo optimismo- en el magnfico

13
porvenir que, con la sistematizacin de su contexto, aguarda a la ciencia
social que es objeto de nuestro estudio, abriendo nuevos caminos y
descubriendo prometedores horizontes en un futuro no ms lejano que el
mismo comienzo de su aplicacin.

De la concepcin anteriormente expresada surge la genuina

intencin que mueve nuestro nimo en estos comienzos: la colaboracin
en el avance y profundizacin de la Psicologa experimental mediante el
suministro de un material de trabajo eminentemente metodolgico y que
conduzca, en consecuencia, a una nueva concepcin de dicha ciencia
en la cual, la claridad y la eficiencia sean las caractersticas ms
sobresalientes y, sin duda alguna, tambin las ms meritorias.

Es por esta razn, y pretendo con ello justificar los recursos

empleados, que consideramos preferible subordinar un tratamiento
integral y excesivamente terico de la problemtica planteada a un
desarrollo escueto y transparente de los temas psicolgicos
contemplados. Y es por ello, tambin, que el nivel matemtico que se
maneja viene a ser slo el indispensable para justificar una exposicin
acorde de la doctrinologa psicolgica empleada por la Teora de
Sistemas. Por otra parte, ya en la segunda parte de nuestro trabajo se
hace hincapi sobre la aplicacin de otras diversas tcnicas cientficas al
estudio de la Psicologa, y se proyecta esgrimir una instrumentacin que
exija mayor base matemtica, mucho ms por perentoria necesidad que
por banal ostentacin cientfica. De este modo, pretendemos justificar el
hecho de la inclusin del primer epgrafe del Captulo 1, dado que, ya
desde un principio, se pensara en la conjuncin de los dos trabajos en
uno solo, a pesar de las innegables diferencias temticas y
metodolgicas existentes entre ambos. En el anexo 2 se presentan, en
fin, algunos ejercicios completos de aplicacin de la Estadstica
descriptiva (deductiva) y de la Estadstica inferencial (inductiva) a los
variados problemas que plantea la Psicologa aplicada.

De todo lo dicho, puede deducirse fcilmente que casi todas las

aspiraciones que conmueven a este modesto autor -cuya formacin
psicolgica es ms bien escasa- se concretan en la visin (ms o menos
alejada en el tiempo) de una crtica-reforma racional y constructiva de su
trabajo, efectuada por profesionales de la Psicologa que, como resulta
evidente, son los nicos capaces de complementar el instrumental
operativo que se propone con unos conocimientos especficos de la
ciencia social que nos ocupa.

Cindonos, concretamente, a la realidad tangible que el aspecto

formal del trabajo nos deja entrever, es conveniente hacer notar que la
terminologa empleada en algunos casos puede parecer extraa y
abstracta. En efecto: a fin de dotar a las ideas que se intentan inculcar de

14
una propiedad insoslayable, hemos optado por la no trascripcin al
lenguaje vulgar de multitud de conceptos que vienen revestidos, en la
matemtica moderna, de una simbologa original y caracterstica. En todo
caso, el desconocimiento de esta ltima, por parte del lector, puede ser
rpidamente paliado con la consulta apropiada a los numerosos libros y
publicaciones existentes al respecto.

A lo largo de cualquier investigacin, como la que ahora

presentamos, se acumula toda una serie de dbitos intelectuales y
profesionales que resulta harto difcil describir en toda su extensin; pese
a ello, algunos nos parecen especialmente relevantes. Tampoco olvida,
quien esto escribe, la formidable deuda de gratitud contrada con los que
fueron sus guas y maestros, algunos de ellos ya desaparecidos. Mi
reconocimiento, en fin, a la Universidad Nacional de Educacin a
Distancia (UNED) a travs del Patronato de nuestro Centro Asociado de
Tortosa, que ha posibilitado la publicacin del libro, a las profesoras Cinta
Alegra, Raquel Revuelta y Ann Thorson, competentes compaeras en
las tareas docentes universitarias, por sus orientaciones y ayuda y, en
general, a todos cuantos se han interesado por la elaboracin de la
presente obra, aportando sugerencias y valiosos consejos dirigidos a la
mejor consecucin de nuestro empeo. Muy particularmente, quisiera
agradecer a mi hijo Jos Mara (cuntas horas!) su cuidadoso esmero
puesto en la composicin y tratamiento del texto, e incluso sus acertadas
observaciones en relacin a aspectos diversos de la obra, bien propias
de un experto profesional.

Y por ltimo, ya una vez hecha nuestra aquella antigua

observacin de que si mucho tienes, ms habrs de menester, quisiera
hacer hincapi en la especial relevancia que poseen los grficos,
ejemplos y esquemas que -a modo de paradigma- tienen como misin
proporcionar una perfecta comprensin de los problemas psicolgicos
sistmicamente tratados. La finalidad de su inclusin, amn de la
elegancia y claridad que aspiran poseer los conceptos en ellos
expresados, no es otra que la esperanza de que confieran a nuestra obra
un carcter mucho ms ilustrativo y exacto.

Tortosa, enero de 2008

EL AUTOR

15
16
 CAPTULO 1

CAPTULO 1
Disquisiciones generales

1. Justificacin de la aplicacin de las matemticas al presente estudio

Resulta un hecho indudable que, precisamente, una de las causas que ms

contribuyen al enriquecimiento y rigurosidad de todas las ciencias y, en general,
de multitud de disciplinas, podemos encontrarla en la aplicacin de las
Matemticas a su contexto. A casi nadie puede escapar, hoy en da, por otra
parte, la perentoria necesidad de dejar a un lado las formas substanciales y las
cualidades ocultas, para referir o precisar los hechos naturales a leyes
matemticas.

No es bien cierto, para todo aqul que haya profundizado -aunque slo sea
ligeramente- en el estudio de las ciencias exactas, que no puede resultarle difcil
reconocer el hecho de que las matemticas posean, no slo la genuina verdad,
sino la suprema belleza: una belleza fra y tremendamente austera, como una
tumba de mrmol?

Procuremos, no obstante, dar un breve repaso histrico a la evolucin que la

aplicacin de las Matemticas ha experimentado a lo largo de la existencia de
esta importantsima ciencia social que es hoy objeto de nuestro estudio: la
Psicologa.

Observemos, de este modo, cmo Fechner, sucesor inmediato de Weber

(que public en 1840 unos famosos trabajos sobre las relaciones existentes entre
los estmulos y las sensaciones) fue quien plante en primer lugar el problema de
si las ciencias objetivas podran aportar a los problemas del conocimiento del
hombre un enfoque verdaderamente til. Partiendo de esta nueva orientacin,
lleg a establecer una serie de leyes matemticas relacionando la intensidad de
los estmulos con las respuestas sensoriales (dichas relaciones sern
oportunamente contempladas en posteriores epgrafes del presente estudio), con
lo que el problema derivado de la necesidad de obtener mensuraciones del
comportamiento humano pasa a ser el ncleo de los mtodos de la psicologa
experimental. Ms adelante, en este mismo captulo, tendremos ocasin de
ocuparnos de la ley de Weber-Fechner.

La aplicacin de ciertas tcnicas matemticas a los estudios psicolgicos

fue continuada posteriormente por Wundt, Cattell, Bessel (ecuacin personal)
y Galton1 (que fue el primero en crear procedimientos matemticos sencillos
1
Sir Francis Galton (16 de febrero de 1822 17 de enero de 1911), explorador y cientfico britnico, con
un amplio espectro de intereses. No tuvo ctedras universitarias y realiz la mayora de sus
investigaciones por su cuenta. Sus mltiples contribuciones recibieron reconocimiento formal cuando, a

17
DISQUISICIONES GENERALES

para aplicarlos a los resultados de sus trabajos experimentales; sus ms

importantes contribuciones fueron: a) la de la curva de distribucin normal que
lleva su nombre, y b) sus trabajos dedicados al estudio de las correlaciones).

De hecho, a Galton se le puede considerar como el padre de la psicologa

diferencial, al aplicar los principios de su primo, Darwin, al estudio de las
diferencias individuales. Esto se opona a las ideas psicolgicas que ms difusin
tenan en su poca: las de Wilhelm Wundt.

Para algunos, las ideas que propuso Galton supusieron un cisma dentro de
la psicologa, que obliga a ver las dos corrientes que nacieron como enfrentadas.
Otros psiclogos, sin embargo, ven ambas como subdisciplinas integrables.
Centr su inters en el estudio de las diferencias individuales de las capacidades
humanas, siempre desde una perspectiva adaptativa y biolgica. Para ello, se
centr en el estudio de los procesos mentales simples.

Las investigaciones de Galton fueron fundamentales, sin duda alguna, para

la constitucin de la ciencia de la estadstica. En este sentido:

Invent el uso de la lnea de regresin, siendo el primero en explicar el

fenmeno de la regresin a la media.
En los aos setenta y ochenta del siglo XIX fue pionero en el uso de la
distribucin normal.
Invent la mquina Quincunx, un instrumento para demostrar la ley del
error y la distribucin normal.
Descubri las propiedades de la distribucin normal bivariada y su
relacin con el anlisis de regresin.
En 1888 introdujo el concepto de correlacin, concepto ste de
singular importancia al que nos referiremos, con mayor especificidad,
en el captulo 9 de nuestro libro.

Inaugurado durante la Exhibicin Internacional sobre Salud del ao 1884

(International Health Exhibition) y mantenido en funcionamiento durante seis
aos en Londres, el laboratorio antropomtrico le permiti a Galton no slo
recoger una inmensa cantidad de datos, sino adems llevar a efecto una prctica
profesional bien comn en nuestros das: cobrar por los informes que realizaba,
siendo el nico psiclogo de la poca que pudo percibir emolumentos de sus
sujetos experimentales en vez de pagarles por acudir a las pruebas. Adems,
elabor de esta manera los primeros anlisis estadsticos, necesarios para la
evaluacin de los datos recogidos en su investigacin.

la edad avanzada de 87 aos, se le concedi el ttulo de Sir o caballero del Reino. De intereses muy
variados, Galton contribuy a diferentes reas de la ciencia como la psicologa, la biologa, la tecnologa,
la geografa, la estadstica o la meteorologa. A menudo, sus investigaciones fueron continuadas dando
lugar a nuevas disciplinas. Primo de Charles Darwin, aplic sus principios a numerosos campos,
principalmente al estudio del ser humano y de las diferencias individuales.

18
 CAPTULO 1

Galton pens en aplicar la seleccin artificial al ser humano para mejorar

la raza, formalizndose as, por primera vez, la teora de la eugenesia. Las
repercusiones del movimiento eugensico no tardaron en llegar. stas y otras
teoras similares sirvieron de base a los ideales de superioridad de raza, como los
del nazismo alemn, pero tambin tuvieron gran aceptacin en el resto de Europa
y en los Estados Unidos. La prctica de la eugenesia se reflej en la limpieza
tnica, as como en la esterilizacin de personas con discapacidad intelectual,
delincuentes, pobres o enfermos mentales.

La dicotoma clsica existente entre herencia y medio ambiente, o entre

Innatismo y Aprendizaje, fue enunciada por primera vez por Galton en la forma
Nature/Nurture. A menudo se ha visto esta idea como generadora de polos
enfrentados entre los que no caban posiciones intermedias. Hoy se visiona ms
como una gradacin de elementos influyentes. Galton subrayaba que la propia
naturaleza o conjunto de dotaciones innatas del individuo era un factor
determinante del xito en la vida. Para demostrarlo, estudi a una serie de
hombres eminentes. Comprob que los padres que presentaban caractersticas
sobresalientes tendan a tener hijos con iguales caractersticas, y pens que esto
deba explicarse fundamentalmente en funcin de la naturaleza (cualidades
congnitas) y no de la crianza (cualidades adquiridas). Con el objeto de someter a
un anlisis riguroso los datos por l recogidos, contrat al matemtico Karl
Pearson, inventor de un procedimiento de anlisis estadstico descriptivo
denominado coeficiente de correlacin, muy empleado en una variedad de
situaciones de investigacin.

A Galton le preocupaba, adems, la medicin de la inteligencia, y propuso

una tcnica conocida como el Mtodo biomtrico, que consiste en evaluar
ciertas caractersticas fsicas, como la fuerza con que se aprieta el puo, la
circunferencia del crneo y el tiempo de reaccin refleja. Si bien hoy el mtodo
biomtrico ha perdido crdito, an tiene cabida en la biologa, las investigaciones
sobre ejercitacin fsica y la psicologa fisiolgica.

Puede decirse que el eje en torno del cual gir toda la obra de Galton fue
su aseveracin de que la herencia o genotipo importa ms que el medio. Aunque
esta concepcin general fue perdiendo popularidad entre los cientficos de la
conducta a lo largo del siglo XX, en los ltimos tiempos ha recobrado alguna
vigencia.

Sin embargo, fue Karl Pearson2, gran matemtico ingls, discpulo de

Galton, quien acab de establecer la frmula para la obtencin de un coeficiente

2
Karl Pearson (27 de marzo de 1857- 27 de abril de 1936) fue un prominente matemtico britnico, que
estableci la disciplina de la estadstica matemtica. Desarroll una intensa investigacin sobre la
aplicacin de los mtodos estadsticos en la biologa y fue el fundador de la bioestadstica. Fue un
positivista radical, en la tradicin de Berkeley y Ernst Mach. Era partidario de la eugenesia y un protegido
y bigrafo de Sir Francis Galton. En 1911 fund el primer departamento de estadstica en la Universidad
de Londres, donde fue profesor y donde dirigi el Laboratorio Francis Carltons. Fund en 1902 la revista
Biometrika, desde entonces una de las ms importantes en el campo de la estadstica.

19
DISQUISICIONES GENERALES

de correlacin que permitiera medir el grado de concordancia o discordancia

entre dos fenmenos, o de dependencia o independencia entre dos variables
aleatorias estadsticas. Pearson fue quien desarroll y sistematiz gran parte de
los mtodos estadsticos cuya utilizacin fue exclusiva durante un considerable
nmero de aos.

Un nuevo avance en este dominio fue aportado por Fischer, estadstico

britnico que abri nuevas posibilidades al anlisis de los datos experimentales,
poniendo a punto la tcnica del anlisis de la varianza o variancia y covarianza,
que permite la investigacin simultnea de los efectos de varias variables sobre
un nico dato experimental. Dichos derroteros esperanzadores fueron seguidos
por Spearman3, Burt, Thurstone, Stouffer y Guttman (estos ltimos elaboraron
modelos matemticos de psicologa social), que utilizaron numerosos diseos
experimentales. De hecho, Charles Spearman realiz importantes aportaciones a
la psicologa y a la estadstica, desarrollando el Anlisis Factorial al que nos
referiremos posteriormente, con mayor especificidad, en el captulo 9 de nuestro
trabajo. Gracias a l propuso la existencia de un factor general de la inteligencia,
que subyace a las habilidades para la ejecucin de las tareas intelectuales. A esta
teora de la inteligencia la denomin Teora Bifactorial, ya que la inteligencia
se compondra tanto del 1) factor general (g), que sera hereditario o congnito,
e intent comprobar que corresponda a una propiedad especfica del cerebro, una
suerte de energa mental a nivel de la corteza cerebral, que vara de un individuo
a otro, pero se mantiene estable a travs del tiempo; as como del 2) factor
especfico (S), que representa la habilidad especfica de un sujeto frente a
determinada tarea, que tambin tendra una localizacin especifica en el cerebro.
Por lo tanto, si bien la inteligencia es hereditaria en cuanto a su Factor g, es
posible que la educacin o aprendizaje tengan importante incidencia en el Factor
S.

De hecho, una de las tcnicas ms tiles para aumentar la sensibilidad de

un experimento es programarlo de tal forma que la variacin total de la variable
en estudio pueda separarse en componentes que sean de inters o importancia
experimental. Descomponiendo la variacin total de esta manera, el investigador
puede utilizar mtodos estadsticos para suprimir los efectos de ciertas variables
que interfieren y aumentar as la sensibilidad de su experimento. El anlisis de la
variancia es una tcnica utilsima para llevar a cabo el anlisis de un experimento
programado desde este punto de vista.

Al programar un experimento, el psiclogo investigador, por lo general,

piensa en la verificacin de una hiptesis o en la estimacin de algunos
parmetros. Aunque el anlisis de la tcnica de la variancia permite al
3
Psiclogo ingls, n. y m. en Londres. Estudi en las universidades de Leipzig, Wurzburgo y Gotinga y
ense e investig en la Universidad de Londres (1907-31). Formul la teora de que la inteligencia se
compone de un factor general y otros especficos. Crey en la existencia de un factor general que
interviene en todas las fases de la conducta humana y atribuy a las capacidades especficas un papel
determinante en cada actividad. Escribi The Abilities of Man (1927), Creative Mind (1930) y Psychology
Down the Ages (1937).

20
 CAPTULO 1

experimentador programar experimentos sensibles para uno u otro de estos

problemas bsicos, la explicacin de la tcnica se hace mayormente desde el
punto de vista de la verificacin de hiptesis.

Hoy en da, la Estadstica se aplica en Psicologa en el estudio objetivo del

comportamiento, de la inteligencia, de las opiniones, ... Por otra parte, no
solamente se emplea para la comprensin correcta de los diversos problemas que
plantea la psicometra, sino incluso para poder entender los ms sencillos
resultados de las exploraciones psicomtricas e interpretarlos correctamente.
Resulta, pues, indispensable un conocimiento -por somero que ste sea- de los
conceptos estadsticos ms fundamentales.

Veamos, en fin, que el empleo de las Matemticas y de la Estadstica en

Psicologa es muy ventajoso, puesto que constituye un medio de expresin
riguroso y de claridad excepcional, mxime en aquellos casos en que el lenguaje
ordinario resulta impotente para describir la compleja trabazn fenomenolgica,
no existiendo equivalentes verbales manejables.

Por doquier puede observarse que el poder del nmero se respeta tanto
ms cuanto menos se comprende. Pero ocurre tambin, en ocasiones, que el
empleo de la alta matemtica resulta un refinamiento intil y superfluo, complejo
y dispersivo, algo as como cazar perdices a caonazos. Por ello, la utilizacin
del mtodo matemtico en Psicologa constituye un poderoso instrumento
analtico -de lo que debe ser consciente el psiclogo- que debe aplicarse en todos
aquellos casos en que resulte conveniente, pero sin olvidar, al respecto, aquella
famosa frase de Fournier que reza as: Las matemticas carecen de smbolos
para las ideas confusas.

2. Breve recorrido histrico sobre los inicios de la psicologa aplicada

Siguiendo el excelente trabajo de E. Cerd, veamos que el nacimiento y

desarrollo de la psicologa aplicada se hallan estrechamente ligados al desarrollo
de la psicologa experimental y al de la psicologa diferencial. De hecho, la
psicologa aplicada an no es centenaria, puesto que sus antecedentes ms
remotos pueden fijarse en 1840, ao en el que se publican los trabajos de Weber4
sobre las relaciones entre los estmulos y las sensaciones. Fechner, sucesor
inmediato de Weber, fue quien primero se plante el tema de si las ciencias
objetivas podran aportar a los problemas del conocimiento del hombre un
enfoque verdaderamente til.

Fechner5, partiendo de esta nueva orientacin, lleg a establecer una serie

de leyes matemticas relacionando la intensidad de los estmulos con las
respuestas sensoriales, con lo que el problema derivado de la necesidad de
obtener mensuraciones del comportamiento humano pasa a constituir el ncleo

4
Vide Handwrterbuch Physiologie, 3 (2) (1846), pp. 481-588.
5
Vide Elemente der Psychophysik, 1860.

21
DISQUISICIONES GENERALES

fundamental de los mtodos de la psicologa experimental. A ellas nos hemos

referido en otros apartados de nuestro trabajo.

En 1879, Wundt mont en Leipzig el primer laboratorio de psicologa

experimental, sosteniendo que el estudio de ciertos procesos fisiolgicos
asequibles a la mensuracin deban hacerse emparejados con el estudio de los
procesos mentales que les acompaaban. Wundt6 establece as un puente entre la
psicologa introspectiva y la psicofisiologa, realizando experiencias encaminadas
a averiguar las formas en que tienen lugar los procesos de las sensaciones y las
percepciones, y sobre las modalidades de relacin entre las palabras y las ideas.
Comenz a medir los tiempos de reaccin en pruebas de complejidad variable,
donde intentaba identificar los componentes psquicos internos y tambin
descubrir las leyes que regan la dinmica de la psique. Wundt y sus ideas de la
psicologa dominaron en el mbito acadmico, hasta los inicios del 1900, cuando
los mtodos introspectivos, y el concepto de estudiar la psique de manera
cientfica, fueron hechos a un lado por ser incapaces de aclarar fenmenos como
el del pensamiento sin imgenes. La psicologa experimental recibe, de tal suerte,
un vigoroso impulso a travs de la obra de Wilhelm Wundt.

En esta poca comenzamos a ver maneras diferentes del pensamiento con el

alemn Hermann Ebbinghaus7 quien dirigi una monumental investigacin sobre
la memoria que implicaba el aprendizaje de largas series de slabas sin sentido, lo
cual sent un precedente para las generaciones futuras de psiclogos
especializados en el aprendizaje. Sin embargo, se comenzaron a hacer
experimentos de laboratorio con animales, para intentar dotar a la psicologa de
un rigor cientfico.

Su ms grande continuador fue J. McK. Cattell8, profesor de la Universidad

de Pensilvania, que estudi de modo particular los mecanismos de la atencin y
de la asociacin de palabras. Fue quien invent el taquistoscopio y quien estudi
asimismo las asociaciones de palabras, preparando tablas de frecuencia para
todas las respuestas dadas. Es tambin Cattell quien por primera vez, en 1890,
usa el trmino test mental9 y asimismo a quien se deben los primeros trabajos
cientficos sobre las diferencias individuales que, como es sabido, se pusieron de
manifiesto, por primera vez, no precisamente en el campo de la psicologa, sino
en el mucho ms antiguo de la astronoma.

6
Vide Grundzge der physiologischen Psychologie, 1874.
7
(1850-1909) Psiclogo experimental alemn, uno de los primeros exploradores del campo de la
memoria, n. en Barmen y m. en Halle. Fue profesor de psicologa de las universidades de Berln, Breslau
y Halle. En 1885 termin su famosa monografa ber das Gedchtnis (Sobre la memoria), fruto de cinco
aos de una original experimentacin consigo mismo, que abri el camino a ulteriores investigaciones. En
ella aborda problemas de significacin, aprendizaje espaciado y superaprendizaje memorstico. Hizo
asimismo notables aportaciones al campo de la psicologa social y a la sistematizacin de la ciencia.
8
Vide Physical and mental measurements of the students of Columbia University, en Psicol. Rev. 3
(1986), pp. 618-648.
9
Vide Mental tests and measuraments, Mind, 15, (1890), pp. 373-380.

22
 CAPTULO 1

En el ao 1869, Francis Galton, uno de los ms eminentes discpulos de

Darwin, publica Hereditary Genius10, en el que, mediante la aplicacin del
mtodo de las historias familiares, intent demostrar que la inteligencia se
transmite por va hereditaria, como ya hemos tenido ocasin de comentar. En
conexin con estos estudios de la herencia humana, Galton, adquiriendo plena
conciencia de que para describir los grados de semejanza entre los individuos era
necesario establecer algunos mtodos mensurativos, concibe varios tests e
instrumentos de medida y, en 1882, inaugura su famoso laboratorio
antropomtrico en el South Kensington Museum de Londres, en el que someta a
los individuos a pruebas de discriminacin sensorial, y capacidades motrices y a
otras mensuraciones de procesos elementales. Galton fue asimismo uno de los
primeros en crear procedimientos matemticos sencillos para aplicarlos a los
resultados de sus trabajos experimentales. Fueron sus ms importantes
contribuciones la de la curva de distribucin normal que lleva su nombre y los
trabajos que dedic al estudio de las correlaciones.

En abril de 1904 el psiclogo ingls Charles Spearman11 publica en el

Americal Journal of Psychology un trabajo, ya clsico en la historia de la
psicologa, titulado La inteligencia general, determinada y medida
objetivamente, en el que, aplicando el mtodo del coeficiente de correlacin de
Karl Pearson, estudia los factores comunes a varias pruebas, sentando as las
bases del anlisis factorial, al que nos referiremos con mayor extensin en el
captulo 9 del presente libro, mtodo con el que posteriormente haran nuevas
aportaciones a la psicologa figuras de la talla de C. Burt, L. L. Thurstone o R. B.
Cattell.

Al mismo tiempo, en 1905 aparecen en Francia los trabajos de Binet y

Simon12 sobre el estudio experimental de la inteligencia que deban de abocar a
la elaboracin de los primeros tests de desarrollo. Y un ao ms tarde, con los
estudios de J. M. Lahy13 sobre las aptitudes para el aprendizaje de la
mecanografa, nacen los primeros tests de aptitudes.

Es tambin en esta poca cuando comienzan las experiencias sobre

procesos de adquisicin y de aprendizaje, y cuando Frank B. Gilbreth14,
transfirindolos al sector del trabajo industrial, emprende en 1911 el estudio
sistemtico de los movimientos, siguiendo los trabajos que al respecto haba
previamente desarrollado F. W. Taylor. Este ingeniero mecnico y economista
estadounidense fue el promotor de la organizacin cientfica del trabajo,
habiendo efectuado sus primeras observaciones en la industria del acero, a las

10
Vide Hereditary genius: an inquiry into its laws and consequences. Ed.: Macmillan. London, 1896.
11
Vide General intelligence objetively determined and measured, en Amer. J. Psychology, 15, (1904).
12
Vide Mthodes nouvelles pour le diagnostic du niveau intellectuel des anormaux, Anne Psychol.,
11, (1905), pp. 191-244.
13
Vide Les conditions psychophysiologiques de laptitude au travail dactylographique, en J. de Physiol.
et de Path., 1913, pp. 826-835.
14
Vide Motion study, Van Nostrand, 1911.

23
DISQUISICIONES GENERALES

que siguieron una serie de estudios analticos sobre tiempos de ejecucin y

remuneracin del trabajo.

Tambin en 1911, Mnsterberg15, profesor de la Universidad de Harvard,

da un impulso importante a las aplicaciones de la psicologa a la esfera del
trabajo y define la psicotecnia como la ciencia de la aplicacin prctica de la
psicologa. Thorndike16, a la vez, traslada al campo de la pedagoga ciertos
descubrimientos que l haba hecho en el estudio de la conducta de ciertos
animales, elaborando as sus tres leyes del aprendizaje: ley del ejercitamiento, ley
de la conexin asociativa y ley del efecto. Se comprueba entonces que la relacin
estmulo respuesta tiene lugar a diferentes niveles del sistema nervioso.

Segn E. Cerd, es, sin embargo, al filsofo ruso Pavlov17 a quien

corresponde el mrito de haber reconocido la intervencin del cerebro en la
ejecucin de ciertos comportamientos necesarios para la conservacin de la vida.
Esta actividad nerviosa superior se ejerce tambin sobre el modelo de los actos
reflejos, a los cuales dio Pavlov el nombre de reflejos condicionados. Esta
nueva concepcin abri el camino a gran nmero de investigaciones en el campo
de la psico-biologa.

Puede verse, a travs de los hechos hasta aqu expuestos, que los psiclogos
que haban permanecido durante siglos interesados exclusivamente en los datos
que les suministraba la introspeccin, fueron abandonando progresivamente esta
actitud, cambiando desde la perspectiva filosfica en cuya atmsfera quedan
todava psiclogos que se empean en seguir intelectualmente viviendo a la
perspectiva objetiva y experimental.

Y si bien es cierto que en su vertiente constructiva la psicologa aplicada ha

abordado el estudio del psiquismo generalmente mediante los procesos de
anlisis y mtodos de comparacin que le han brindado la psicologa
experimental y la psicologa diferencial, con la finalidad de registrar y controlar
las manifestaciones y el determinismo de los fenmenos psquicos, en cambio, en
su faceta aplicada propiamente dicha hemos de considerarla como una actividad
cientfica orientada al estudio de un individuo (sistema individual) o un grupo
(sistema colectivo) en particular abstrayendo de ellos unos resultados sintticos e
individuales en consonancia con la unidad fundamental que constituye cada
individuo o cada grupo.

Con posterioridad, la importancia y la relevancia adquirida en nuestros

das por la Psicologa experimental queda fuera de toda duda. De hecho, es en
este campo o rama de la Psicologa en el que creemos que las propuestas
contenidas en nuestro libro pueden revestir mayor inters y utilidad.

15
Vide Psychology and industrial efficiency, Houghton Mifflin Company, Cambridge Riverside, 1913.
16
Vide Measurament and evaluation in Psychlogy and Education, Bureau of Publications, New York,
1927.
17
Vide Lectures on condicional Reflexes, Livenight, New York, 1928.

24
 CAPTULO 1

3. La Psicologa como ciencia

En definitiva, definimos la Psicologa como la ciencia cuyo objeto es

estudiar los fenmenos conductuales de los organismos y determinar las
condiciones materiales de su aparicin. Un enfoque de la Psicologa supone:

1. Ocuparse exclusivamente de fenmenos que tienen lugar en el mundo

fsico, rechazando cualquier tipo de dualismo cuerpo mente. Para que un
fenmeno conductual concreto pueda estudiarse debe:

a) Poder definirse operacionalmente.

b) Disponerse de tcnicas e instrumentos que permitan observarlo,
registrarlo o medirlo de forma fiable.

2. Aceptar el determinismo. La principal misin de la Psicologa

consistir en encontrar las leyes que rigen los fenmenos conductuales. Estas
leyes:
a) Son posiblemente las mismas para el hombre que para las otras
especies.
b) Explican tanto los fenmenos conductuales normales como los
patolgicos.

3. Aceptar la necesidad de disociar los fenmenos para proceder a su

estudio.

4. Aceptar el procedimiento experimental como tcnica de eleccin para

el estudio de los fenmenos conductuales.

Esta aceptacin comporta dar prioridad a:

a) La elaboracin de tcnicas e instrumentos que permitan observar,

medir y registrar los fenmenos conductuales de forma fiable.
b) La elaboracin de tcnicas de control que permitan:
- Alterar la variable ambiental elegida, de la forma deseada.
- Neutralizar las dems variables ambientales que podran afectar,
paralelamente, a la conducta, obscureciendo la relacin funcional
entre sta y la variable ambiental elegida.

5. Rechazar que pueda proporcionar argumentos de carcter teleolgico.

6. Reprimir la tendencia existente a interpretar los datos, generalizando

abusivamente.

7. Dar gran importancia a la investigacin pura.

25
DISQUISICIONES GENERALES

Desde luego, todas las ciencias tratan de sistematizar sus descubrimientos.

En Astronoma fue posible construir un conocimiento acumulativo a travs de los
siglos debido a que, ya a partir de los antiguos astrnomos babilonios y egipcios,
se dio importancia especial a un aspecto: la posicin relativa de los astros en
funcin del tiempo -observemos que este tipo de dato es aplicable a cualquier
cuerpo celeste de cualquier tamao y caractersticas, conocido o por descubrir-.
Para Newton, las variables de la fsica fueron el espacio, el tiempo y la masa,
siendo todas ellas mensurables y susceptibles de tratamiento matemtico.
Guerlac18, al efectuar un repaso histrico de la Qumica, seala que las
diferencias en apariencia, olor, gusto, densidad, etc., servan principalmente para
distinguir substancias que pertenecan a la misma clase general, pero que exista
la necesidad de encontrar un ndice cuantitativo del comportamiento qumico que
pudiera usarse con toda clase de substancias. Este ndice es el peso y su
importancia fue puesta de relieve por Dalton, en 1803, en su famosa ley de las
proporciones mltiples, inmediatamente seguida por la aparicin de una Tabla de
pesos atmicos que se viene ampliando y perfeccionando hasta nuestros das.
Guerlac (1961) no vacila en considerar esta variable como el concepto
cuantitativo ms fundamental de la Qumica. De hecho, la Qumica slo realiz
avances importantes a partir del momento en el que el peso fue aceptado como
variable crtica fundamental.

Si contemplamos, desde este punto de vista, el panorama que ofrece la

llamada Psicologa Experimental, el mismo no puede considerarse especialmente
satisfactorio. Disponemos ya de bastantes datos cuya fiabilidad ofrece pocas
dudas procedentes de campos que ostentan rtulos tan atractivos como
Percepcin, Aprendizaje, Personalidad, Motivacin, Dinmica de
Grupos, etc. Pero, cmo integrarlos? Acaso es posible? Cmo puede
relacionarse, por ejemplo, el tiempo que tarda una rata en recorrer un laberinto
concreto con las puntuaciones obtenidas por un sujeto humano en un test de
personalidad, o el nmero de slabas sin sentido que es capaz de recordar el
mismo sujeto en otras circunstancias? Quizs el problema est mal planteado en
estos trminos, pero, en cualquier caso, si el objetivo bsico de la Psicologa es
descubrir las leyes que rigen la conducta, cul o cules son las variables crticas
que pueden desempear en nuestra ciencia un papel similar al del espacio, la
masa y el tiempo en Fsica o al del peso atmico en Qumica?

Tal como ya hemos dicho, aunque es imprescindible definir

operacionalmente nuestras variables, el hecho de que lo consigamos no debe
tranquilizarnos excesivamente, ya que no nos asegura que dichas variables
posean una utilidad real. Los lmites del operacionismo han sido establecidos, de
forma inequvoca, por Skinner19, cuando lo define como una forma de hablar
acerca de: 1) las propias observaciones; 2) los procedimientos manipulativos y de
18
Vide Quantification in chemistry. En H. Woolf (Ed.). Quantification. Indianapolis: Bobbs-Merrill 1961,
pp. 64-84.
19
Vide The operational analysis of psychological terms. Psychological Review, 1945, 52, pp. 270-277.
Reproducido en B. F. Skinner, Cumulative record (3 edicin). New York: Appleton-Century-Crofts,
1972.

26
 CAPTULO 1

clculo implicados en su elaboracin; 3) los pasos lgicos y matemticos que

median entre las primeras proposiciones y las ltimas, y 4) nada ms. En otras
palabras: un concepto puede encontrarse definido operacionalmente y carecer de
relevancia.

Las mediciones cuidadosas tampoco son, por s solas (per se et

essentialiter, como diran los telogos), indicadoras de que nos encontramos en
el buen camino. Wundt y sus discpulos mostraban a sus sujetos experimentales
el grabado de un perro; a continuacin les preguntaban qu es esto? y entonces
medan, con la mxima precisin posible, el tiempo que tardaban en responder
un perro. Es extrao tener que decir comenta Russell20 que, a pesar de tanto
aparato para las medidas, resultaba que no haba nada que hacer con esas valiosas
informaciones salvo olvidarlas ... No cabe duda de que la medicin es la marca
de contraste de la ciencia exacta; por eso, los psiclogos de orientacin cientfica
buscan a su alrededor algo mensurable ligado con el objeto de sus
investigaciones. Se equivocaron, no obstante, al pensar que los intervalos de
tiempo eran el objeto adecuado para recibir la medicin.

4. El conductismo y la Teora de Sistemas

El conductismo o behaviorismo es una doctrina psicolgica iniciada y

propugnada por los fisilogos rusos Pavlov21 y Betcherew, quienes protestaron
contra la insana costumbre de confiar exclusivamente en la introspeccin como
mtodo cientfico y, en general, contra la opinin -extendida en su poca- que
haca de la Psicologa filosfica el tratado de la conciencia y no el estudio del
comportamiento humano. La Psicologa, segn dichos autores, debe limitarse a lo
que pueden observar y medir igualmente bien distintos observadores, libres de
apreciaciones subjetivas y condicionamientos apriorsticos. Lo importante es el
estudio de la extrospeccin. La introspeccin debera evitarse, limitando los
experimentos al estudio de animales o muchachos.

En nuestra opinin, la exclusiva aceptacin de esta teora supone el

derrumbamiento del formidable edificio psicolgico, en su principal aspecto
filosfico, al negarse la validez de la introspeccin, limitando la investigacin al
conocimiento externo; algo parecido a lo que sucede con la Fsica: la aceptacin
de las revolucionarias teoras relativistas supone, a comienzos del siglo XX, la
desintegracin de las viejas concepciones de Newton y Galileo y, con ellas, el
hundimiento del grandioso edificio de la Fsica clsica. Algo que tampoco se
desea.
20
Vide The scientific Outlook. London: George Allen and Urwin, 1949. Existe traduccin castellana en
La perspectiva cientfica. Esplugues de Llobregat, Barcelona. Ed.: Ariel, 1969.
21
Sobre todo Pavlov es conocido por formular la ley del reflejo condicionado, que desarroll entre
1890 y 1900 despus de que su ayudante E.B. Twimyer observara que la salivacin de los perros que
utilizaban en sus experimentos se produca ante la presencia de comida o de los propios
experimentadores, y luego determin que poda ser resultado de una actividad psquica. Realiz el
conocido experimento consistente en hacer sonar una campana justo antes de dar alimento a un perro,
llegando a la conclusin de que, cuando el perro tena hambre, comenzaba a salivar nada ms or el
sonido de la campana.

27
DISQUISICIONES GENERALES

Imagino que, en Psicologa, ambas teoras pueden no ser necesariamente

incompatibles o excluyentes. En todo caso, los antiguos fundamentos de la
Mecnica pueden plantearse como una particularizacin del caso general
relativista en que v << c. No obstante, sucede lo mismo con las doctrinas
psicolgicas en litigio?

Las observaciones bsicas de Pavlov eran simples. Si se ponen alimentos o

ciertos cidos diluidos en la boca de un perro hambriento, ste empieza a
segregar un flujo de saliva procedente de determinadas glndulas. ste es el
reflejo de salivacin; pero eso no es todo. Pavlov observ que el animal tambin
salivaba cuando la comida todava no haba llegado a la boca: la comida
simplemente vista u olida provocaba la misma respuesta. Adems, el perro
salivaba igualmente ante la mera presencia de la persona que, por lo general, le
acercaba la comida. Esto llev a Pavlov a desarrollar un mtodo experimental
para estudiar la adquisicin de nuevas conexiones de estmulo-respuesta.
Indudablemente, las que haba observado en sus perros no podan ser innatas o
connaturales de esta clase de animal.

Pero, a diferencia de los behavioristas o conductistas clsicos, Pavlov tiene

ms agudeza en cuanto a las "conductas" humanas; lejos est de considerarlas un
sistema de reflejos condicionados, no al menos del esquemtico modelo
"estmulo/respuesta". En el Homo sapiens sapiens, certeramente, Pavlov
considera que se produce un salto cualitativo respecto al primer sistema de
seales; en el humano la cuestin ya no se restringe a reflejos condicionados o a
estmulos substitutivos. La complejidad del cerebro humano facilita un segundo
sistema de seales que es el lenguaje verbal o simblico; en ste, las
substituciones a partir de los estmulos parecen ser infinitas y sin embargo
altamente ordenadas (lgicas). Pues bien, por qu entiende Pavlov tal capacidad
del segundo sistema de seales?: en gran medida porque considera que en el ser
humano existe una capacidad de autocondicionamiento que, aunque parezca
contradictorio, le resulta liberador: el ser humano puede reaccionar ante
estmulos que l mismo va generando... y que puede transmitir. La psicologa
(preeminentemente experimental) de Pavlov y sus epgonos se denomina
reflexologa (conviene no confundir esta reflexologa con la forma de terapia
conocida como reflexogenoterapia, vulgarmente llamada tambin "reflexologa").

28
 CAPTULO 1

J. B. Watson (Behaviorism)22, el fundador de la escuela conductista o

behaviorista, fue uno de los primeros en propugnar que el contenido consciente
del pensamiento no puede ser suficiente para la creacin de una ciencia, mientras
que la observacin del comportamiento en todo lo que tiene de mensurable
puede servir de base para la construccin de un sistema verdaderamente
cientfico. Sin embargo, Watson y sus seguidores llevaron esta nueva y sana
orientacin hasta lmites mucho ms all de lo razonable, y si bien es cierto que
han aportado una enorme cantidad de datos experimentales de incuestionable
inters, hay que reconocer tambin que llegaron a perder de vista que su
orientacin era incapaz de dar respuestas adecuadas a todos los problemas que
plantea la Psicologa.

Los behavioristas tienen tendencia a considerar la personalidad como un

fenmeno en constante evolucin, segn el cual, la personalidad del individuo es
la totalidad de un organismo en accin. A este grupo pertenecen las
definiciones de Watson, Bowder y Kempf (The automatic functions and the
Personality). Para este ltimo, en esencia, personalidad, es la integracin de los
sistemas de hbitos que representan las caractersticas de ajuste de un individuo
a su medio.

En 1913 Watson publica el que, a menudo, ha sido considerado su trabajo

ms importante, el artculo: La psicologa desde el punto de vista conductista
y que dar punto de partida al Conductismo. En l, Watson describe las lneas
generales de la que ser su nueva filosofa. El conductismo pone el nfasis sobre
la conducta observable (tanto humana como animal), que considera que ha de ser
el objeto de estudio de la Psicologa, y las relaciones entre estmulo y respuesta,
ms que en el estado mental interno de la gente (aunque Watson nunca neg la
existencia del mundo privado o ntimo). En su opinin, el anlisis de la conducta
y las relaciones era el nico mtodo objetivo para conseguir la penetracin en las
acciones humanas y extrapolar el mtodo propio de las Ciencias Naturales (el
mtodo cientfico) a la Psicologa.

22
John Broadus Watson naci en Greenville (Carolina del Sur) el 9 de enero de 1878 y muri en Nueva
York el 25 de septiembre de 1958. Se gradu en la Universidad de Chicago en 1903. Su disertacin
Animal education: an experimental study on the psychical development of the white rat, correlated with
the growth of its nervous system, es el primer documento moderno cientfico acerca del comportamiento
de la rata blanca. En el documento, Watson describe la relacin entre la mielinizacin cerebral y la
capacidad de aprendizaje en ratas a lo largo de su desarrollo biolgico. Watson permaneci en la
Universidad de Chicago varios aos realizando investigaciones acerca de la relacin existente entre inputs
sensoriales y aprendizaje y comportamiento de las aves. En octubre de 1920 Watson fue invitado a
abandonar su ctedra en la Universidad John Hopkins debido a los rumores que corran acerca de la
relacin que mantena con su asistente Rosalie Rayner (la cual sera su colaboradora en el famoso
experimento acerca del condicionamiento del miedo con el pequeo Albert), pasando a trabajar
posteriormente como psiclogo para la empresa Thompson (hecho por el cual fue ampliamente criticado
por sus colegas de la poca).

29
DISQUISICIONES GENERALES

En 1920-1930, Clark Hull23 cree que el aprendizaje slo se produce si su

fruto le es agradable al individuo (fondo hedonista: no hay nada nuevo), como
consta en sus Essentials of Behaviour System (1952).

Hull aclara que su concepcin de la teora toma como ejemplo a los

principios y corolarios de la geometra euclidiana que se derivan de unas cuantas
definiciones, hiptesis y axiomas; tambin sirve de ejemplo Newton con su
sistema deductivo referente a la mecnica celeste. De esta manera, formula
postulados que se llevan a experimentacin para la comprobacin o invalidacin.
Sus variables participantes, o mejor llamadas variables intervinientes, son las
inferencias que haca Hull acerca de los sucesos que acaecan dentro del
organismo. En la frmula paradigmtica del reflejo existen slo dos elementos, E
(estmulo) y R (respuesta) E - R, pero en el paradigma de Hull existen tres
elementos: E - O R, donde O es el organismo que se ve afectado por E y
determina R. Cuando tratamos de explicar el funcionamiento de O (al cual no
tenemos acceso interno, modelo de la caja negra) postulamos las mencionadas
variables y si anclamos estas inferencias con lo que s podemos observar, que es
la entrada (input) y la salida (output), el resultado de nuestra investigacin podr
ser explicado por (O) . Marx y Hillix (1976) lo resumen de la siguiente manera:
Las variables de 'entrada' o de estmulo, son factores objetivos tales como el
nmero de ensayos reforzados, la privacin del incentivo, la intensidad del
estmulo condicionado o la cantidad de la recompensa. Estos factores se asocian
directamente con los procesos resultantes, que hipotticamente funcionan en el
organismo: las variables intervinientes de primer orden. Ejemplos de stas, son:
la fuerza del hbito (E HR), que es una funcin del nmero de ensayos (N); el
impulso (IM), como funcin de condiciones impulsivas (CIM) tales como la
privacin del incentivo; el dinamismo de la intensidad del estmulo (V), como
funcin de la intensidad del estmulo (E); y el refuerzo del incentivo (K), como
funcin de la cantidad de recompensa (W).

Hull inici con la definicin de trminos seguido de cierto nmero de

postulados principales, los cuales podran ser hallazgos empricos,
consiguientemente verificables por separado, o bien, hallazgos no directamente
comprobables pero s factibles de ser verificados indirectamente, con el fin de
que, por medio de una lgica estricta y ecuaciones matemticas, de los
postulados se derivasen corolarios y teoremas del sistema, esto es, deducciones y
predicciones, los cuales podran ser comprobados.

23
Hull desarroll un sistema hipottico-deductivo en la psicologa; consista ste en la postulacin de
variables participantes, trminos definidos de manera precisa que permitieran ser utilizados en simbologa
matemtica. Se trataba de desarrollar un sistema tan cientfico como cualquier ciencia natural o formal y
se vio influenciado, para esto, por las lecturas de Newton, Euclides (Marx y Hillix, 1976). La otra gran
influencia en Hull fue la de Pavlov, de quien tom los principios del condicionamiento y tambin de
Thorndike con la ley del efecto. Con estas dos aportaciones tericas, Hull trata de integrar un nuevo
sistema. Sus principales publicaciones son: "Mathematical-deductive Theory of rote learning" por Hull y
otros, publicada en 1940, "Principles of behavior" en 1943, "Essentials of Behaviour System" en 1952,
que fue publicado en forma pstuma.

30
 CAPTULO 1

En general, son tres las crticas principales que pueden hacerse a dicho
autor, a saber:

1.- La ignorancia de que, an sin esperanza alguna de recompensa, puede

existir un aprendizaje latente (comprobado experimentalmente).
2.- Da por supuesto que la fuerza de un hbito aumenta en igual proporcin
que cada recompensa subsiguiente al esfuerzo (hecho no confirmado
experimentalmente).
3.- Considera la excitacin de los receptores sensoriales como rasgo
esencial de un estado de necesidad producido al faltar algn artculo
indispensable para la supervivencia, sin describir ni justificar este mecanismo.

Sin embargo, Hull y sus colaboradores merecen buen crdito por haber
hecho un gran nmero de cuidadosos experimentos con miras a fijar en detalle
las condiciones en que las ratas adquieren o pierden determinados hbitos, as
como por lo que han insistido en exigir una evidencia indiscutible. Es una pena
que las evidencias que aduce el propio Hull para probar sus tesis sean tan
deficientes en este aspecto!

De la misma forma que los fsicos utilizan los electrones y los protones
como variables intermedias, deben usarse las actitudes y motivaciones para
explicar la conducta humana. Dada la enorme cantidad y complejidad de
variables que se deben manejar, es muy posible que, como indica B. F. Skinner24,
la prediccin y control de la conducta humana se parezca ms, en cuanto a
exactitud, a la meteorologa que a la fsica. De este modo, se contrapone a la
psicologa popularmente comprensible, psicoanaltica, artstico-literaria una
psicologa autnticamente cientfica que se caracterizara por la estructuracin
de hiptesis, la deduccin y puesta a punto de conclusiones comprobables, el
control cuidadoso de numerosas variables relevantes, la comprobacin rigurosa y
el manejo matemtico de los datos, peculiaridades todas ellas de la metodologa
cientfica que no participa del atractivo de las especulaciones a rienda suelta, de
la esperanza de las panaceas y del sobresalto producido por teoras
omnicomprensivas.

Llegados a este punto, quisiera contrastar dos procedimientos diferentes

que se emplean en Psicologa para el estudio de los problemas mentales
superiores. El primero es el mtodo tradicional de examinar el resultado ltimo
como un concepto o generalizacin. El segundo, es el mtodo, ms nuevo, de
tratar de descubrir cmo se llega al resultado final mientras se est yendo hacia
l. En uno se toma como modelo la respuesta o producto; en el otro, un
proceso.
24
Burrhus Frederic Skinner (20 de marzo de 1904 - 18 de agosto de 1990). Psiclogo y autor
norteamericano. Condujo un trabajo pionero en psicologa experimental y defendi el conductismo, que
considera el comportamiento como una funcin de las historias ambientales de refuerzo. Escribi trabajos
controvertidos en los cuales propuso el uso extendido de tcnicas psicolgicas de modificacin del
comportamiento, principalmente el condicionamiento operante para mejorar la sociedad e incrementar la
felicidad humana, como una forma de ingeniera social.

31
DISQUISICIONES GENERALES

Siguiendo con la exposicin anterior, veamos que en el primer

procedimiento, se tiende a identificar el pensar con el resolver un problema, y a
restringirse problemas cuyas soluciones las tienen ya los experimentadores; pero
tambin se propende a buscar las diferencias formales existentes entre los
problemas y los resultados ltimos de la actividad mental, segn las revela el
anlisis lgico o matemtico. Me pregunto si es ste el caso del conductismo.

Sin embargo, el segundo procedimiento parece conducirnos al problema

de la caja negra (black box), enjuiciable, por tanto, en el contexto de la Teora
de Sistemas, y resoluble por dos mtodos distintos: a) A base de un anlisis
retrospectivo (situacin presente situacin origen). b) Observando el curso
del desarrollo (estmulo accin respuesta). Por cada uno de ambos
procedimientos se pueden obtener grandes provechos, a mi juicio, y no hay razn
alguna para insistir en uno de ellos con exclusin sectaria del otro.

Por ltimo, quisiera referirme a la extraordinaria importancia que, segn

creo, reviste el hecho de la concepcin conductista de la Psicologa cara a la
aplicacin de la Teora de Sistemas a la susodicha ciencia social. En efecto, el
estudio del comportamiento del individuo y las diversas mensuraciones que
ello puede comportar, encuentran un marco adecuado y propicio para su
enfoque a travs de la concepcin del individuo como sistema psicolgico,
con un vector estmulo o de entrada significado por sus coordenadas o
componentes, un vector respuesta o de salida que tambin debe ser
interpretado a travs de sus componentes (en ellas podr leerse el mensaje de
su significado), y una cierta ley de transformacin (podra ser una matriz de
cambio, o bien una matriz asociada a una aplicacin lineal u homomorfismo) del
primer vector en el segundo vector, que parece venir implcita al sistema, y que
constituye un enigma que slo el psiclogo puede descifrar.

De este modo, y a lo largo del presente estudio, podr deducirse claramente

que las principales conclusiones que de l puedan extraerse alcanzan todo su
valor y significacin desde el punto de vista conductista, pudiendo parecer en
consecuencia y equivocadamente, que los mviles inspiradores de este trabajo
son de raigambre decididamente behaviorista. Sin embargo no es as, sino,
precisamente, es a travs de una objetiva toma de conciencia de la multiplicidad
de aplicaciones cientficas que reviste el estudio del individuo como sistema,
cuando el interesado en esta obra y conste que no es ste nuestro objetivo
pueda (si ha el caso) declararse apstata de ideologas psicoanalticas o
estrictamente filosficas, proclamndose, simultneamente, nefito proslito de
una concepcin emprica, sistemtica y altamente cientfica de la Psicologa.

5. Estudio de los efectos de los estmulos sobre el sistema psicolgico

Se denomina excitabilidad o irritabilidad a la capacidad de todo

organismo viviente para responder con determinadas manifestaciones vitales,

32
 CAPTULO 1

denominadas reacciones o respuestas, a ciertas acciones energticas que

sobre l actan a travs del vector estmulo.

En general, los vectores-estmulo pueden, por su propia naturaleza, ser de

tipo mecnico, qumico, osmtico, trmico, elctrico, lumnico, radiolgico,
sonoro y otros. Se sabe que aplicando a un msculo estmulos elctricos de
intensidad progresivamente creciente (choques de induccin), y midiendo la
intensidad de la excitacin, obtenida en cada caso por la altura de la contraccin
correspondiente, se observan los siguientes hechos:

Los estmulos, para obtener una respuesta, deben poseer una intensidad
o grado mnimo indispensable denominado umbral o minimal; si es
inferior a este valor, el estmulo es subminimal. Al estmulo que
produce el mayor efecto posible se le denomina maximal;
submaximal si el efecto obtenido es menor, y supramximo cuando
la magnitud del estmulo supera a la necesaria para provocar la respuesta
mxima.
La duracin del excitante en el nivel o por encima del nivel de la
intensidad umbral, tiene influencia en la eficacia del estmulo y en la
persistencia del efecto. Se denomina cronaxia a la relacin entre la
intensidad y el tiempo que debe durar el estmulo.
En algunos casos, la aplicacin del vector estmulo slo es efectiva
cuando su intensidad aumenta o disminuye, pero no mientras
permanezca constante (caso de una corriente galvnica). Por otra parte,
las variaciones bruscas en la intensidad del estmulo son ms eficaces
que las establecidas gradualmente.
El perodo de tiempo comprendido entre la aplicacin del vector
estmulo (siempre que sea eficaz) y la salida del sistema del vector
respuesta se denomina tiempo perdido o excitacin latente.
Utilizando estmulos subminimales, la respuesta no se obtiene, pero si
estos estmulos se repiten, se obtendr una reaccin o fenmeno llamado
adicin latente o sumacin de las excitaciones. El efecto de cada
uno de los estmulos subminimales se ha ido acumulando
progresivamente en el sistema, hasta llegar a producir un estado lmite
de excitacin que s alcanza el umbral. Es menester, para conseguir la
adicin latente, que un estmulo suceda a otro antes de que se disipe el
estado de excitacin creado en el sistema por el primero de dichos
inputs. An con estmulos de cierta magnitud, tanto en intensidad como
en duracin, se registran fenmenos parecidos; es decir: que un estmulo
aislado puede no ir seguido de respuesta, o bien ser sta insignificante.
Las reacciones completas requieren estmulos reiterados en forma ms o
menos rpida o prolongada (excitabilidad reiterativa).

Los sistemas psicolgicos excitables que, en principio, identificaremos con

los individuos o personas humanas, se dividen en dos categoras: sistemas
isoblicos y sistemas heteroblicos. En los primeros no existen, en absoluto,

33
DISQUISICIONES GENERALES

estmulos submaximales, siendo, a la vez, el estmulo umbrlico y maximal. El

campo de excitabilidad de los sistemas isoblicos est dividido en dos zonas: a)
la sub-umbrlica, en la cual la excitacin es nula, y b) la supra-umbrlica,
en la cual la excitacin es mxima. Se dice que obedecen a la ley del todo o
nada, y en ellos, los estmulos o no producen efecto alguno o bien producen un
efecto mximo. Puede tratarse de individuos poco dotados o bien con
deficiencias psicosomticas, raros en la especie humana.

Por otra parte, en los sistemas heteroblicos, el estmulo umbrlico y el

maximal son diferentes, existiendo entre ellos toda una serie gradual de estmulos
submaximales que determinan efectos de intensidades crecientes (excitaciones,
contracciones musculares, sensaciones). A este tipo de sistemas, en definitiva,
pertenecen los sistemas psicolgicos que son objeto de nuestro estudio.
Para ciertos sistemas heteroblicos y, consecuentemente, en potencia para
los psicolgicos, se ha observado que la relacin entre las intensidades de los
estmulos y las intensidades de los efectos provocados responden a una conocida
ley de valor limitado denominada Ley de WeberFechner, a la que ya nos
hemos referido anteriormente, que puede tener la siguiente expresin: La
intensidad de la sensacin crece proporcionalmente al logaritmo de la intensidad
del estmulo.

La mencionada ley de Weber-Fechner establece una relacin cuantitativa

entre la magnitud de un cierto estmulo fsico y cmo ste es percibido. Fue
propuesta en primer lugar por Ernst Heinrich Weber (1795-1878), y elaborada
hasta su forma actual por Gustav Theodor Fechner (1801-1887). Ernst Heinrich
Weber25 estableci su ley de la sensacin (o Ley de Weber) en la que formulaba
la relacin matemtica que exista entre la intensidad de un estmulo y la
sensacin producida por ste. Estos y otros descubrimientos llevaron a la
conviccin de que era posible explicar, mediante principios fsico-qumicos,
todos los actos humanos.

Fechner sigui los estudios empezados por Weber, que haba concluido que
existen tres tipos de umbrales en la percepcin de las sensaciones: un umbral
mximo, que es la magnitud a partir de la cual no percibimos ningn cambio en
la sensacin; un umbral mnimo, que es la mnima magnitud o cantidad de
estmulo necesaria para captar una sensacin; y finalmente, un umbral
diferencial, que es la cantidad de estmulo que hay que aadir para que el S.
psicolgico pueda captar un cambio en una sensacin.

25
Weber fue hijo del famoso telogo Michael Weber crindose en un entorno cientfico. La familia tena
relaciones con el fsico famoso (experto en acstica) E. F. F. Chladni. Estudi en las ciudades de
Wittemberg y Leipzig, llegando en 1818 a ser profesor de anatoma comparativa en Halle, y en 1840 de
Psicologa. Investig sobre las sensaciones; los sentidos tctiles de la piel le llevaron a la denominada ley
de Weber (que viene a decir que cuando se comparan dos objetos y se tiene que observar la distincin
entre ellos, no percibimos la diferencia entre los objetos, sino la razn de esta diferencia a la magnitud de
los objetos comparados). Colabor con Gauss en el estudio del geomagnetismo. Lleg a ser rector de la
Alma mater de Leipzig, muriendo en esta ciudad el 26 de enero de 1878.

34
 CAPTULO 1

Las investigaciones de Weber fueron en todo momento dirigidas a

comparar sus observaciones anatmicas con las observaciones realizadas al
microscopio. Se dedic, sobre todo, a la observacin del movimiento y
percepcin de los animales, comparando y explicando en todo momento con
leyes fsicas (en el campo de la Mecnica y de la Termodinmica) las
observaciones realizadas.

Es muy conocido el estudio acerca del corazn humano, en el que

descubri que era estimulado por dos tipos de nervios: los que activan los latidos
del corazn y los que los inhiben. Weber fue uno de los primeros cientficos en
percibir que el sistema nervioso autnomo est constituido por dos sistemas
nerviosos diferentes. Weber investig tambin la mecnica de la percepcin.
Estuvo tan dedicado a este estudio que poco a poco fue creando una nueva
disciplina que una las dos ciencias: la fsica y la psicologa (psicofsica). Hizo
aportaciones dentro de este novedoso campo indagando, por ejemplo la relacin
existente entre el par sensacin-estmulo viendo la existencia de relaciones entre
ellos y comprobando que, para que la sensacin aumente en progresin
aritmtica, debe producirse un aumento del estmulo en progresin geomtrica.

Se concluye, pues, que el menor cambio discernible en la magnitud de un

estmulo es proporcional a la magnitud del estmulo. Es fcil de entender con un
ejemplo. Si estamos sosteniendo en nuestra mano un peso de 100 gramos, tal vez
no lo podamos distinguir de otro peso de 105 gramos, pero si de uno de 110
gramos. En este caso, el umbral para discernir el cambio de peso es de 10
gramos. Pero en el caso de sostener un peso de 1.000 gramos, 10 gramos no
sern suficientes para que notemos la diferencia, al ser el umbral proporcional a
la magnitud del estmulo. En su lugar, nos har falta aadir 100 gramos para
notar la diferencia.

O sea, sabiendo que:

E (s2 s1) = Q (E2 E1) ; esto es:

E s = Q E ; pasando al lmite:
ds = (Q dE) / E ; e integrando:
s = Q (dE / E) = Q ln E + C = 23 Q log E + C = K log E + G

de lo que se infiere que E = 1 s = G (lo que constituye un dato

interesante para la construccin de la tabla correspondiente).

La ley anterior tambin puede establecerse matemticamente del siguiente

modo:
dE
ds = Q
E

35
DISQUISICIONES GENERALES

donde 'ds' corresponde al cambio percibido en el estmulo, 'dE' corresponde a

cambio de magnitud del estmulo y E corresponde a la magnitud del mismo.
Integrando la ecuacin diferencial anterior de variables separadas, se tiene:

s = Q lnE + C

donde C es la constante de integracin, y ln es el logaritmo natural o neperiano.

Para determinar el valor de C mediante una integral particular, se asigna a

s = 0, es decir no hay percepcin o sensacin; y entonces:

C = Q lnE0

en que E0 es el nivel o umbral de estmulo por debajo del cual no se percibe

sensacin. Por lo tanto la ecuacin anterior resulta del siguiente modo:

E
s = Q ln
E0

Siendo, en la formulacin anterior:

s = intensidad de la sensacin.
E = intensidad o magnitud del
estmulo.
E0 = nivel de estmulo sin
sensacin.
K = cte. especfica.
G = umbral diferencial.
Q = cte. experimental.
C = cte. de integracin.

As pues, la relacin existente entre el estmulo y la percepcin corresponde

a una escala logartmica. Esta relacin logartmica nos hace comprender que si
un estmulo crece como una progresin geomtrica (es decir multiplicada por un
factor constante), la percepcin evolucionar como una progresin aritmtica (es
decir con cantidades constantes aadidas), como ya se ha dicho antes.

Esta ley se denomina tambin ley de psicofsica, puesto que Fechner26

crey haber logrado relacionar matemticamente lo fsico, ponderable, con lo
psquico, imponderable; es decir: el cuerpo con el alma.

26
Gustav Theodor Fechner (1801-1887) fue msico y matemtico; en 1860 cre la ecuacin que cuenta
exactamente la relacin entre el estmulo fsico y la sensacin (relacin entre alma y materia). Pens que
cada materia estaba dotada de un cierto espritu, por lo que busc una frmula, con la que tuvo xito, para
poner en relacin el mundo del espritu con el de la materia.

36
 CAPTULO 1

Inmediatamente despus de provocada la reaccin, se muestra ineficaz un

nuevo estmulo, anlogo al primero, y an de magnitud superior. Ello es debido a
que, una vez producida la respuesta, el sistema pasa por un perodo refractario
absoluto, generalmente muy breve, al que sigue un perodo refractario
relativo, durante el cual se recupera la excitabilidad, si bien para ponerla de
manifiesto se requieren estmulos de magnitud superior al inicial, reapareciendo
poco despus la excitabilidad primitiva.

Las excitaciones continuadas agotan la excitabilidad celular,

denominndose a tal estado fatiga, que desaparece con el reposo.

La adaptacin consiste en una habituacin al estmulo, con lo cual ste

pierde la efectividad, a no ser que aumente su intensidad. Y en general, los
sistemas psicolgicos estn dispuestos para reaccionar a un estmulo, o a un
conjunto de estmulos, con mayor facilidad que otros (estmulos adecuados), los
cuales, a pesar de su poca magnitud, provocan respuesta imposible de obtener
utilizando otras formas de energa (estmulos inadecuados).

6. La frecuencia de respuesta como variable independiente: las

aportaciones de Skinner

Seala R. Bays que para Pavlov, las variables crticas fueron la latencia
medida en segundos y la intensidad de la respuesta medida en gotas de saliva.
Estas variables (proporcionando, en cada caso, un indicador de intensidad
adecuado al reflejo estudiado), han demostrado sobradamente su valor para el
anlisis de toda la conducta refleja, tanto incondicionada como condicionada, en
un gran nmero de especies, entre ellas el hombre. Sin embargo, la mayor parte
de nuestra conducta es dudosamente analizable tomando como unidades de
medida la magnitud y la latencia de la respuesta, y fue necesario esperar a que
otro cientfico de la talla de Skinner27 (al que ya nos hemos referido en este
mismo captulo), en otro momento de serendipity, segn nos contara en un
instructivo relato, encontrara la variable adecuada y los procedimientos para
controlarla y medirla de forma eficaz.

En definitiva, se deben a Skinner:

a) La introduccin de la frecuencia de respuesta como sensible variable

dependiente.
b) Las tcnicas que poseen tal grado de control que hacen posible obtener
de cualquier organismo individual de especies distintas frecuencias de
respuesta que sean predecibles, minuto a minuto, a lo largo de
investigaciones de duracin considerable.

27
Vide A case history in scientific method. American Psychologist, 1956, 11, pp. 221-233. Reproducido
en Cumulative record (3 edicin). New York: Appleton-Century-Crofts, 1972.

37
DISQUISICIONES GENERALES

c) Las tcnicas que permiten registrar directamente estas frecuencias, de

forma continua y con un elevado grado de fiabilidad, durante toda la
investigacin, haciendo posible la replicacin de experimentos.

Gracias a estos elementos se ha podido abordar con xito el anlisis de los

factores que gobiernan la probabilidad de ocurrencia de una respuesta dada en un
momento determinado, atacando a fondo el reducto de la variabilidad individual.

38
 CAPTULO 2

CAPTULO 2
Los modelos psicolgicos

1. Definicin y conceptos previos

1.1. Sntesis histrica del concepto de "modelo"

Sera conveniente comenzar nuestra exposicin definiendo particularmente

lo que pudiera ser el concepto de "modelo psicolgico" y, con mayor
generalidad, el propio de "modelo".

Se habr notado la aparicin, en varias ocasiones, de la nocin de "modelo"

o de "interpretacin" de una teora matemtica por medio de otra. No se trata, en
absoluto, de una idea reciente o novedosa y, sin duda, puede verse en ella una
manifestacin permanente del sentimiento profundo de la unidad de las distintas
"ciencias matemticas". Respecto a ello, deca Descartes1 que "no por ello dejan
de acordarse en tanto que no tienen en cuenta otra cosa que las relaciones o
proporciones que se encuentran en dichas ciencias".

Precisando el "acuerdo" del que hablaba Descartes, parece entreverse, por

vez primera, la nocin general de isomorfismo (que l llamaba "semejanza") y la
posibilidad de "identificar" relaciones u operaciones isomorfas, dando, como
ejemplos de ello, el de la adicin y el de la multiplicacin. No obstante, tan
audaces ideas no tuvieron ningn eco entre sus contemporneos, y habr que
esperar hasta el gran desarrollo del lgebra de mediados del siglo XIX para
vislumbrar siquiera el comienzo de la materializacin de los sueos leibnizianos
(Franquet, 1990/91).

Es, precisamente, en este momento histrico, cuando los modelos se

multiplican y se acostumbra a pasar de una teora a otra mediante un simple
cambio de lenguaje; el ejemplo ms claro de lo que antecede es, seguramente, el
de la dualidad en geometra proyectiva, donde la costumbre, muy frecuente en la
poca, de escribir en columnas contiguas los teoremas "duales", tuvo mucho que
ver con la toma de conciencia de la nocin de isomorfa. Por otra parte, mediante
el descubrimiento de las coordenadas homogneas -junto con Feuerbach y
Plcker- A. F. Mbius no slo pudo entender, en trminos puramente
1
Como cientfico, R. Descartes produjo al menos dos importantes revoluciones. En matemticas
simplific la notacin algebraica y cre la geometra analtica. Fue el creador del sistema de coordenadas
cartesianas rectangulares, lo cual abri el camino al desarrollo del clculo infinitesimal (diferencial e
integral) por parte del matemtico y fsico ingls Isaac Newton y el filsofo y matemtico alemn
Gottfried Leibniz, con curiosa simultaneidad. Invent la regla del paralelogramo, que permiti combinar,
por primera vez, fuerzas no paralelas. En qumica, el sistema propuesto por Descartes consigui desplazar
al aristotlico, al proporcionar una explicacin unificada de innumerables fenmenos de tipo magntico y
ptico, en astronoma y en fisiologa orgnica. De este modo, sent los principios del determinismo fsico
y biolgico, as como de la psicologa fisiolgica.

39
LOS MODELOS PSICOLGICOS

algebraicos, las nociones fundamentales de puntos impropios y de puntos

imaginarios introducidos por Poncelet (1788-1867)2 y apreciar en todo su valor
(junto con Poncelet, Gergonne3, Plcker4 y Chasles5) el principio de dualidad,
sino que pudo dar un tratamiento completo y moderno del invariante fundamental
de la geometra proyectiva: la "razn doble" de cuatro puntos alineados.

El empleo, cada vez ms extendido, de la nocin de "modelo", permitira

tambin al siglo XIX llevar a cabo la unificacin de las Matemticas soada por
los pitagricos. A principios del siglo, los nmeros enteros y las magnitudes
continuadas parecan tan incompatibles entre s como en la antigedad; los
nmeros reales continuaban estando ligados a la nocin de magnitud geomtrica
(longitud, superficie, volumen), a la que se haba recurrido para obtener
"modelos" de los nmeros negativos e imaginarios puros y mixtos. Incluso, los
nmeros racionales estaban tradicionalmente relacionados con la idea de la
divisin de una magnitud en partes iguales. Slo quedaban aparte los nmeros
enteros, como "productos exclusivos de nuestro espritu", tal como deca Gauss
en 1832, oponindolos a la nocin de espacio.

Los primeros esfuerzos para aproximar la Aritmtica y el Anlisis

Matemtico se refirieron a los nmeros racionales, positivos y negativos, y
fueron debidos a Martin Ohm en 1822, siendo continuados hacia 1860 por varios
autores, fundamentalmente Grassmann6, Hankel7 y Weierstrass8 (en sus cursos
2
Matemtico francs nacido en Moselle y fallecido en Pars. Particip en el intento de invasin de Rusia
por parte de Napolen, donde fue abandonado por muerto en el campo de batalla. Durante su ao y medio
de prisin, ya en Francia, medit sobre geometra. Sus pensamientos vieron la luz en 1822 cuando public
su libro sobre geometra proyectiva, de forma que una serie de problemas difcilmente resolubles por
procedimientos de la antigua geometra de las formas eran ahora fcilmente resueltos aplicando los
nuevos mtodos.
3
Joseph Diaz Gergonne (19 de junio de 1771 en Nancy, Francia - 4 de mayo de 1859, Montpellier,
Francia) fue un matemtico y lgico francs. En 1791, Gergonne fue capitn del ejrcito francs.
Particip en la Batalla de Valmy el 20 de septiembre de 1792. Ms adelante, se reintegr al ejrcito para
participar en 1794 en la invasin francesa de Espaa. Al pasar a la vida civil fue profesor en la recin
creada cole Centrale como profesor de "matemticas trascendentales". En 1810, Gergonne funda la
revista Annales de mathmatiques pures et appliques que en la poca fue conocida como los Annales de
Gergonne la publicacin se mantuvo por 22 aos hasta su retiro. Fue tambin profesor y ms tarde rector
de la Universidad de Montpellier. Gergonne introdujo la terminologa de las coordenadas polares.
Descubri el principio de dualidad en Geometra proyectiva, cuando not que cada teorema en el plano
conectando puntos y lneas tena un correspondiente con puntos y lneas intercambiados, siempre que el
teorema no hiciera intervenir nociones mtricas. En 1816, encontr una solucin elegante al problema
clsico de Apolonio consistente en hallar una circunferencia que toque otras tres circunferencias dadas.
4
Julius Plcker (1801-1868), natural de Elberfeld, estudi fsica y matemticas en varias universidades
alemanas, y desde 1836 fue profesor de la de Bonn. Sus primeros trabajos matemticos fueron de
geometra sinttica, pero en cuanto entr de lleno en la famosa polmica que enfrentaba a los gemetras
analticos con los sintticos, se decant por los primeros. En 1846, quizs harto de tanta controversia,
abandon las matemticas para volver a la fsica, en la que hizo notables descubrimientos. En contra de lo
que hubiera podido esperarse de l, se interes ms por la fsica experimental que por la fsica
matemtica. Segn Clebsch, la contradiccin expresada es slo aparente: Plcker tenda ms a crear que a
analizar, y esta tendencia era la fuente comn de sus descubrimientos en fsica y en geometra.
5
(Epernon, 1793-Pars, 1880). Matemtico francs. Profesor en la Universidad de Pars, sus trabajos
versaron sobre temas de geometra proyectiva y descriptiva; en especial sobre las secciones cnicas.
6
Hermann Grassmann fue un matemtico brillante cuyas creaciones en el anlisis vectorial slo pueden
compararse con las de Hamilton. Grassmann present su sistema en numerosas formas diferentes; de
hecho escribi cuatro libros en los que present su sistema y los cuatro difieren substancialmente entre

40
 CAPTULO 2

no publicados). A este ltimo, parece deberse la idea de obtener un "modelo" de

los nmeros racionales positivos y de los enteros negativos considerando clases
de pares de nmeros naturales o enteros positivos. Pero faltaba realizar, sin duda,
la tarea ms importante: la de obtener un modelo de los nmeros irracionales o
inconmensurables dentro de la teora de los nmeros racionales; hacia el ao
1870, la solucin de este problema era realmente urgente a la vista de la
perentoriedad -surgida despus de la aparicin de fenmenos "patolgicos" en
Anlisis- de prescindir del uso de cualquier intuicin geomtrica vaga de
"magnitud" para definir el cuerpo de los nmeros reales. Como sabemos, este
problema fue resuelto en esta poca, y casi simultneamente, por Cantor9,

ellos. Hermann Grassmann naci en Stettin, cerca del Bltico. Su padre Justus Gnther Grassmann, a
pesar de ser un telogo y estudioso en las ciencias fsicas y matemticas, insista en que l sera felz si
Hermann se convirtiera en jardinero o en carpintero. A pesar de esto, Grassmann ingresa en 1827 en la
Universidad de Berlin donde por seis semestres estudi principalmente filologa y teologa, pero de
manera autnoma, ley algunos escritos matemticos de su padre. A su regreso a Stettin, inici sus
estudios en matemticas, fsica, historia natural, teologa y filologa, preparndose solo para presentar el
examen estatal requerido para ser maestro. En 1839 escribi al comit examinador cientfico de Berln
sobre su deseo de escribir un trabajo que probara su competencia. Entonces, l inicia su trabajo en el
estudio de la marea titulndolo Theorie der Ebbe und Flut. Este estudio lo complet en 1840 y es
importante porque contena la presentacin de un sistema de anlisis espacial basado en vectores. La
informacin concerniente al origen de este trabajo puede encontrarse en una carta escrita por Grassmann
en 1847 a Saint-Venant acerca del documento publicado a finales de 1845, en el cual Saint-Venant
comunic resultados idnticos a los resultados descubiertos con anterioridad por Grassmann. Grassmann
present en este trabajo una parte sorprendente del anlisis vectorial: adicin y sustraccin de vectores,
las dos principales formas de producto vectorial, la diferencial en vectores y los elementos de la funcin
vectorial lineal, todo ello presentado de manera equivalente con sus homlogos modernos. Este trabajo
fue algo ms que el primer sistema importante del anlisis vectorial; fue tambin el ms grande trabajo en
la nueva lgebra de su tiempo que puede compararse con la geometra no-euclidiana. Para el otoo de
1843, Grassmann haba terminado de escribir otra de sus grandes obras; su Ausdehnungslehre, que se
convirti en un clsico. Es un libro difcil de leer y contiene una gran parte del anlisis vectorial moderno
y hecho de tal forma que difcilmente puede resumirse. En el periodo de 1844 a 1861, Grassmann public
17 documentos cientficos en los que se incluyen importantes documentos de fsica, varios sobre lenguas
y libros de texto matemticos. Edit un documento sobre poltica y tambin materiales sobre la
evangelizacin de China. Este periodo de su vida termin con su segundo Ausdehnungslehre. Despus de
1862, Grassmann public un libro de texto en alemn y en latn sobre matemticas, adems de varios
escritos sobre religin y sobre msica as como un libro sobre terminologa botnica alemana. Tambin
invent el Heliostat de Grassmann. Esta combinacin de actividades se debi a su creciente desacuerdo
con la poca atencin que reciban sus creaciones matemticas.
7
(Halle, 1839-Schramberg, 1873). Matemtico alemn. Sus trabajos versaron sobre geometra proyectiva
y sobre la teora de funciones de variable compleja. Estableci una representacin de la funcin gamma
por medio de una integral compleja y obtuvo soluciones a la ecuacin diferencial de Bessel.
8
Las ideas de Riemann (1826-1866) concernientes a la geometra del espacio tuvieron profundos efectos
en el desarrollo de la teora fsica moderna. Los escritos de Riemann de 1854 llegaron a ser un clsico en
las matemticas y estos resultados fueron incorporados dentro de la teora de la relatividad y gravitacin
de Einstein. Influy notablemente en el desarrollo de la teora fsica moderna y provea los conceptos y
mtodos usados despus en la Teora de la Relatividad. Era un original pensador y un anfitrin de
numerosos mtodos, teoremas y conceptos que llevan su nombre.
9
Georg Ferdinand Ludwig Philipp Cantor, nacido en Mar. 3, 1845, muerto en Ene. 6, 1918, era un
matemtico ruso-alemn mejor conocido como el creador de la TEORIA CONJUNTISTA y por su
descubrimiento de los nmeros transfinitos. Tambin adelant el estudio de las series trigonomtricas, fue
el primero en probar la no numerabilidad de los nmeros reales e hizo contribuciones significantes a la
teora de la dimensin. Cantor recibi su doctorado en 1867 y acept una posicin en la Universidad de
Halle en 1869, donde permaneci. Estrechamente relacionado al trabajo de Cantor en la teora de los
conjuntos transfinitos estuvo su definicin del continuo como un conexo, conjunto perfecto. Nunca dud
de su absoluta confianza en su trabajo, pero seguidamente del descubrimiento de las paradojas de la teora

41
LOS MODELOS PSICOLGICOS

Dedekind10, Mray11 y Weierstrass, siguiendo, por cierto, mtodos bastante

diferentes.

A partir de este momento, los nmeros enteros pasan a ser el fundamento

de todas las matemticas clsicas. Adems, los "modelos" basados en la
Aritmtica van adquiriendo cada vez ms importancia con la extensin del
mtodo axiomtico y la concepcin de los objetos matemticos como creaciones
libres, prodigiosas y admirables del espritu humano.

1.2. Definicin y clases de modelos

Realizada una pequea sntesis histrica del problema, veamos que en toda
aplicacin de la Matemtica a los estudios de los fenmenos reales, como los
psicolgicos, se presenta un triple proceso, a saber:

a) Conceptualizacin.
b) Razonamiento lgico.
c) Desconceptualizacin.

, y debemos advertir, y lo haremos con palabras del profesor Richardson12, que:

"matematizar la teora de un fenmeno no consiste simplemente en introducir
ecuaciones y frmulas en l, sino en moldearlo y fundirlo en un todo coherente,
con sus postulados claramente enunciados, sus definiciones establecidas, sin
fallos y con sus conclusiones rigurosamente obtenidas".

de conjuntos, dej la teora de los conjuntos transfinitos a matemticos ms jvenes tales como David
Hilbert, Bertrand Russell y Ernst Zermelo.
10
(Brunswick, actual Alemania, 1831-id., 1916). Matemtico alemn. Estudi en la Universidad de
Gotinga, donde tuvo como profesor a Gauss. Mientras trabajaba como privatdozent en dicha institucin
(1854-1858), entr en contacto con la obra de Dirichlet y se percat de la necesidad de abordar una
redefinicin de la teora de los nmeros irracionales en trminos de sus propiedades aritmticas. En 1872
desarroll el mtodo denominado corte de Dedekind, mediante el cual defini un nmero irracional en
funcin de las propiedades relativas de las dos particiones de elementos en que ste divida el continuo de
los nmeros reales. Siete aos ms tarde propuso el concepto de ideal, un conjunto de enteros
algebraicos que satisfacen ecuaciones polinmicas que tienen como coeficientes nmeros enteros
ordinarios; as, el ideal principal de un entero a es el conjunto de mltiplos de dicho entero. Esta teora
posibilit la aplicacin de mtodos de factorizacin a muchas estructuras algebraicas anteriormente
descuidadas por el anlisis matemtico.
11
Charles Mray naci el 12 de noviembre de 1835 en Chalon-sur-Sane, Francia. Inici sus estudios en
la Escuela Normal Superior en Pars en 1854, a la edad de dieciocho aos y se gradu en 1857. Luego de
su graduacin, comenz a ensear en el Liceo de St. Quentin, durante dos aos, despus de los cuales
dej la enseanza durante siete. Posteriormente, regresa a dar lecciones en 1856, en la Universidad de
Lyon, para ser ms tarde nombrado, en 1867, Profesor de Matemticas en la Universidad de Dijon, en
donde trabaj por el resto de su vida. Mray pudo haber sido un reconocido matemtico alrededor del
mundo por sus ideas, pero la suerte no estuvo de su lado. En 1869, public el primer estudio de teora
aritmtica acerca de los nmeros irracionales; su base fue el trabajo de Lagrange. Esta fue la primera
teora coherente y rigurosa sobre nmeros irracionales que se vio impresa. Muri el 2 de febrero de 1911
en Dijon, Francia.
12
Vide H.W. RICHARDSON en Economa regional, Ed. Vicens-Vives, Barcelona, 1973, citado en la
bibliografa.

42
 CAPTULO 2

De este modo, podramos definir el "modelo" como una representacin

objetiva de algn aspecto de un problema por medio de una estructura,
facilitando el tratamiento terico y subjetivo, dirigido a resolver algunas
cuestiones del problema.

Por tanto, cuando se van a aplicar las Matemticas o la Investigacin

Operativa a una situacin real, una labor previa que debe realizar el investigador
es la recogida de datos mediante observaciones y medidas, por lo que induce
relaciones y, a travs de un proceso ms o menos complejo de abstraccin,
construye un modelo o teora. En esto consiste precisamente la fase de
"conceptualizacin".

Sobre estos modelos, el investigador trabaja obteniendo teoremas y

consecuencias; es la fase conocida como "razonamiento lgico" y puesta en
marcha del modelo. Por ltimo, mediante la fase de "desconceptualizacin", se
interpretan estos resultados y se aplican a la situacin real.

De un modo muy general, podemos clasificar los modelos utilizados en tres

grandes tipos:

a) Modelos pictricos o icnicos:

Son representaciones de estados, objetos o sucesos. En ellos, se
representan las propiedades ms interesantes de la situacin real por medio de
una transformacin de escala. Por ejemplo, un mapa de carreteras representa la
posicin relativa de las distintas ciudades y las carreteras que las unen. En este
ltimo caso, se habr recalcado la anchura de la va de comunicacin a una escala
grfica improcedente, dotndola, incluso, de un atractivo colorido.

b) Modelos analgicos:
Consisten en hacer una substitucin adecuada de una propiedad de la
situacin real por otra en el modelo asociado, de acuerdo con ciertas reglas. Por
ejemplo, las distintas alturas de una cadena montaosa quedan delimitadas por
las curvas de nivel que, como es sabido, constituyen el lugar geomtrico de los
puntos del terreno que tienen idntica altitud o cota taquimtrica con respecto al
nivel medio del mar o a cualquier otro plano relativo de comparacin. Y sin
embargo, es obvio que en la realidad del terreno no aparecen las curvas de nivel
surcando valles y montaas o serpenteando por las llanuras a la vista arrobada del
observador.

c) Modelos simblicos:
Consisten en expresar las magnitudes que intervienen en el problema de
un modo abstracto (Franquet, 2003). A este ltimo grupo pertenecen los modelos
matemticos. Generalmente, en su formulacin, se siguen las siguientes etapas:

1. Se definen las variables que se consideran como ms importantes en la

explicacin del proceso considerado.

43
LOS MODELOS PSICOLGICOS

2. Se establecen relaciones analticas entre estas variables, como

consecuencia de relaciones lgicas plausibles entre las mismas.
3. Se estudia la bondad del ajuste del modelo a los datos u observaciones
realizados mediante la experimentacin.
4. En caso de ser aceptado el modelo, se resuelve.
5. Se interpretan los resultados y se estudia su relacin con la realidad.
6. Se hacen previsiones y proyecciones, que constituyen, en definitiva, el
objetivo final de la formulacin y estudio del modelo.

Respecto de la aplicabilidad de la metodologa de los modelos matemticos

en el campo psicolgico, podemos sealar tres modalidades principales:

1. Se relacionan magnitudes psicolgicas mediante el empleo de

ecuaciones en diferencias finitas y sistemas de las mismas.
2. Se relacionan los flujos de entradas y salidas de un sistema psicolgico
a travs de matrices y determinantes.
3. Se construyen simulaciones de las unidades ms elementales de la
Psicologa que van integrndose en niveles ms altos con sus iteraciones
recprocas, hasta llegar a la simulacin global.

2. Modelos para el conocimiento cientfico

Siguiendo a Angel Alcaide13, veamos que el mtodo cientfico se basa

muchas veces, en la utilizacin de modelos que, mediante un proceso de
abstraccin, simplifican la realidad que se quiere estudiar. Cuando en la
Geometra elemental se establece el concepto de "lnea", se debe pensar en una
figura con una sola dimensin (la longitud), sin que pueda encontrarse en la
realidad una lnea -por fina que sea- que carezca de anchura e, incluso de altura o
"grosor".

Aunque la creacin de los modelos supone, en general, un meritorio trabajo

cientfico, la tarea no se concluye hasta contrastar el modelo con la realidad y
ello exige disponer de los datos adecuados. Bross14, en su libro sobre La decisin
estadstica apunta que el empleo de los modelos presenta las siguientes ventajas:

a) Es el procedimiento seguido en los sistemas de prediccin que ha tenido

ms xito.

b) El modelo proporciona una estructura de referencia para la

consideracin del problema: los "fallos" del modelo sealan a veces una pista
sobre las deficiencias de aqul; estos "fracasos" en el modelo del ter hicieron
posible el formidable trabajo de A. Einstein.

13
Vide ALCAIDE INCHAUSTI, ngel: Lecciones de Econometra y Mtodos estadsticos. Citado en la
bibliografa.
14
Vide BROSS, Irwin D.J.: La decisin estadstica. Ed. Aguilar. Madrid, 1958.

44
 CAPTULO 2

c) El modelo pone de manifiesto el problema de la abstraccin,

decidiendo su elaborador qu atributos del mundo real tienen que incorporarse al
propio modelo.

d) Al expresar un problema en lenguaje simblico se tiene la ventaja de la

facilidad de manipulacin de dicho lenguaje.

e) Los modelos matemticos, proporcionan el medio ms barato para

realizar la prediccin.

Pero frente a estas ventajas seala tambin Bross algunas desventajas, a

saber:

A) Un modelo matemticamente factible puede exigir grandes

simplificaciones, lo que puede restarle exactitud.

B) El lenguaje simblico est sujeto tambin a limitaciones.

C) Un cientfico puede aficionarse tanto a su modelo que, incluso podra

llegar a insistir en que dicho modelo es el mundo real, perdiendo, precisamente,
la nocin de la realidad.

3. Modelos de simulacin

Veamos ahora, dado que le hemos mencionado, unas ideas aclaratorias

sobre el concepto de SIMULACIN.

Hasta hace relativamente pocos aos, la Psicologa no se ha prestado a un

desarrollo cientfico experimental. Faltaba el equivalente a los laboratorios donde
se pueden hacer repetidas pruebas y comprobar hiptesis cientficas (como, por
ejemplo, el sometimiento de un circuito electrnico, de un metal, de un cido, ...
a diversos estmulos o "inputs" y posterior observacin de sus reacciones).

De forma muy general, entendemos por SIMULACIN la creacin de un

modelo que reproduce fielmente una estructura psicolgica, sus relaciones con el
mundo circundante y la forma de reaccionar ante ciertos estmulos o "inputs".
Una vez construido el Modelo, se pretende medir la eficacia de diversos
estmulos, sin necesidad de recurrir a experiencias reales, sino basndose en
experiencias "simuladas".

Las polticas a las que someteremos nuestro modelo estn representadas por
los "inputs" de la figura siguiente, mientras que su eficacia podr ser evaluada a
travs de los correspondientes "outputs".

Fijmonos en que esta forma de proceder ha sido ya utilizada en diversos

campos de la ciencia y de la ingeniera. Por ejemplo, la industria aeronutica,

45
LOS MODELOS PSICOLGICOS

antes de lanzar un nuevo avin al mercado, construye un Modelo o prototipo que

se somete en un tnel de viento a distintas condiciones simuladas de presin,
turbulencias, temperatura, etc. Lo mismo sucede con la fabricacin de
automviles de turismo o de microaspersores para riego localizado de alta
frecuencia. Observando las reacciones del modelo a estos "inputs" se obtienen
conclusiones acerca de su futuro comportamiento en condiciones reales de
trabajo (vuelo, conduccin, irrigacin). De esta forma se determina si el modelo
es satisfactorio y cules son las condiciones que ofrecen mejor rendimiento. De
la misma manera, se pretende que el psiclogo experimentador llegue a
conclusiones fidedignas sobre la eficacia de las distintas terapias a aplicar.

Al simular el individuo o alguna de sus partes, es preciso llegar a un

compromiso entre Realidad y Simplicidad. En general, el estudio de nuestro
universo o de cualquier fenmeno muy complejo con el relacionado requiere
cierta labor de simplificacin por parte del investigador, labor consistente en
trasladar un fenmeno real a un Modelo de Estructura ms simple, pero que
ponga de relieve sus aspectos ms importantes.

Suponiendo que fuera posible construir un modelo tan complicado como el

mismo fenmeno que se pretender analizar, nada se habra adelantado, ya que
sera difcil de manipular y comprender como la propia realidad.

La simulacin se puede aplicar, en principio, a todo problema relativo a un

sistema psicolgico. Ahora bien, para poder simular correctamente el
comportamiento de dicho sistema, ser necesario:

a) Precisar unos objetivos que exijan acrecentamiento del conocimiento.

b) Establecer una maqueta con flujos fsicos o informticos.

c) Definir las transformaciones de cada bloque o subsistema fsico.

d) Disponer de series fiables de valores para actuar como VE ("Variables

de entrada") en el sistema contemplado.

La simulacin exige, pues, partir de un pre-modelo con el triple objetivo

de:
1) Contribuir a la elaboracin de un modelo.

2) Validar las hiptesis de trabajo.

3) Medir las consecuencias de ciertas acciones correctoras del sistema y

buscar -por acrecentamiento del conocimiento- su transformacin en modelo.

46
 CAPTULO 2

Para simular el sistema psicolgico es preciso expresar la transformacin

que se opera en cada uno de sus bloques. Veamos, como caractersticas ms
importantes de este proceso, las siguientes:

a) Se observa cmo la simulacin de un gran sistema puede apoyarse en

investigaciones de optimizacin local, que "ponen en cuestin" las prcticas
actuales. La utilidad de la simulacin es muy grande, en este caso, puesto que de
otra forma resulta imposible prever las consecuencias, sobre el sistema global, de
la combinacin de un conjunto de acciones modificadora de diversos bloques.

b) Permite una visin dinmica de la evolucin de un sistema, al reproducir

ficticiamente el recorrido de varias trayectorias: en pocos minutos, con
ordenadores suficientemente potentes, se pueden simular varios meses o aos de
funcionamiento de un sistema en condiciones diversas. No hay, por tanto,
dificultad alguna en introducir transformaciones aleatorias complejas que, de otro
modo, sera prcticamente imposible calcular.

c) Montar una gran simulacin resulta caro en estudios, en programacin y

en duracin de paso por ordenador; adems, la interpretacin de los resultados es
delicada. Sin embargo, la simulacin es un instrumento potente y til, que
permite "empujar" la modelizacin lo ms lejos posible hasta la consecucin de
condiciones simples, sintticas y generales, pudindose llegar al establecimiento
de un bloque nico, el MODELO, que recubre al sistema global cuya maqueta se
ha expuesto, expresando las relaciones existentes entre las VE, VS, VA y VES
(respectivamente, las variables de entrada, salida, de accin y esenciales).

d) Veamos, en fin, que la simulacin constituye una tcnica didctica

excelente, que permite visualizar el comportamiento de un sistema psicolgico y
controlar hiptesis sobre datos ya conocidos. Con ello, se facilita grandemente la
comunicacin entre los "especialistas" y los "prcticos".

FIG. 2.1. Modelo del sistema psicolgico.

La diferencia entre un modelo esttico y un modelo dinmico se encuentra

en la presencia de variables con retardos (lags, en ingls), o que vienen
referidas a distintos momentos del tiempo, en alguna o algunas de las ecuaciones
que constituyen el modelo dinmico. Algunos modelos econmicos son un buen
ejemplo de ello. Como estas variables con lags (retrasos, demoras, retardos o
desplazamientos en el tiempo) son endgenas, aplicando el principio locacional,

47
LOS MODELOS PSICOLGICOS

pero se comportan como exgenas, los miembros de la Cowles Commission han

optado por denominarlas predeterminadas, e incluyen en este trmino tanto a las
variables endgenas desplazadas como a las exgenas, desplazadas o no. De
hecho, pueden considerarse como variables explicativas al conjunto de las
exgenas y las predeterminadas.

Tanto los modelos estticos como los dinmicos pueden ser histricos,
siempre y cuando en sus ecuaciones figure explcita la variable independiente
tiempo.

El ejemplo del modelo econmico causal de la telaraa (R. Risco: Curso

elemental de Econometra) permite aclarar la terminologa empleada por Ragnar
Risco15 en su definicin del sistema dinmico. En efecto, las ecuaciones que
definen el modelo son ecuaciones funcionales, al ser del tipo de los
denominados ecuaciones en diferencias o recurrentes en la terminologa clsica
del Anlisis Matemtico, y su solucin no es un valor determinado, sino un
conjunto de ellos.

La presencia de variables origina las ecuaciones funcionales y a ellas se

refiere Risco cuando dice que las variables en diferentes momentos del tiempo
se incluyen de una manera esencial. Si en lugar de variables con retardos a
desplazamientos finitos de tiempo figuran, en el modelo, variables con
desplazamientos infinitesimales (esto es, si en lugar de diferencias finitas
figuraran derivadas), las ecuaciones funcionales o recurrentes antedichas se
convertiran en ecuaciones diferenciales, pasando del campo discreto al
continuo.

A los modelos estticos no histricos los denomina Samuelson16 modelos

estacionarios y a los dinmicos no histricos modelos causales.

15
Economista noruego (1895-1973). Obtuvo el primer Premio Nobel de Economa que se concedi, en
1969, compartido con Jan Tinbergen, por haber desarrollado y aplicado modelos dinmicos al anlisis de
los procesos econmicos. Estudi y ense en la Universidad de Oslo. Fue un miembro destacado de la
llamada Escuela Sueca, fundada por K. Wicksell. l puso nombre a la "Econometra" la rama que ana el
anlisis estadstico y el aparato matemtico con la economa. En 1930 fund la Econometric Society
junto con Irving Fisher y otros. Fue director de la prestigiosa revista Econometrica de 1933 a 1935.
16
Paul Anthony Samuelson es un economista estadounidense, nacido en Gary, Indiana, de ascendencia
juda, el 15 de mayo de 1915. Obtuvo el Premio Nobel de Economa en 1970, por el trabajo cientfico a
travs del cual ha desarrollado la teora econmica esttica y dinmica y haber contribuido activamente a
elevar el nivel del anlisis en la ciencia econmica. Es autor del manual "Curso de economa moderna",
publicado por vez primera en 1945 y que es el libro de texto de Economa para estudiantes universitarios
ms vendido de la historia. En dicho manual, Samuelson seala las tres preguntas bsicas que tiene que
responder todo sistema econmico: qu bienes y servicios (y en qu cantidad) se van a producir; cmo se
van a producir esos bienes (utilizando los factores clsicos de produccin: tierra, trabajo y capital); y para
quin son dichos bienes y servicios. Adems de pedagogo y divulgador, tiene muchas aportaciones
originales. Est especialmente interesado en los aspectos dinmicos de la economa. Entre sus principales
mritos figuran el desarrollo de las curvas de indiferencia, que permitieron evaluar la utilidad marginal
decreciente de un bien sin recurrir a su cuantificacin y el haber realizado aportaciones, entre otros
economistas reconocidos, a la llamada "sntesis neoclsica", es decir, la fusin en un conjunto coherente
de la economa de Keynes con la de sus predecesores.

48
 CAPTULO 2

4. Los modelos y la teora de sistemas

4.1. La modelizacin

El profesor Lorenzo Ferrer Figueras, catedrtico de Matemticas de la

Universidad de Valencia, desarrolla una interesante teora acerca de las
posibilidades del conocimiento y de la accin, donde se pone de manifiesto la
importancia de la modelizacin y de la posterior experimentacin sobre la
realidad o sobre el propio modelo (simulacin).

Una maqueta es una representacin esttica del individuo F observado, que

no explica como ste funciona o evoluciona. Sin embargo, la modelizacin es
una representacin dinmica, en cuanto explica cmo funciona y/o evoluciona
dicho sistema psicolgico. Por ello, la explicacin puede tener diversos niveles,
de los que consideramos los tres siguientes:

1. Anlisis de los factores del Sistema.

2. Conocimiento del funcionamiento de un bloque o subsistema.

3. Estudio del comportamiento dinmico de un gran sistema.

El modelo, entendido como una estructura explicativa de un fenmeno,

tiene las siguientes caractersticas: A) Constituye una representacin simplificada
de la realidad. B) Es prospectivo, en tanto que explica el comportamiento futuro
del Sistema (Ferrer, 1972).

Segn Minsky17, para un operador O, un objeto M es un modelo de un

objeto A, en la medida en que O puede utilizar a M para responder a las
cuestiones que le interesen respecto a A. De acuerdo con esta definicin,
cualquier razonamiento o decisin estn basados en modelos; a veces explcitos
y, otras veces, implcitos (Ferrer, 1972).

El modelo es un sistema homomorfo del sistema que representa. Por tanto,

modelo y sistema tienen el mismo comportamiento. El modelo en fin, ser til y
eficaz en la medida que sea:

- simple y elegante (facilita la comprensin).

- general (suscitar asociaciones, analogas).
- formalizado (facilita la simplicidad y posibilita la aplicacin de
tcnicas de resolucin).

17
Hyman Philip Minsky, uno de los ms destacados "post-keynesianos americanos", naci en Chicago y
estudi en la George Washington High School de New York. Se licenci en matemticas por la
University of Chicago en 1941, pero se interes posteriormente por la Economa y obtuvo el doctorado en
Harvard en 1954, especializndose en finanzas.

49
LOS MODELOS PSICOLGICOS

4.2. Los modelos matemticos

4.2.1. Variables exgenas y endgenas

En los anlisis para la elaboracin de teoras, muchos casos pueden ser

cuantificados y expresados en el lenguaje formalizado de las matemticas. La
razn de ello es doble: de un lado, se debe al hecho de que gran parte de las
magnitudes socioeconmicas son susceptibles de cuantificacin, pudiendo ser
expresadas como variables que toman valores dentro del conjunto (cuerpo o
campo) de los nmeros reales. De otro lado, las variables estn interrelacionadas,
pudiendo ser expresadas estas relaciones mediante funciones matemticas
adecuadas. Pues bien, las teoras, expresadas en lenguaje matemtico, reciben la
denominacin de modelos matemticos.

Para poder profundizar ms en la idea de modelo matemtico es

necesario no perder de vista que al ser el modelo la expresin formal de un
anlisis (o bien de una teora) de carcter deductivista y que en dicho anlisis se
cumplen unos supuestos de partida, el modelo matemtico consiste en la
expresin de tales supuestos en lenguaje matemtico a travs de un conjunto de
ecuaciones (a veces tambin de inecuaciones).

El conjunto de estas ecuaciones constituyen la formulacin del

modelo. Estas ecuaciones son las relaciones que, segn los supuestos de partida,
se dan entre las variables socioeconmicas. De estas variables, unas se suponen
conocidas (variables exgenas o datos), y las dems son las incgnitas (variables
endgenas) cuyos valores han de ser calculados en funcin de las exgenas.

Dicho lo anterior, veamos qu problemas se nos plantean al utilizar el

modelo matemtico y qu recursos matemticos sern necesarios para
resolverlos.

4.2.2. Problemas que se plantean

A) Primer problema

El primer problema con que nos enfrentamos es el de expresar los

conceptos, y los supuestos de la respectiva teora, en lenguaje matemtico. En las
teoras socioeconmicas de enfoque marginalista, la resolucin de un problema
viene facilitada porque en dicho enfoque se admiten los siguientes extremos:

a) Que las variables socioeconmicas son susceptibles de ser

expresadas por nmeros reales y que admiten variaciones infinitamente
pequeas. Es decir, son variables reales continuas.

50
 CAPTULO 2

b) Que las relaciones existentes entre las variables socioeconmicas

pueden ser expresadas por funciones reales de diversos tipos, que suelen ser
continuas y derivables repetida o iterativamente.

De hecho, la expresin de los conceptos en forma matemtica est

posibilitada por las dos caractersticas anteriores. Pero las dos caractersticas que
admite el enfoque marginalista no solamente posibilitan la expresin de los
conceptos en trminos matemticos sino que, adems, permiten expresar los
supuestos de la teora en forma de ecuaciones (o inecuaciones) que forman el
modelo matemtico. Los supuestos de la teora especifican cules son las
relaciones que existen entre las variables socioeconmicas, y al ser estas
relaciones expresables por medio de funciones reales, basta con utilizar el gran
arsenal de funciones reales de que dispone la Matemtica para poder expresar los
supuestos de la teora en forma de ecuaciones o inecuaciones. De este modo,
queda la teora expresada como un sistema de ecuaciones que constituyen la
formulacin del modelo matemtico de la teora en cuestin. Adems, en muchos
casos puede hacerse una representacin grfica del modelo, lo que le hace mucho
ms intuitivo.

B) Segundo problema

El segundo problema que se nos plantea, una vez ya formulado el

modelo, es el de deducir las variables endgenas en funcin de las exgenas y de
los parmetros que pueden figurar en las relaciones que forman el modelo.

Si se tiene en cuenta que un modelo matemtico no es otra cosa que un

sistema de ecuaciones en el que las incgnitas son las variables endgenas, se
comprende fcilmente que el problema de deducir los valores de las variables
endgenas en funcin de las exgenas y de los parmetros, requiere la utilizacin
de tcnicas matemticas para resolver sistemas de ecuaciones. Estas tcnicas
son muy variables dependiendo de la naturaleza de las ecuaciones que forman el
modelo.

Las ms usuales, en cualquier caso, son las siguientes:

- Cuando el modelo consiste en un sistema de ecuaciones lineales, ha

de recurrirse a las tcnicas de resolucin de sistemas lineales, donde la
discusin del conocido teorema de Rouch-Frobenius-Krnecker adquiere
singular relevancia. Si el nmero de ecuaciones es elevado, resulta preciso
recurrir a los Mtodos Matriciales, que presentan la gran ventaja de ser resueltos
con el auxilio del ordenador y el software adecuado.

51
LOS MODELOS PSICOLGICOS

- Cuando el modelo consista en optimizar (maximizar o minimizar)

una funcin cuyas variables estn sometidas a restricciones dadas por igualdades,
la resolucin del modelo requiere el empleo de las tcnicas matemticas propias
del Clculo de Extremos Relativos (mximos y mnimos locales) propias del
Clculo Infinitesimal clsico, como el mtodo de los multiplicadores u
operadores de Lagrange.
- Cuando el modelo consiste en optimizar (maximizar o minimizar)
una funcin lineal cuyas variables estn sometidas a restricciones dadas por
desigualdades lineales, ha de recurrirse a las tcnicas de la Programacin
lineal, que es una parte de la Investigacin Operativa.
- Cuando el modelo consiste en optimizar una funcin no lineal cuyas
variables estn sometidas a restricciones dadas por desigualdades lineales o no
lineales, la resolucin del modelo ha de hacerse a travs de las tcnicas
matemticas de la Programacin no lineal, tambin propias de la Investigacin
de Operaciones.

Mediante el empleo de las tcnicas anteriores, o bien de otras varias no

mencionadas, se resuelve el problema de deducir los valores de las variables
endgenas en funcin de las exgenas y de los parmetros. Es precisamente en
esta fase deductiva donde las Matemticas colaboran en forma esencial con el
anlisis psicolgico. La deduccin matemtica presenta la ventaja de su rapidez y
de llegar all donde la deduccin verbal le es a veces imposible, como ya hemos
sealado en la Introduccin al presente libro. El dominio de las mencionadas
tcnicas matemticas resulta de vital importancia si se quiere llegar a emplear el
lenguaje matemtico en los anlisis psicolgicos. Dicho dominio exige que,
previamente, se conozcan las propiedades esenciales de las funciones reales,
tanto de una variable como de varias.

C) Tercer problema

El tercero y ltimo de los problemas que presenta un modelo matemtico

es el de deducir las conclusiones del modelo. Estas conclusiones suelen
expresarse analizando cmo se ven afectados los valores de las variables
endgenas, antes calculados, al producirse una alteracin en una de las variables
exgenas o en uno de los parmetros. Las variaciones que experimentan las
variables endgenas ante una alteracin en una de las variables exgenas o
parmetros constituyen las Predicciones del Modelo. Estas predicciones son las
que deben servir de base a la hora de tomar decisiones teraputicas o bien por
parte del psiclogo experimentador.

La deduccin de las conclusiones del modelo suele requerir el uso de las

derivadas parciales. Para analizar como se ve afectado el valor de una de las

52
 CAPTULO 2

variables endgenas ante una alteracin en una de las variables exgenas, basta
con calcular la derivada parcial de la variable endgena respecto a la exgena.

La exposicin efectuada hasta aqu ha pretendido resaltar dos cuestiones,

sin nimo de dejarlas resueltas:

- La primera de ellas es un intento de clarificar de qu manera las

Matemticas van a servir a las teoras psicolgicas.
- La segunda de las cuestiones es la de anticipar cules van a ser las
necesidades matemticas, o parte de dichas necesidades, que demandan
los anlisis de enfoque marginalista.

Resumiendo todo lo expuesto hasta ahora, cabe destacar lo siguiente:

- Que muchas de las teoras psicolgicas, de carcter deductivista, pueden

ser expuestas en forma matemtica a travs de los modelos matemticos.

- Que el manejo de un modelo matemtico presenta tres problemticas

diferenciadas temporalmente, a saber:

1. Formulacin del modelo.

2. Deduccin de los valores de las variables endgenas en funcin de las
exgenas y de los parmetros.
3. Deduccin de las conclusiones del modelo, analizando cmo se ven
afectados los valores de las variables endgenas ante una alteracin en una de las
variables exgenas o parmetros.

- Que la resolucin de las anteriores disyuntivas requiere, desde el lado

matemtico, conocer las siguientes cuestiones:

a) Las propiedades generales de las funciones reales, tanto de una como

de varias variables reales, as como los conceptos matemticos de las mismas,
orientado este estudio a exponer los conceptos en forma matemtica y a expresar
los supuestos de la teora en la forma de un sistema de ecuaciones o inecuaciones
que constituyen la formulacin del modelo.
b) El desarrollo de tcnicas matemticas diversas (resolucin de
sistemas lineales, clculo de extremos relativos, programacin lineal y lineal
paramtrica, programacin no lineal, cuadrtica, dinmica, en nmeros enteros,
hiperblica, etc.) con las que se haga posible deducir los valores de las variables
endgenas en funcin de las exgenas y de los parmetros.
c) El clculo de derivadas parciales, tanto de funciones simples o
explcitas como de funciones compuestas o implcitas, con las que se haga
posible la deduccin de las conclusiones del modelo cuando se analicen cmo se

53
LOS MODELOS PSICOLGICOS

ven afectados los valores de las variables endgenas ante una alteracin de una
de las variables exgenas o parmetros.

4.2.3. Formulacin de los modelos matemticos

Una vez resuelto el problema de saber expresar matemticamente las

relaciones de los modelos especificados en la teora, estamos en condiciones de
abordar la formulacin de los modelos. No obstante creemos necesario hacer
antes algunas puntualizaciones en forma de preguntas, a saber:

a) Cules son las variaciones endgenas y exgenas?

En primer lugar, para formular el modelo matemtico de una cierta teora

psicolgica, es necesario conocer qu es lo que trata de determinar dicha teora.
O dicho en otros trminos: conocer cules son las variables endgenas y cules
las exgenas. Las primeras son las que la teora trata de determinar en trminos
de las exgenas.

b) Aparecen explicitadas todas las relaciones?

Una vez aclarado este punto, es necesario fijarse en las especificaciones

contenidas en los supuestos de la teora e ir expresndolas en trminos
matemticos. Ahora bien, ocurre que las Relaciones de Definicin y de
Condicin no suelen venir explicitadas, y sin embargo han de aparecer en la
formulacin del modelo. Por ello, al formular un modelo debe tenerse sumo
cuidado con las Relaciones de Definicin y de Condicin. Las Relaciones de
Comportamiento siempre vienen especificadas en los supuestos de la teora.

c) Es el modelo completo?

Despus de haber expresado en forma matemtica las Relaciones que

forman el modelo, debe procederse, a modo de comprobacin, a observar si el
modelo es completo. Para ello, ha de suceder que el nmero de ecuaciones sea
igual al nmero de variables endgenas (incgnitas). De lo contrario, lo ms
probable es que falten ecuaciones (tal vez alguna de las Relaciones de Definicin
o de Condicin no explicitadas) aunque tambin puede ser que se trate de un
sistema compatible indeterminado en los trminos definidos por el teorema de
Rouch-Frobenius-Krnecker, es decir un modelo en el que haya ms variables
endgenas que ecuaciones y por tanto con infinitas soluciones para las variables
endgenas. Tambin podramos encontrarnos con sistemas incompatibles (sin
solucin).

54
 CAPTULO 2

Veamos, en fin, que una de las caractersticas fundamentales de los

modelos de anlisis psicolgico puede ser la aparicin de la variable temporal
que, segn su presencia o no, se clasifican en dinmicos (no inerciales o
inerciales) y estticos. No nos extenderemos ms en este tipo de modelos, cuyo
estudio sera ms propio de otra investigacin.

4.3. Otra clasificacin de los modelos

Pueden esquematizarse del siguiente modo:

Modelo de informacin creciente

MODELO DE REFERENCIA

Modelo de anlisis
Modelo de Modelo funcional
conocimiento Modelo de comportamiento
dinmico del sistema

, cuyas definiciones respectivas son las siguientes:

- Modelos de referencia: son estructuras lgicas, proyectadas sobre la

maqueta de un F (individuo observado o sujeto a experimentacin) real, que
permiten ampliar el proceso de acrecentamiento del conocimiento. Enriquecen y
desarrollan los modelos implcitos a travs de los cuales se ordenan y estructuran
nuestras percepciones; para ello, explicitan las hiptesis de base o de partida, los
objetivos finales, los factores en juego y sus interacciones.

- Modelo de informacin creciente: es una estructura de acogida e

interpretacin progresiva de la informacin. Debe tener las propiedades de un
sistema: ser adaptativo y ser capaz de aprender.

- Modelo de conocimiento: reducen la indeterminacin y explican las

transformaciones.

- Modelo de anlisis: reduce la variedad de un conjunto de elementos

(serie de observaciones estadsticas sobre los factores) y halla clasificaciones
explicativas (modelos de segmentacin con tcnicas matemticas, estadsticas e
informticas).

- Modelo funcional: explica satisfactoriamente el comportamiento de las

estructuras funcionales, define la naturaleza de las variables en juego (VE, VS,

55
LOS MODELOS PSICOLGICOS

VI, VES, VA), as como su articulacin lgica. Por ltimo, permite comprender
el funcionamiento de los bloques o subsistemas. Desde luego, la elaboracin de
estos modelos ser necesaria para preparar la accin sobre el sistema.

- Modelo de comportamiento dinmico de un sistema: con gran

frecuencia, el sistema aparece en rgimen transitorio. Forrester18 ha presentado
un modelo de dinmica, basado en el mecanismo de feedback o
retroalimentacin industrial, que permite explorar los regmenes transitorios de
un gran sistema y el establecimiento de curvas de respuesta de las VES (variables
esenciales) para ciertas categoras de perturbaciones en las VE (variables de
entrada). El modelo tiene en cuenta las interacciones entre los flujos que circulan.
En cada red se tienen en cuenta los siguientes conceptos: los niveles, las tasas de
flujos, las funciones de decisiones y los canales de informacin.

Con relacin a esto ltimo, conviene aclarar que los niveles son los
puntos de acumulacin de los flujos y resultan de la diferencia entre los flujos de
entrada y de salida. Las tasas definen el flujo instantneo entre los niveles, y
corresponden a la actividad. Los niveles miden el estado que llega del sistema, a
causa de la actividad. La fijacin de las tasas, que corresponde al Sistema Gestor,
viene dada por las VA (variables de accin), resultando funciones de decisin
que representan elecciones o acciones programadas basadas en el valor de los
niveles (Ferrer, 1972).

En particular, la dinmica de un bloque de un sistema vendr dada por la

siguiente formulacin:

E S

18
En la dcada de los aos 70, hubo un avance decisivo en el campo de la computacin y, como
consecuencia, se desarrollaron programas para realizar simulaciones por ordenador. Tambin se
propusieron modelos con la intencin de prever la evolucin de la economa mundial. En el ao 1972, se
present el Primer Informe del Club de Roma titulado The Limits to Growth. Fue obra de Jay Forrester y
Dennis Meadow, del MIT y en l, los autores desarrollaron el modelo World2 formulado desde la
perspectiva de la Dinmica de Sistemas. Este modelo fue uno de los primeros Modelos Globales que se
han utilizado y tambin, junto con sus revisiones, uno de los ms importantes. El modelo atrajo la
atencin de la comunidad dedicada a realizar prospecciones del futuro e impuls el desarrollo de muchos
modelos posteriores. Su caracterstica principal era la habilidad para unir y combinar elementos, como la
produccin industrial, la poblacin, cuestiones medioambientales, la alimentacin y la energa en un
mundo a escala aunque de forma agregada, es decir, sin considerar diferencias de desarrollo entre las
distintas zonas geogrficas. Mesarovic y Pestel desarrollaron el modelo World Interdependence Model
(WIM), que considera el mundo divido en regiones y con el que se prepar el Segundo Informe del Club
de Roma en el ao 1974 bajo el ttulo Mankind at the Turning Point. Este tipo de modelos se denominan
Modelos Globales y estn caracterizados por los siguientes puntos:
- El modelo pretende hacer prospecciones del futuro.
- El modelo abarca todo el mundo o, al menos, las influencias recprocas entre zonas amplias del planeta.
- El modelo intenta unir reas diferentes pero relacionadas como la economa, la alimentacin, el medio
ambiente,...

56
 CAPTULO 2

d
= S E, de donde:
dt

= ( S E ) dt = S T , y :
T
= S ; siendo:

= nivel de flujo (corresponde al estado del sistema).

S = tasa de flujo de salida = flujo instantneo (corresponde a la
actividad).
E = tasa flujo de entrada = dem anterior.
T = demora (constante).

De las expresiones anteriores, se deduce que:

d dS
= T ;
dt dt

de donde, sustituyendo en la ecuacin inicial, se tiene:

dS
ST = E,
dt

o lo que es lo mismo, se llega a la denominada ecuacin de transferencia:

d
(1 T )S = E
dt

El modelo psicolgico o de dinmica industrial est constituido, en

definitiva, por el conjunto de todas las ecuaciones que ligan las tasas y los niveles
de flujo de los diferentes bloques del sistema. As:

Fenmeno Descripcin Maqueta Modelizacin Modelo

Experimentacin
(simulacin)

FIG. 2.2. Diagrama funcional de un modelo.

57
LOS MODELOS PSICOLGICOS

58
 CAPTULO 3

CAPTULO 3
La Psicologa como Sistema

1. Introduccin

Siguiendo el excelente trabajo de Mariano Yela titulado Teora general de

sistemas y Psicologa (vase Teora general de sistemas. Revista de la
Universidad Complutense de Madrid. Vol. XXIII, n: 89, Enero-Marzo 1974),
citado en la bibliografa, veamos que los psiclogos han estudiado los sistemas
desde diversos puntos de vista. Algunos han tratado de analizar empricamente
los factores que intervienen en la plasmacin de decisiones en casos
relativamente simples en las que las variables son controlables. Otros han
examinado los efectos sobre el funcionamiento de pequeos grupos de diferentes
esquemas de comunicacin, de variables psicolgicas, del ambiente social, con la
idea de que tal estudio de pequeos grupos pueda sugerir mtodos de estudio de
sistemas ms complejos.

A menudo se presentan entre dos psiclogos divergencias en lo que se

refiere a la metodologa del examen de sistemas desde su punto de vista. Muchos
prefieren sacrificar rigor y precisin en aras de la profundidad, considerando
tales aspectos como las motivaciones inconscientes, las modas colectivas que
operan en lo profundo del espritu de una sociedad, etc. Otros, en cambio, ante la
imposibilidad de obtener datos cuantitativos precisos en ciertas reas, prefieren
dedicarse a otras de cuantificacin ms sencilla y de contrastar en ellas hiptesis
que se espera puedan conducir a resultados vlidos en otras zonas ms profundas.

La Teora General de Sistemas (TGS) ofrece perspectivas e instrumentos

conceptuales que permiten abordar numerosos fenmenos psicolgicos de forma
ms fiel, comprensiva y fecunda y, a veces, ms rigurosa, de lo que era usual en
la psicologa anterior. Es difcil, sin embargo, aquilatar su influjo en la psicologa
contempornea; creemos que, al menos de modo directo, ha sido ms bien
escaso. Ninguna de las grandes corrientes de la psicologa terica se basa en la
TGS ni ha utilizado explcitamente sus principios. La razn reside, tal vez, en
que no ha habido tiempo para ello ni el ambiente tampoco ha sido propicio. Las
ideas organicistas tuvieron en su momento, en los primeros decenios de nuestro
siglo, un eco importante en la psicologa alemana, sensibilizada a favor de los
conceptos holistas por la reaccin general que, contra el asociacionismo
mecanicista, promovieron la Denkpsychologie, la psicologa fenomenolgica y
comprensiva, la escuela de las cualidades formales y, sobre todo, la psicologa
de la Forma, cuyo concepto central -la Gestalt- es justamente un sistema unitario
irreductible a la suma de sus componentes. La naciente psicologa gentica y

59
LA PSICOLOGA COMO SISTEMA

evolutiva -Werner, Piaget1, Bhler2- inici, asimismo, una trayectoria

conceptualmente similar.

Pero el desarrollo de estas ideas qued en buena parte interrumpido en

Europa con los sucesos previos a la Segunda Guerra Mundial. Sus principales
representantes, incluido el propio Ludwig von Bertalanffy3, emigraron a
Norteamrica. La psicologa cientfica adquiri un sesgo norteamericano,
caractersticamente conductista y hostil al movimiento que estudiamos.

A propsito de este ltimo investigador, veamos que fue pionero en la

concepcin "organicista" de la biologa, concepcin que trascendi la dicotoma
"mecanicista vs. vitalista" en la explicacin de la vida, a travs de la
consideracin del organismo como un sistema abierto, dotado de propiedades
especficas capaces de ser investigadas por la ciencia. La concepcin conjunta
entre los conceptos de niveles de organizacin y del activo como opuesto al
organismo pasivo (o reactivo), constituy una declaracin temprana de una teora
holstica de la vida y la naturaleza. Este concepto encontr resistencia general en
los bilogos experimentales que pretendan explicar los procesos de la vida
mediante la investigacin fsica y qumica de las leyes a niveles subcelulares. El
1
(Neuchtel, Suiza, 1896-Ginebra, 1980). Psiclogo suizo. Jean Piaget se licenci y doctor (1918) en
biologa por la Universidad de su ciudad natal. A partir de 1919 inici su trabajo en instituciones
psicolgicas de Zurich y Pars, donde desarroll su teora sobre la naturaleza del conocimiento. Public
varios estudios sobre psicologa infantil y, basndose fundamentalmente en el crecimiento de sus hijos,
elabor una teora de la inteligencia sensoriomotriz que describa el desarrollo espontneo de una
inteligencia prctica, basada en la accin, que se forma a partir de los conceptos incipientes que tiene el
nio de los objetos permanentes del espacio, del tiempo y de la causa.
2
Karl Bhler (Meckesheim, Baden, 27 de mayo de 1879 - Los ngeles, 24 de octubre de 1963),
pedagogo, psiclogo, lingista y filsofo alemn. En 1899 empez a estudiar medicina en Friburgo y all
se doctor en esa materia, pero curs estudios paralelos de Psicologa y Filosofa en Estrasburgo. Ampli
los de Psicologa en la Universidad de Berlin y en la de Bonn. Aunque se form en la Psicologa de la
Gestalt, desarroll su propia teora, el Funcionalismo, para explicar los procesos cognoscitivos. De 1918 a
1922 fue profesor de Filosofa y de Pedagoga en Dresde; all se cas en 1916 con Bertha Charlotte
Bhler (18931974), otra importante psicloga, fundadora de la psicologa del desarrollo. Entre 1922 y
1938 fue profesor de Psicologa en la Universidad de Viena y en su Instituto Pedaggico, formando parte
del Crculo de Viena. Sus teoras sobre la evolucin intelectiva del nio inspiraron la reforma educativa
en Austria. Los progresos de los nacionalsocialistas y el hostigamiento hacia l y su mujer les impulsaron
a abandonar el pas en 1938; estuvieron en Oslo, en Londres y finalmente marcharon en 1939 a los
Estados Unidos, donde se establecieron definitivamente. Hasta 1945 Karl Bhler fue profesor en
Minnesota, y despus, hasta su jubilacin en 1955, lo fue de Psiquiatra en la Universidad del Sur de
California, en Los ngeles, donde falleci el 24 de octubre de 1963. Tuvo importantes discpulos, entre
ellos los filsofos Ludwig Wittgenstein y Karl Popper, el historiador del arte Ernst Gombrich y el
antroplogo y etlogo Konrad Lorenz.
3
Naci el 19 de septiembre de 1901, en Atzgersdorf una pequea villa cerca de Viena y falleci el 12 de
junio de 1972 en Bfalo, Nueva York. Fue educado por tutores privados en su casa hasta los 10 aos,
edad en la que comenz a recibir educacin formal. Quizs en parte debido a este hecho, el pequeo
Ludwig comenz la escuela con muchas ventajas acadmicas. Esas ventajas fueron tales que pudo
aprobar sus exmenes con honores a pesar de una pobre atencin a sus clases. Sus registros de atencin
reflejan deseos de continuar sus estudios en casa en lugar de gastar tiempo en ir a tomarlas. De todos
modos, su continuo estudio en casa tendi a perpetuar su superioridad intelectual. Sus intereses se
desarrollaron tempranamente y siempre fueron amplios. Ellos abarcaron desde experimentos hasta
biologa terica, pasando por filosofa de las ciencias y del hombre, psicologa y psiquiatra, teora del
simbolismo, historia y una gran variedad de problemas sociales. Tambin un tpico arcano como el
origen del servicio postal en la edad media. En la mayora de los campos encarados fue un verdadero
pionero, con ideas que se adelantaban a las visiones dominantes de sus tiempos.

60
 CAPTULO 3

tema resurgi en los aos sesenta en los debates sobre si la vida fue finalmente
explicada en los trminos de las propiedades del ADN y de las leyes de la
biofsica y bioqumica.

Aunque tom parte activa en los debates sobre reduccionismo, su

concepcin organicista fue ampliamente ignorada. El concepto organicista de la
vida elaborado por Bertalanffy dentro de una Teora General de la Biologa, ms
tarde lleg a ser el fundamento para la Teora General de los Sistemas. El
desarrollo fue lgico: la concepcin organicista se refiri al organismo como un
sistema organizado y definido por leyes fundamentales de sistemas biolgicos a
todos los niveles de organizacin. La tarea fue tomada por Bertalanffy quien,
interesado en las amplias implicaciones de su concepcin, fue ms all de la
biologa para considerar la psicologa y los niveles de organizacin sociales e
histricos.

Concibi una teora general capaz de elaborar principios y modelos que

fueran aplicables a todos los sistemas, cualquiera sea la naturaleza de sus partes y
el nivel de organizacin. Bosquej el armazn para tal teora en un seminario de
Charles Morris en la Universidad de Chicago en 1937 y ms tarde en lecturas en
Viena. La publicacin del manuscrito en el cual la teora fuera descrita por
primera vez, fue impedida por la agitacin general al final de la Segunda Guerra
Mundial. Von Bertalanffy primero public un "paper" sobre la misma titulado
"Zu einer allgemeinen Systemlehre" en 1949, seguido al ao siguiente por la
"Teora de los sistemas abiertos en Fsica y Biologa" y un "Bosquejo de la
Teora General de Sistemas". La formulacin clsica de los principios, alcances y
objetivos de la teora fueron dados en "La Teora General de Sistemas" y
desarrollados con gran detalle en 1969 en el libro del mismo ttulo. Von
Bertalanffy utiliz estos principios para explorar y explicar temas cientficos y
filosficos, incluyendo una concepcin humanista de la naturaleza humana,
opuesta a la concepcin mecanicista y robtica.

Segn M. Yela, la TGS slo empieza a difundirse en los ambientes

psicolgicos a partir de la segunda mitad del siglo XX. Crecen entonces las
alusiones y las citas, se escriben ensayos y se aprovechan sus conceptos, se
emprenden algunas investigaciones empricas y se formalizan modelos
inspirados en sus principios o en otros similares y, finalmente, se provoca un
cambio fundamental en la psicologa aplicada. Con todo, el influjo sigue siendo
ms bien incipiente e indirecto en el campo de la psicologa. Los principios y
problemas de la TGS son ms bien programticos, descriptivos y heursticos.
Abren vas de extraordinario inters, pero no suelen ofrecer nuevos mtodos
precisos. Es ms fcil utilizar cualitativamente sus conceptos que fundamentar en
ellos estudios experimentales. Y eso es, en buena parte, lo que se hace. Para
alcanzar una mayor precisin se requiere una formalizacin matemtica y una
cuantificacin de las variables no siempre fcil de conseguir en psicologa. Ms
hacedero resulta el empeo en las cuestiones tecnolgicas de la psicologa
industrial y de la ingeniera humana o en la elaboracin de micromodelos para el

61
LA PSICOLOGA COMO SISTEMA

estudio de tal o cual campo limitado, y, efectivamente, son stos los modos
concretos segn los cuales la TGS est ejerciendo su influjo ms sealado y
profundo en la psicologa.

En el campo de la psicologa general, la TGS ha influido ms bien

indirectamente, como una corriente del pensamiento contemporneo que ha
contribuido a formar una actitud, junto a otras varias tendencias parcialmente
convergentes: la ciberntica, las teoras de la informacin, la decisin, el riesgo y
los juegos, la psicometra multidimensional, la psicotemtica enfocada cada vez
ms al anlisis de mltiples variables interdependientes, el empleo en psicologa
de modelos matemticos no mtricos, como los topolgicos, etc. En el mismo
sentido sistemtico han ejercido su influjo numerosas corrientes funcionalistas,
estructuralistas, generativas y personalistas, de importancia creciente durante los
ltimos decenios en psicologa y en las ciencias humanas.

Como resultado de todo ello existe en la psicologa actual, segn M. Yela,

una tendencia, no unnime ni generalizada, pero patente y progresiva, a superar
el esquema estmulo - reaccin, realmente difcil de mantener frente a las crticas,
las nuevas observaciones empricas y los abundantes resultados experimentales
procedentes de la psicologa de la personalidad, la psicologa social, la psicologa
cognoscitiva, el psicoanlisis estructural, la psicolingstica, la teora
psicogentica de la inteligencia e incluso las teoras de la motivacin y del
aprendizaje del neobehaviorismo y de las nuevas corrientes interpersonales,
sociales y culturales del psicoanlisis.

Como queda dicho, el influjo ms decisivo de la TGS acontece en la

psicologa aplicada y, especialmente, en la psicologa industrial y del trabajo. En
este campo, la bibliografa directamente inspirada en la TGS es muy copiosa.
Baste sealar que son cada vez ms numerosos los textos e investigaciones que
aparecen bajo el ttulo de Psicologa de las Organizaciones y, ms
explcitamente, Psicologa de los Sistemas.

M. Yela se extiende ligeramente tambin sobre los modelos parciales que

han aparecido en psicologa bajo el influjo de la actitud general antes
mencionada. Son, dice, muy numerosos. Entre los ms formalizados figuran la
psicofsica de la deteccin de seales, los modelos perceptivos y
psicolingsticos basados en la teora de la informacin y en principios
estructurales, los modelos cibernticos para el estudio de varios aspectos de la
memoria, del aprendizaje y de la motivacin, los usados en investigaciones sobre
inteligencia simulada y artificial mediante computadores electrnicos, la teora
del comportamiento como conjunto de estructuras y planes, la teora
psicogentica de la inteligencia, el anlisis factorial de las interdependencias
multivariables, etc.

Como ejemplo de estos modelos, y enlazando con los conceptos expuestos

en el captulo anterior, resumiremos sumariamente algunos de ellos.

62
 CAPTULO 3

La psicofsica clsica sola limitarse a estudiar funciones en que el

estmulo era la nica variable independiente y la sensacin, la dependiente. Por
ejemplo, el umbral absoluto se defina como la mnima cantidad del estmulo que
produca una sensacin. La psicofsica actual considera la deteccin de los
estmulos como un sistema de decisiones en funcin de una multiplicidad de
variables fsicas, fisiolgicas, psicolgicas y sociales. El mismo umbral, llamado
clsicamente absoluto, es slo relativo respecto de una compleja interaccin de
todas estas variables.

El modelo, simplificado al mximo, es como sigue (Swets, Tanner y

Birdsall, 1961). El sujeto tiene que decidir en un gran nmero de ocasiones si hay
slo ruido o hay, adems seal. Los resultados posibles son cuatro: dos tipos
de acierto (deteccin correcta de la seal o de su ausencia) y dos tipos de error
(falsa alarma o inadvertencia). Sea un continuo de observacin x. En cada caso
x puede ser debido al ruido R o a la seal RS, segn las funciones de
probabilidad fR(x) y fRS(x). Cada valor x implica una razn de probabilidad:

f RS ( x )
(x ) =
f R (x)

que puede suponerse sometida a una transformacin monotnica para que las
distribuciones sean normales. Suponiendo, adems, que ambas tengan la misma
varianza, tenemos la figura siguiente:

FIG. 3.1. Funciones normales de probabilidad de ruido y seal.

63
LA PSICOLOGA COMO SISTEMA

La distancia expresada por:

X fRS ( x ) X fR ( x )
" d" = constituye el denominado ndice de detectabilidad.
S fR ( x )

El problema del sujeto es elegir un criterio xc tal que, para cada

observacin xi, decida que hay seal si xj > xc, y que no la hay si xj < xc. Cada
xi determina dos regiones D e I y los cuatro resultados posibles:

(RS.D): ocurrencia conjunta de seal y regin D, deteccin correcta;

(RS.I): inadvertencia; (R.D): falsa alarma, y (R.I): negativa correcta.

Cada criterio define cuatro probabilidades condicionales, de las que las dos
importantes y suficientes son la de deteccin correcta y la de falsa alarma:

P(RS.D)
PRS ( D ) =
P(RS)
P(R.D)
PR (D) =
P(R)

donde P(RS) es la probabilidad a priori de presentacin de la seal, conocida por

el sujeto, y su complementario: P(R) = 1- P(RS), la de slo ruido.

Si cada acierto y error se sancionan de cierta manera, cabe estimar el valor

esperado de las decisiones del sujeto en funcin de las probabilidades a priori y
la valoracin de los resultados.

Fijado el modelo, la magnitud de la seal y del ruido, las probabilidades a

priori y la matriz de valoracin, se pueden calcular, para cada criterio xc, los
valores PR(D) y PRS(D), que, representados a medida que el criterio se desplaza a
lo largo de x, definen una curva llamada caracterstica operativa del receptor
(COR). En un experimento concreto se puede calcular:

1) La detectabilidad d, que indica la fuerza efectiva de la seal y la

capacidad sensorial del sujeto, y determina una curva COR;
f (D )
2) La razn RS
f R (D)
que identifica un punto en esa curva e indica el criterio efectivamente seguido
por el sujeto y la manera cmo en su decisin han influido sus expectativas (las
probabilidades a priori) y su motivacin (la matriz de consecuencias).

Los experimentos prueban que, en general, las COR halladas

empricamente responden al modelo de la teora de la decisin y no a la teora
clsica del umbral absoluto. La deteccin depende, ciertamente, de la intensidad
del estmulo, pero tambin de factores cognoscitivos (aqu hemos mencionado

64
 CAPTULO 3

slo las expectativas) y motivacionales (preferencias, temores, valoraciones,

etc.).

Menos formalizado matemticamente, pero de gran coherencia lgica y

enorme caudal de observaciones empricas, es el modelo psicogentico de la
inteligencia ofrecido por Piaget. Segn ste, la inteligencia es una estructura, no
un agregado de conexiones adquiridas por aprendizaje. Pero esta estructura no es
automtica, ni congnita, ni est preformada desde el nacimiento. Es la forma
final de un proceso. Cada etapa tiene una peculiar estructura que, en su
interaccin con el medio y regida por leyes de organizacin interna, se modifica
y origina otra estructura ms compleja. El proceso fundamental es la
equilibracin adaptativa de dos funciones bsicas, la asimilacin (incorporacin
del medio al organismo) y la acomodacin (modificacin del organismo para
ajustarse al medio). El final del proceso es la inteligencia formal, que supone un
equilibrio dinmico entre la asimilacin intencional, que no deforma lo
asimilado, y la acomodacin simblica, que no altera mecnicamente al sujeto.
El conjunto de operaciones del pensamiento formal revela una estructura de
grupo multiplicativo o abeliano, universal y reversible.

2. El sistema de gestin
En general, en todo proceso bien definido de gestin se puede distinguir
entre quien gestiona en sentido propio (psiclogo experimentador, en nuestro
caso), que dirige y pilota el sistema, y quien es gestionado, dirigido y
pilotado (sistema psicolgico o individuo). Esta dualidad se puede exponer a
partir de las frases Sistema de pilotaje, direccin o gestin (Sistema gestor) y
Sistema fsico, y usaremos ambas terminologas para expresar sus conceptos.

Llamaremos sistema de gestin, pues, a un psiclogo que posee un

conjunto de reglas, procedimientos y medios que permiten aplicar mtodos a un
organismo (sistema fsico o psicolgico) para realizar ciertos objetivos y obtener
informacin por observacin de la conducta de dicho sistema.

(NOTA: Para el logro de una mayor brevedad, nos serviremos

frecuentemente del smbolo S. para expresar la palabra sistema o
sistemas).

As, por ejemplo, un S. de gestin de personal en una empresa, aplica al S.

psicolgico personal (obreros y directivos) mtodos de avance, evaluacin y
seleccin.

El sistema de gestin se superpone al sistema fsico psicolgico: es una red

de percepcin, control y regulacin, destinada a pilotar los procesos psicolgicos
en cuestin. Congruentemente, en este sentido tambin podramos denominarlos
S. operador y S. operado.

65
LA PSICOLOGA COMO SISTEMA

Los medios de los que dispone un S. de gestin son los rganos

utilizados para efectuar operaciones acerca de la informacin (control,
transmisin, stockage, clculo, ...), pudiendo ser un individuo (psiclogo
experimentador), soportes (materiales e inmateriales: experiencia humana,
software, ...), mquinas (que detectan, captan, transmiten informacin, calculan,
imprimen: desde el cronmetro al ordenador). Los procedimientos de un S. de
gestin comprenden todas las operaciones necesarias para tratar la informacin y
las reglas, a travs de los medios del sistema.

3. Variables de un sistema psicolgico

Son de diversas clases, a saber:

- Variables de entrada o estmulos (V.E.): son variables cuyos

valores son impuestos al S., ya sea por el universo exterior al mismo,
o bien sea por un operador o gestor (psiclogo).
- Variables de salida o respuestas (V.S.): son variables que actan
sobre el exterior, esto es, sobre otros sistemas (resto del mundo o
sistema complementario).
- Variables de accin (V.A.): son las entradas procedentes del S.
Gestor (rdenes o instrucciones).
- Variables esenciales o criterios (V.C. o bien V.ES.): son aquellas
cuyo valor informa acerca de la salud o eficacia del S. psicolgico,
pudiendo ser internas o intermedias. Son de gran importancia, y
es el psiclogo quien las elige. Han de ser significantes y
significativas. La consecucin de objetivos supone que dichas
variables alcancen valores deseables, determinados a priori.

Veamos, por ejemplo, un S. psicolgico: el personal de la produccin de

un pueblo, cuyos elementos son individuos y cuyo estado viene dado en
funcin de su edad, salario y antigedad. Las diversas variables actuantes sern:

V.E.:
- del exterior (sistema de produccin): necesidades por cada
funcin.
- del exterior (mercado de trabajo): oferta.

V.A.:
Mutaciones, avance, contrato, descontratacin, nivel de salarios (en este
caso, el psiclogo est representado por los empresarios contratantes).

V.S.:
- hacia S. produccin: nmero de horas productivas por funcin.
- hacia S. mercado de trabajo: incidencia sobre el mercado de
trabajo.

66
 CAPTULO 3

V.C.: Efectivo por funcin, masa salarial, tasa de rotacin del personal.

Veamos, ahora, la representacin grfica de un S. psicolgico (en el

sentido ciberntico o melesiano del trmino):

EXTERIOR

Entradas Entradas

Psiclogo V.A. V.C.

SISTEMA
Gestor V.A. V.C.

Salida Salida

EXTERIOR

FIG. 3.2. Representacin grfica de un sistema psicolgico.

4. El concepto de probabilidad subjetiva

Con independencia de que en el captulo 9 de este libro trataremos de los

diferentes conceptos de probabilidad de aplicacin a la Psicologa, veamos que la
obra del gran economista ingls John Maynard Keynes4 (1921) expone una teora
de la probabilidad que pertenece tambin a los sistemas lgicos (como la
axiomtica de Jeffreys), y la define estableciendo unos ciertos grados de
creencia racional entre dos proposiciones. Sostiene que la relacin usada en la
deduccin p implica q es la forma extrema de una relacin que puede ser
llamada p aproximadamente implica q, y de aqu que si un conocimiento de h
4
Nace en Cambridge, en 1883. Hijo de John Neville Keynes, estudia en Eton y en el Kings College de
Cambridge. Se grada en matemticas y se especializa en economa estudiando con A. Marshall y A.
Pigou. Entra como funcionario del India Office en 1906. Permanece dos aos en Asia hasta que en 1908
entra como profesor de Economa en Cambridge, puesto que mantiene hasta 1915. En 1916 ingresa en el
Tesoro britnico donde ocupa cargos importantes. Representa a este organismo en la Conferencia de Paz
de Pars, puesto del que dimite en 1919 por estar en contra del rgimen de reparaciones que se estaba
imponiendo a Alemania. Vuelve a Cambridge como profesor, simultaneando su trabajo docente con
actividades privadas en empresas de seguros e inversiones lo que le proporciona importantes ingresos. En
la dcada de los aos treinta los pases de occidente sufrieron la ms grave crisis econmica conocida
hasta la fecha: la Gran Depresin que sigui a la cada de la bolsa de Wall Street en 1929. El
marginalismo no estaba capacitado para explicar ese fenmeno. En 1936 J.M. Keynes publica su Teora
General de la Ocupacin, el Inters y el Dinero, el libro que, sin duda alguna, ha influido de forma ms
profunda en la forma de vida de las sociedades industriales tras la segunda Guerra Mundial (1939-45).
Las decisiones de ahorro las toman unos individuos en funcin de sus ingresos mientras que las
decisiones de inversin las toman los empresarios en funcin de sus expectativas. No hay ninguna razn
por la que ahorro e inversin deban coincidir. Cuando las expectativas de los empresarios son favorables,
grandes volmenes de inversin provocan una fase expansiva. Cuando las expectativas son desfavorables
la contraccin de la demanda puede provocar una depresin. El Estado puede impedir la cada de la
demanda aumentando sus propios gastos. Durante la segunda guerra mundial Keynes se reincorpora al
Tesoro. En 1944 encabeza la delegacin britnica en la Conferencia de Bretton Woods de la que surgirn
el Banco Mundial y el Fondo Monetario Internacional. Muere dos aos despus, en 1946, en Sussex.

67
LA PSICOLOGA COMO SISTEMA

justifica una creencia racional en a de grado P, decimos que hay una relacin de
probabilidad de grado P entre a y h, y se escribe del siguiente modo:

a/h = P

Para Keynes, la creencia racional se deriva del conocimiento, es decir,

cuando tenemos un grado de creencia racional en a es porque conocemos alguna
proposicin h y tambin conocemos que a/h = P. Por tanto, algunas
proposiciones de la forma a/h = P deben estar en nuestra premisas, pudiendo ser
obtenidas o bien por conocimiento directo o bien por razonamiento de otras
premisas.

Las probabilidades, segn Keynes, en general, no son mensurables

numricamente; las que lo son forman una clase muy especial, y sostiene que
algunas no pueden compararse entre s. He aqu una diferencia importante con la
obra de Jeffreys.

Caracteriza esta relacin lgica mediante un sistema de axiomas tras una

serie de definiciones preliminares. Se observa en su axiomtica que si
mantenemos una proposicin condicionadora h, fija, entonces las relaciones de
probabilidad que se obtengan, supuesto que se puede asociar un nmero del
intervalo (0,1), se podrn sumar y multiplicar entre s, resultando equivalente a la
teora elemental de Kolmogoroff5.

Ese nuevo concepto de probabilidad surge cuando los tradicionales

conceptos de probabilidad frecuencialista (Von Mises, 1920)6, basados en la

5
Andrei Nikolaevich Kolmogoroff (1903-1987) complet sus estudios en la Universidad Estatal de
Mosc en 1925 donde lleg a ser profesor en 1930. En 1935 recibi el grado doctoral en Fsica y
Matemticas; y desde 1938 hasta su muerte mantuvo la Ctedra en el Departamento de Lgica
Matemtica. Fue miembro de la Academia de Ciencias y Ciencias Pedaggicas de la Unin Sovitica.
Ms an, fue miembro de la Academia de Ciencias de USA, del Instituto Francs, de la Royal Society en
Londres. Fue miembro honorfico adems de en las anteriores, de la Academia Internacional de Historia y
Ciencias, y recibi premios nacionales e internacionales. Escribi muchos libros y ms de 200 artculos
sobre Teora de Funciones, Lgica Matemtica, Teora de las Probabilidades y aplicaciones, Problemas
de Estacionalidad, Educacin e Historia de las matemticas. En 1985, 1986 y 1987 Nauka publica tres
volmenes de los trabajos de Kolmogoroff (en ruso) con comentarios de l y de sus alumnos. En estos
libros se tratan temas tan diversos como teora de las series trigonomtricas, teora de la medida y
conjuntos, teora de la integracin, teora de la aproximacin, construcciones lgicas, topologa, teora de
la superposicin de funciones, temas de mecnica clsica, teora ergdica, teora de la turbulencia,
difusin y modelos en la dinmica de la poblacin, artculos sobre la fundamentacin de la teora de la
probabilidad, teoremas lmites, teora de procesos estocsticos, estadstica matemtica, teora de los
algoritmos, teora de la informacin, ....
6
(1883-1953). Matemtico y filsofo austriaco, n. en Viena y m. en Nueva York. Realiz estudios de
ingeniera (1906) y tecnologa (1908) y march a Alemania para ampliar su formacin acadmica, pero la
llegada al poder del nazismo le hizo trasladarse a la Universidad de Estambul (1933) y ms tarde a la de
Harvard (1939), en Estados Unidos, donde ense matemtica aplicada y aerodinmica. Partiendo de un
positivismo moderado, aceptaba la metafsica pero slo como un punto de partida de la ciencia, acrtico y
primitivo. Su contribucin mayor al campo de la lgica es, sin embargo, la teora de la frecuencia en la
que consideraba que la probabilidad era el lmite al que se aproximan una serie de frecuencias estadsticas
cuando el nmero de estas mismas frecuencias crece sin lmites o tiende hacia infinito. Entre sus obras
ms notables se cuentan Grundlagen der Wahrscheinlichkeitsrechnung (Fundamentos del clculo de

68
 CAPTULO 3

regularidad estadstica, o los clsicos implcitos a la equiprobabilidad laplaciana,

no resuelven satisfactoriamente los problemas que no pueden considerarse dentro
del modelo del experimento. Este tipo de cuestiones pueden presentarse a
menudo en el campo de la Psicologa; de ah el inters que tambin en nuestro
caso pueden tener las teoras probabilsticas de carcter subjetivo basadas en el
grado de creencia racional que puede tener una persona sobre la ocurrencia o
no de un determinado suceso.

De hecho, las teoras subjetivistas y personalistas de la probabilidad se han

desarrollado en los ltimos setenta y cinco aos sin que hayan obtenido un
inters prctico hasta la aparicin de los mtodos bayesianos de estimacin. La
matemtica moderna ha facilitado el desarrollo conjunto de las teoras
frecuencialistas y de las subjetivistas con el estudio del lgebra de Boole de los
sucesos aleatorios o estocsticos, que actualmente constituye el camino ms
utilizado para fundamentar el concepto de probabilidad o la denominada
Estadstica Matemtica.

Otra interpretacin se debe a Carnap, y se conoce con el nombre de

necesaria o teora de la confirmacin, pero la funcin adoptada por Carnap es
sumamente complicada. El propsito de esta teora es desarrollar mtodos para
codificar informacin a priori para determinar una distribucin, tambin a
priori, sobre los estados de la Naturaleza. La evidencia utilizable es nuestra
informacin a priori y el problema fundamental es el siguiente: dada una cierta
informacin a priori, es una distribucin a priori tan razonable como
cualquier otra? A esto no responde la teora subjetiva. Esta teora ha sido
desarrollada por Carnap, pero su funcin, como hemos mencionado, resulta harto
complicada.

Desde el punto de vista subjetivo, la probabilidad mide la confianza de un

individuo particular que est en la verdad de una proposicin particular. Es
necesario notar que las magnitudes de las probabilidades no son estimadas por el
individuo, sino que estn sujetas a ciertas reglas de consistencia, establecidas
como axiomas que el individuo est dispuesto a aceptar.

Este punto de vista tiene sus mayores defensores en Ramsey7, De Finetti8,

Koopman, Good, Savage9 y Anscombe-Aumann.
probabilidades, 1919), Wahrscheinlichkeit, Statistik und Wahreit (Probabilidad, estadstica y verdad,
1928) y Kleines Lehrbuch des Positivismus (Breve tratado de positivismo, 1939).
7
Ramsey tambin hizo contribuciones fundamentales en economa. Por ejemplo, el concepto de precio de
Ramsey, en el que se precisa la trayectoria ptima que debe seguir el precio de un monopolista regulado,
que quiera maximizar el bienestar del consumidor. Adems, tambin estableci una teora del
comportamiento ptimo de una Hacienda Pblica, en torno de cmo debe ser la imposicin ms
adecuada. Finalmente, el modelo de Ramsey es uno de los ms usados por la Macroeconoma. En l, los
consumidores se presentan como individuos que maximizan su utilidad a lo largo de un horizonte infinito.
Esto es especialmente adecuado para estudiar el crecimiento de las economas, la respuesta ptima del
gobierno frente a shocks... Ramsey desarroll su modelo a finales de los aos 20, pero el uso del clculo
de variaciones, la herramienta matemtica que utiliz para resolverlo, hizo que la mayor parte de los
economistas ignoraran su trabajo. No fue hasta 1965 cuando Cass y Koopman desarrollaron
paralelamente un modelo muy similar, aceptado por los economistas. Entonces se comprob que dicho

69
LA PSICOLOGA COMO SISTEMA

Se pueden sealar dos tendencias diferentes dentro de la escuela

subjetivista. Una, orientada desde el punto de vista intuitivo, y otra, en la que la
DECISIN juega un papel central.

Dentro de la primera tendencia destacan Koopman y Good. Para Koopman

(1940), la probabilidad es directamente intuible por el individuo y es prioritaria a
la experiencia objetiva. Este punto de vista est en la lnea de Keynes, pero
Koopman es subjetivista debido a que sostiene que la probabilidad difiere de una
persona a otra en instantes diferentes. Despus de presentar los axiomas de su
sistema, Koopman obtiene varios teoremas sobre comparacin de probabilidades.
Puede considerarse que su teora es ms comparativa que cuantitativa. Entonces,
para poder cuantificar la probabilidad, introduce una hiptesis adicional: para
cualquier entero n, existe al menos un conjunto de n proposiciones que son
mutuamente excluyentes, tienen una unin no nula y pueden considerarse como
equiparables para el individuo, dado que una de ellas sea cierta con lo cual
obtiene probabilidades numricas y los usuales teoremas de probabilidad
cuantitativa (como se obtiene de los axiomas de Kolmogoroff). En artculos
posteriores sostiene que toda aplicacin de las probabilidades frecuentistas o
frecuencialistas en las ciencias experimentales presupone implcitamente una
intuitiva concepcin a priori de la probabilidad.

Good (1950) tambin se sita en la lnea de Koopman. As en el prefacio de

su libro dice textualmente: Cuando deseamos decidir si aceptar un particular
curso de accin, nuestra decisin depende de los valores que posean para

modelo (una versin mejorada del modelo de crecimiento de Solow) era en realidad equivalente al
desarrollado casi 40 aos antes por Ramsey. Adems, Ramsey fue un buen amigo de John Maynard
Keynes, cuyos trabajos sobre probabilidad le estimularon a desarrollar propuestas sobre la probabilidad
subjetiva (probabilidad Bayesiana). Nuevamente, sus trabajos no llegaron a ser conocidos hasta que se
publicaron desarrollos similares en los aos 50, realizados por Bruno de Finetti.
8
Bruno de Finetti (1906-1985) y Frank Plumpton Ramsey (1903-1930) descubrieron
independientemente, poco antes de 1930, el hecho fundamental que sirve de base al llamado
bayesianismo: un agente racional -esto es, un agente que, apostando de acuerdo con sus estimaciones
subjetivas no se exponga a perder, pase lo que pase- tiene que ajustar sus estimaciones subjetivas a las
reglas del clculo de probabilidades. Ramsey explica su descubrimiento en el ensayo "Truth and
probability", redactado en 1926 y publicado pstumamente en su libro The Foundations of Mathematics
and other Logical Essays (London: Routledge & Kegan Paul, 1931). De Finetti comunica sus ideas ya al
Congreso Internacional de Matemticos celebrado en Bolonia en 1928 (como consta en las actas de este
congreso, publicadas en 1932), en una ponencia que incluye el clebre teorema de representacin que
da lugar a la tesis de los bayesianos, segn la cual las estimaciones subjetivas de los agentes racionales
necesariamente convergen si se basan en la misma experiencia. La demostracin de este teorema es
tambin el contenido principal del artculo "Funzione caracteristica di un fenomeno aleatorio", aparecido
en 1930 en Memorie della Reale Accademia del Lincei (IV, 5: 86-133). El ensayo publicado en 1931
bajo el ttulo "Sul significato soggetivo della probabilita" en la revista polaca Fundamenta Mathematicae
(17: 298-329) expone, desde una perspectiva filosfica, las ideas del autor en forma ms breve y accesible
que su trabajo "La prevision: ses lois logiques, ses sources subjectives", publicado en 1937 en Annales de
l'Institut Henri Poincar (7: 1-68) y muy difundido en traduccin inglesa (en Henry E. Kyburg Jr. y
Howard E. Smokler, eds., Studies in Subjective Probability, New York, Wiley, 1964, pp. 53-118).
9
En 1951, Savage argumenta que al utilizar los valores xij para realizar la eleccin, el decisor compara el
resultado de una alternativa bajo un estado de la naturaleza con todos los dems resultados,
independientemente del estado de la naturaleza bajo el que ocurran. Sin embargo, el estado de la
naturaleza no es controlable por el decisor, por lo que el resultado de una alternativa slo debera ser
comparado con los resultados de las dems alternativas bajo el mismo estado de la naturaleza.

70
 CAPTULO 3

nosotros las posibles consecuencias. Una decisin racional depender tambin

de nuestros grados de creencia sobre cada una de las alternativas que puedan
ocurrir. La probabilidad como se comprender en lo que sigue, es la lgica (ms
que la psicolgica) de los grados de creencia y de su posible MODIFICACIN A
LA LUZ DE LA EXPERIENCIA.

La segunda tendencia arranca en Ramsey (1950), que en su libro Truth and

Probability realiza una crtica de los puntos de vista frecuentista y keynesiano
comparndola con su propia formulacin, en la que el concepto de decisin juega
una importante funcin.

La posicin sostenida por Ramsey es fundamental, pues puede decirse que

la mayora de los trabajos sobre la Teora de la Decisin moderna emanan con
ciertas modificaciones de su concepcin de probabilidad.

Para Ramsey, los conceptos de probabilidad y utilidad estn ntimamente

ligados y algunas nociones bsicas son: a) una proposicin ticamente neutra p
de grado de creencia p/2, y b) la nocin de igualdad entre diferencias de utilidad.
En palabras de Ramsey, entendemos por proposicin ticamente neutra, si
siendo x e y dos consecuencias cualesquiera, entonces el individuo es indiferente
a elegir entre (x, p, y) y (y, p, x), en donde (a, p, b) es la opcin que da a si la
proposicin p se obtiene y b si p no se obtiene y, por diferencia en utilidad
(valor) entre y , igual a la existente entre y , si siendo p una proposicin
ticamente neutra de grado de creencia , el individuo no tiene preferencia entre
las opciones (1) si p es cierto, si p es falso y (2) si p es cierto, si p es
falso.

Estas ideas han servido de base para la axiomatizacin de la utilidad dada

por Suppes y Winet (1955), y para los experimentos sobre medida de la utilidad y
probabilidad subjetiva de Davidson, Suppes y Siegel (1957). Una ampliacin
sobre el concepto de utilidad puede verse en el captulo 5 de nuestro libro.

El punto de vista de L. Savage (1954) es completamente similar al de

Ramsey, pues l mismo lo afirma al decir: Los conceptos de probabilidad y
utilidad de Ramsey son esencialmente los mismos que exponemos en este libro,
pero el desarrollo lgico de ellos es distinto al utilizado por l, las definiciones de
probabilidad y utilidad son simultneas y dependientes entre s.

Savage considera tres conjuntos primitivos y una relacin binaria, a saber:

a) Un conjunto E de estados de la Naturaleza e1, e2, ... Y por A, B, C, designa

subconjuntos de E;
b) un espacio C de consecuencias c1 , c2 ,....;
c) un espacio de actos f, g, ... Un acto es una aplicacin de E en C; y
d) una relacin binaria (es no preferido a).

71
LA PSICOLOGA COMO SISTEMA

Establece un conjunto de cuatro axiomas y cuatro definiciones sobre los

conjuntos primitivos. Los axiomas son relativos a rdenes de preferencia en los
conjuntos, teniendo en cuenta una consistencia entre ellos. Hay que notar que los
cinco primeros caracterizan una probabilidad cualitativa, en palabras de Savage:
La relacin cuando se aplica a sucesos de E es una probabilidad cualitativa.
El postulado seis tiene importancia pues de l deriva la existencia de una medida
de probabilidad P, compatible con la relacin y la existencia de una funcin de
utilidad V, nica, salvo transformaciones lineales definidas sobre el espacio de
actos.

Es esencial notar que la ley de multiplicacin para sucesos independientes

no es parte de la teora de Savage; por esta razn, la teora no tiene validez para
problemas de ndole secuencial, salvo que se establezca por separado.

Otro aspecto digno de observar, referente a las dos tendencias de la escuela

subjetiva, es que la lgica juega una funcin importante, pero los puntos de vista
son diferentes a los de la lgica inductiva. Podemos decir que la lgica de los
subjetivistas radica en un conjunto de criterios de consistencia y razonabilidad en
nuestras creencias o juicios o comportamientos. Es decir, si un individuo est de
acuerdo con la teora y se conforma con los criterios de consistencia, entonces, la
teora le ofrecer una base RACIONAL y CONSISTENTE de tomar decisiones.

Otro representante destacado de la escuela subjetiva es Bruno de Finetti

(1937), al que ya nos hemos referido con anterioridad. De Finetti presenta dos
concepciones de la probabilidad, una en trminos de la posicin intuitiva y la otra
referente a apuestas (opciones) sobre el comportamiento, que tiene un poco de las
dos tendencias. De Finetti, considerado como subjetivista extremo, niega que en
ningn caso el cuerpo de informacin pueda imponer un valor para la
probabilidad, cuya situacin depende de la arbitrariedad del observador (pero que
est obligado, sin embargo, a respetar una serie de axiomas). A su teora se puede
poner una objecin: En una serie de un nmero grande de pruebas (probabilidad
frecuencialista o de Von Mises), se observa que se obtienen cuatro caras por seis
cruces; entonces todos los observadores estn de acuerdo en asignar como
probabilidad de obtener cara el valor 0,4. A esta objecin responde Finetti
diciendo que se parte de una hiptesis arbitraria, pero natural, y es la de la
independencia de las tiradas.

Como se estudia en la teora relativa a la utilidad, los axiomas de Von

Newmann10 y O. Morgenstern11 llevan consigo la existencia de una funcin de
10
John von Newmann zu Margitta Lajos (28 de diciembre de 1903 - 8 de febrero de 1957) fue un
matemtico hngaro-estadounidense, de ascendencia juda, que realiz contribuciones importantes en
fsica cuntica, anlisis funcional, teora de conjuntos, informtica, economa, anlisis numrico,
hidrodinmica (de explosiones), estadstica y muchos otros campos de las matemticas. Recibi su
doctorado en matemticas de la Universidad de Budapest a los 23 aos. Fue una de las cuatro personas
seleccionadas para la primera facultad del Institute for Advanced Study (Instituto para Estudios
Avanzados). Trabaj en el Proyecto Manhattan. Junto con Edward Teller y Stanislaw Ulam, resolvi
pasos fundamentales de la fsica nuclear involucrada en reacciones termonucleares y la bomba de
hidrgeno. Es considerado el padre de la teora de juegos y public el clsico libro Theory of games and

72
 CAPTULO 3

utilidad nica, salvo para un cambio de escala y de origen, pero ellos se basan en
opciones (o loteras) cuyas probabilidades son conocidas por el individuo.
Entonces, Aumann y Anscombe (1963) presentan una definicin de probabilidad
subjetiva basndose en una aplicacin doble de axiomas de Von Newmann y O.
Morgenstern. Este sistema axiomtico lo consideraremos de la mayor
importancia para conceptualizar a la utilidad como soporte de la moderna teora
de la Decisin.

Un sistema axiomtico interesante por su simplicidad es el que presenta

Villegas (1964 y 1967) acerca de las probabilidades subjetivas cualitativas (en el
mismo sentido que Savage). Considera Villegas un espacio muestral, una sigma-
lgebra de sucesos y una relacin (al menos tan verosmil que ocurra que
satisface a cinco axiomas). Demuestra que existe una nica distribucin de
probabilidad que es compatible con la relacin. Para poder considerar relaciones
condicionadas impone otro axioma.

En el libro editado por Kyburg y Smokler (1964) se recogen los artculos

ms notables publicados sobre probabilidad subjetiva. A partir de este ao
destacan los trabajos de Scott (1964) y los comentarios y crticas realizados por
Fishburn en sus dos libros de 1964 y 1970.

Respecto a la comprobacin experimental (as como su medida) de la

probabilidad subjetiva destaca el trabajo de Luce y Suppes (1965) que presenta
una crtica de los pocos trabajos realizados en esta rea. Es tambin digno de
notar el grupo de artculos de Ellsberg (1961), Fellner (1963), Raiffa (1961),
Brewer (1963) y Roberts (1963), relativos a la controversia planteada sobre la
existencia y medida de las probabilidades subjetivas. Ms recientemente destacan
los trabajos experimentales de Mc Crimonn (1968), referentes al contraste de la
teora de Savage.

economic behavior ('Teora de juegos y comportamiento econmico'), junto a Oskar Morgenstern, en

1944. Tambin concibi el concepto de "MAD" (Mutually Assured Destruction o 'destruccin mutua
asegurada'), concepto que domin la estrategia nuclear estadounidense durante los tiempos de la
postguerra. Fue pionero de la computadora digital moderna y de la aplicacin de la teora operadora a la
mecnica cuntica. Trabaj con Eckert y Mauchly en la Universidad de Pennsylvania, donde public un
artculo acerca del almacenamiento de programas. El concepto de programa almacenado permiti la
lectura de un programa dentro de la memoria de la computadora, y despus la ejecucin de las
instrucciones del mismo sin tener que volverlas a escribir. La primera computadora en usar el citado
concepto fue la llamada EDVAC (Electronic Discrete-Variable Automatic Computer, es decir
'computadora automtica electrnica de variable discreta'), desarrollada por Von Newmann, Eckert y
Mauchly. Los programas almacenados dieron a las computadoras flexibilidad y confiabilidad, hacindolas
ms rpidas y menos sujetas a errores que los programas mecnicos. Otra de sus inquietudes fue la
capacidad de las mquinas de autorreplicarse, lo que le llev al concepto de lo que ahora llamamos
mquinas de Von Newmann o autmatas celulares.
11
Nacido en Gorlitz, Silesia, en 1902, estudia en las universidades de Viena, Harvard y Nueva York.
Miembro de la Escuela Austriaca y avezado matemtico, participa en los famosos "Coloquios de Viena"
organizados por Karl Menger (hijo de Carl Menger) que pusieron en contacto cientficos de diversas
disciplinas, de cuya sinergia se sabe que surgieron multitud de nuevas ideas e incluso nuevos campos
cientficos. Emigra a Estados Unidos durante la segunda guerra mundial, ejerciendo la docencia en
Princeton. Publica en 1944, conjuntamente con John von Newmann, la "Theory of Games and Economic
Behavior". Falleci en el ao 1976.

73
LA PSICOLOGA COMO SISTEMA

Exponemos, a continuacin, algunos comentarios acerca de los puntos de

vista en la Inferencia Estadstica estrechamente relacionados con los conceptos
de probabilidad aqu expuestos.

Un concepto que est presente en los modos de hacer de Fisher, Pearson y

Neyman12 (precursores de los trabajos de A. Wald) es la probabilidad fiducial. En
esencia, este concepto consiste en cambiar los papeles de las proposiciones
condicionadora y condicionada, atribuyendo al nuevo suceso una probabilidad
proporcional a la que tena el suceso de la partida. Esto viene a ser lo mismo que
el conocido teorema de Bayes13, que expondremos con amplitud en el captulo 9,
pero con la fundamental diferencia de que no hay ninguna probabilidad a
priori en o para el segundo suceso. Este concepto de probabilidad resulta, en
apariencia, poco admitido.

En muchas cuestiones, nos encontramos con que se manejan probabilidades

a priori; estas probabilidades a priori slo pueden tener un origen subjetivo
o fiducial, bien entendido que a la famosa regla de la equiprobabilidad de
Laplace (ver captulo 9) puede calificrsele conceptualmente como probabilidad
subjetiva, pues tiene todo el carcter de sta, por muy evidente que se presente
la situacin y muy clsico que sea el concepto.

Por otra parte, si la probabilidad a priori no tiene su origen en la

probabilidad subjetiva, ha debido de ser inferida de una serie de experimentos;
pero si lanzamos un dado 12.000 veces, y de ellas exactamente 2.000 han dado
un uno por resultado, de este hecho a decir que la probabilidad de obtener uno es
1/6 media una discontinuidad insalvable sin nuevos conceptos. Precisamente, la
probabilidad fiducial es el presente que nos permite pasar de una cosa a otra,
pues con tanta ms conviccin aceptamos que es cierto que la probabilidad de
obtener uno es 1/6 o muy prxima, cuanto mayor es la probabilidad del suceso
que ha resultado, considerando que 1/6 es la probabilidad buscada.

La probabilidad fiducial es aceptada, de hecho, en muchas ocasiones en que

tericamente no se acept. Esto se hace por el simple procedimiento de cambiar

12
Jerzy Neyman (16 de abril,1894, en Moldavia 5 de agosto, 1981, California) fue un matemtico
polaco. Fue el segundo de cuatro hijos de Czesaw Spawa-Neyman y Kazimiera Lutosawska. Public
muchos libros relacionados a experimentos y estadsticas. Neyman ide la forma en la cual la FDA testea
los medicamentos en la actualidad.
13
Thomas Bayes (Londres, Inglaterra, 1702 - Tunbridge Wells, 1761) fue un matemtico britnico. Su
padre fue ministro presbiteriano. Posiblemente De Moivre fue su maestro particular, pues se sabe que por
aquel entonces ejerca como profesor en Londres. Estudi el problema de la determinacin de la
probabilidad de las causas a travs de los efectos observados. El famoso teorema que lleva su nombre se
refiere a la probabilidad de un suceso condicionado por la ocurrencia de otro suceso. Bayes fue ordenado
ministro presbiteriano. Sus restos descansan en el cementerio londinense de Bunhill Fields. La traduccin
de la inscripcin en su tumba es: La tumba de Bayes en Bunhill Fields Reverendo Thomas Bayes. Hijo
de los conocidos Joshua y Ann Bayes. 7 de abril de 1761. En reconocimiento al importante trabajo que
realiz Thomas Bayes en materia de probabilidades, su tumba fue restaurada en 1969 con donativos
realizados por estadsticos de todo el mundo. Miembro de la Royal Society desde 1742, Bayes fue uno de
los primeros en utilizar la probabilidad inductivamente y establecer una base matemtica para la
inferencia probabilstica.

74
 CAPTULO 3

la palabra probabilidad por confianza, pero la cuestin es ms profunda para

que acepte un puro y simple arreglo de lenguaje.

Exponiendo ms convicciones, nos atrevemos a decir que la necesidad de

aceptar los principios que aqu se tratan y otros equivalentes, se impone con una
clara evidencia como la necesidad de aceptar que nuestras percepciones
sensoriales tienen algo que ver con el fondo fsico que nos rodea.

An ms, mantenemos la opinin de que la probabilidad fiducial y la

subjetiva tienen una naturaleza ntimamente relacionada, pues la diferencia
existente entre ambas estriba en la magnitud del campo de aplicacin. No parece
disparatado suponer que si se dispone de un nmero suficientemente elevado de
datos o pruebas (cuando n ), las conclusiones inferidas por un subjetivista y
un frecuentista diferirn muy poco. Si los datos de partida no fueran lo bastante
numerosos, las discrepancias se agrandaran. En el caso de carecer de datos o
estos ser muy escasos, el subjetivista, seguramente, podra obtener algn tipo de
conclusin, pero el frecuentista se abstendra racionalmente de hacerlo.

Fisher, en una ocasin, al analizar probabilidad fiducial y la que se obtiene

aplicando el teorema de Bayes, dice que ambas han de tener diferencias de tipo
lgico. Creo, sin embargo, que las diferencias no son otras que la informacin de
partida, pues es totalmente aceptable que en un caso concreto no exista
distribucin a priori que diese origen a una distribucin a posteriori,
coincidente con la correspondiente fiducial.

Otro problema bien distinto se plantea al considerar el campo de aplicacin

de los distintos conceptos aqu expuestos, pero esto es ms propio de la
Inferencia Estadstica, de aqu que todo concepto de probabilidad lleva consigo
su inferencia. Este aspecto ligado con los distintos conceptos de probabilidad
puede verse en D. J. White (1970), al referirse a las tres formas de inferencia
considerada por G. Tintner.

Digamos, en fin, que las teoras subjetivistas y personalistas de la

probabilidad se han desarrollado en los ltimos cincuenta aos sin que hayan
obtenido un inters prctico hasta la reciente aparicin de los mtodos bayesianos
de estimacin. La Matemtica Moderna ha facilitado el desarrollo conjunto de las
teoras frecuencialistas y subjetivistas con el estudio del lgebra de Boole de los
sucesos aleatorios o estocsticos, que actualmente es el camino ms utilizado
para fundamentar el concepto de probabilidad o la Estadstica Matemtica.

5. Determinacin e indeterminacin de un sistema psicolgico

Segn su grado de indeterminacin, los sistemas pueden ser: determinados;

determinados en probabilidad; parcialmente determinados; indeterminados. A
saber, veamos respectivamente sus definiciones:

75
LA PSICOLOGA COMO SISTEMA

- S. determinado: es aquel en que se pueden describir todos sus

estados. Muchos sistemas no son determinados, ni importa conocer todas las
variables de un S. psicolgico. En forma ms operativa, diremos que un S. es
determinado en tanto que se pueda escribir la lista de los estados de las entradas
(exteriores y de accin), y de las salidas y de las variables esenciales o criterios.

Un S. determinado queda definido cuando se conoce la ley de

transformacin de entradas en salidas (la problemtica derivada de esta cuestin
se plantea en epgrafes posteriores) para cada instante. Por comodidad, podemos
tomar las V.C. entre las V.S., aunque no sea necesario.

Veamos, a continuacin, un ejemplo de S. psicolgico determinado. Los

estados de las entradas exteriores pueden ser, solamente:

E1, E2, E3, E4 ;

Y los estados de salida correspondientes, son:

S1, S2, S3, S4; Con ello, se tiene:

E1 E2 E3 E4

S1 S2 S3 S4

FIG. 3.3. Entradas y salidas de un sistema psicolgico.

La descripcin del S. (por ser determinado), sera la siguiente:

E1 S1 ; E2 S2 ; E3 S3 ; E4 S4 ;

Pero si intervienen variables de accin, como por ejemplo: A1, A2, A3, decir
que el S. es determinado significa que se sabe que la actuacin simultnea de A3
con E4 origina una salida S34, etc. El S. quedar definido entonces por el cuadro o
tabla de doble entrada siguiente (que tambin podemos expresar en forma
matricial rectangular):

VE
VA E1 E2 E3 E4
A1 S11 S12 S13 S14
A2 S21 S22 S23 S24
A3 S31 S32 S33 S34

76
 CAPTULO 3

Es evidente que el S. gestor (psiclogo) puede elegir la variable de accin

precisa con vistas a que las variables esenciales (incluidas en las salidas) tomen
un valor prefijado entre los posibles valores Sik. As, en base a la matriz anterior,
se sabe que si el estado del S., a la hora t0, ser E3 (t0), y se desea obtener
S13(t0), la variable de accin deber ser A1 (t0).

As mismo, la definicin de S. determinado (informacin total) es vlida

para variables continuas y discontinuas o discretas.

- S. determinado en probabilidad: es todo aqul en que se conocen los

estados de entrada y los estados de salida, pero no la correspondencia existente
entre unos y otros. A falta del conocimiento de dicha correspondencia, se conoce
la probabilidad subjetiva pik (grado de creencia racional, desde el punto de
vista de la terminologa keynesiana, explicitada en el epgrafe anterior) de que al
estado Ei de entrada le corresponde la salida Sk.

Veamos, como ejemplo, el S. siguiente:

V.E. x (t) , y(t) , z(t) ;

Estados E1 = (x1, y1, z1)

E2 = (x2, y2, z2)
E3 = (x3, y3, z3)
E4 = (x4, y4, z4)

V.S. U (t) , V(t) ;

Estados S1 = (U1, V1)

S2 = (U2, V2)
S3 = (U3, V3)

Probabilidades subjetivas:

Sk
Ei S1 S2 S3
E1 P11 P12 P13
E2 P21 P22 P23
E3 P31 P32 P33
E4 P41 P42 P43

Como es natural, puesto que el estado Ei debe corresponder una de las 3

salidas, deber cumplirse, por el principio de la probabilidad total, que:

77
LA PSICOLOGA COMO SISTEMA

P11 + P12 + P13 = 1 = P1i

P21 + P22 + P23 = 1 = P2i
P31 + P32 + P33 = 1 = P3i
P41 + P42 + P43 = 1 = P4i

- S. parcialmente determinado: es un caso intermedio en el que se

encuentran la mayora de los sistemas psicolgicos.

Una tarea importante consiste en reducir la indeterminacin del S., es decir,

comprender lo que pasa. El mejor medio, para ello, es la modelizacin, es
decir: un objeto que contesta a las preguntas que interesan respecto al S.

De hecho, en toda aplicacin matemtica a los estudios de los fenmenos

reales se presenta un triple proceso, ya descrito en el anterior captulo del
presente libro, a saber:

CONCEPTUALIZACION

RAZONAMIENTO LOGICO

DESCONCEPTUALIZACION

FIG. 3.4. Esquema de modelizacin.

- S. indeterminado: es aqul en que nada se sabe acerca de la

correspondencia entre los valores de las V.E. y las V.S. (se desconoce la funcin
de transformacin). Es el llamado problema de la caja negra, bote noire o
black box.

Veamos, por ltimo, la definicin de Variedad de un S. Psicolgico, que

es el nmero de estados diferentes que puede tener. La variedad de una caja
negra representa la cantidad de informacin necesaria para pasar de un S.
indeterminado a otro determinado.

6. Sistema controlado

Un sistema decimos que est bajo control cuando no se ignora cmo fijar
sus objetivos y cmo lograrlos. Ms concretamente, cuando se sabe:

a) Seleccionar las V.C. que representan objetivos (cualitativos y

cuantitativos).
b) Determinar el intervalo de valores admisibles para estas variables.
c) Seleccionar las variables de accin.
d) Fijar los valores de estas variables que permiten lograr y mantener
las V.C. en el intervalo admisible.
e) Determinar con precisin dicho intervalo admisible.

78
 CAPTULO 3

Si se trabaja con una perspectiva dinmica, el control debe actuar en

paralelo a la evolucin del sistema.

Veamos, a continuacin, el proceso de control de un S. psicolgico

determinado, siguiendo el esquema clsico de J. Melse:

Intervalo
Admisible

CONTROL VARIABLES SISTEMA VARIABLES

DE ACCIN ESENCIALES Objetivo

FIG. 3.5. Proceso de control de un S. psicolgico determinado.

En un S. determinado, sin entradas exteriores, el control juega directamente

sobre las V.A. Pero como siempre existen perturbaciones emanadas del S.
exterior (entradas ms o menos conocidas, con sus correspondientes efectos;
entradas conocidas, pero no sus efectos, etc.) el control es insuficiente, ya que se
desconoce qu V.A. nuevas se necesitan para afrontar con xito unas entradas
inesperadas y desconocidas.

7. Sistema regulado

La dificultad expresada anteriormente se palia con la introduccin del

elemento denominado regulador, que recibe informacin del exterior acerca de
las V.E. Este regulador, en nuestro caso, podra estar constituido por un
psiclogo especializado en las relaciones del individuo con el exterior. El nuevo
esquema sera el siguiente:

EXTERIOR

V.E.

INFORMACIN SISTEMA Y V.C.

V.A. Objetivo

REGULADOR PARMETRO CONTROL

FIG. 3.6. Sistema psicolgico regulado.

79
LA PSICOLOGA COMO SISTEMA

Se tratara, en definitiva, del control y regulacin de un S. parcialmente

determinado. Cabe, todava, un peligro: que el regulador no supere las
dificultades engendradas por las perturbaciones exteriores, llegndose as al
esquema del S. ultra-estable de Ashby14, que se diferencia del anterior:

a) Esencialmente, en que las V.C. reaccionan sobre el control o psiclogo

experimentador.
b) Accidentalmente, en que la informacin del exterior llega al regulador a
travs del S. o individuo, y en que ste reacciona respecto al exterior.

El esquema pertinente es el siguiente:

EXTERIOR

SISTEMA Y
Objetivo

REGULADOR CONTROL

FIG. 3.7. Sistema ultraestable de Ashby.

Una variante importante de los S. reguladores son aquellos basados en el

feedback (contra-reaccin o retroalimentacin), y que se expondr con mayor
detenimiento en posteriores epgrafes del presente libro. En este caso, se tiene:

EXTERIOR

ENTRADAS

Objetivo
V.A. SISTEMA Y V.C.

FEED-BACK
REGULADOR
PARMETRO CONTROL

FIG. 3.8. Retroalimentacin o feedback.

14
William Ross Ashby (1903 - 1972) fue un mdico y neurlogo ingls, n. en Londres, que contribuy
decisivamente a la consolidacin de la ciberntica moderna y cre el primer homeostato (1951),
dispositivo electrnico autorregulado por retroalimentacin. Desde las especialidades de la neurologa y
la psiquiatra, ofreci la reproduccin de la estructura y mecanismos de funcionamiento del cerebro
humano en sus obras Proyecto para un cerebro (1952) e Introduccin a la ciberntica (1956). En su libro
Introduccin a la ciberntica, Ashby realiza un acucioso anlisis matemtico-lgico, con muchos
ejercicios resueltos, en los cuales muestra las estructuras bsicas de control y retroalimentacin. Para ello
desarrolla conceptos como matrices de representacin de estados, retroalimentacin y transiciones de
estado, entre otros.

80
 CAPTULO 3

8. Estabilidad de un sistema psicolgico

En el contexto dinmico de la evolucin de un S. psicolgico, tienen lugar

diversas transformaciones de los elementos que se interaccionan, con cadencias y
ritmos distintos: en un instante dado, un elemento pasa de un estado a otro; ello
induce, simultneamente o con posterioridad, a modificar aquellos elementos
conectados directamente con l. El S. se transforma entonces siguiendo una
trayectoria en la que cada punto de la misma representa un estado.

En general, un S. psicolgico puede encontrarse de diversos modos, a

saber:

a) Aislado (caso muy terico: isla desierta).

b) Sometido a influencias exteriores regulares: caso en que se estimula a
un individuo de un modo constante.
c) Sometido a influencias exteriores variables con el tiempo: que bien
podrn ser provocadas por el psiclogo experimentador (estmulos) o
bien, por accidentales o coyunturales, no ser previsibles
(perturbaciones).

Un elemento de un S. psicolgico es estable (puede tratarse de una

facultad, de un rasgo o de un factor de la personalidad, ...) cuando no cambia su
estado a lo largo del tiempo. Este concepto resulta poco importante mientras el S.
est inmvil (ningn elemento cambia de estado), pero resulta de gran inters
cuando existen perturbaciones exteriores (o, de hecho, mientras dure el
experimento psicolgico).

Un S. es estable respecto a una categora de perturbaciones si, despus de

stas, el S. vuelve al estado inicial. Es. v.gr., el caso de un individuo que, al cabo
de una serie estudiada de estmulos elctricos que le aumenten, espordicamente,
su capacidad de trabajo, vuelve a la normalidad del principio.

Se puede demostrar que, probablemente, todo S. psicolgico aislado

tiende a la estabilidad?. Al parecer, cada uno de sus elementos selecciona una
zona de estabilidad (subconjunto de sus estados posibles). Esto es: el individuo se
adapta a la clase de perturbaciones habituales mediante la auto-organizacin,
que podr ser buena o mala segn el criterio psicolgico dilucidador: buena
respecto a la estabilidad emocional; mala respecto a la evolucin de las aptitudes,
etc.

Por otra parte, y a voluntad del psiclogo experimentador, pueden

originarse S. psicolgicos fuertemente perturbados: en ellos, las entradas
cambian sin cesar y a gran ritmo, de forma que ningn elemento o subsistema
encuentre una zona de estabilidad. Ello ocurre en aquellos casos en que el
cambio y la improvisacin son axioma de trabajo en el laboratorio conductista.
En este caso, es muy difcil fijar objetivos y lograrlos.

81
LA PSICOLOGA COMO SISTEMA

Precisamente, el S. ultra-estable de Ashby tiene como objetivo evitar o

mejor an: salvar los dos escollos anteriores, es decir: el aislamiento
(inmovilismo) o el exceso de perturbacin (nerviosismo). De este modo,
queda garantizada la evolucin del S. psicolgico, preservndolo de ambas zonas
extremas, a no ser que sea intencin expresa del propio psiclogo
experimentador el llevar a cabo una poltica de este tipo.

82
 CAPTULO 4

CAPTULO 4
Los sistemas psicolgicos

1. Conceptualizacin previa

Veamos, previamente, algunos conceptos y definiciones relativas a los S.

psicolgicos, a saber:

1. Estado del Sistema: Es cualquier combinacin lgicamente posible de

valores de las variables del S. As, en un S. de n variables, un estado es
siempre un conjunto de valores, uno para cada variable.

2. Historia de un Sistema: Es cualquier secuencia lgicamente posible de

estados del S., tal que hay un estado y slo uno para cada instante de
tiempo considerado. Es, en otras palabras, una secuencia temporal de
estados que se extiende en un perodo de tiempo dado (finito o infinito).

3. Extensin de un Sistema: Es un conjunto entero de historias

lgicamente posibles de un S. La extensin es la totalidad de los
diferentes cursos de accin que, en forma concebible, pueden acontecer
en el S.

4. Informacin: En relacin a un S. dado, es el conocimiento relativo al

comportamiento de las variables que constituyen el S., y estando
representado por la ficha psicotcnica del individuo. Cualquier parte de
conocimiento es informacin en este sentido si, y slo si, se cumplen las
siguientes condiciones:

a) Que sea vlido: es decir, establecido como verdadero. Suponemos,

pues, que existen y se pueden utilizar mtodos para distinguir entre
las proposiciones verdaderas y las falsas y que, en general, nuestra
metodologa de la ciencia es capaz de tratar cuestiones de este tipo.
Una proposicin cuya validez no puede ser establecida o
desaprobada (sobre todo experimentalmente) no se considera como
informacin, en el sentido de que no constituye material confiable
a propsito de la prediccin y formacin de la poltica a seguir.
b) Que se asignen probabilidades a un suceso, como mnimo, del
sistema bajo consideracin. Se puede declarar que un suceso tenga
probabilidad cero, probabilidad uno, o bien una probabilidad
intermedia.
c) Que sus condiciones de validez sean plenamente expuestas; es decir:
que sean vlidas en cualquier posible circunstancia.

83
LOS SISTEMAS PSICOLGICOS

5. Proposicin sinttica: Una proposicin de este tipo representa

informacin hallada empricamente, esto es, mediante fuentes primarias
de datos. Representa el caso genuino de obtencin de informacin en un
laboratorio conductista.

6. Observacin: Realizada por el psiclogo experimentador, presenta

informacin acerca del estado del individuo o S. en un momento dado y
en un intervalo de tiempo. Puede especificar el estado existente, o bien
puede dar aunque slo fragmentariamente informacin acerca de ello.

7. Ley esttica: Se refiere a la coexistencia, en un tiempo dado, de los

valores de las variables del S. Asigna probabilidades a ciertos estados y,
por tanto, a los sucesos definidos por estos mismos estados.

8. Ley dinmica: Se refiere a la sucesin, en el tiempo, de valores de las

variables del S. Como cualquier materia de informacin, asigna
probabilidades a un suceso como mnimo del S., estando basadas,
dichas probabilidades, en secuencias de valores de las variables.

9. Espacio del sistema: Este concepto, relativo a un cuerpo dado de

informacin, representa la extensin del S. junto con las probabilidades
conocidas de las varias historias y sucesos.

10. Variable exgena: Es, con respecto al espacio de un S. psicolgico

dado, una variable del mismo cuya distribucin de probabilidad de los
valores (en cada momento) no es deducible del conocimiento de la
distribucin de los valores de todas las restantes variables. Se trata,
pues, de una variable cuyo comportamiento no est plenamente
controlado por las otras variables del S. psicolgico.

11. Variable endgena: Es, con respecto al espacio de un S. psicolgico

dado, una variable del mismo cuya distribucin de probabilidad de los
valores (en cada momento) s resulta deducible del conocimiento de la
distribucin de los valores de las restantes variables. Se trata, pues, de
una variable cuyo comportamiento s est plenamente controlado por las
restantes variables del S. psicolgico.

2. Existencia de los sistemas psicolgicos

Aunque existe algn otro significado etimolgico o semntico, hay una

concordancia casi general entre los tratadistas en considerar un S. como un
conjunto de elementos interrelacionados entre los cuales existe cierta
coherencia y unidad de propsito. El concepto, pues, no parece referirse a algo
que existe en la naturaleza como tal, sino que se trata de un acto mental mediante
el cual se selecciona, de entre un nmero infinito de relaciones entre cosas, un
conjunto de elementos cuyas relaciones indican coherencia y unidad de

84
 CAPTULO 4

propsito, y que permiten la interpretacin de hechos que, de otra manera,

semejaran una simple sucesin de sucesos arbitrarios.

La introduccin de este nuevo punto de vista puede aplicarse,

perfectamente, al estudio de los objetos animados (S. psicolgico: individuo o
conjunto de individuos), permitiendo profundizar provechosamente en el
conocimiento de dichos objetos, y contando con el decisivo apoyo de la
ciberntica (que es una rama cientfica cuyo fin no es estudiar objetos hasta ahora
desconocidos, sino tratarlos -los conocidos por otras ciencias- desde el punto de
vista en que los S. se definen en dichos objetos).

En principio, podemos sentirnos impotentes caso de la Psicologa para

tratar tantas variables al mismo tiempo; pero en mi opinin, tambin es un hecho
innegable el no haberse dado suficiente importancia, hasta el momento, al
concepto mltiple de relacin, estructura y coyuntura.

Siendo como parece ser un acto mental el detectar la existencia de un

sistema, se presenta el problema de cundo ser conveniente tratar los individuos
o sus comunidades como sistemas. Resulta obvio que a un hombre o a una
mujer cuesta poco trabajo identificarlo/a como sistema, sucediendo lo
mismo con un conjunto de individuos o incluso con una determinada
sociedad. Las relaciones entre los humanos son tan evidentes, que es bien
sencillo adivinar su coherencia y unidad de propsito. Por esta sencilla razn,
no hemos dudado en plantearnos toda la problemtica derivada de aquella
identificacin, con la seguridad cientfica de la utilidad que, en la Psicologa, en
nuestro caso, supone la apertura de nuevos caminos y perspectivas de
conocimiento.

3. Concepto y formalizacin de un sistema psicolgico

Pese a las definiciones, concepciones y diversas teoras expresadas en

anteriores epgrafes del presente libro, quisiramos poder arrancar de nuevo a
ser posible con una terminologa que se ajustara mejor a esta realidad
indiscutible de los S. psicolgicos. Vamos, pues, a proceder a ello.

El concepto de S. psicolgico resulta, a nuestro entender, bastante fcil de

formalizar. En efecto, si tenemos un conjunto de elementos: {a1, a2,...,ai, aj,..., an}
y un conjunto de relaciones: rij / (i , j) {1, 2, ..., n}2, el sistema S vendr
definido por un conjunto formado por el conjunto de elementos: A = {a1, a2, ...,
an}, y el conjunto {R} de relaciones. Es decir: S = {A, R}. Al conjunto A se le
llama universo del sistema, y al conjunto R caracterstica del sistema.

La parte fundamental del S. la componen sus elementos y su estructura. Los

elementos constituyen las unidades indivisibles cuya estructura no se quiere o no
se puede resolver. Lgicamente, para el estudio de los S. psicolgicos, interesa

85
LOS SISTEMAS PSICOLGICOS

dejar el S. reducido al mnimo nmero de elementos posible, puesto que

limitamos de este modo el nivel de resolucin, sobre todo si la estructura de los
primitivos elementos del S. psicolgico tiene importancia para explicar su
comportamiento al experimentador.

Respecto a la estructura, no debe confundirse con lo que hemos

denominado caracterstica del sistema, constituida por el conjunto {R}
anteriormente definido. La relacin rij define la dependencia del estmulo de aj
de las respuestas del elemento ai. Si rij 0, quiere decir que existe dicha
dependencia, pero sta no debe ser necesariamente de tipo directo entre ambos
elementos, sino que puede realizarse a travs de elementos intermedios.

Los elementos de {A} van provistos de un subndice para distinguirlos unos

de otros. De igual forma, los estmulos que recibe cada elemento de los dems se
denotan por: v1, v2, ..., vl ( l 1), y el estmulo total por el vector: v (v1, v2, ...,
vl), representable en un espacio l-dimensional.

Las respuestas de los elementos vendrn dadas por las coordenadas o

componentes: w1, w2, ..., wm ( m 1), y la respuesta total por el vector: w (w1,
w2, ..., wm), representable tericamente en un espacio m-dimensional.

Los estmulos y las respuestas estn conectados por funciones de

transformacin, de la forma: wi = Ti (vi), siendo: vi = (v1i, v2i, ... , vni), funciones
que nos indican las relaciones directas existentes entre los elementos del S.
psicolgico.

Las modalidades de conexiones fundamentales entre los elementos ai y aj

son las siguientes:

1. En serie:
vi
ai
i
vej vij ik
vj
aj
j

FIG. 4.1. Conexin en serie.

Puede verse que el input vj de aj depende de los inputs parciales que recibe
de los restantes elementos. En la conexin entre ai y aj, pueden darse hasta
cuatro casos diferentes, a saber:

86
 CAPTULO 4

a) vij wi vij vj
b) vij = wi vij vj
c) vij wi vij = vj
d) vij = wi vij = vj

2. En paralelo:

vkl vkj

vi vj
ai aj

i j

FIG. 4.2. Conexin en paralelo.

Aqu, se pueden presentar dos casos bien diferenciados:

a) Conexin equilibrada ..... vkl = vkj

b) Conexin desequilibrada ..... vkl vkj

3. En feedback (con realimentacin):

Esta conexin se refiere a un solo elemento, y el vector vi (input o estmulo)

tiene una parte comn con el vector wi (output o respuesta) del elemento ai.

Su esquema correspondiente es el siguiente:

vij

vi

ai vii

FIG. 4.3. Conexin con realimentacin.

87
LOS SISTEMAS PSICOLGICOS

4. Importancia de las conexiones en nuestro estudio

Veamos que el feedback es un fenmeno que ya habamos contemplado

en ocasiones anteriores, y que adquiere especial significacin en el estudio de los
S. psicolgicos.

Con gran frecuencia, psiclogos y pedagogos recurren casi inevitablemente

al ejemplo del feedback aunque omitiendo su exposicin cientfica para
explicar sus tesis sobre temas diversos.

El feedback, como ya hemos expuesto, es un circuito cerrado de

retroalimentacin, o correccin, en el que se produce un proceso de control
automtico (los ordenadores electrnicos experimentan, en definitiva, un proceso
de feedback).

Pues bien, las escuelas pedaggicas, como decimos, consideran de una o

otra forma -y no sin razn- al organismo humano (en nuestro caso: al S.
psicolgico) como un feedback con una dinmica similar a la expuesta.
Algunos, como los psiclogos rusos seguidores de Pavlov (escuela reflexolgica)
pondrn el acento en el estmulo o en la entrada de la informacin, manipulando
los estmulos que recibe el sujeto o sistema psicolgico. Otros, como el
americano Skinner, centrarn su inters en la salida o conducta del feedback,
estimulando positiva o negativamente a la misma, para que aumenten o
disminuyan las respuestas observadas. Finalmente, los psiclogos cognitivos o
cognoscitivos, los psicoanalistas, los neurlogos y los pertenecientes a la
escuela de modelos matemticos, intentarn estudiar desde diversos ngulos
los secretos de esa conexin, que nos ha servido de modelo para representar al S.
psicolgico.

De cualquier manera, y a travs de todos los modelos que la Teora de

Sistemas pone al alcance del psiclogo, se vislumbra un hecho innegable: el
estudio cientfico de la conducta humana y, por tanto, su control y prediccin,
empiezan a ser posibles en la actualidad. La construccin de una sociedad mejor
debe basarse en una auscultacin autnticamente cientfica y permanente de la
realidad social y de las necesidades individuales y colectivas, al margen de
supuestos filosficos, ideolgicos o introspectivos, sean stos del tipo que sean.

Por otra parte, cabe ampliar el estudio en la investigacin de la conducta

entre el ser humano y los otros humanos que se comunican con l (los S.
psicolgicos entre s), bien ya sea de forma singular, o bien mediante el estudio
de las relaciones del hombre con el grupo, con lo que entraramos en el terreno
de la denominada dinmica de grupos, esto es, en la teora de cmo se pueden
condicionar entre s las conductas de los miembros del grupo, y de cmo se
reorganiza la estructura del grupo y la personalidad de cada uno de sus miembros
en funcin de las experiencias que proporcionan esta relacin.

88
 CAPTULO 4

5. Acoplamiento entre los elementos de un sistema psicolgico

En determinado S. reducido, necesariamente se cumplir que:

vii wi vi

pues si sucediera de otra forma, el elemento ai no se podra conectar a los

restantes elementos del S. Por supuesto, la conexin entre elementos puede ser
combinacin de las distintas clases de conexiones y adquirir, en su consecuencia,
una gran variedad de formas.

En general, la conexin entre los elementos ai y aj de un sistema S. se puede

expresar por medio de una matriz algebraica, que posee las siguientes
propiedades:

1 Es cuadrada.
2 Tiene : mi filas y columnas si mi lj , y
li filas y columnas si lj mi , respectivamente.

3 Si el output s-simo parcial de un elemento ai est conectado con el

input t-simo parcial del elemento aj, entonces, el elemento que pertenece a la
fila s y a la columna t de la matriz, tiene el valor l. Por el contrario, si no hay
conexin ninguna, le asignamos el valor 0. Estamos, pues, trabajando en un
sistema binario o dicotmico.

Todo S. psicolgico tiene su entorno o medio que rodea al S. y que no se

incluye en l (sistema complementario). Tericamente, el entorno sera todo lo
que no se incluye en el S., o sea, el resto del mundo; sin embargo, en la prctica,
se puede hablar de entorno substancial cuando, de hecho, lo que interesa es un
nmero definido de relaciones entre el S. y su entorno. La naturaleza estricta de
estas relaciones depende, en general, de las propiedades del S., as como de la
forma en que el entorno acta sobre el S. Precisamente, a los efectos del entorno
sobre el S. psicolgico se les suele denominar como se sabe estmulos o
impulsos, mientras que a los efectos del S. sobre el entorno se les denomina
respuestas.

De hecho, en la concepcin melesiana de los sistemas que venimos

manejando, dicho entorno equivaldra al sistema exterior; los estmulos o
impulsos seran las variables de entrada (VE) y las respuestas las
variables de salida (VS).

El siguiente ejemplo grfico, referido a la conexin entre los elementos

{a1, a2, a3} S y a0 (entorno), ilustra bien a las claras lo expresado
anteriormente:

89
LOS SISTEMAS PSICOLGICOS

1 2
a1
1 2

1 2 3 1 2 3
a2 a3
1 1 3
2
1
a0
1
sistema S
FIG. 4.4. Conexin entre el sistema psicolgico y su entorno.

Las matrices resultantes para dicho ejemplo de la figura anterior son las
siguientes:

0 0 0 0 0 0
1 0
w 00 = [0] ; w 01 = ; w 02 = 0 0 0 ; w 03 = 0 0 0

0 0 0 0 0 0 0 0
0 1 0 1 0 0
0 0 0 0
w 10 = ; w 11 = ; w 12 = 1 0 0 ; w 13 = 0 1 0

0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0
0 0
w 20 = [1] ; w 21 = ; w 22 = 0 0 0 ; w 23 = 0 0 0

0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0
w 30 = 0 0 0 ; w 31 = 0 1 0 ; w 32 = 0 0 0 ; w 33 = 0 0 0

0 0 0 0 0 0 0 0 0 0 0 1

Si cualquiera de estas matrices resultantes contiene slo ceros, se le llama

matriz nula y se denomina: wij = 0. A cualquier elemento aij se le llama
elemento input si woi 0; elemento output si wio 0; e intermediario si
woi = 0 wio = 0.

90
 CAPTULO 4

6. Estructura del sistema psicolgico

La estructura del S. psicolgico puede ser descrita por una matriz cuadrada
de dimensiones n n, del tipo:

w 00 w 01 ..... w 0 n
w w 11 ..... w 1n
[W] = 10
..... ..... ..... .....

w n 0 w n1 ..... w nn

a la que se denomina matriz estructural del sistema S..

Substituyendo cada elemento wij de dicha matriz [W] por 0 1, segn los
casos (la existencia de una sola conexin ya implica un valor: wij=1), resulta una
matriz tosca, que indica los acoplamientos existentes para cada par de
elementos, sin tener en cuenta las peculiaridades de las conexiones individuales.
As, por ejemplo, en el apartado anterior, obtendramos la siguiente matriz tosca:

0 1 0 0
0 0 1 1 , siendo su traza: tr [W ] = 1, y el valor de
[W h ] = h
1 0 0 0
0 1 1 1
su determinante: Wh = 0, luego se trata de una matriz singular (no invertible).

7. Conducta del sistema psicolgico

En principio, entenderemos por conducta de un S. psicolgico la

dependencia de las respuestas de los estmulos, y dicha conducta queda
perfectamente determinada cuando los estmulos y las respuestas tambin lo
estn.

Aqu cabe distinguir entre S. psicolgicos cerrados y abiertos. En los

primeros, el comportamiento depende del universo del S. y de su caracterstica, y
sta, a su vez, de la estructura del S., entendida como el conjunto de las
conexiones directas entre los diversos elementos que lo componen. No hay aqu
ni inputs (estmulos que procedan del entorno) ni outputs (respuestas que emanan
del S. y que influyen en su entorno o sistema exterior).

En los segundos (abiertos), las respuestas del S. no slo dependen de las

caractersticas del mismo y de su estructura, sino tambin de los inputs que
proceden del entorno, lo cual influye sobre las respuestas.

La dependencia entre estmulos y respuestas puede ser enormemente

complicada. Desde un nico estmulo y una nica respuesta, hasta una
multiplicidad de estmulos y respuestas parciales, con una amplia variedad de

91
LOS SISTEMAS PSICOLGICOS

funciones de transformacin, se ve que la complejidad puede llegar a ser

considerable.

Formalmente, llamando: x1, x2, ... , xp, a los estmulos parciales, stos
pueden ser considerados como componentes del vector pdimensional:

x = (x1, x2, ... , xp),

llamado, simplemente, estmulo (input). De forma similar, si las respuestas

parciales son: y1, y2, ... , yq, al vector q-dimensional: y = (y1, y2, .... , yq) se le
llama respuesta (output). Pues bien, la conducta del S. psicolgico puede
expresarse por una funcin de transformacin de la forma:
r r
y = T(x ) ;

en la que cada estmulo puede estar asociado a una respuesta particular, o bien en
la que por lo menos un estmulo particular est asociado a ms de una respuesta.
En este ltimo caso, que puede revestir gran inters para la resolucin de los
problemas psicolgicos, existen dos posibilidades distintas:

1 Comportamiento secuencial: en la que distintas respuestas del S. al

mismo estmulo pertenecen a diferentes, pero adecuadamente definidas,
secuencias de estmulos que precedieron al estmulo dado.

2 Comportamiento estadstico: en la que la funcin de transformacin

slo puede ser determinada estadsticamente, establecindose una correlacin
psicolgica o matriz de la transformacin que interprete psicolgicamente una
operacin algebraica o geomtrica (ley de composicin externa, giro, traslacin,
homotecia, inversin, proyeccin en el espacio, ...).

En un S. psicolgico de comportamiento secuencial (primer caso), la

respuesta no slo depende del estmulo instantneo, sino tambin de los
estmulos precedentes. Conociendo el estado del S. y el estmulo instantneo, se
puede determinar la respuesta. Normalmente si aplicamos al sistema S., en el
tiempo t, un estmulo cualquiera, el comportamiento del S. vendr determinado
por:

Yt = f ( xt , st ) en el tiempo t ;
St + t = g ( xt , st ) en el tiempo t + t ;

siendo f y g funcionesvectores. Por otra parte, si para cada x y s, se tiene que:

St+t = St , se dice que el S. es estable, y permanecer en este estado hasta que
el estmulo x cambie. Por el contrario, si: St+t St , el S. es inestable,
prestndose a continuas variaciones de conducta.

92
 CAPTULO 4

8. Transformaciones de un sistema psicolgico

Recordemos que un S. de gestin (psiclogo experimentador) asegura el
correcto pilotaje de un S. psicolgico (sistema fsico); es decir: gua su evolucin
hacia la consecucin de ciertos objetivos (teraputicos, sociolgicos) cuya
bondad no debe parecer, en principio, discutible. Tanto uno como otro sistema,
se descomponen en subsistemas (que son subconjuntos del mismo que, a su vez,
tienen todas las propiedades de sistema), a saber:

S = S1 U S2 U ... U Sn ; Si S ;

Se cumple que: U Si = S, i = 1, 2, , n.

Finalmente, veamos que dichos subsistemas Si se descomponen, as mismo,

en bloques interconectados, en los cuales tienen lugar las transformaciones:
concretamente, los bloques de pilotaje (S. gestor) regulan y/o controlan las
transformaciones que tienen lugar en los bloques del S. psicolgico.

Pero, cabe preguntarse cmo se operan dicha regulacin y control?: por

medio de programas y de decisiones, o bien por ambas cosas a la vez.
Precisamente, de la relacin que se establece entre ambos medios, dependen las
propiedades de los S. psicolgicos, a saber: capacidad de control, adaptacin,
aprendizaje, fiabilidad, ...

Desde el punto de vista del control que sobre un S. psicolgico ejerce el

experimentador, el carcter esencial de las transformaciones en dicho S. es su
grado de determinacin, al que nos hemos referido en el captulo anterior. En
efecto, en una transformacin determinada (S. determinado, predictible o
predecible) el valor de las salidas puede ser previsto a partir del valor de las
V.E., cualquiera que sea la rapidez de la evolucin. Puede resultar costoso, pero
al menos es tericamente posible establecer el control.

No obstante, ocurre exactamente lo contrario en un S. psicolgico no

determinado. Por todo ello, resulta vital en un S. psicolgico, a mi juicio,
procurar:

a) Acrecentar el grado de determinacin, a travs de la modelizacin.

b) Localizar la indeterminacin, para combatirla eficazmente con la
regulacin.

Hay que tener en cuenta que la indeterminacin del S. psicolgico se

traduce en el hecho de que el psiclogo experimentador no puede establecer una
correspondencia completa entre los estados de entrada y de salida. O dicho de
otro modo: no puede predecir qu transformacin va a aparecer.

93
LOS SISTEMAS PSICOLGICOS

Esquemticamente, el origen de las indeterminaciones reside en las

siguientes causas:
a) Se ignora la existencia de ciertas entradas.
b) Se ignora la consistencia de ciertas entradas.
c) Se ignora la existencia de ciertas salidas (ser un caso poco frecuente,
y que podra no ser grave sino fuera porque ello implica, de rechazo, la
ignorancia de los efectos inducidos).
d) Se ignora la correspondencia existente entre los estados de entrada y
de salida (el S. psicolgico se presenta como black-box). Existe falta
de modelizacin que, por definicin, debe explicitar la correspondencia
entre las entradas y las salidas del S. psicolgico.

Normalmente, en un S. psicolgico descompuesto en sub-sistemas o

bloques, ocurre que:

a) Los bloques determinados corresponden, casi siempre, a

transformaciones fsicas externas (movimientos, sonrojos, palidez del
rostro,...).
b) Los bloques indeterminados corresponden a intervenciones humanas
fortuitas, o a algn fenmeno fsico poco conocido por el experimentador.
c) Los bloques parcialmente determinados corresponden a otros
procesos. En ellos debe hacerse un esfuerzo relevante de modelizacin
a fin de acrecentar el grado de determinacin.

9. Tipos de problemas y niveles de resolucin

Como ya se ha indicado anteriormente, un S. psicolgico se caracteriza por

su estructura y por su comportamiento. La relacin entre estas dos propiedades
puede expresarse de la siguiente forma:

a) A una cierta estructura le corresponde un determinado tipo de

comportamiento.
b) A una cierta clase de estructuras les corresponde un determinado tipo de
comportamiento.

Por otra parte, los problemas relativos a los S. psicolgicos pueden

clasificarse de la siguiente manera:

1 Se conoce la estructura del S. psicolgico (ANLISIS): Su

comportamiento debe ser determinado sobre la base de la estructura conocida. Es
el problema ms simple de los dos que pueden comnmente plantearse, y
comporta:

a) Conocer el comportamiento de los elementos del S., es decir, la

transformacin para todos los valores de i{1,2,...,n}.

94
 CAPTULO 4

b) Conocer los acoplamientos entre todos los pares de elementos,

incluyendo el entorno si el S. es abierto (caso general de los S.
psicolgicos). Es decir: conocer todas las matrices de Vij para todos los
valores de i{1,2,...,n}.

Si consideramos el entorno del sistema S. del ejemplo grfico del epgrafe

anterior 5 como un elemento separado, y lo denominamos por a0, tendremos:

v o = y ; wo = x

siendo x el estmulo e y la respuesta del sistema S. El objeto del anlisis es

determinar la relacin: v0 = T(w0), que es idntica a la relacin anteriormente
expresada: y = T(x);

Para lograr este objetivo debe usarse la relacin:

wi = Ti(vi),
que es conocida para todos los valores de i j / i, j = 1,2,...,n.

Las matrices Wij nos permiten expresar los vectores input de los elementos
individuales sobre la base de los componentes output de los otros tres elementos.
En esto confiamos en el conocimiento de los vectores w0 del elemento a0.

2 No se conoce la estructura del S. psicolgico (BLACK-BOX): En

este caso, dicha estructura no puede ser determinada directamente. El problema
consiste en descubrir el comportamiento del S., y, con su ayuda, si es posible,
adivinar su estructura.

El problema de la caja negra es, sin duda, el ms difcil de resolver y el

ms interesante para la Psicologa como ciencia social. Debe resolverse, en
principio, como ya hemos apuntado, encontrando las leyes que gobiernan el
comportamiento del S., para posteriormente establecer hiptesis sobre su
estructura.

Al parecer, en el plano psicolgico, el enfoque dado a dicho problema ha

sido, hasta hace poco, meramente intuitivo. La Teora General de Sistemas va
dirigida a enfocar sistemticamente su solucin, pero todava sospechamos que
se encuentra en sus albores, y cualquier avance terico que se produzca en la
solucin de dicho problema puede significar la apertura de horizontes
amplsimos y esperanzadores.

10. Clases de sistemas psicolgicos

No existe ninguna clasificacin de sistemas que sea completa; la dificultad

principal reside en que tal clasificacin se puede llevar a cabo desde muchos
puntos de vista distintos, algunos de los cuales se sobreponen.

95
LOS SISTEMAS PSICOLGICOS

Desde el punto de vista estrictamente metodolgico, los sistemas

psicolgicos podran ser de diversos tipos, a saber:

1 Cerrados mecnicamente: son aquellos cuyo espacio contiene una

historia nica, con probabilidad distinta de cero. Su estado preciso, en cada
punto del tiempo, es, por tanto, conocido. Todas las variables del S. son
endgenas, y sus leyes, estticas y dinmicas, son del tipo absoluto. Su
comportamiento no est sujeto a ninguna suerte de influencia que emane de
variables de fuera del S. (lo que, en mi opinin, descarta la inclusin de los
S. psicolgicos en esta clasificacin, salvo casos muy concretos de
individuos autistas).

2 Cerrados estocsticamente: son aquellos cuyo espacio consiste en un

conjunto de historias, con probabilidades conocidas para cada una de ellas.
Su estado preciso, para cada punto del tiempo, tambin posee una
distribucin de probabilidades conocida. El S. es cerrado en el sentido de
que sus probabilidades internas son fijas, es decir, no afectadas por
factores externos. Al igual que en el caso de los S. cerrados mecnicamente,
todas las variables son endgenas (dejo al psiclogo la posibilidad de
incluir o no a los S. psicolgicos, o a algunos de ellos, en dicha categora).

3 Semicerrados mecnica y estocsticamente: aquellos que contienen

variables exgenas. Seran completamente cerrados si las distribuciones de
probabilidad especficas fueran asignadas a las variables exgenas. La
semiclausura es mecnica o bien estocstica, dependiendo de la naturaleza
de la clausura resultante (en mi opinin, los S. psicolgicos pueden estar
incluidos en esta categora).

4 Abiertos condicionalmente: si todas sus variables son exgenas.

Ningn aspecto de su comportamiento est determinado estrictamente
desde dentro del S., de acuerdo con la informacin que se posee. Sus
relaciones conectivas son demasiado dbiles o demasiado escasas (aqu
tambin dejo al psiclogo la opcin de incluir en este apartado a los S.
psicolgicos).

5 Abiertos esencialmente: si se tiene la evidencia concluyente de que

ninguna informacin adicional ser suficiente para semicerrarlo o cerrarlo
(en mi opinin, los S. psicolgicos son abiertos en alguna forma).

Resulta importantsimo darse cuenta de hasta qu punto es posible

explicarse el comportamiento del S. sin interesarse por las relaciones que existen
entre los elementos del entorno. Dicho de otra forma: el problema que se plantea
en muchos casos, y que es de gran inters en el caso de los estudios sobre el
proceso psicolgico, es el de si es posible hablar del entorno como tal, o no hay
ms remedio que plantearse el entorno como S. En este caso ya no se tratara de
las relaciones de un S. con su entorno, sino de las relaciones entre sistemas,

96
 CAPTULO 4

habida cuenta de que podra resultar conveniente, desde el punto de vista de

entender mejor el comportamiento de un S., el explicarse sus relaciones con los
elementos de otros sistemas a un nivel ms elevado que el de considerar el
entorno como una sola cosa.

11. Caractersticas de los sistemas abiertos

Desde el particular punto de vista de la investigacin psicolgica, interesa

detenerse algo ms en la explicacin de los S. abiertos, en los que se advierte, en
general, una correspondencia formal de principios generales, independientemente
de la clase de relaciones existentes entre sus elementos.

Todo ello ha hecho pensar en la existencia de una cierta Teora General de

Sistemas, como doctrina cientfica aplicable a todos los sistemas en general, y a
los psicolgicos en particular. Es posible que la idea de una tal teora general sea
prematura, e incluso comporte el riesgo de enmascarar las diferencias en las
caractersticas de los entornos, pero, en cualquier caso, vale la pena considerar
las caractersticas formales y comunes a los S. abiertos, en orden a la importancia
que, a nuestro juicio, ello pueda tener en la investigacin psicolgica.

Podemos enunciar que las siguientes caractersticas parecen definir todos

los S. abiertos:

1 Importacin, transformacin y exportacin de energa: Los S.

abiertos importan energa del entorno, la transformen en cierto producto y
la exportan al entorno. Esto se puede observar en los S. biolgicos (y, por
supuesto, tambin en los S. psicolgicos, como una particularizacin
indiscutible de aquellos).

2 Entropa negativa: Los S. abiertos importan ms energa del entorno

de la que exportan al mismo. De esta forma pueden almacenarla y adquirir
entropa negativa. En los seres vivos, es fcilmente observable esta cualidad
y, por supuesto, en el hombre y en la mujer.

Digamos, en lneas generales, que el valor energtico de un S. psicolgico

no depende tan slo de la materia y energa contenidas en l, sino de algo
ms que exprese lo que hay en el contenido de rango o de calidad, esto es,
la ordenacin, considerando que, en principio, todas las evoluciones
naturales tienden al desorden, esto es, a una disminucin del orden. Pues
bien, la entropa de un S. psicolgico es justamente la medida de este
desorden.

3 Informacin, feedback negativo y proceso de codificacin: Los

impulsos, estmulos o entradas no consisten nicamente en energa, sino en
informacin acerca del entorno y de su propio funcionamiento en relacin
con l. Uno de los tipos ms simples de informacin es el llamado

97
LOS SISTEMAS PSICOLGICOS

feedback negativo, que permite corregir las desviaciones. Las

importaciones de energa e informacin son selectivas, y el proceso a travs
del cual se lleva a cabo la seleccin se le llama codificacin.

4 Estabilidad y homeostasis dinmica: La importacin de energa con el

objeto de retener entropa opera para mantener cierta constancia en el
intercambio de energa, de tal forma que los S. abiertos que sobreviven se
caracterizan por su estabilidad. Esto no quiere decir que se encuentren en
un equilibrio verdadero; por el contrario, existe una continua importacin
de energa y exportacin de respuestas, pero tanto el carcter del S.
psicolgico como los intercambios de energa y las relaciones entre sus
partes, no cambian. Este estado de estabilidad puede verse en el proceso
homeosttico para la regulacin de la temperatura del cuerpo humano, en el
caso concreto del S. psicolgico.

5 Diferenciacin: Los S. abiertos se mueven hacia la diferenciacin y la

especializacin de funciones. En general, la mayor parte de dichos sistemas
tienden a una mecanizacin progresiva. Concretamente, los S. psicolgicos
son gobernados, en principio, por la interaccin de sus componentes;
posteriormente, se establecen arreglos y condiciones restrictivas que hacen
al S. y a sus partes ms eficientes, pero tambin gradualmente disminuyen
y, eventualmente, llegan a abolir su equipotencialidad.

6 Equifinalidad: este singular principio caracteriza a los S. abiertos. De

acuerdo con l, un S. puede alcanzar el mismo estado final partiendo de
distintos datos iniciales y siguiendo caminos distintos (caso evidente de los
S. psicolgicos). Al desarrollarse mecanismos reguladores que controlan
sus operaciones, el montante de equifinalidad puede reducirse.

Los conceptos de equifinalidad, autorregulacin, feedback,

homeostasis dinmica, , han hecho avanzar mucho en el tratamiento de los
S. abiertos. En el afn de resolver los problemas que plantean las relaciones
existentes entre un S. y su entorno, se ha llegado a tipificar el entorno atendiendo
a las relaciones con el S. (podra hacerse esto en Psicologa?). Desde el tipo ms
sencillo de entorno, en el que no existen conexiones entre las diversas partes del
mismo, hasta el tipo ms complejo, en el que el S. es dinmico as como el
entorno, y en el que el dinamismo del S. depende del dinamismo del entorno,
influyndose mutuamente, se puede pasar por diversos tipos intermedios cuya
significacin es menor o mayor segn el nivel de explicacin requerido. Tambin
se ha llegado, en ciertos S., a poder formular, bajo una nueva perspectiva, los
procesos de cambio entre los S. y su entorno. Sin embargo, esto no trata de
aquellos procesos en los que el entorno mismo es, en gran parte, el determinante
de los cambios. En dichos procesos, para explicarse el comportamiento de ciertos
S. abiertos, hay que plantearse el problema, no como un conjunto de relaciones
entre sistema y entorno (esto es: atendiendo nicamente a la estructura interna
del S. y dejando el entorno como algo previamente definido y especificado) sino

98
 CAPTULO 4

que las relaciones son mucho ms complejas. En estos casos, para que el anlisis
sea significativo y correcto, debe enfocarse el problema desde el punto de vista
de las relaciones entre sistemas.

La importancia que dicha complejidad reviste para el tratamiento de ciertos

sistemas (caso de los S. psicolgicos) se pone de manifiesto al intentar
controlarlos basndose en un anlisis que niegue su complejidad o tergiverse sus
propiedades dinmicas.

Particularmente entiendo de cara a un enfoque psicolgico del problema

planteado que la idea de estudiar un S. psicolgico como cerrado cuando, en
realidad, es abierto, o bien de estudiarlo como esttico cuando, en realidad, es
dinmico, conlleva en s su propia limitacin, y no puede aceptarse ms que
comprendiendo bien el grado de significacin que con estas limitaciones se
puede alcanzar.

12. Algunas ideas sobre Ciberntica

12.1. Introduccin

La palabra ciberntica tuvo su origen hace 2.500 aos en la voz griega

que significa timonel (aquel que dirige y controla una nave), y fue mucho
tiempo despus, ya por el siglo XIX, que el sabio francs Andr M. Ampre
utiliz otra vez el trmino ciberntica, en esa oportunidad para referirse al
arte de gobernar los pueblos.

Se acepta, no obstante, que la moderna ciencia ciberntica naci en la

dcada de 1940 y desde entonces se desarroll como ciencia material sobre la
base de los trabajos de Norbert Wienner1, quien por esos tiempos y siendo
1
Matemtico norteamericano. Desde su infancia mostr tener un cerebro privilegiado. A los 18 aos
obtiene su doctorado en Filosofa en la Universidad de Harvard, fue profesor de Lgica matemtica en el
Instituto Tecnolgico de Massachussets, aunque, a lo largo de su vida, imparti cursos en numerosas
universidades de otros pases, como Mxico, Gran Bretaa, India, etc. Entre los aos 1920 y 1923,
Wienner se preocup por un fenmeno fsico sin demasiada importancia en esta ciencia, el llamado
movimiento browniano, que se refiere al movimiento perpetuo que tienen las partculas disueltas en un
lquido (por ejemplo, raspaduras de roca en agua), movimiento irregular que no parece responder a
ninguna ley fsica. Einstein, a principios del siglo XX, dio una explicacin satisfactoria de este
movimiento, desde la termodinmica, obviando los complicados caminos en zig-zag de las partculas
brownianas. Wienner se preocup del estudio de las trayectorias de dicho movimiento, aplicando sus
conocimientos matemticos. Las propias trayectorias de las partculas le sugirieron la idea de un camino
que zigzagueara tanto que fuera, prcticamente, slo ngulos y picos. Invent as una funcin no
diferenciable en ningn punto, de difcil representacin, pero no ms abstracta que cualquier otro objeto
geomtrico como el punto o la recta (de mejor visualizacin). Desarroll una medida de las
probabilidades para conjuntos de trayectorias que no son diferenciables en ningn punto, asociando una
probabilidad a cada conjunto de trayectorias, aprovechando la interpretacin dada por Einstein al
movimiento browniano. Construy as una probabilidad que permitira describir el fenmeno en trminos
matemticos, en lo que se refiere a la trayectoria y posicin de las partculas a travs del tiempo. El
trabajo de Wienner sobre el movimiento browniano estableci un importante precedente para hallar
aplicaciones en Fsica, Ingeniera y Biologa; adems, permiti formular un problema de clculo de
probabilidades en trminos de la medida de Lebesgue, que utilizara diez aos ms tarde Kolmogoroff
para la formalizacin del clculo de probabilidades. En vsperas de la Segunda Guerra Mundial (1939-

99
LOS SISTEMAS PSICOLGICOS

investigador del Institute Technological of Massachussets defini a la

Ciberntica como el estudio de la comunicacin y el control en mquinas y
animales.

En la actualidad, la ciberntica, ya en el apogeo de su desarrollo, irrumpe

como un nuevo paradigma cientfico capaz de esclarecer los conceptos bsicos de
toda ciencia material, siendo que su campo de estudio se extiende a todo sistema
material.

Una ciencia, como la Ciberntica, del tipo axiomtico-deductivo es una

estructura lgico-formal de conocimientos integrada por axiomas y principios
aceptados como verdaderos sin demostracin, y demostraciones deducidas de
acuerdo a reglas lgicas vlidas, y todo ello consistente con los axiomas y
principios aceptados de esa ciencia.

12.2. Definiciones y conceptos

Ciberntica: Ciencia que estudia la "comunicacin" y el "control" en los

"sistemas".

Estudio de la comunicacin y el control en los sistemas: Para estudiar

los procesos de comunicacin y control que ocurren en todo sistema
material, como el psicolgico, deben observarse los elementos integrantes del
sistema desagregados hasta el nivel en que sea posible identificar y
discriminar los componentes estructurales que integran el sistema en s, de
aquellos otros componentes de flujo que ingresan, circulan y/o salen del
mismo.

Estado de un sistema: El estado de un sistema se define por la valoracin

de dos parmetros: su cuantificacin y su caracterizacin.

La "cuantificacin" de un sistema estar dada por la medida de la cantidad

total de entes fsicos que lo integran. Tambin puede expresarse por las
medidas de las respectivas cantidades de espacio, energa y masa que
componen el sistema.
La caracterizacin de un sistema estar dada por la medida del orden que
posee, lo cual resulta de la medida de su entropa.

12.3. Objeto, aplicaciones y demostraciones

Existen cuatro tipos de procesos que podran experimentar los sistemas

materiales, incluidos los psicolgicos: 1) Gnesis y aniquilacin, 2) Evolucin, 3)
Desarrollo y 4) Funcionamiento.

1945), sus investigaciones acerca de robots automticos que pudieran reemplazar o sustituir con ventaja a
los combatientes, sentaron los fundamentos de una nueva ciencia: la ciberntica, vocablo adoptado por
Wienner en el ao 1947 y que procede del griego Kybernetes, es decir, piloto o timonel.

100
 CAPTULO 4

Pues bien, analicmoslos separadamente:

1) Procesos de gnesis y aniquilacin: Los procesos de gnesis son aquellos

en que el sistema en el estado inicial es nada y pasa al estado final como
algo material. El de aniquilacin es el proceso inverso: de algo material
el sistema pasa a la nada. Los procesos de gnesis y aniquilacin violan el
primer principio, y respecto al segundo no existe solucin para la funcin
matemtica que expresa la variacin de entropa. En consecuencia, quedan
excluidos del campo de aplicacin de la Ciberntica el estudio de esos
procesos.
2) Procesos de evolucin: Son aquellos en que un sistema material se
transforma en otro de caractersticas diferentes, como consecuencia del
reordenamiento de los elementos o bien de los entes fsicos en el interior
de los componentes que constituyen el sistema en s. En el caso de procesos
de evolucin, se modifican las propiedades cualitativas del sistema que lo
experimenta.
3) Procesos de desarrollo: Son aquellos en que un sistema material crece por
el agregado de elementos o componentes idnticos a los que ya posee, sin que
se modifiquen las propiedades cualitativas y caractersticas esenciales del
sistema, salvo su tamao.
4) Procesos de funcionamiento: El funcionamiento es el conjunto de
comunicaciones internas que se producen dentro de todo sistema material.

12.4. Funcionamiento, comunicacin y control

De acuerdo con el axioma fundamental de la ciberntica, todos los

sistemas materiales experimentan comunicaciones internas (funcionamiento) y
comunicaciones con el exterior (control). As, en todo sistema material
(psicolgico) ocurren los siguientes procesos:

a) Ingreso de componentes de flujo al sistema (proceso de control).

b1) Distribucin de componentes de flujo ingresados (comunicacin
interna).
b2) Funcionamiento, y eventualmente evoluciones y desarrollos
(comunicacin interna).
b3) Recoleccin de componentes de flujo a egresar del sistema
(comunicacin interna).
c) Salida de componentes de flujo del sistema (proceso de control).

El funcionamiento de un sistema se compone de una gran cantidad de

ciclos; cada ciclo incluye la secuencia de procesos b1, b2 y b3 y se cumple
entre el ingreso (proceso a) y el egreso (proceso c) de los componentes de
flujo que circulan por el sistema.

Por el proceso de distribucin de entrada (proceso b1) se establece un

importante ordenamiento (disminucin de entropa) lo cual pone al sistema en
estado de aptitud para que ocurra el proceso del funcionamiento en s, durante

101
LOS SISTEMAS PSICOLGICOS

el cual cabe la posibilidad que se produzcan desarrollos y evoluciones dentro

del mismo.

Durante el funcionamiento en si (proceso b2), tiende a disminuir el

orden (aumento de entropa) del sistema, y ese orden se reestablece a expensas
del orden (entropa negativa) aportada por los componentes de flujo
distribuidos, los cuales, una vez degradados, son recolectados (proceso b3),
previo a su egreso del sistema.

12.5. El concepto de entropa

12.5.1. Definicin

El concepto de entropa es equivalente al de desorden. As, cuando

decimos que aument la entropa en un sistema, significa que creci el desorden
en ese sistema. Y a la inversa: si en un sistema disminuy la entropa, significa
que disminuy su desorden.

La palabra entropa procede del griego () y significa evolucin o

transformacin. La formulacin matemtica de la variacin de entropa de un
sistema, luego de una transformacin o evolucin entre los estados inicial y final
del mismo, se corresponde con la integral definida entre el instante inicial y final
de los incrementos o diferenciales del componente o sistema en evolucin,
divididos por la cantidad de elementos que van integrando al componente o
sistema en cada instante. As:
tf
dVs t 1 1
Es (f - 0) = = [lnVs ]t f0 = ln f = ln
t
= ln
t0
Vs t0 t0 / tf N(s)

La resolucin matemtica de la integral planteada para la determinacin

de la variacin de la entropa de un sistema entre los estados inicial y final,
resulta ser el logaritmo natural de uno (1) (cantidad de componentes o sistemas
resultantes en el instante final), dividido por la cantidad de elementos que fueron
integrados al componente o sistema resultante entre los instantes inicial y final de
la evolucin.

La medida de la entropa permite establecer el orden que posee un

sistema en determinada instancia, respecto al que posea o pudo haber posedo en
otra. As, podra determinarse la diferencia de entropa para la formacin o
constitucin de un sistema a partir de sus componentes desagregados, y tambin
para cualquier proceso que pueda ocurrir en un sistema ya constituido.

El orden que adquiri un sistema en su constitucin puede medirse por

la diferencia entre la entropa del sistema constituido, y la que supuestamente
posea cuando todos los N entes fsicos elementales que lo componen, existan
desagregados e indiferenciados en el nivel de referencia correspondiente al

102
 CAPTULO 4

primer nivel de agregacin. En dicho nivel, la entropa para cualquier conjunto

de una cantidad finita N de entes fsicos desagregados, resulta igual a 0 (cero),
a saber:

Vs (0)
Es (0) = N ln = N ln 1 = N 0 = 0 (cero)
Vs (0)

La variacin del orden en un sistema ya constituido se determina por la

diferencia entre la medida de la entropa del sistema para los instantes inicial
(o) y final (f) de un proceso en estudio. Para ello, se debe considerar la entropa
de todos los componentes existentes dentro del sistema, tanto la de los
componentes que constituyen el sistema en s, como la entropa de los
componentes de flujo que circulan por el mismo.

12.5.2. El concepto termodinmico y su aplicacin

En termodinmica, la entropa (simbolizada como S) es la magnitud fsica

que mide la parte de la energa que no puede utilizarse para producir trabajo. En
un sentido ms amplio, que utilizaremos aqu, puede interpretarse como la
medida de la uniformidad de la energa de un sistema psicolgico. Es una
funcin de estado de carcter extensivo y su valor, en un sistema aislado, crece
en el transcurso de un proceso que se d de forma natural.

Cuando se plantea la pregunta: por qu ocurren los sucesos de la manera

que ocurren, y no al revs? se busca una respuesta que indique cul es el sentido
de los sucesos en la naturaleza. Por ejemplo, si se ponen en contacto dos trozos
de metal con distinta temperatura, se anticipa que eventualmente el trozo caliente
se enfriar y el trozo fro se calentar, logrando al final una temperatura ms o
menos uniforme e intermedia. Sin embargo, el proceso inverso, es decir, un trozo
calentndose (el caliente) y el otro enfrindose an ms (el fro) es muy
improbable que tenga lugar, a pesar de conservar la energa. El universo tiende a
distribuir la energa uniformemente, es decir, a maximizar la entropa.

La funcin termodinmica entropa es central para la segunda Ley de la

Termodinmica. La entropa puede interpretarse como una medida de la
distribucin aleatoria de un sistema. Se dice que un sistema altamente distribuido
al azar tiene una alta entropa. Puesto que un sistema en una condicin
improbable tendr una tendencia natural a reorganizarse a una condicin ms
probable (similar a una distribucin al azar), esta reorganizacin resultar en un
aumento de la entropa. La entropa alcanzar un mximo cuando el sistema se
acerque al equilibrio, alcanzndose la configuracin de mayor probabilidad.

Podemos decir que un ser vivo (sistema psicolgico) sano, funcionando

correctamente, tiene entropa baja. Si aumenta el desorden en los componentes
del individuo podemos decir que su entropa est aumentando. Hay un cierto
umbral, un cierto tamao de entropa por encima del cual el ser vivo muere.

103
LOS SISTEMAS PSICOLGICOS

Como el sistema psicolgico no es un sistema aislado, podemos utilizar energa

proporcionada por otros sistemas para corregir el desorden, es decir, para
disminuir la entropa. Pero sabemos, por experiencia, que esa posible
intervencin tiene un lmite: hasta ahora no conocemos ningn ser vivo que haya
vivido o funcionado eternamente.

La entropa, coloquialmente hablando, puede considerarse como la medida

del desorden de un sistema, es decir, cun homogneo est el sistema. En los
aos 18901900, el fsico austraco Ludwig Boltzmann2 y otros desarrollaron las
ideas de lo que hoy se conoce como mecnica estadstica, que constituye una
teora profundamente influenciada por el concepto de entropa.

Segn estas ideas, la entropa queda definida por la siguiente ecuacin:

S = k ln

, donde S es la entropa, k la constante de Boltzmann y el nmero de

microestados posibles para el sistema.

La clebre ecuacin anterior se encuentra grabada sobre la lpida de la

tumba de Boltzmann en el Zenmtralfriedhof de Viena, quien se suicid en 1906,
profundamente deprimido por la poca aceptacin de sus teoras en el mundo
acadmico de la poca. El significado literal de la ecuacin es el siguiente: La
cantidad de entropa de un sistema es proporcional al logaritmo natural de su
nmero de microestados posibles.

Ahora bien, su significado final es an materia de discusin en fsica

terica, dado el profundo alcance que posee.

La entropa de formacin, en fin, de un compuesto qumico (o de una

substancia en estado elemental), en termodinmica y termoqumica, es la
diferencia (incremento o decremento) de entropa en el proceso de su formacin a

2
Nacido en el seno de una familia acomodada, Boltzmann curs estudios medios en Linz, doctorndose
en la Universidad de Viena en 1866. Al ao siguiente trabajara como ayudante de Joseph Stefan. Fue
profesor de fsica en Graz en 1869, aunque cuatro aos despus aceptara un puesto de profesor de
matemticas en Viena. Regresara, sin embargo, a Graz como catedrtico en 1876. Por aquella poca ya
era conocido, por la comunidad cientfica, por su desarrollo de la estadstica de Maxwell-Boltzmann para
las velocidades de las molculas de un gas, en 1871. En 1894 retom su puesto, esta vez como profesor
de fsica terica, en la Universidad de Viena tras la muerte de Joseph Stefan. Al ao siguiente, Ernst
Mach obtuvo la ctedra de historia y filosofa de las ciencias. Mach era uno de los ms claros opositores
al trabajo de Boltzmann. En 1900, debido a su descontento con Mach, Boltzmann se traslad a Leipzig
donde conoci a Wilhelm Ostwald. Mach dej la Universidad de Viena en 1901 por motivos de salud, lo
que permiti a Boltzmann volver al ao siguiente. En esta ocasin, adems de recuperar su ctedra de
fsica, obtuvo la ctedra de Mach de historia y filosofa de las ciencias. En 1904 visit Estados Unidos en
su Feria Mundial de Saint Louis. La dura oposicin a su trabajo, con Ostwald como cabeza -la hiptesis
de la existencia de tomos, que todava no estaba demostrada completamente-, pudo haber causado
trastornos psquicos que le llevara al suicidio en 1906. Slo unos aos despus de su muerte, los trabajos
de Jean Perprin sobre las suspensiones coloidales (1908-1909) confirmaron los valores del nmero de
Avogadro y la constante de Boltzmann, convenciendo a la comunidad cientfica de la existencia de los
tomos.

104
 CAPTULO 4

partir de sus elementos constituyentes (en estado atmico o en cierta forma

predefinida). Cuanta mayor (ms positiva) sea la entropa de formacin de una
especie qumica, ms favorable (por entropa) ser su formacin. Por el contrario,
cuanto ms positiva sea su energa de formacin, menos favorable ser
energticamente.

12.5.3. La entropa de Shannon

La entropa definida por Shannon3, referida a la teora de la informacin,

hace referencia a la cantidad media de informacin que contiene una variable
aleatoria (psicolgica) o, en particular, una fuente transmisin binaria. La
informacin que aporta un determinado valor, xi, de una variable aleatoria
discreta X, se define como:

I(xi) = log2(1/p(xi))

cuya unidad es el bit si se utiliza el logaritmo en base 2 (por ejemplo, cuando se

emplea el logaritmo neperiano o natural se habla de nats).

La entropa o informacin media de la variable aleatoria discreta, X, se

determina como la informacin media del conjunto de valores discretos que
puede adoptar (tambin medida en bits):

H(x) = ip(xi) log2(1/p(xi))

Adems de su definicin y estudio, Shannon demostr analticamente que

la entropa es el lmite mximo al que se puede comprimir una fuente sin ninguna
prdida de informacin.

12.5.4. La entropa, el desorden y el grado de organizacin

Vamos a imaginar ahora que tenemos una caja con tres divisiones; dentro
de la caja, y en cada divisin estanca, se encuentran tres tipos diferentes de
canicas: azules, amarillas y rojas, respectivamente. Las divisiones son movibles
as que nos decidimos a quitar la primera de ellas, la que separa a las canicas
azules de las amarillas. Lo que estamos haciendo, dentro del punto de vista de la
entropa, es quitar un grado o ndice de restriccin a nuestro sistema; antes de que
quitramos la primera divisin, las canicas se encontraban separadas y ordenadas
en colores: en la primera divisin las azules, en la segunda las amarillas y en la
tercera las rojas, estaban restringidas a un cierto orden.

Al quitar la segunda divisin, estamos quitando tambin otro grado de

restriccin. Las canicas se han mezclados unas con otras de tal manera que ahora
no las podemos tener ordenadas, puesto que las barreras que les restringan
3
Vide Shannon, C.C. y Weawer, W., The Mathematical Theory of communication, Urbana, University of
Illinois Press, 1949.

105
LOS SISTEMAS PSICOLGICOS

espacialmente han sido levantadas. La entropa de este sistema ha aumentado al

ir quitando las restricciones, pues inicialmente haba un orden establecido y al
final del proceso (el proceso consiste, en este caso, en quitar las divisiones de la
caja) no existe orden alguno dentro de la caja.

La entropa se configura como una medida del orden (o desorden) de un

sistema o de la falta de grados de restriccin; la manera de utilizarla es medirla
en nuestro sistema inicial, es decir, antes de remover alguna restriccin, y
volverla a medir al final del proceso que sufri el sistema, obteniendo la
diferencia entre ambas medidas.

Es importante sealar, en consecuencia, que la entropa no est definida

como una cantidad absoluta S (smbolo de la entropa), sino lo que se puede
medir es la diferencia entre la entropa inicial de un sistema Si y la entropa final
del mismo Sf. No tiene sentido hablar de entropa, pues, sino en trminos de un
cambio en las condiciones de un sistema.

12.5.5. Entropa, procesos reversibles e irreversibles

Volviendo al ejemplo anterior de la caja con separaciones y canicas,

vamos a explicar qu es un proceso reversible y qu un proceso no reversible.
Llamamos proceso reversible al que se puede invertir y dejar a nuestro sistema
en las mismas condiciones iniciales. Teniendo en cuenta nuestra caja ya sin las
separaciones, tenemos a las canicas revueltas unas con otras, es decir, sin un
orden. Si el proceso que efectuamos de quitar las divisiones fuera reversible, las
canicas tendran que ordenarse espontneamente en azules, amarillas y rojas,
segn el orden de las divisiones. Esto, evidentemente, no ocurrir.

El proceso que efectuamos con nuestra caja de canicas fue un proceso no

reversible o irreversible, en donde una vez terminado, el orden que haba en las
condiciones iniciales del sistema ya nunca ms volver a establecerse. El estudio
de este tipo de procesos es importante, porque en la naturaleza casi todos los
procesos son irreversibles.

12.5.6. Entropa, ciberntica y comunicacin

Existe un precedente ciertamente muy lejano, tan lejano como el propio

Ramn Llull4, a quien los cibernticos miran como su predecesor histrico ms
4
Escritor, filsofo, mstico y misionero, viajero y divulgador, nacido en 1235, fue una de las figuras ms
interesantes de la Edad Media, creador de la corriente filosfica conocida como lulismo, cuya lgica fue
expuesta en su obra fundamental Ars Magna. Llamado el Doctor Iluminado, la importancia actual de
Llull radica en haber sido el creador de la lengua literaria catalana, en un momento en que las dems
lenguas romnicas o neolatinas se encontraban todava balbucientes y todos los grandes tratados se
escriban an en latn, lengua que el propio Llull utiliz tambin en muchos de sus trabajos, as como el
rabe. Fue el primero que se propuso construir una matemtica y una ciencia universal. Nadie, antes de
Bacon, hizo una defensa tan admirable del mtodo de observacin. Contribuy en gran medida, con sus
principios cientficos, a los adelantos martimos, aplicando la Aritmtica y la Geometra al arte nutico,
ilustrando sus explicaciones con una gran variedad de figuras y previendo, en la causa de las mareas, la
influencia del Sol y de la Luna. De sus obras ms representativas sobresalen Blanquerna, novela idealista

106
 CAPTULO 4

antiguo, que con su Ars Magna es considerado el creador perdido de una ciencia
general del intercambio (cfr. Martn Serrano, M. en Mtodos actuales de
investigacin social. Madrid, AKAL, 1978, 191). Su Ars Magna es, segn
Delpech, el primer modelo dialctico de la actividad mental. Segn Martn
Serrano, la ciberntica moderna se ha constituido en un mtodo general de
estudio del cambio y la reproduccin de sistemas informados y, por ello, al igual
que hace Wienner5, Chomsky6, Barthes7, Hjelmslev8 y Ashby9, cita a Llull como
el precursor de la ciberntica. Desde Wienner es un hecho que, para los
cibernticos, los mismos principios explican la transmisin de datos y la
transmisin de impulsos, razn por la cual se justifica la significacin del trmino
ciberntica como arte de la eficacia de la accin (cfr. Couffignal, L., La
cyberntique, Paris, PUF, 1966).

Los presupuestos fundamentales para que ciberntica y comunicacin,

ciberntica e interaccin humana se identifiquen, son los que se derivan de
considerar a la ciberntica como una ecologa; as por ejemplo, la nocin de
ecologa est implcita en la consideracin de que entre un actor humano
(sistema fsico psicolgico) y su medio exterior o unwelt (sistema exterior), el
intercambio de mensajes es, a la vez, un efecto y una causa entre la accin y la
reaccin. Esto lleva a considerar el intercambio como una accin comunicativa
constituida por el conjunto de actores que intervienen y el conjunto de factores
espacio-temporales que la determinan; y en este sentido se supone una teleologa,
segn la cual, el sistema as informado siempre persigue un fin, que se traduce en
un cambio del unwelt. Lo ms grave es que, por esta va, la ciberntica se
conforma como una axiologa de la accin y la comunicacin.

La ciberntica como axiologa es, adems, una axiologa del riesgo, como
apunta Martn Serrano en la obra citada, de modo que el investigador debe elegir
entre fines alternativos, medidos por niveles especficos de probabilidad. El
riesgo depende del carcter activo o pasivo del sistema cuyo comportamiento se
espera controlar (Martn Serrano, 1978). En la medida en que el mtodo
ciberntico ubica sus anlisis en el marco de cualquier posibilidad imaginable, su
objeto de estudio hace de las comunicaciones entre los actores de un grupo, y
entre el grupo y el medio natural y axiolgico, un modelo de probabilidad ms
que un sistema de alternativas; sobre este modelo se ubica despus una utopa: la
previsin y el control pueden efectuarse en funcin de que a stos se les asigne
un proyecto humano. En la teora de la informacin, la unidad de decisin y de

que influy en toda la narrativa medieval posterior, Flix o Libre de les dones, excelente enciclopedia del
saber de su poca, en la que destaca el cntico espiritual ms depurado de la Edad Media y el Libre
d'Amic e Amat. Aunque la leyenda cuenta que muri lapidado en Bugia (Argelia) mientras estaba
predicando el cristianismo, lo cierto es que falleci en su Mallorca natal en 1315, lamentndose
amargamente del fracaso de su obra, que sin embargo ha trascendido a lo largo de los siglos hasta
nuestros das.
5
Vide Wienner, N., Ciberntica y sociedad, Buenos Aires, Sudamericana. 1969.
6
Vide Chomsky, N., Language and Mind, Nueva York, Harcourt, Brace, World Inc., 1968.
7
Vide Barthes R., Le dgre zro de lcriture, Paris, Seuil, 1953.
8
Vide Hjemslev, L., Prolgomnes une thorie du langage, Paris, Minuit, 1968.
9
Vide Ashby, W.R., Introduccin a la ciberntica, Buenos Aires, Nueva Visin, 1960.

107
LOS SISTEMAS PSICOLGICOS

inteligibilidad es la misma, va por la cual inteligibilidad y previsin resultan

equivalentes. Con ello, se acaba estudiando con el mismo mtodo, problemas
referidos ya sea a la teora, ya sea a la prctica. El estudio de los modelos de
control social, de la prediccin sobre el comportamiento de los sistemas sociales,
de la inteligibilidad de las organizaciones y del determinismo de los procesos,
son unificables como anlisis de la informacin del sistema (cfr. Martn
Serrano, M. 1978, 203-4).

La clave, pues, de la teora informacional de la sociedad, hace que resulte

comprensible la aspiracin de la antropologa estructural de Lvi-Strauss10 a
convertirse en una entropologa, desde el momento en que la medida de la
complejidad en los intercambios, ya sea de palabras, mujeres o bienes materiales,
resulte descubierta por un mismo mecanismo matemtico. Pero, sobre todo,
algunos dilemas clsicos de las ciencias humanas, como los de prediccin
cientfica y libertad, revolucin y participacin, resultan replanteados de un
modo terico, que los hace compatibles. As, por ejemplo, siguiendo el
comentario efectuado por Martn Serrano (1978, 206-207), veamos que como
corolario a la formulacin informacional (I = N log2 h) ocurre que si alguna vez
el objeto de la sociologa se convierte en un sistema totalmente indeterminado (el
10
Claude Lvi-Strauss naci en Bruselas y estudi Derecho y Filosofa en la Sorbonne. No continu sus
estudios de derecho, sino los de filosofa en 1931. Despus de unos pocos aos de enseanza secundaria,
tom una oferta de ltima hora para ser parte de la misin cultural francesa en Brasil, pas al que servira
como profesor visitante en la Universidad de So Paulo. Vivi en Brasil desde 1935 a 1939. Fue durante
este tiempo cuando llev a cabo su primer trabajo de campo etnogrfico, dirigiendo bsquedas peridicas
en el Mato Grosso y la selva tropical amaznica. sta fue la experiencia que ciment la identidad de Lvi-
Strauss como profesional de la antropologa. Volvi a Francia en la vspera de la segunda guerra mundial
y fue movilizado al estallar sta (1939-1940). Despus del armisticio march a los Estados Unidos, donde
imparti clases en el New School for Social Research de Nueva York. Llamado a Francia en 1944 por el
Ministro de Asuntos Exteriores, volvi a Estados Unidos en 1945. Tras un breve paso por la Embajada
Francesa de Washington como adjunto cultural (19461947), regres a Pars para doctorarse tras
presentar tesina y tesis (1948). Los aos en Nueva York le sirvieron para formarse en muchos aspectos;
su relacin con Roman Jakobson le ayud a dar forma a sus teoras (a Roman Jakobson y Lvi-Strauss se
les considera las figuras centrales del estructuralismo). Adems, colegas antroplogos como Franz Boas
lo introdujeron en la Antropologa estadounidense. Los aos de la guerra fueron muy formativos para
Lvi-Strauss en varios aspectos. Su relacin con Jakobson le ayud a configurar su perspectiva terica
(Jakobson y Lvi-Strauss eran considerados dos figuras en las que el estructuralismo estaba basado). En
suma, Lvi-Strauss estaba tambin expuesto a la antropologa americana de Franz Boas, quien ense en
la Universidad de Columbia. Esto dio a su trabajo una inclinacin que facilit su aceptacin en EE UU.
Despus de un breve lapso de tiempo, desde 1946 a 1947, Lvi-Strauss regres a Pars en 1948, a la vez
que reciba su doctorado de la Sorbona, por su tesis mayor y menor tituladas Las estructuras
elementales de parentesco y La vida familiar y social de los indios Nambikwara. Esta ltima obra fue
publicada al siguiente ao e instantneamente fue reconocida como una de las ms importantes de la
antropologa, con una crtica favorable de Simone de Beauvoir quien la vio como un importante estudio
de la posicin de la mujer en las culturas no occidentales. Una obra con ttulo anlogo a la famosa Las
formas elementales de la vida religiosa, de mile Durkheim, Las estructuras elementales reexamin
cmo las personas organizaban sus familias. Mientras los antroplogos britnicos como Alfred Reginald
Radcliffe-Brown sostenan que los parentescos estaban basados en la ascendencia de un ancestro comn,
Lvi-Strauss pensaba que estos parentescos tenan ms que ver con la alianza entre dos familias, cuando
la mujer de un grupo se casaba con el hombre de otro. Entre 1940 y principios de 1950, Lvi-Strauss
continu publicando y cosech un xito considerable. Con su regreso a Francia, se implic en la
administracin del CNRS y el Museo del Hombre, antes de llegar a ocupar un puesto en la cole Pratique
des Hautes tudes. En 1940 se convirti en subdirector del Muse de l'Homme y despus director de la
cole Pratique des Hautes tudes. Ms tarde fue nombrado profesor del Collge de France de
antropologa social, puesto que ocup desde 1959 hasta su jubilacin en 1982.

108
 CAPTULO 4

valor de N para los grados de libertad del sistema es muy pequeo) desaparecera
la sociologa como ciencia de la prediccin: sta resultara demasiado conocida;
inversamente, si los grados de libertad son relativamente infinitos, la sociologa
como instrumento de prediccin sera absolutamente imposible, razn por la cual
la clave informacional de la sociedad reclama que al mismo tiempo el objeto
social carezca, y no carezca, de libertad real para transgredir o cambiar sus
normas: dialctica entre informacin y redundancia

Como ha podido observarse, desde Wienner en las ciencias biolgicas, y

desde Shannon en las ciencias fsicas, complejidad, forma u orden se identifican
con comunicacin, con lo que indistintamente teora de la informacin o
teora de la comunicacin terminan representndose epistemolgicamente11 en
el trabajo cientfico como el paradigma universal, mediante el cual se borran las
fronteras existentes entre ciencias de la naturaleza y ciencias de la cultura, o sea,
entre ciencias naturales y ciencias sociales. El intento es considerar a la teora de
la informacin-comunicacin como una nueva Epistemologa en s misma, lo que
no poda sino satisfacer a los tericos de las ciencias humanas cuyo complejo de
inferioridad respecto al desarrollo de las ciencias fsicas es tan antiguo.

La perspectiva abierta por el descubrimiento de la nocin de

informacin, opuesta al de entropa energtica, engarza y consolida los
conflictos tericos histricamente originados por las distinciones entre operador,
operacin y contenido. Esta tradicin de pensamiento hace que, segn Carnap12,
todas las ciencias posean un mtodo comn: identificar las operaciones mediante
las cuales el operador humano organiza los grupos de operaciones que realiza
con las colecciones de objetos o de actos para la comunicacin, ya sea cotidiana
o cientfica. El objeto propio de cada ciencia es el estudio de los objetos a los que
se aplican estas operaciones; si los objetos son los smbolos, se trata de ciencias
deductivas, lgico-matemticas; si los objetos son significados, se trata de
ciencias lingsticas o semiticas; si los objetos son afectos, emociones,
actitudes, se trata de psicologa, ciencia social que nos ocupa en el presente libro;
si los objetos son normas, valores, etc., se trata de sociologa. La teora general
de sistemas (a la que nos venimos refiriendo y aplicando en nuestro estudio), y la
teora de la informacin, acaban constituyndose por esta va en la teora del
conocimiento cientfico. A este carro se suben entusiasmados muchos, o la gran
parte, de los que en las ciencias humanas se denominan, a s mismos, tericos de
la comunicacin.

12.5.7. Ejemplo
El ejemplo que se desarrolla a continuacin servir para comprender el
concepto de entropa y relacionarlo con su formulacin matemtica.
11
Rama de la Filosofa que trata de los problemas filosficos que rodean la teora del conocimiento. La
epistemologa se ocupa de la definicin del saber y de los conceptos relacionados, de las fuentes, los
criterios, los tipos de conocimiento posible y el grado con el que cada uno resulta cierto, as como de la
relacin exacta entre el que conoce y el objeto conocido.
12
Vide Carnap R., Foundation of logic and mathematics , en Fodor y otros, The structure of language,
Nueva York, Prentice Hall, 1964.

109
LOS SISTEMAS PSICOLGICOS

Supngase, v. gr., que fuese posible y se procediera a desagregar en sus

componentes el cuerpo de un ser humano (sistema psicolgico). Primero se
desagrega el cuerpo nico en las clulas que lo componen (una transformacin de
un cuerpo en mil billones de clulas). Luego se desagregan todas y cada una de
las clulas en las molculas que las componen (mil billones de transformaciones
de clulas cada una en cien millones de molculas).Y finalmente se desagregan
todas y cada una de las molculas en los tomos que las componen (cien mil
trillones de transformaciones de molculas cada una en unos diez mil tomos).

El resultado del experimento indicado ofrecera que se habra

transformado el cuerpo de un ser humano en mil cuatrillones de tomos (el
nmero mil cuatrillones es un 1 seguido de 27 ceros).

Si se preguntara ahora cul es la diferencia entre los dos estados del

sistema del ejemplo: uno el cuerpo armado y completo, y el otro estado el cuerpo
desagregado en sus componentes de mil cuatrillones de tomos, responderamos
que en el estado armado y completo, el sistema del ejemplo posee un orden y
organizacin muchsimo mayor que en el estado desagregado... Y entonces la
cuestin sera simplemente poder medir el desorden o entropa del sistema
para cada uno de los estados descritos.

De acuerdo a la formulacin matemtica y su desarrollo segn sigue, la

entropa para el estado desagregado resulta igual a cero (0), lo cual surge de
considerar que en ese estado los mil cuatrillones de tomos conforman un
conjunto de mil cuatrillones de sistemas, cada uno de los cuales est integrado
por un solo elemento (tomo), con lo que:

Vs (0)
Es (0-0) = N0 ln = N0 ln 1 = N0 0 = 0 (cero) ,
Vs (0)

siendo N0 = 1.000.000.000.000.000.000.000.000.000 = 1027 tomos.

La entropa para el estado del sistema completamente armado resulta de

considerar los pasos sucesivos de agregacin a partir del estado desagregado con
entropa = cero (0).

a) Primer paso de agregacin de tomo a molcula: mil cuatrillones de

tomos se agregan para formar cien mil trillones de molculas, cada una
de ellas integrada por diez mil tomos. La entropa desciende de cero (0) a
menos novecientos veintin mil trillones segn sigue:

Vs (1) 1
Es (0-1) = N1 ln = N1 ln = N1 ( 921) = - 921 x 1023 ,
Vs (0) 10 . 000
siendo N1 = 100.000.000.000.000.000.000.000 = 1023 molculas.

110
 CAPTULO 4

b) Segundo paso de agregacin de molcula a clula: cien mil trillones de

molculas se agregan para formar mil billones de clulas, cada una de
ellas integrada por cien millones de molculas. La entropa desciende en
menos dieciocho mil cuatrocientos veinte billones segn sigue:

Vs (2) 1
Es (1-2) = N2 ln = N2 ln = N2 ( 1842) = - 1842 x 1015 ,
Vs (1) 100 . 000 . 000
siendo N2 = 1.000.000.000.000.000 = 1015 clulas.

c) Tercer paso de agregacin de clula a cuerpo: mil billones de clulas se

agregan para formar un (1) solo cuerpo integrado por mil billones de
clulas. La entropa desciende entonces en menos treinta y cuatro
unidades con cincuenta y cuatro centsimas segn sigue:
Vs (3) 1
Es (2-3) = N3 ln = N3 ln = N3 ( 3454) = - 3454,
Vs (2) 1.000 .000 .000 .000 .000
siendo N3 = 100 = 1 cuerpo.

111
LOS SISTEMAS PSICOLGICOS

112
 CAPTULO 5

CAPTULO 5
El estudio sistmico de la Psicologa

1. Percepcin

Un mismo y nico estmulo no siempre produce idntica experiencia (v. gr.:

de calor y de luz). El estmulo de una determinada temperatura fsica puede ser
sentida, por el S. psicolgico, como caliente si afecta a algunos puntos de la
piel, y como fro si afecta a otros (una gota de cido, as mismo, producir
acritud en la boca y quemaduras en el ojo).

Por otra parte, una enorme variedad de efectos subjetivos es producida por
un mismo estmulo elctrico, que puede excitar, de hecho, todos los sentidos del
S. psicolgico. As mismo, diferentes estmulos pueden suscitar la misma
respuesta. Por todas estas razones, la clasificacin psicolgica de las
experiencias sensoriales debe basarse, a nuestro juicio, no precisamente en las
propiedades fsicas de los estmulos, sino en los efectos producidos o
experimentados por el sistema.

2. Aprendizaje y recuerdo

2.1. Introduccin

El gran escritor argentino J.L. Borges nos apunta que la similitud (o

confusin) entre la realidad inexorable y los sueos, o entre los recuerdos y los
conocimientos, o bien entre la novedad y el olvido, tambin resulta explicada por
Francis Bacon (Essays LVIII) de forma magistral: Salomon saith. There is no
new thing upon the earth. So that as Plato had an imagination, that all knowledge
was but remembrance, so Salomon giveth his sentence, that all novelty is but
oblivion.

No parece discutible el hecho de que todo aprendizaje que no se base en la

propia experiencia del S. psicolgico, tendr poco valor; podr aumentar su
erudicin, acquis o stock de conocimientos (cuyas fluctuaciones sern
contempladas en captulos posteriores), pero no mejorar su conducta y, por
supuesto, no se desarrollar su personalidad. Por el contrario, se puede provocar,
incluso, el sentimiento de su ignorancia e inferioridad, bloqueando sus
posibilidades de perfeccionamiento. Y esta deficiencia deber compensarla con
falsas actitudes de seguridad o aplomo que degenerarn en posturas defensivas
frente al grupo en el que tenga que actuar y que constituye su entorno.

113
EL ESTUDIO SISTMICO DE LA PSICOLOGA

Ya Locke1, en el siglo XVII, que era el ms moderado y coherente de los

empiristas ingleses (junto con Berkeley2 y, sobre todo, Hume3), demostr como
cualquier idea, ya fuera proveniente de la reflexin o de la sensacin, viene desde
fuera de la tabula rasa de nuestro intelecto. El nico camino del conocimiento
es la experiencia. En las ideas simples, este razonamiento resulta obvio, porque
representan al objeto singular material; en las ideas complejas y universales
tambin lo es, dado que no es posible pensar una idea universal sin una referencia
a lo concreto y sin que la imaginacin le acompae de algn modo con el objeto
real de donde ha extrado la idea pretendidamente universal.

Una disyuntiva importante surge al tratar el problema de la enseanza de

los S. psicolgicos. Ya se ha visto que la experiencia debera ser el punto de
partida de cualquier tarea educativa. A continuacin, se presenta la cuestin de si
el psiclogo educador debe o no manipular esas experiencias. Debe de
conducirse, como hace Skinner con sus palomas, operando sobre su conducta
mediante refuerzos o estmulos que roboticen el S. psicolgico en un tiempo
rcord, o bien debe embarcarse en la tarea de centrar la dinmica educativa en el
propio sistema, confiando en que ste posee la capacidad de comprenderse y de
resolver eficazmente sus problemas?.

Siguiendo un criterio de terapia centrada en el S. psicolgico o no

directividad, el psiclogo educador (terapeuta) no debe interferirse manipulando
las experiencias, dado que dicha manipulacin distorsiona la informacin que

1
John Locke nacido el 29 de agosto de 1632 en Wrington, Somerset, Inglaterra y fallecido el 28 de
octubre de 1704 en Oates, Essex. Pensador ingls considerado como el padre del empirismo y del
liberalismo. Su epistemologa niega la existencia del innatismo y el determinismo considerando el
conocimiento de origen sensorial, por lo que rechaza la idea absoluta en favor de la probabilstica
matemtica. Para Locke, el conocimiento solamente alcanza a las relaciones entre los hechos, al cmo, no
al por qu. Por otra parte cree percibir una armona global, apoyado en creencias y supuestos evidentes
por s mismos, por lo que su pensamiento tambin contiene elementos propios del racionalismo y del
mecanicismo.
2
George Berkeley (12 de marzo de 1685 - 14 de enero de 1753), tambin conocido como el Obispo
Berkeley, fue un filsofo irlands muy influyente cuyo principal logro fue el desarrollo de la filosofa
conocida como idealismo subjetivo, resumido en la frase, Esse est percipi (Existir es ser percibido). Esta
teora propone que los seres humanos slo pueden conocer directamente sensaciones e ideas de objetos,
pero no abstracciones como la materia extensa y el ser. Escribi un gran nmero de obras, de las que se
pueden destacar Los principios del conocimiento humano (1710) y Los tres dilogos entre Hylas y
Philonus (1713) (Philonus, el "amante de la mente", representa a Berkeley, e Hylas, que toma su nombre
de la antigua palabra griega para designar a la materia, representa las ideas de Locke). En 1734 public El
analista, una crtica a los fundamentos de la ciencia, que fue muy influyente en el desarrollo de la
matemtica.
3
David Hume fue un filsofo, economista e historiador escocs y constituye una de las figuras ms
importantes de la filosofa occidental y de la ilustracin escocesa. Los historiadores consideran la filosofa
de Hume como una profundizacin en el escepticismo, aunque esta visin ha sido discutida,
argumentando que el naturalismo tiene un peso comparable en su pensamiento. El estudio de Hume ha
oscilado entre los que enfatizan la vertiente escptica de Hume (como es el caso del positivismo lgico), y
los que, en cambio, consideran ms importante la vertiente naturalista (como Don Garret, Norman Kemp
Smith, Kerry Skinner, Barry Stroud y Galen Strawson). Hume estuvo fuertemente influido por los
empiristas John Locke y George Berkeley, as como por varios escritores franceses como Pierre Bayle, y
algunas figuras del panorama intelectual anglfono como Isaac Newton, Samuel Clarke, Francis
Hutcheson y Joseph Butler. Hume afirma que todo conocimiento deriva, en ltima instancia, de la
experiencia sensible, siendo sta la nica fuente de conocimiento y sin ella no se lograra saber alguno.

114
 CAPTULO 5

recibe el sistema (cibernticamente diramos que se producen ruidos) y ello

afecta al buen funcionamiento del feedback.

Es, fundamental, en consecuencia, que el S. Psicolgico se sienta libre para

reconocer y elaborar sus experiencias y sentimientos como l cree que debe de
hacerlo, y no como lo crea otra persona, pues, en definitiva, esta alienacin del S.
psicolgico respecto de su experiencia vivida puede derivar en la formacin de
una personalidad neurtica.

De cualquier modo, lo dicho hasta el momento es susceptible de revisin o

rechazo de acuerdo con las experiencias obtenidas en un laboratorio preparado al
efecto. En definitiva, la disyuntiva planteada inicialmente, persiste: se trata de
decidirse por un aprendizaje robotizador o ms bien por un aprendizaje
personalizador, y esta eleccin debe ser efectuada por el psiclogo educador o
experimentador.

2.2. Tratamiento sistmico

En todo aprendizaje, se da un ingreso o entrada de informaciones en

el ms amplio sentido de la expresin. Recordar, en cambio, como tambin
re-conocer o re-producir, constituyen una salida o gasto. Durante el
perodo o lapso de tiempo que media entre ingreso y gasto, los informes deben
ser conservados o almacenados, cumpliendo una fase que puede ser breve o
larga. Por otra parte, un S. psicolgico que aprendi algo ya no puede ser nunca
el mismo, experimentando una transformacin, o si se quiere, una implicacin
alterativa en su estructura: muchas respuestas quedarn condicionadas por las
modificaciones operadas en el sistema por el aprendizaje, considerado como
input del mismo.

Considerar el aprendizaje y el recuerdo como un ingreso, un

almacenamiento y un gasto de informacin tiene la ventaja (que es importante)
de poderlos comparar, por un lado, con los influjos hereditarios o genticos, y,
por otro, con el ordenador.

En el mbito de la herencia, la recepcin o ingreso (input) toma la forma

de modificacin bioqumica cromosomtica. Adems, las semejanzas y
diferencias entre los mtodos de almacenaje propios del cerebro humano (que
constituye un elemento capital del S. psicolgico) y los de los ordenadores
fabricados por el hombre, no estriban slo en la cantidad de informacin que son
capaces de acumular y retener: la manera de almacenar y la ingente variedad de
mtodos de recuperacin de datos de que dispone el cerebro muestran que ste
posee medios de codificacin muy complejos que, en los albores del siglo XXI,
an no se han logrado superar por la tecnologa constructiva de los ordenadores
electrnicos.

115
EL ESTUDIO SISTMICO DE LA PSICOLOGA

Se cree que las teoras sobre el aprendizaje constituyen, hoy por hoy, una de
las partes ms abstrusas de la Psicologa, debido a los esfuerzos que se han hecho
para fundamentarlas en unas bases muy precisas, matemtica y
experimentalmente. Pero, a mi entender, este esfuerzo era necesario para ordenar
y profundizar en los mtodos, y tambin conveniente para racionalizar esta
ciencia social.

Thorndike4 traslad al campo de la pedagoga ciertos descubrimientos

suyos en el estudio de la conducta de ciertos animales, elaborando as sus
conocidas tres leyes del aprendizaje: ley del ejercitamiento, ley de la conexin
asociativa, y ley del efecto. Se comprueba, entonces, que la relacin estmulo-
respuesta tiene lugar a diferentes niveles del sistema nervioso (que es un
subsistema o elemento del S. psicolgico).

En las curvas de aprendizaje, se van midiendo en el eje de abscisas los

sucesivos experimentos, y, en el de ordenadas, o bien los aciertos, o bien el
tiempo, o bien el nmero de errores cometidos en cada prueba.
Consecuentemente, el hecho de que una curva de aprendizaje suba o baje es
arbitrario, y depende de la clase de unidad elegida. Para trazarla no es preciso que
en cada prueba individual haya una serie continua de aciertos: los valores que se
obtengan a intervalos bastarn, por lo comn. En la prctica, dichas curvas
resultan ser de tres tipos diferentes:

a) Negativamente acelerada: son mayora. Aprendizaje rpido al principio,

y disminucin conforme aumenta el nmero de pruebas.
b) Positivamente acelerada: caso inverso del anterior.
c) Configuracin sigmoide: positiva aceleracin inicial y negativa
aceleracin final.

El plateau es una parte llana de algunas curvas que representa una fase en
que en la capacidad discente del S. psicolgico existe una limitacin temporal o
permanente. Pueden aparecer en distintas fases de la curva, y de su estudio se
deduce que durante sus perodos de aparicin posiblemente se incube o potencie
una mayor capacidad de aprender: todo ello conduce al desvelamiento de la
estructura del sistema, o problema planteado en la black-box.

4
Edward Lee Thorndike (31 de agosto de 1874 - 9 de agosto de 1949) fue un psiclogo estadounidense.
Su trabajo, estudiando la conducta de los animales, le condujo a la teora del conexionismo. Naci en
1874 en una familia protestante de confesin metodista (su padre era pastor de una de estas iglesias), que
hizo de la disciplina y la austeridad el signo de los primeros aos de su vida. Ingres en la Universidad
Wesleyana de Connecticut, donde se licenci en 1895, pasando luego a la Universidad de Harvard, donde
tuvo como maestro a William James. Sus investigaciones con polluelos las hizo en el mismo stano de
James. En principio, se interes por la comunicacin mediante gestos inconscientes (debido a la
informacin que le lleg sobre un caballo que realizaba operaciones aritmticas). Tras Harvard, fue tutor
en la Universidad de Columbia, en Nueva York, donde se doctor en 1898. Continu enseando en
Columbia hasta su jubilacin en 1941. Muri en 1949.

116
 CAPTULO 5

El estudio del individuo como sistema viene confirmado cuando un hecho

de comportamiento queda explicado al demostrarse que es deducible a partir de
las condiciones que lo anteceden.

Hay tericos que mantienen que todo aprendizaje se adapta a algn tipo
particular de condicionamiento (recordemos el caso del perro de Pavlov, ya
referido). Una respuesta condicionada se ha vinculado a un determinado
estmulo; pero aquella, no puede ser ms que un elemento componente de la
respuesta incondicionada. El efecto de sus interacciones alcanza, a nuestro modo
de ver, una elevada representatividad en el campo de la Teora General de
Sistemas.

Un aspecto digno de juicio es, as mismo, el de la personal expectacin del

que aprende con respecto a las consecuencias de cualquier cosa que haga por
aprender. Estas esperanzas pueden entraar diversos grados de confianza o
probabilidad subjetiva de alcanzar el xito. Esquemticamente, lo enunciado
podramos representarlo as:

RESULTADO
PREMIO O PROBAB. E.M.subjetiva
ACCIONES GANANCIA SUBJETIVA o valor medio

A X AX X AX

B Y BY Y BY

Z C
Z
C Z CZ

Como puede observarse, actuamos en un modelo probabilstico de

funciones discretas. Entendiendo la esperanza matemtica subjetiva como el
producto de la probabilidad subjetiva por el resultado de una determinada accin
(premio o ganancia), veamos que la decisin ptima vendr determinada por la
mayor esperanza matemtica subjetiva Ej de n casos distintos, a saber:

i { 1 , 2 , ..., n }
n j / j > E i, ;
j { 1 , 2 , ..., n }
siendo Ej = E. M. ptima.

En todo caso, se trata de aplicar la teora matemtica de los juegos de

estrategia en la eleccin de un criterio ptimo. En principio, el desconocimiento
o aleatoriedad de los fenmenos de aprendizaje pueden conducir al psiclogo

117
EL ESTUDIO SISTMICO DE LA PSICOLOGA

experimentador a plantearse ciertos juegos contra la naturaleza, vindose

obligado, si se acepta esta proposicin, a imaginar que la naturaleza toma
automticamente el estado que le va a ser ms desfavorable al S. gestor, como
supone implcitamente el criterio de Von Newmann.

2.3. La dicotoma: Adaptacin Aprendizaje

Un Sistema psicolgico no puede sobrevivir en un contexto en movimiento

ms que cuando es capaz de evolucin, es decir, de adaptacin a las
modificaciones del universo que lo rodea. Normalmente, el mecanismo de
adaptacin podra ser, en nuestra opinin, el de la prueba-error (trial-errors),
consistente en los siguientes estadios:

a) Seleccionar un estado.
b) Comprobar los resultados.
c) Conservar la solucin si resulta satisfactoria (es decir, si las V.C.
toman los valores deseados). En caso contrario, procede:
d) Seleccionar otro estado, hasta llegar a una solucin aceptable (estados de
la zona de estabilidad).

Ahora bien, si la duracin de la bsqueda de estas zonas de estabilidad es

incompatible con la cadencia de modificacin de perturbaciones, el S.
psicolgico siempre se encontrar retrasado y en desequilibrio. Ah aparece el
papel del control y de la regulacin, situados entre el sistema y el universo,
consistente aqul en la bsqueda de zonas de estabilidad, con la rapidez
adecuada, en funcin de la informacin que recibe del S. exterior.

La rapidez de adaptacin depende de la variedad y repeticin de las

influencias exteriores, pero est favorecida por la capacidad de aprendizaje.
Es lo que ocurre cuando el S. Psicolgico, frente a un grupo de variables de
entrada U, halla los valores de las V.A. (variables de accin) que permiten lograr
y mantener los objetivos con ms rapidez que, cuando en el pasado, recibi el
mismo grupo U de V.E. Entonces, podremos afirmar que el S. Psicolgico ha
aprendido.

As pues, la adaptacin es la facultad de seguir las evoluciones futuras, y

el aprendizaje, la facultad de utilizar los efectos procedentes de las
adaptaciones pasadas.

A raz de todo ello, surgen unas cuantas definiciones y clasificaciones en

las que pueden encontrarse los S. psicolgicos, a saber:

1 S. sub - organizado: es aqul en que el acoplamiento entre dos

elementos es muy dbil. Como consecuencia de ello, la informacin circula
muy lentamente o incluso no circula: la adaptacin, por tanto, es lenta en
manifestarse, quedando, adems, muy localizada. De este modo, el S. se

118
 CAPTULO 5

organiza en una yuxtaposicin de sub-sistemas independientes, o muy

dbilmente acoplados, que permanecen inmviles (puesto que las
informaciones y/o perturbaciones no llegan). El aprendizaje se convierte,
entonces, en rutina, por falta de luchar contra situaciones nuevas.
2 S. super - organizado: es aqul en que todo elemento reacciona sobre
todos los dems, ocasionando, su carencia, serios trastornos.
3 S. muy fuertemente acoplado: es aqul en que todos sus elementos
estn ligados entre s.

Probablemente, los S. variables y eficaces se encuentran entre los extremos

anteriormente citados.

3. Comunicacin

El ser humano, como es sabido, es un animal social: su sociabilidad es parte

de su herencia biolgica, lo cual significa que, por naturaleza, el hombre y la
mujer viven relacionndose con otros hombres y/o mujeres, con los que forma
diversos grupos, entre ellos el de la familia, institucin de la que se ha llegado a
afirmar que constituye la clula de la sociedad.

Toda agrupacin es aparte de otros conceptos que por razones obvias de

espacio no podemos tratar en este estudio un sistema de comunicaciones de
variable eficacia. Para que la comunicacin dentro de un mismo grupo o sistema
(caja negra o black box) o entre dos ms (contexto general) resulte eficiente,
deben cumplirse ciertas condiciones, algunas de las cuales son relativas a los
mensajes mismos, y constituyen una problemtica tpicamente psicolgica.

La comunicacin social se realiza cuando un emisor transmite informacin

a un receptor. Pero esto slo puede ocurrir respecto de algo acerca de lo cual el
receptor est inseguro; de lo contrario, normalmente, no vendran a aumentrsele
los informes que ya poseyera con anterioridad. La inseguridad (o duda) equivale
en el lenguaje que nos interesa en el presente trabajo a la presencia de
alternativas, y el grado de duda del receptor puede medirse por el nmero de
alternativas u opciones que se le ofrecen para elegir. Pueden surgir, as mismo,
problemas de cuantificacin para averiguar cunto es lo que se debe transmitir
para que el mensaje se comunique completo, sin menoscabos de ninguna clase.

Por otra parte, resulta un hecho evidente y, en todo caso, demostrable, que
las respuestas postreras de varios sistemas encadenados por una
comunicacin van perdiendo su intensidad inicial (amn de experimentar unas
modificaciones estructurales que aqu no pueden incumbirnos). En los rumores
artificiales, creados por un experimentador, se demostr que estas prdidas son
de cerca de 1/3 del contenido, por trmino medio, cuando el rumor se transmite
de la 1 persona o sistema al 2 sistema. Prodcese una ulterior prdida
proporcional, ms bien pequea, al transmitrselo el 2 sistema al 3, y otra
prdida cuando el rumor pasa al 4 sistema. Posteriormente, se va conservando,

119
EL ESTUDIO SISTMICO DE LA PSICOLOGA

poco ms o menos, alrededor de un 30% de la informacin original. Esta especie

de transmisin en serie de un sistema a otro pueda producirse en cuestin de
minutos, y la continua prdida de informacin resulta comparable a la prdida de
memoria individual correspondiente a un perodo de 2-3 semanas. Es decir: que
el 1er sistema reproducira al cabo de aproximadamente 15 das la misma
informacin o fraccin del mensaje original que el 5 sistema de la serie podra
reproducir al cabo de hora de haberse iniciado la comunicacin.

El universo burocrtico se caracteriza por presentar un tipo de

comunicacin en cadena. Sin embargo, cuando hablamos de una dictadura
pensamos en otro tipo de comunicacin: en estrella (confluencia), desde
cuyo centro una autoridad irradia rdenes indiscutibles a sus subordinados. Un
anillo comercial significa que los miembros que lo constituyen poseen
privilegios, de los que estn excluidos los que no pertenecen a l. Los ejrcitos,
universidades, partidos polticos, fbricas y talleres, bancos y cajas de ahorro,
individuos aislados..., constituyen sistemas con redes de comunicacin
caractersticas.

Pues bien, considerando ahora 5 sistemas (A, B, C, D, E) psicolgicos

intercomunicables, representemos esquemticamente los diversos tipos
expuestos:

A A
A B A
E B B
E B C
D C C E
C D
D D

E
CIRCULO BIFURCACION CONFLUENCIA
(ANILLO) CADENA (HORCA) (ESTRELLA)

FIG. 5.1. Tipos de comunicacin entre los sistemas.

Vamos ahora a analizar separadamente cada uno de ellos:

En el CRCULO o ANILLO, cada S. psicolgico (individuo o conjunto

de ellos) puede comunicarse con sus vecinos posicionales de ambos lados.

En la CADENA, A no puede comunicarse con E ni tampoco vice-versa

pues, de lo contrario, las condiciones seran las mismas que las del crculo o
anillo; A y E constituyen, en definitiva, los eslabones extremos de una
CADENA.

120
 CAPTULO 5

La HORCA o BIFURCACIN es una cadena de 4 miembros:

A B C D, siendo reemplazado el D E de la cadena por el C E.

La CONFLUENCIA o ESTRELLA, por ltimo, se distingue por tener

un miembro central B a travs del cual deben ir pasando todos los mensajes.

Se realizaron experiencias con las 4 disposiciones anteriormente reseadas,

establecindose una marca de velocidad, errores y nmero de mensajes o
respuestas transmitidas. La mayora de los errores observados fueron
cometidos por el tipo CRCULO, y el menor nmero de ellos por los tipos
HORCA y CONFLUENCIA (aunque este ltimo daba, a su vez, menos mensajes
que el CRCULO). Hubo pocas diferencias entre las disposiciones en cuanto a la
velocidad con que se emitieron los outputs (respuestas).

Observemos, ahora, un ejemplo de modelo de comunicacin pblica, tal

como el del trfico. El conductor constituye un sistema psicolgico que va
recibiendo continuamente informacin en su mayor parte visual del trfico que
le rodea. Hasta qu punto debe depender de esta avalancha de informes visuales
y sonoros lo comprender dramticamente si cierra los ojos por unos momentos
mientras conduce su vehculo. Pero no slo debe absorber informacin mucha
de la cual no va primordialmente dirigida al sistema sino que, adems, ha de
transmitir mensajes a otros sistemas (conductores y peatones de las
proximidades) empleando un cdigo reconocido de seales visuales y auditivas o
acsticas.

Conclusin: El ser humano, considerado como sistema, recibe,

almacena y transmite informes emotivos e intelectuales. Y l mismo, como
individuo, constituye, en s, un S. de autocomunicacin: en efecto, no toma
muchas veces el pensar como forma de conversacin interior?. Pero esta ltima
proposicin queda velada por el problema de black-box.

Por otra parte, y a nuestro entender, uno de los cometidos principales del
psiclogo es medir la cantidad de informacin recibida por un individuo o
sistema en unidades subjetivas (que son distintas de las objetivas). Y es por
todo ello que la aplicacin de la Teora General de Sistemas a este apartado
psicolgico se nos antoja altamente interesante.

4. Eleccin y Valoracin

4.1. Introduccin

Como ya hemos apuntado anteriormente en el segundo epgrafe del

presente captulo, en la eleccin racional puede aplicarse la teora de los juegos
de estrategia, conocida tcnica matemtica de la Investigacin Operativa que nos
determinar, bajo unas condiciones dadas, la eleccin ptima, tras la eleccin

121
EL ESTUDIO SISTMICO DE LA PSICOLOGA

subjetiva de un cierto criterio de juego que vendr implicada por la actitud del
jugador o sistema psicolgico.

Sin embargo, frecuentemente, el problema del psiclogo no es tanto el

hallazgo de una eleccin ptima como el estudio o anlisis de una eleccin
determinada, ya previamente realizada por un individuo o Sistema. Y este
segundo problema posee profundas implicaciones psicolgicas cuyo estudio no
constituye objeto del presente libro.

4.2. El planteamiento histrico del problema

Posiblemente, sea justo resaltar, por encima de cualquier otra apreciacin,

desde el punto de vista operativo, el hecho de que los matemticos suizos
Cramer5 (1704-1752) y Bernouilli6 (1700-1782) hicieran notar que el valor o
utilidad que, subjetivamente, asignamos al aumento de nuestro capital, va
disminuyendo con cada adicin sucesiva.

Ahora bien, mientras Cramer supuso que la utilidad de cada unidad

adicional es inversamente proporcional a la utilidad del nmero de unidades que
ya se poseyeran, Bernouilli supuso que es inversamente proporcional al nmero
de unidades ya posedas antes del aumento. Por otra parte, segn Cramer, la
utilidad de nuestra riqueza crece como la raz cuadrada de su cantidad, mientras
que, segn Bernouilli, dicha utilidad aumenta como el logaritmo de nuestra
riqueza.

Veamos, esquemticamente, ambas concepciones. Siendo:

P unidades de valor

U utilidad

H riqueza

Ki, Kj constantes

5
Gabriel Cramer trabaj en Anlisis y determinantes. Lleg a ser profesor de matemticas en Ginebra y
escribi un trabajo donde relataba la historia de la fsica. Tambin destac en geometra y en la historia de
las matemticas. Cramer es ms conocido por su trabajo en el estudio de matrices, sistemas de ecuaciones
y determinantes, pero tambin hizo contribuciones notables en el estudio de las curvas algebraicas (1750).
6
Daniel Bernouilli fue el segundo hijo de Johann Bernouilli y sobrino de Jacob Bernouilli, hermano a su
vez de Nicols y Johann. En el ao 1725, Daniel y su hermano Nicols fueron invitados a trabajar en la
Academia de Ciencias de St. Petersburg. All colabor con Leonard Euler, quien lleg a St. Petersburg en
el ao 1727. En el ao 1731 Daniel extendi sus investigaciones para cubrir problemas de la vida y de la
estadstica de la salud. En 1733 Daniel regres a Basilea donde ense anatoma, botnica, filosofa y
fsica. Su trabajo ms importante fue en hidrodinmica, en que consideraba las propiedades ms
importantes del flujo de un fluido, la presin, la densidad y la velocidad y dio su relacin fundamental
conocida ahora como Principio de Bernouilli o Teora Dinmica de los Fluidos. Tambin estableci la
base de la teora cintica de los gases. Entre los aos 1725 y 1749 gan diez premios por sus trabajos en
astronoma, gravedad, mareas, magnetismo, corrientes del ocano y el comportamiento de los buques.

122
 CAPTULO 5

Las dos concepciones anteriormente expresadas son las siguientes:

K ic
CRAMER U ( P + 1) = U ( H ) = K cj H
U (1 + 2 + ... + P )

K iB
BERNOUILLI U (P + 1) = U (H ) = K B
j log H
P

De hecho, ni Cramer ni Bernouilli adujeron pruebas concluyentes en

apoyo de sus respectivas hiptesis. Y la nica que, desde entonces, se ha
aportado (por parte de E. H. Galanter), ms bien parece dar la razn a Cramer
(pareci poder deducirse que para duplicar la felicidad del individuo hara falta
cuadruplicar el regalo).

El principio expuesto de Cramer Bernouilli posee importantes

consecuencias y derivaciones en la Psicologa de lo econmico (fijacin del
aumento de los salarios por parte del empresario o Convenio Colectivo sindical,
segn la apreciacin subjetiva del obrero; fijacin del aumento de impuestos por
parte del ministerio de Hacienda, del Parlamento o del Plenario municipal, de
modo que el contribuyente apenas lo advierta).

4.3. Utilidad y conducta del sistema psicolgico

El punto de partida acostumbrado en el estudio de la conducta del

consumidor es el postulado de su racionalidad. Se supone que el sistema
consumidor escoge entre todas las alternativas de consumo posibles, de modo
que la satisfaccin obtenida de los bienes elegidos (en el ms amplio sentido) sea
lo mayor posible. Esto implica que se da cuenta de las alternativas que se le
presentan y que es capaz de valorarlas. Toda la informacin relativa a la
satisfaccin que el consumidor obtiene de las diferentes cantidades de bienes por
l consumidos, se halla contenida en su funcin microeconmica de utilidad.

El concepto de utilidad y su maximizacin hllase vaco de todo significado

sensorial. El aserto de que un cierto consumidor/a experimente, por ejemplo,
mayor satisfaccin o utilidad por la adquisicin de un automvil que de un
conjunto de vestidos, significa que si se le presentase la alternativa de recibir
como regalo un automvil o un conjunto de vestidos elegira lo primero. Algunos
bienes o servicios que son necesarios para sobrevivir, como una vacuna cuando
se declara una epidemia o sangre ante la perentoriedad de una transfusin,
pueden resultar para el consumidor de mxima utilidad, aunque el acto de
consumirlas no lleve precisamente anexa ninguna sensacin agradable, como por
ejemplo un molesto pinchazo.

Los economistas del siglo XIX W. Stanley Jevons, Len Walras y Alfred
Marshall consideraban la utilidad medible, al igual que es medible el peso de los
objetos, presumiendo que el consumidor posea una medida cardinal de la

123
EL ESTUDIO SISTMICO DE LA PSICOLOGA

utilidad, y siendo capaz de asignar a cada bien o combinacin de ellos un nmero

representando la cantidad de utilidad asociada con l. Los nmeros que
representaban cantidades de utilidad podan manipularse del mismo modo que
los pesos de los objetos. As, si la utilidad de A es de 15 unidades, y la de B es
de 45 unidades, el S. consumidor preferira tres veces ms B que A. Las
diferencias existentes entre los ndices de utilidad podran compararse o
relativizarse, y la comparacin podra llevar a razonamientos curiosos tales
como: A es preferible a B dos veces lo que C es preferible a D.

Tambin se supuso que las adiciones a la utilidad total del consumidor,

resultantes del consumo de nuevas unidades de un producto o servicio,
disminuan cuanto ms se consumiese del mismo, algo as como la ley de los
rendimientos decrecientes en agricultura. Entonces, la conducta del S.
consumidor puede deducirse fcilmente con el siguiente razonamiento: no
aumentar el consumo de un producto si el aumento en una unidad involucra
una prdida neta de utilidad; slo aumentar su consumo si con ello realiza una
ganancia neta de utilidad. Este es el sentido en el que la teora predice la
conducta del consumidor.

Las hiptesis sobre las que est construida la teora cardinal de la utilidad
son muy restrictivas: se pueden deducir conclusiones equivalentes partiendo de
hiptesis mucho ms dbiles. Por este motivo, no hay por qu suponer que el S.
consumidor posee una medida cardinal de la utilidad, o que dicha utilidad
marginal disminuye a medida que se aumenta el consumo de un producto.

Si el S. consumidor obtiene mayor utilidad de una alternativa A que de una B,

se dice que prefiere A a B7. El postulado de la racionalidad equivale a la
formulacin de las cuatro siguientes afirmaciones:

1 En cada posible par de alternativas A y B , el S. consumidor sabe si

prefiere A a B , B a A , o est indeciso entre ellas.
2 Slo una de las tres posibilidades anteriores resulta verdadera para cada
par de alternativas.
3 Si el consumidor prefiere A a B, y B a C, tambin preferir A a C, como
aplicacin lgica de la propiedad transitiva. Esta ltima afirmacin garantiza
que las preferencias del S. consumidor son consistentes o transitivas.
Efectivamente, si se prefiere un automvil a un vestuario y ste, a su vez, a un
tazn de sopa, tambin se preferir un automvil a un tazn de sopa.
4 Si se considera, por ltimo, que A es preferible a B y B es preferible a A y
que, como consecuencia de ello, las preferencias del S. consumidor hacia A y B
son las mismas, nos hallaremos en presencia de una relacin de orden estricto
desde el punto de vista de la Teora de Conjuntos.

7
Una cadena de definiciones debe detenerse alguna vez. La palabra o tiempo verbal prefiere (tercera
persona del singular del presente de indicativo) se podra definir en el sentido de gusta ms que, pero
entonces esta ltima expresin tendra que dejarse, a su vez, sin definir. El trmino preferir est huero
de cualquier significado relacionado con un determinado placer sensorial.

124
 CAPTULO 5

El postulado de la racionalidad, tal como acaba de establecerse, solamente

requiere que el consumidor sea capaz de clasificar los bienes y servicios en
orden de preferencia. El S. psicolgico posee una medida de la utilidad ordinal, o
sea, no precisa ser capaz de asignar nmeros que representan (en unidades
arbitrarias) el grado o cantidad de utilidad que obtiene de los artculos: su
clasificacin de los mismos se expresa matemticamente por su funcin de
utilidad, que no es nica y se supone continua, as como su primera y segunda
derivadas parciales, al tiempo que asocia ciertos nmeros con varias cantidades
de productos consumidos; pero estos nmeros suministran slo una clasificacin
u orden de preferencia. Si la utilidad de la alternativa A es 15, y la de B es 45
(esto es, si la funcin de utilidad asocia el nmero 15 con la alternativa o bien A
y el nmero 45 con la alternativa B), slo puede decirse que B es preferible a A ,
pero resulta absurdo colegir que B es tres veces preferible a A .

Esta nueva formulacin de los postulados de la teora del consumidor no se

produjo hasta finales del siglo XIX. Es notable que la conducta del S.
consumidor pueda explicarse tan correctamente en trminos de una funcin de
utilidad ordinal como en los de una cardinal. Intuitivamente, puede observarse
que las elecciones del consumidor estn completamente determinadas si se posee
una clasificacin y slo una de los productos, de acuerdo con sus preferencias.
De este modo, podemos imaginar al S. psicolgico poseyendo una lista de
productos en orden decreciente de deseabilidad; cuando percibe su renta
disponible, empieza comprando los productos que encabezan dicha lista, y
desciende tanto como le permite dicha renta8. Por lo tanto, no es necesario
presumir que el S. psicolgico posee una medida cardinal de la utilidad; es
suficiente con sostener la hiptesis, mucho ms dbil, de que posee una
clasificacin consistente de preferencias9.

4.4. Modelos de eleccin

4.4.1. Concepto

Resulta factible proponerse distintos modelos tericos de eleccin. Los

procedentes de la matemtica estadstica pueden basarse en el supuesto de que el
que elige, o S. psicolgico, es hombre que discurre (inteligente y prudente) y, en
consecuencia, se le presentan varias tcticas racionales a seguir. Dichos modelos
son los que estudia la Teora de los Juegos de estrategia, y que ya he citado
anteriormente.

Sospecho, sin embargo, que los modelos de eleccin ms eficientes desde el

punto de vista psicolgico deben ser construidos para explicar y predecir el

8
Resulta irrelevante cunto se apetece un artculo concreto de la lista; siempre se escoger el artculo que
ocupe en ella un lugar ms elevado.
9
Vide HENDERSON-QUANDT en Microeconomic Theory (A mathematical approach). Hay traduccin
al castellano en Ed. Ariel. Barcelona, 1962. Citado en la bibliografa.

125
EL ESTUDIO SISTMICO DE LA PSICOLOGA

comportamiento real de quien elige: la forma de actuar preferida es aquella con

la que, subjetivamente, parezca que el valor o la utilidad resultarn mayores. En
el fondo se trata de juegos contra la naturaleza, a resolver por el Criterio de
Laplace o de igual verosimilitud. Al ser conocidas las probabilidades de los
diferentes estados posibles de la naturaleza (probabilidades subjetivas), se
utilizar el criterio de la esperanza matemtica mxima (si es matriz de
utilidades) o mnima (si es matriz de penas o lamentos), reduciendo la matriz
del juego a una matriz o vector columna.

No se trata, por tanto, de escoger simplemente entre dos objetos

cualitativamente distintos, sino de elegir entre la oportunidad de sacar un
provecho y la de sacar otro (y este hecho viene a complicarse con la aparicin de
las probabilidades subjetivas).

4.4.2. Un ejemplo belicoso

Vamos a presentar, a continuacin, un supuesto que puede ser real en una

confrontacin armada (ojal no se produjera nunca!). Un mando militar ignora si
el mando militar enemigo emplear, en la batalla que se avecina, las siguientes
fuerzas:

x (3 brigadas de infantera y 1 acorazada).

y (2 brigadas de infantera y 2 acorazadas).

El mando militar acta como un S. psicolgico. Las dos realidades posibles

son x e y , y el mando piensa que las probabilidades subjetivas son:

x = 1/4
.
y = 3/4

Los resultados posibles de la batalla que se prepara son tres:

V (victoria)
I (resultado indeciso) ,
D (derrota)

y el mando las valora as, segn las utilidades respectivas:

U (V) = 3
U (I) = 2
U (D) = -1

126
 CAPTULO 5

A su vez, el mando militar puede disponer sus tropas de 2 modos distintos:

a V
, y sabe que su probabilidad subjetiva respecto de: I , se ha
b D

ax
de resolver en cada una de las siguientes combinaciones posibles: ay .
bx
by

Finalmente opta por a o por b segn a cul de estos modos se corresponde

la mayor utilidad esperable, habida cuenta de su valoracin de las probabilidades
de x y de y en el estado actual de la situacin. Se pueden representar los valores
hipotticos de la probabilidad subjetiva del mando (), tocante a la victoria,
empate y derrota, respectivamente, en cada una de las 4 combinaciones citadas,
como sigue a continuacin:

VALORES

de la victoria (V) del empate (I) de la derrota (D)

(U = 3) (U = 2) (U = -1)

ax 03 02 05 10
ay 04 03 03 10
bx 03 03 04 10
by 01 06 03 10

FIG. 5.2. Valores hipotticos de la probabilidad subjetiva del mando.

El mando militar comparar, ahora los clculos para a con los de b,

siguiendo el criterio de eleccin de la esperanza matemtica o valor medio
mximos (pues se manejan utilidades).

Y as, obtendremos lo siguiente:

1
(E.M.) a = [3 0'3 + 2 0'2 + (-1) 0'5] + 3 [3 0'4 + 2 0'3 + (1) 0'3] =
4 4
= 0'200 + 1'125 = 1'325

Tambin:

1
(E.M.)b = [3 0'3 + 2 0'3 + (1) 0'4] + 3 [3 0'1+ 2 0'6 + (1) 0'3] =
4 4
= 0'275+ 0'900= 1'175

127
EL ESTUDIO SISTMICO DE LA PSICOLOGA

De este modo, racionalmente, el mando militar debe disponer sus tropas

del modo a, dado que, como hemos comprobado:

(E. M.)a > (E. M.)b .

128
 CAPTULO 6

CAPTULO 6
De inters para el psiclogo
experimentador

1. Los albores de la psicologa experimental

1.1. Introduccin

Podramos definir la psicologa experimental como la aplicacin de un

conjunto de tcnicas de laboratorio, semejantes a las de las ciencias naturales,
para el estudio del comportamiento y los fenmenos psquicos, entre los que se
incluyen elementos de estudio tradicionales de la psicologa, como la percepcin,
la memoria, el pensamiento, el aprendizaje y la resolucin de problemas. La
psicologa experimental es una aproximacin que considera que los fenmenos
psicolgicos pueden ser estudiados por medio del mtodo experimental. El
mtodo experimental implica la observacin, manipulacin y registro de las
variables (dependiente, independiente e intervinientes) que afectan un objeto de
estudio. En la medida en que el uso del mtodo experimental garantiza una
prctica cientfica, la parte ms cientfica de la psicologa se identifica
precisamente con la psicologa experimental.

El trmino psicologa experimental se refiere ms a una clasificacin de

la psicologa en trminos metodolgicos y no en trminos substantivos. Por lo
tanto, cualquier escuela o corriente psicolgica que utilice el mtodo
experimental es considerada como parte de la psicologa experimental,
independientemente de las consideraciones epistemolgicas sobre su objeto de
estudio. reas como la percepcin, el aprendizaje y la cognicin han sido
estudiadas tradicionalmente con el mtodo experimental.

Pues bien, hemos credo conveniente realizar una sntesis histrica, al

comienzo del presente captulo de nuestro libro, sobre los inicios de la Psicologa
experimental que, por razones obvias, tambin puede resultar de gran inters para
el psiclogo experimentador.

1.2. Los siglos XVII y XVIII: la epistemologa de la mente

Siguiendo el trabajo de Robert H. Wozniak (Mente y cuerpo: de Ren

Descartes a William James), veamos que de acuerdo con la opinin aceptada
mayoritariamente1, la psicologa cientfica tuvo su comienzo en Alemania en la
forma de una psicologa fisiolgica nacida del matrimonio entre la filosofa de la
mente, por un lado, y la fenomenologa experimental enraizada en la fisiologa
1
Vide Boring, E.G. (1950). A History of Experimental Psychology. New York: Appleton-Century-Crofts,
Inc.

129
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

sensorial, por otro. La psicologa filosfica, preocupada por el problema

epistemolgico de la naturaleza de la mente cognoscente en relacin al mundo
conocido, aport cuestiones fundamentales y estructuras explicativas; la
fisiologa sensorial y en cierto grado la fsica contribuyeron con los mtodos
experimentales y un creciente cuerpo de datos fenomenolgicos.

En una versin de esta historia que puede ser rastreada al menos hasta
Ribot2, la epistemologa de los siglos XVII y XVIII culmin en la obra de
Immanuel Kant3, quien neg la posibilidad de que la psicologa llegara a ser una
ciencia emprica por dos causas:

1) Puesto que los procesos psicolgicos varan en una sola dimensin, el

tiempo, no pueden ser descritos matemticamente.

2) Puesto que los procesos psicolgicos son internos y subjetivos, Kant

afirm tambin que no podan ser medidos.

Obviamente, las anteriores consideraciones del genio de Knigsberg

resultaron, con el tiempo, errneas. No obstante, tanto la corriente del empirismo
como la del racionalismo van a confluir en Kant. El empirismo acab en David
Hume (1711-1776) en escepticismo fenomista. El racionalismo culmin en
Leibnitz (1646-1716), cuyas doctrinas sistematizadas y trivializadas por su
discpulo Christian Wolff, acabaron en un dogmatismo racionalista. Kant,
influido sucesivamente por sta y por aquella tendencia, intenta superarlas
fundindolas en su apriorismo, en el que seala a la experiencia y a la razn el
papel preciso que desempean en el conocimiento. Al mismo tiempo, intenta
superar el escepticismo y el dogmatismo con su criticismo, sometiendo a un
severo examen las facultades cognoscitivas del ser humano y sealndoles, en
tajantes lmites, lo que pueden y lo que no pueden. Para lograr una exacta
comprensin de Kant y de su pensamiento, no hay que olvidar tampoco el

2
Vide Ribot, T. (1879). La psychologie allemande contemporaine ... Paris: Librairie Germer Baillire et
Cie. [ENG: (1886). German Psychology of To-Day. New York: Charles Scribner's Sons.]
3
Immanuel Kant naci en 1724 y muri en 1804; filsofo alemn, considerado por muchos como el
pensador ms influyente de la era moderna. Nacido en Knigsberg (ahora, Kaliningrado, Rusia) el 22 de
abril de 1724, Kant se educ en el Collegium Fredericianum y en la Universidad de Knigsberg. En la
escuela estudi sobre todo a los clsicos y en la universidad, fsica y matemticas. Tras la muerte de su
padre, tuvo que abandonar sus estudios universitarios y ganarse la vida como tutor privado. En 1755,
ayudado por un amigo, reanud sus estudios y obtuvo el doctorado. Despus, ense en la universidad
durante 15 aos, y dio conferencias primero de ciencia y matemticas, para llegar de forma paulatina a
disertar sobre casi todas las ramas de la filosofa. Aunque las conferencias y escritos de Kant durante este
periodo le dieron reputacin como filsofo original, no se le concedi una ctedra en la universidad hasta
1770, cuando se le design profesor de lgica y metafsica. Durante los 27 aos siguientes continu
dedicado a su labor profesoral y atrayendo a un gran nmero de estudiantes a Knigsberg. Las enseanzas
religiosas nada ortodoxas de Kant, que se basaban ms en el racionalismo que en la revelacin divina, le
crearon problemas con el Gobierno de Prusia y en 1792 Federico Guillermo II, rey de esa nacin, le
prohibi impartir clases o escribir sobre asuntos religiosos. Kant obedeci esta orden durante cinco aos,
hasta la muerte del rey, y entonces se sinti liberado de su obligacin. En 1798, ya retirado de la docencia
universitaria, public un eptome donde se contena una expresin de sus ideas de materia religiosa.
Muri el 12 de febrero de 1804.

130
 CAPTULO 6

impacto causado en l por el xito de la Fsica galileo-newtoniana y que su vida

se desarroll en plena poca de la Ilustracin.

Para Kant, la funcin propia del entendimiento es la facultad de juzgar,

esto es, unir en la sntesis judicativa los conceptos puros a los datos de la
experiencia, mientras que la funcin propia de la razn es concluir, o sea, llegar a
los ltimos resultados. Las sntesis finales a las que se aspira constituyen las
ideas de la razn. El ser humano aspira a la sntesis de todos los fenmenos
materiales: sta es la idea del mundo como totalidad.

De cualquier modo, veamos que el pensamiento de Kant desempea un

papel insoslayable en la historia de la filosofa; criticista en materia de
conocimiento, rigorista en moral y apto para pensar la belleza. Su idealismo
trascendental abre la va al idealismo subjetivo de Fichte (1762-1814), al
idealismo objetivo de Schelling (1775-1854) y al idealismo absoluto de Hegel
(1770-1831). Kant es el fundador de la filosofa alemana; resulta imposible, ni
siquiera hoy, filosofar sin topar con la profundidad de su pensamiento aqu o all,
a la vuelta de cualquier camino, en cualquier esquina, como en el caso de la
psicologa que hoy nos ocupa.

Sobre las contribuciones en este campo de los grandes empiristas ingleses

(Locke, Berkeley y Hume) ya hemos tenido ocasin de comentar ms
especficamente en el captulo 5 de nuestro libro, por lo que las obviaremos aqu.

David Hartley (1705-1757) naci en Luddenden, Halifax, Inglaterra, y fue

educado en el Jesus College de Cambridge. En 1749, public su obra en dos
volmenes titulada Observations on Man. Aunque el principio general de la
asociacin fue usado mucho antes de Hartley y la frase "asociacin de ideas"
puede encontrarse en el Apndice de la 4 edicin del Essay de Locke, es con
Hartley, como Young (1970) nos dice, que "la psicologa asociacionista adopta
por primera vez una forma definida y un carcter psicolgico no completamente
derivado de cuestiones epistemolgicas. Hartley fue el primero en aplicar el
principio de asociacin como una explicacin fundamental y exhaustiva de toda
experiencia y actividad... Por otra parte, uni su teora psicolgica con
postulados acerca de cmo funciona el sistema nervioso. Sus sensaciones eran
comparadas con las vibraciones... o partculas elementales en los nervios y el
cerebro... En relacin a los fenmenos de sensacin, formacin de ideas y
motivacin en el sistema nervioso plante los principios de la psicologa
fisiolgica que Ferrier combinara ms tarde con el concepto de localizacin
cerebral" (p. 95-97).

tienne Bonnot de Condillac (1715-1780) naci en Grenoble, estudi

teologa en Saint-Sulpice y en la Sorbonne, y fue ordenado sacerdote en 1740. De
las dos fuentes del conocimiento de Locke, las sensaciones transmitidas a travs
del sentido externo y las reflexiones por medio del sentido interno, Condillac
puso su atencin slo en la primera. Su Trait des sensations, publicado en 1754,
estaba destinado a mostrar que las impresiones externas recibidas por los sentidos

131
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

externos, tomadas en s mismas, pueden dar cuenta de todas las ideas y de todas
las operaciones mentales. Utilizando el famoso ejemplo de una estatua dotada de
la nica propiedad de un solo sentido singular, el olfato, intent derivar de l la
atencin, la memoria, el discernimiento, la imaginacin y la totalidad de la vida
mental. Las opiniones de Condillac eran, claramente, la ms extrema forma de la
perspectiva de la tabula rasa. Como todas las opiniones basadas en la tabula
rasa, no importa cun poderoso sea el principio de asociacin correlativo; el
sensacionalismo extremo de Condillac entra en colisin con el hecho obvio de la
variacin en la constitucin biolgica (diferencias entre especies, diferencias
individuales).

En contraste directo con Condillac, Thomas Reid (1710-1796) eligi

destacar el sentido interno de Locke, construyendo sobre la simple nocin de
reflexin el desarrollo de una elaborada teora de las intuiciones y facultades de
la mente humana dada por medio de su constitucin fundamental. Reid naci
cerca de Aberdeen y fue educado en el Marischal College. Inicialmente
influenciado por Berkeley, su antipata por las conjeturas implcitas en el
Treatise of Human Nature (1739) de Hume, le condujo lejos de Berkeley y de
Hume, aproximndose hacia la reforma de la filosofa. Su obra ms importante,
An Inquiry into the Human Mind on the Principles of Common Sense, fue
publicada en 1764, ao en el que acept su nombramiento como profesor de
filosofa moral en la Universidad escocesa de Glasgow. En Inquiry Reid
desarroll el bsico postulado intuitivo de la filosofa del "sentido comn" sobre
el que se erigi la escuela escocesa de psicologa. Las intuiciones eran tendencias
oriundas de la accin mental, aspectos de la constitucin fundamental de la
mente humana que regulaba la experiencia consciente de todos los seres humanos
desde el nacimiento. Dado que las intuiciones requieren la presentacin de
objetos apropiados para ser llamados en adelante a la accin mental, la filosofa
escocesa es realista. Las intuiciones no proyectan la mente hacia la realidad,
permiten el acceso de la mente a ella a pesar de que el intuicionismo es un
innatismo de los procesos psicolgicos, es un empirismo metodolgico en el que
se investiga la naturaleza y la existencia de los principios innatos de la mente que
tienen lugar por medio de la induccin a partir de hechos observados en la
autoconciencia. Fue esta perspectiva, asociada con los ltimos anlisis de las
facultades especficas de Reid (1785, 1788), lo que domin la filosofa mental
acadmica americana durante el siglo XIX. Fue tambin indirectamente a partir
de Reid que Gall obtuvo la lista original de 27 facultades de la mente que
guiaban su intento de hacer un mapa de la localizacin de las funciones en el
cerebro.

1.3. El siglo XIX: epistemologa del sistema nervioso

Se ha venido sealando que, entre 1800 y 1850, los descubrimientos en el

campo de la fisiologa contribuyeron a poner los fundamentos para el
surgimiento de la psicologa experimental. Los acontecimientos de particular
inters para nosotros son los siguientes:

132
 CAPTULO 6

a) la primera elaboracin de una distincin entre nervios sensoriales y

motores;
b) el surgimiento de una fenomenologa sensorial de la visin y el tacto; y
c) el desarrollo de la doctrina de las energas nerviosas especficas,
incluyendo la opinin de que el sistema nervioso establece una mediacin
entre la mente y el mundo.

Mientras se estaban haciendo estos descubrimientos, ocurran tambin dos

importantes avances en la psicologa filosfica: la elaboracin de las leyes
secundarias de asociacin y el primer intento de una descripcin cuantitativa de
los parmetros que afectan al movimiento de las ideas por encima y por debajo
de un determinado umbral.

El primero de estos relevantes descubrimientos fisiolgicos, la distincin

entre nervios sensoriales y motores, se debe a Charles Bell (1774-1842). Bell
naci en Edinburgh y recibi una educacin informal. Pese a que asisti a las
lecciones en la Universidad de Edinburgh, la mayor parte de su instruccin
anatmica y quirrgica la recibira Bell de su hermano mayor, John, reputado
mdico. Cuando Bell andaba por los veinte aos era ya un cirujano muy estimado
y en 1799 haba sido admitido en el Royal College of Surgeons en Edinburgh. En
1806, se traslad a Londres y cinco aos ms tarde se uni a la Hunterian School
of Anatomy. Fue en el mismo ao, 1811, cuando Bell imprimi cien copias de las
treinta y seis pginas de su opsculo titulado Idea of a New Anatomy of the Brain
para que circulase de forma privada entre sus amigos y colegas.

En New Anatomy, Bell utiliz las evidencias anatmicas para sostener que
las races ventrales de la mdula espinal contenan slo las races motoras y
dorsales, slo las fibras sensoriales. Con ello, haba derribado siglos de tradicin
en los que se asuma implcitamente que las fibras nerviosas estaban
indiscriminadas respecto de las funciones sensorial y motora y estableci la
distincin fundamental entre estos dos tipos de procesos nerviosos. Como ya
hemos visto, la combinacin de esta distincin con el asociacionismo sensorio-
motor condujo, en manos de Bain y Spencer, a la primera psicologa
psicofisiolgica propiamente dicha y, a travs de Jackson y Ferrier, al
establecimiento del paradigma sensorio-motor como fundamento de la
localizacin funcional en el crtex.

El primer progreso filosfico relevante fue aportado por Thomas Brown

(1778-1820). Brown naci en Kirkmabreck, Escocia, y estudi filosofa y
medicina en la Universidad de Edinburgh donde sigui los cursos de Dugald
Stewart4, discpulo de Reid. En 1810, fue designado para compartir la ctedra de
filosofa moral con Stewart y en muy poco tiempo fue famoso por la brillantez de
sus lecciones. En 1820, despus de su prematura muerte, estas lecciones fueron
publicadas en cuatro volmenes con el ttulo de Lectures on the Philosophy of the

4
Dugald Stewart (1753 - 1828), profesor en Edimburgo y sucesor distinguido de Reid, puso ms tensin
en la observacin y razonamiento inductivo, y suscribi un acercamiento del empirismo a la psicologa.

133
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

Human Mind. Su impacto fue inmediato, indudablemente porque Brown logr

unificar elementos de dos tradiciones distintas: el intuicionismo escocs de Reid
y el empirismo de Condillac. Al hacer esto, contribuy a reencauzar ambas
tradiciones.

Entre un cierto nmero de contribuciones novedosas, incluida una

importante crtica de la introspeccin, basada en su creencia en la absurda idea de
que una misma e indivisible mente puede ser tanto sujeto como objeto de la
misma observacin, Brown realiz dos desarrollos conceptuales de fundamental
importancia para la historia de la psicologa experimental. El primero fue
destacar el "sentido muscular". Como hemos sugerido anteriormente, antes de
Bain el asociacionismo haba descuidado el movimiento y la accin a favor del
anlisis de la sensacin. Brown fue el primer filsofo de esta tradicin que
adopt una perspectiva sensorio-motora ms equilibrada, al incluir el lado
sensorial del movimiento en su conceptualizacin del problema de la referencia
objetiva en la percepcin.

La segunda contribucin de Brown es su detallada elaboracin de las leyes

secundarias de la asociacin, a las que denomin "sugestin". La formulacin de
estas leyes por parte de Brown, que implicaban la duracin relativa, fuerza
(vivacidad), frecuencia y carcter de las sensaciones originales, as como tambin
el refuerzo de una idea por otras, suministr ms tarde a los tericos del
aprendizaje las bases para intentar explicar no slo los hechos sino tambin los
parmetros cuantitativos de asociacin.

Aproximadamente al mismo tiempo, en Alemania, otro filsofo de la

mente, Johann Friedrich Herbart (1776-1841) se interes as mismo por las
relaciones cuantitativas entre las ideas. Herbart naci en Oldenburg y estudi en
la Universidad de Jena con Johann Gottlieb Fichte5, con quien se encontr en
5
Fichte (1762-1814) fue un filsofo alemn al que se considera el principal representante de la corriente
llamada Idealismo. Es, adems, el primer pensador que concibi el conocimiento cientfico como una
creacin totalmente libre por parte del ser humano. Esta concepcin de la ciencia tuvo grandes
repercusiones hasta bien entrado el siglo XX. Su pensamiento se basa en una idea que tom de Kant,
quien a su vez la tom de Hume. Asegura que el conocimiento cientfico de la realidad no es el resultado
de la combinacin de la observacin y la lgica; es decir, una ley cientfica no puede deducirse
lgicamente de ninguna observacin. Pues bien, Fichte fue ms all y afirm que, en realidad, ocurre al
revs: aunque las leyes cientficas no pueden deducirse de la observacin emprica (o sea, de la
experiencia), sta s puede deducirse a partir de las leyes cientficas. Esto significa que las leyes
cientficas son objetivas y universales, y que dan lugar a una serie de fenmenos que son reales e
incuestionables. sta es una idea inspirada en la fsica de Newton. Por lo tanto, el universo es una
creacin de cada ser humano, porque cada uno lleva en su interior una peculiar concepcin del universo,
de la cual deriva ste. Fichte reconoce, adems, que cuando el ser humano acta y, por lo tanto est
obligado a elegir constantemente entre una u otra opcin, es cuando toma conciencia de su propia
existencia como ser moral. Es decir, que tenemos la capacidad de asumir la responsabilidad de nuestras
propias acciones. Como sostiene que el principio de la realidad es el yo, para l lo real es el producto de la
actividad subjetiva, y el ser est fundado en la inteligencia: \"El primer principio de la filosofa es
precisamente este yo puro o transcendental\", dijo en cierta ocasin. En resumen, eso es el Idealismo, para
Fichte: una filosofa que parte de una reflexin sobre la realidad. Por supuesto, tiene en cuenta que el ser
humano, aunque puede actuar y elegir libremente, se mueve en el mundo fsico y ste, con sus propias
circunstancias, le permite desarrollar sus acciones pero tambin se opone a stas y las limita. En este
contexto, el yo sera el sujeto consciente, que crea el mundo emprico, que es a su vez el entorno en el que

134
 CAPTULO 6

desacuerdo. Provocado por las ideas de Fichte, Herbart decidi trabajar en su

propia filosofa sistemtica y, tras terminar sus estudios en Jena, fue a Gottingen
donde tom el doctorado en 1802. All permaneci hasta 1809 cuando se traslad
a Knigsberg para asumir la ctedra antiguamente ocupada por Kant.

En Knigsberg, Hebart empez a trabajar en su psicologa, publicando su

Lehrbuch en 1816 y Psychologie als Wissenschaft en los aos 1824/1825. Como
evidencia este ltimo ttulo, Herbart crea que la filosofa poda ser tanto
emprica (pese a negar la posibilidad de experimentar) como matemtica.
Argumentando que las ideas ("presentaciones") estn ordenadas en el tiempo y
varan en intensidad, intent crear una esttica y una dinmica de la mente y
emple complejas ecuaciones matemticas para describir un sistema hipottico
de principios de interaccin entre las ideas.

Ms especficamente, Herbart afirm que las ideas de la misma clase se

oponen una a otra mientras las ideas de diferentes clases no. Las oposiciones
debilitaban progresivamente la idea original en la conciencia y, como resultado,
se hundan finalmente por debajo del umbral de la conciencia, donde
permanecan hasta que la aparicin de una idea similar en la experiencia produca
el ascenso de la original con una velocidad proporcional al grado de semejanza
entre las dos ideas. Ms an, cuando la original estaba parada por la nueva idea,
las ideas similares se adheran a ella. As, ninguna idea puede ascender excepto
para tomar su lugar en la masa unitaria de ideas ya presente en la conciencia. Este
es el famoso concepto de "apercepcin" de Herbart en el que una idea es no slo
hecha consciente sino asimilada al complejo de ideas conscientes, la masa
aperceptiva.

Con estas opiniones, Herbart di varios pasos de gigante en el camino que

la nueva psicologa cientfica finalmente seguira hacia una identificacin
cuantitativa compleja y cuidadosamente elaborada de la distincin entre las ideas
situadas por encima y por debajo del umbral de la conciencia. Como sugiere la
tradicin ms aceptada, fue una figura de transicin entre Kant y Fechner; pero
debido a su rechazo de la posibilidad de la verificacin experimental y su
incapacidad para enlazar su filosofa de la mente con la fisiologa del cerebro,
realiz slo una parte del camino hacia la "nueva" psicologa. Antes de que la
psicologa pudiera entrar en el laboratorio, necesitaba mtodos; y la fuente
primaria de los primeros mtodos no estaba en la filosofa de la mente sino en el
trabajo de fisilogos como Purkyne y Weber, quienes hicieron contribuciones
fundamentales a la fenomenologa experimental de la sensacin, o incluso
Mller, quien elabor la doctrina de las energas nerviosas especficas que
sistematizaba el papel epistemolgico del sistema nervioso como intermediario
entre la mente y el mundo.

se hace posible el conocimiento de ese yo. Fichte insiste en que el hecho de que seamos conscientes de
nuestras acciones (lo que l llama voluntad moral) constituye el elemento fundamental de la existencia
humana.

135
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

Jan Evangelista Purkyne (1787-1869) naci en Libochovice, en el norte de

Bohemia y recibi su primera educacin formal en un monasterio piarista. Tras
completar el noviciado, pas un ao estudiando en el Instituto Filosfico de
Piarist. En 1807, bajo la influencia de los escritos de Fichte, dej la orden y viaj
a Praga. Dos aos de trabajo en la Universidad de Praga y tres aos ms como
tutor privado precedieron a su decisin de volver a la universidad a estudiar
medicina. En 1819, al terminar sus estudios de medicina, public su disertacin
de doctorado, Beitrge zur Kenntnis des Sehens in subjectiver Hinsicht. Esto
condujo a su nombramiento en 1823 como profesor de fisiologa en la
Universidad de Breslau. En ese mismo ao, reedit su disertacin como primer
volumen de Beobachtungen und Versuche zur Physiologie der Sinne. El segundo
volumen, que sigui en 1825, fue subtitulado Neue Beitrge zur Kenntnis des
Sehens in subjectiver Hinsicht.

Los dos volmenes de Beobachtungen se cuentan entre los grandes logros

intelectuales del periodo y constituyen el principal punto de transicin hacia el
surgimiento de la psicologa experimental. Con una capacidad extremadamente
aguda para observar los detalles fenomenolgicos, Purkyne explor las
consecuencias psicolgicas en la experiencia visual de una serie de
manipulaciones experimentales de las condiciones de estimulacin, incluyendo la
aplicacin al globo ocular de presin y corriente elctrica, alteracin en la
exposicin al foco de luz relativo a la fovea, grado de movimiento del ojo y
variacin en la intensidad de la luz. Aunque Purkyne es ms conocido por los
psiclogos por sus clsicas descripciones de fenmenos tales como el cambio en
la luminosidad aparente de los colores en la oscuridad como opuesto al brillo de
la luz del da (el llamado "efecto Purkyne"), fue la amplitud y sistematicidad del
uso que haca del mtodo experimental para explorar los parmetros de la
experiencia sensorial lo que ayud a sentar las bases del futuro trabajo de
laboratorio.

Johannes Mller (1801-1858) naci en Coblenz y se educ en la

Universidad de Bonn. Recibi el ttulo de medicina en 1822 y, tras un ao en
Berln, fue habilitado como privatdozent en Bonn, donde con el tiempo alcanz
el profesorado. En 1833, dej Bonn para hacerse cargo de la prestigiosa ctedra
de anatoma y fisiologa en la Universidad de Berln. Sus ms importantes
contribuciones a la historia de la psicologa experimental fueron la influencia
personal que ejerci sobre sus jvenes colegas y estudiantes, entre los que se
encontraban Hermann von Helmholtz, Ernst Brcke6, Carl Ludwig y Emil Du
6
Ernst Wilhen von Brcke era profesor de fisiologa y director del Instituto de Fisiologa de Viena, donde
Freud trabaj durante seis aos como ayudante. Freud reconoce que Brcke (1819-1892) fue su respetado
maestro de fisiologa: "En mi juventud predomin el afn de comprender algo de los enigmas de este
mundo y acaso contribuir en parte a su solucin. Mi inscripcin en la facultad de medicina pareci el
mejor camino para conseguirlo, pero luego intent -sin xito- consagrarme a la zoologa y la qumica,
hasta que bajo la influencia de Von Brcke -la mxima autoridad que haya influido sobre m- permanec
adherido a la fisiologa, que por ese tiempo se limitaba demasiado fcilmente a una histologa. Freud
trabaj en su laboratorio resolviendo los problemas que el reverenciado profesor le planteaba, con
evidente satisfaccin por parte de Brcke, y por la suya propia. Descifrando los enigmas del sistema
nervioso, primero de peces inferiores y despus de seres humanos, dando satisfaccin a las expectativas y

136
 CAPTULO 6

Bois-Reymond7, y la forma sistemtica que di a la doctrina de las energas

especficas de los nervios en el Handbuch der Physiologie des Menschen fr
Vorlesungen, publicado entre 1834 y 1840.

Aunque Mller haba enunciado ya la doctrina de las energas nerviosas

especficas en 1826, su presentacin en el Handbuch fue ms amplia y
sistemtica. Fundamentalmente, la doctrina implica dos principios cardinales. El
primero de estos principios era que la mente no es directamente consciente de los
objetos en el mundo fsico sino de estados en el sistema nervioso. El sistema
nervioso, en otras palabras, sirve de intermediario entre el mundo y la mente e
impone as su propia naturaleza a los procesos mentales. El segundo fue que las
cualidades de los nervios sensoriales, de los que la mente recibe el conocimiento
en la sensacin, son especficas a los diversos sentidos: el nervio de la visin era
normalmente insensible al sonido como el nervio de la audicin lo era a la luz.

Como Boring8 seal, no haba nada en esta opinin que fuera

completamente original de Mller. No solo estaba la mayor parte de la doctrina
contenida ya en la obra de Charles Bell, sino que el primero de los dos principios
ms fundamentales de Mller estaba implcito en la idea de Locke sobre las
"cualidades secundarias" y el segundo incorporaba una idea sobre los sentidos
que haca mucho tiempo que era generalmente aceptada. Lo que tena verdadera
importancia en Mller era su sistematizacin de estos principios en un manual de
fisiologa que sirvi a toda una generacin de estudiantes como referencia
estndar sobre el tema y la legitimidad que prest a la doctrina con el peso de su
prestigio personal.

Despus de Mller, los dos problemas mente-cuerpo, la relacin de la

mente con el cerebro y el sistema nervioso y la relacin de la mente con el
mundo, estaban inextricablemente unidos. A pesar de que Mller no explor por
s mismo las implicaciones de su doctrina para la posibilidad de que la
correlacin final de las cualidades sensoriales pudiera ser ligada a centros
especializados del crtex cerebral o desarrollar una psicofsica sensorial, su
principio de especificidad puso las bases para la eventual localizacin de la
funcin cortical y su opinin de la funcin epistemolgica del sistema nervioso

requerimientos de su riguroso maestro. La filosofa de la ciencia de Brcke no tuvo para Freud menor
valor formativo que aquel profesionalismo. Brcke era positivista por temperamento y conviccin. Con
l, Freud comenz ciertamente a aprender un hbito cientfico, encontrando all modelos a los que en
principio pudo fijarse enteramente. Pero Brcke era adems de maestro en fisiologa, animador de la
Sociedad Berlinesa de Fsica en 1845, y esa doble posicin permite explicar porqu para l la fisiologa
era una extensin de la fsica. En ese sentido, la fsica de los organismos, en virtud de la ley de la
conservacin de la energa que unificara ambas ciencias, dice que un organismo es "la suma de las
fuerzas que permanece constante en todo sistema aislado.
7
(Berln, 1818- id., 1896) Mdico alemn. Profesor de fisiologa y rector de la Universidad de Berln. Se
dedic a la electrofisiologa y cre una serie de tcnicas e instrumentos para el estudio de los impulsos
nerviosos. Enunci una ley segn la cual la variacin de la intensidad del estmulo tiene ms influencia
sobre la excitacin de una fibra nerviosa o muscular que el valor de la intensidad en s (ley de Du Bois-
Reymond).
8
Vide Boring, E.G. (1950). A History of Experimental Psychology. New York: Appleton-Century-Crofts,
Inc. Citado en la bibliografa.

137
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

ayud a definir el contexto en el que las tcnicas para la medicin cuantitativa de

la relacin mente/mundo surgiera en la famosa psicofsica de Fechner.

1.4. Comienzo formal de la psicologa experimental de la conciencia

Tambin las importantsimas contribuciones a la Psicologa Experimental

de Weber, Fechner y Wundt han sido explicitadas en otros pasajes de nuestro
trabajo, por lo que obviamos su referencia especfica en el presente apartado.

La introspeccin continu estudindose desde otros enfoques como el de

la Gestalt, que comenz en Alemania como estudio de la percepcin, para
despus extenderse a otros campos como la resolucin de problemas, el
aprendizaje, la creatividad e incluso las dinmicas sociales (en especial la
microsociologa de grupos pequeos, con aplicaciones industriales y
teraputicas). Frente al asociacionismo inherente al enfoque de Wundt o el de los
conductistas, la psicologa de la Gestalt destacaba la importancia de las
configuraciones globales de estmulos, sus relaciones internas y con el contexto
(relaciones figura-fondo), as como su organizacin activa.

Hermann Ludwig Ferdinand von Helmholtz (1821-1894) haba nacido en

Potsdam y se educ en su ciudad natal y en el Instituto Mdico Friedrich
Wilhelm de Berlin. All estuvo bajo la influencia de Mller y en 1842, a los 21
aos de edad, se gradu en medicina e ingres en la profesin como mdico del
ejrcito prusiano. En reaccin al vitalismo de Mller, que rechazaba, Helmholtz
se interes por clarificar las bases fisiolgicas del celo animal, un fenmeno
utilizado muchas veces para justificar el vitalismo. Esto le condujo en 1847 a
escribir un famoso artculo sobre la conservacin de la energa, que le
proporcion la oferta de la ctedra de fisiologa en Knigsberg, donde
permaneci desde 1848 a 1855. En 1855, se traslad a Bonn y desde all, en
1858, a Heidelberg para trabajar como director del Instituto de Fisiologa. Fue,
durante los periodos de Bonn y Heidelberg, cuando Helmholtz hizo sus
contribuciones ms fundamentales a la recientemente aparecida psicologa
experimental. Desde 1856 a 1866, el Handbuch der physiologischen Optik
apareci en partes separadas que fueron reunidas en un volumen en 1867. En
1863, cuando la Optik haba ya aparecido, Helmholtz public Die Lehre von den
Tonempfindungen. Aunque aqu nos centraremos en la Optik, estas dos obras
tomadas juntas definen la problemtica de la psicologa experimental de la
percepcin visual y auditiva en las dcadas que siguieron.

En la Optik, Helmholtz ampli la doctrina de Mller de las energas

especficas de los nervios para ofrecer una teora comprehensiva de la visin del
color y su famosa teora de la inferencia inconsciente de la percepcin. En la
teora de la visin del color, Helmholtz argument que as como las diferencias
entre las sensaciones de sonido y luz reflejan las cualidades especficas de los
nervios auditivos y visuales, las sensaciones de color pueden depender de
diferentes clases de nervios en el interior del sistema visual. Dado que las leyes

138
 CAPTULO 6

de la mezcla del color sugieren que virtualmente todo matiz puede ser obtenido
por distintas combinaciones de los tres colores primarios, le pareca a Helmholtz
que el matiz percibido, el brillo y la saturacin del color deban ser derivados de
diversas actividades en las tres clases primarias de fibras nerviosas en el ojo.

En su teora de la percepcin, Helmholtz parta del reconocimiento de que

la doctrina de las energas nerviosas especficas de Mller implicaba el hecho de
que las sensaciones no permiten un acceso directo a los objetos y fenmenos sino
que slo sirven a la mente como seales de la realidad. La percepcin, desde este
punto de vista, requiere un proceso lgico, activo, inconsciente y automtico por
parte del perceptor que utiliza la informacin suministrada por la sensacin para
inferir las propiedades de los objetos y fenmenos externos. A este respecto,
Helmholtz anticip gran parte de la posterior psicologa cognitiva de arriba abajo
(top-down). En un periodo ms temprano, Helmholtz haba hecho tambin otras
grandes contribuciones a la fisiologa. Estimulando los nervios a diferentes
distancias desde un msculo y midiendo el tiempo en que se produca la
contraccin muscular, estim la tasa de recorrido del impulso nervioso, y en el
proceso introdujo, de paso, la tcnica del tiempo de reaccin en fisiologa.

Entre 1865 y 1868, otro gran fisilogo holands, Franciscus Cornelis

Donders (1818-1889) asimil el procedimiento del tiempo de reaccin a la
psicologa, emplendolo para estudiar el tiempo ocupado por las operaciones
mentales. Donders haba nacido en la ciudad de Tilburg, en los Pases Bajos, y
entr en la Universidad de Utrecht como estudiante de medicina a la edad de 17
aos. Despus de graduarse, ingres en el ejrcito como cirujano y, a la edad de
24 aos, fue invitado a dar clases en la Escuela de Medicina Militar de Utrecht.
Cinco aos despus se ofreci a Donders una plaza como extraordinarius en la
Universidad de Utrecht, que acept, permaneciendo all el resto de su carrera.

En 1865, Donders public una comunicacin preliminar en la que

informaba del trabajo realizado con un estudiante, Johan Jacob de Jaager, y
sintetiz ms completamente en la disertacin doctoral de Jaager, De
physiologische tijd bij psychische processen (1865). Concluyendo que el tiempo
de reaccin era aditivo, Donders evalu separadamente el tiempo para responder
a los estmulos bajo condiciones de eleccin y de simple no eleccin.
Deduciendo la simple a partir del tiempo de reaccin con eleccin, Donders
calcul el intervalo que tomaba el proceso de decisin. En 1868, en un clsico
artculo aparecido en alemn, Die schnelligkeit psychischer Processe, Donders
aport el informe definitivo de los resultados de su obra y su extensin a los
tiempos de discriminacin. A pesar de que los hallazgos especficos de Donders
son actualmente de poco inters, su utilizacin de la tcnica de reaccin para
medir el tiempo tomado por los procesos mentales ejerci un mayor impacto
sobre sus contemporneos y el tiempo de reaccin se impuso, junto con la
psicofsica, como uno de los mtodos preferidos en los primeros laboratorios
experimentales. En consecuencia, como eplogo de este apartado de nuestro
trabajo, puede observarse que la psicologa experimental englobaba ya desde sus

139
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

inicios una considerable diversidad de mtodos, intereses y puntos de vista que le

han permitido encontrar multitud de aplicaciones prcticas en la industria, la
educacin y la terapia, entre otras reas.

Hoy en da persisten las mismas inquietudes hacia la psicofsica, la

percepcin, la memoria y el aprendizaje, pero los interrogantes desaparecen con
nuevos enfoques fisiolgicos y el uso de procedimientos estadsticos para disear
experimentos y analizar datos. La tecnologa de los ordenadores tambin ha
influido poderosamente en los mtodos y teoras de la psicologa experimental,
en la que la influencia del paradigma conductista ha sido mitigada por el resurgir
del estudio de los fenmenos psquicos internos desde el punto de vista
cognitivo, y por la creciente alianza de esta tendencia con la biologa. Sin
embargo, hasta ahora ninguna teora ha unificado la psicologa experimental, que
en la prctica resulta ser una amalgama de las diferentes corrientes de la
psicologa con sus respectivas reas de inters.

2. Pilotaje de un sistema psicolgico

Recordemos que el control designa objetivos, fija lneas de accin para

lograrlos y compara resultados con objetivos. La regulacin evoca la conduccin
progresiva del S. psicolgico hacia los objetivos que se propone el psiclogo
experimentador. Un bloque de control, y otro de regulacin, se definen
relativamente uno a otro: constituyen dos niveles diferentes de pilotaje. La
estructura general del control o regulacin, puede resumirse en los
siguientes puntos:

1. El control (o regulacin) es un S. operador que acta entre las variables

de accin (V. A.) de un S. operado (S. psicolgico), de acuerdo con el
siguiente esquema:

.
OBJETIVO

PARMETROS S. OPERADOR

V.A. INFORMACIN

SALIDAS
ENTRADAS S. PSICOLGICO V.C

FIG. 6.1. Esquema de la estructura general de control o regulacin.

140
 CAPTULO 6

2. El S. operador, o psiclogo experimentador, acta a partir de una

explicacin de la correspondencia existente entre las entre las V. E. y las
V. S. del S. psicolgico operado, y en funcin de ella selecciona las V. A.
O dicho de otra forma: acta a partir del conocimiento de un modelo de
las transformaciones del S. psicolgico.

3. El S. operador funcionar a travs de programas, en el caso en que

posea un modelo completo de aquellas transformaciones. Y controlar
totalmente.

4. El S. operador funcionar a travs de decisiones, en el caso en que

posea modelos parciales o ningn modelo explcito. Suponemos que ello
puede no hacerse, a veces, por negligencia, o bien por creer que un
modelo implcito (la experiencia adquirida) es suficiente, o bien por
razones de economa (cuando el modelo explcito resulta muy complejo).

3. Programa y su naturaleza

En nuestro caso, llamemos programa al conjunto de valores (o

instrucciones) de las V. A., que permiten alcanzar los objetivos del S. psicolgico
operado, a partir de un modelo explcito y completo de las transformaciones del
mismo.

Si el S. psicolgico esta determinado en probabilidad (ver Cap. 3), y se

conoce su evolucin en el tiempo, lo mismo le ocurre al modelo, y el programa
ser dinmico (tiempo) y aleatorio (probabilidad). De lo dicho, puede deducirse
que el programa presupone el modelo del S. psicolgico. Veamos, al respecto, un
ejemplo sencillo:

En el S. psicolgico operado, las entradas son a, b, c, d ; las salidas,

tambin: a, b, c, d; las V. A. son: y , y se posee, por parte del experimentador,
del siguiente modelo de funcionamiento del S. psicolgico (descripcin de las
transformaciones que sufre en el tiempo):

V.E.
V.A. a b c d

b a a d

a c d c

141
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

Es decir, para una entrada b , la salida ser a si se utiliza la V. A. , c si se

utiliza la V. A. .

Si el objetivo del experimentador fuera lograr el estado d y mantenerlo en

el tiempo, y la entrada inicial es a , a partir del modelo anteriormente expresado
se establece el programa (= conjunto de los valores de las V. A.) que logra el
objetivo, y que es: , , , , , ..., , ...

En efecto, cuando el control pilota el S. psicolgico, mediante la aplicacin

del programa, obtiene la trayectoria (conjunto de transformaciones) que
aparece en la figura siguiente:

a b c d d d .... d d

que nos proporciona una clara versin evolutiva del proceso anterior.

Naturaleza de un programa

Los programas se llamarn:

a) REGLAS: cuando se trata de un programa para lograr un cambio de

estado (una sola transformacin).
b) POLTICA: constituye un conjunto de reglas correspondientes a un
conjunto de transformaciones.
c) ESTRATEGIA: es un conjunto de reglas condicionales (igual que antes,
pero en porvenir aleatorio).

En cualquiera de los 3 casos citados, un programa es un conjunto de

instrucciones que pueden ser establecidas y aplicadas por experimentadores
(psiclogos) y/o mquinas (ordenadores).

En resumen: un programa es una salida de un modelo, y la programacin

define el dominio de los programas (acciones programadas).

Veamos, a continuacin, el esquema de un S. operador que controla al S.

psicolgico por medio de un programa que emana del modelo:

142
 CAPTULO 6

OBJETIVO
SISTEMA OPERADOR

MODELO COMPLETO

PROGRAMA

V. A. ADAPTACIN

ENTRADAS S. PSICOLGICO

V. C.
V. S.

FIG. 6.2. Esquema de control mediante un programa que emana del modelo.

4. Decisin y su naturaleza

En nuestro caso, llamamos, decisin al comportamiento del hombre o

mujer (psiclogo experimentador) que realiza una eleccin en situacin de
informacin parcial.

La posible ignorancia puede ser debida:

a) A la naturaleza no determinada de un fenmeno.

b) A la ignorancia del modelo de la transformacin determinada.

Supongamos, de nuevo, el S. psicolgico anterior, con las mismas V. E. y

V. S. y V. A., pero supongamos un estado de informacin parcial acerca de las
transformaciones que conducen de las V. E. a las V. S., definido por el modelo
incompleto siguiente:
(NOTA: V = signo algebraico equivalente a la
reunin o)

V.E. a b c d
V.A.

b a a ?

? c cVd c

143
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

Si el objetivo sigue siendo d, y el estado inicial a, la primera eleccin es

entre y . Si elegimos , y a continuacin , etc., obtendremos:

?
a b c ? cvd

Si elegimos , la primera transformacin de la trayectoria es indeterminada,

pudiendo conducir a todos los estados. Est claro que la in completitud del
modelo nos obliga a tomar decisiones o, lo que es mejor, a completar al mximo
dicho modelo de funcionamiento del S. psicolgico.

Naturaleza de una decisin

El psiclogo experimentador puede actuar de dos maneras, segn sea el

sistema psicolgico, a saber:

1. El S. psicolgico es determinado, luego la transformacin es

determinada. El S. operador posee un modelo explcito y, a partir de l,
elabora el programa de las V. A., lo aplica y logra el objetivo.
2. El S. psicolgico es indeterminado, luego la transformacin es
indeterminada, pudiendo ser su origen:
a) La ignorancia de la existencia de algunas V. E.
b) La ignorancia de la existencia de algunas V. S.
c) La ignorancia de cmo son algunas V. E.
d) La ignorancia de la correspondencia entre V. E. y V. S.

(NOTA: El estudio de la funcin de transformacin que es incgnita en

d), ser propuesto en un prximo captulo acerca de la aplicacin de diversas
disciplinas cientficas o de la investigacin de operaciones al estudio de la
Psicologa).

Llegados a este punto, en mi opinin, caben dos formas de actuacin del

psiclogo experimentador:

A. Elaborando el modelo parcial correspondiente a la informacin

adquirida, que deber ser la ptima desde un punto de vista de eficacia. Una vez
se conforma con l, por ser incompleto dicho modelo, el experimentador tiene
que apelar a la decisin a fin de seleccionar las V. A., y sin saber si lograr o no
el objetivo.

B. Elaborando el modelo parcial indicado en A, pero no conformndose

con l. Entonces, el experimentador debe elaborar un modelo implcito,
complementario del anterior en el sentido de completarlo. Tras el logro del
modelo completo (S. psicolgico determinado) nos encontramos en el caso 1.
anterior, y es posible elaborar un programa de acciones. Tampoco en este caso se

144
 CAPTULO 6

puede asegurar el logro del objetivo de entrada: el psiclogo experimentador, por

medio del decisor y de la informacin conseguida acerca del resultado de la
entrada, modificar el modelo implcito o descendiente hasta que los
programas sucesivamente logrados logren el objetivo. Se puede afirmar,
entonces, que el S. psicolgico se ha adaptado por aprendizaje.

En resumen: en este caso B, podramos a mi entender considerar formado

el psiclogo experimentador (S. decisional) por tres subsistemas:

a) El modelo parcial, que explica una parte de la transformacin del S.

psicolgico operado.
b) El decidiente o modelo implcito, complementario del anterior
respecto al modelo completo (desconocido). Es una imagen elaborada
por el decisor a partir del modelo parcial, cuyas entradas
complementarias provienen del S. psicolgico operado y del exterior.
Se trata, pues, de un S. no determinado, que requiere un regulador de
gran riqueza en variedad (riqueza, en el caso de un regulador =
psiclogo experimentador, la asimilo a experiencia, juicio,
clarividencia, ...).
c) El decisor o psiclogo experimentador propiamente dicho (que
tambin puede ser un autmata), y que en interaccin con el
descendiente, efecta una labor de seleccin; es decir: decide.

Veamos, a continuacin, el esquema de un S. decisional u operador que

controle al S. psicolgico operado por medio de la terna:

DECIDIENTE DECISOR DECISIN

ENTRADAS
.
OBJETIVO

S. OPERADOR

V. A. INFORMACIONES

ENTRADAS S. PSICOLGICO

SALIDAS

FIG. 6.3. Esquema de un sistema operador que controla mediante una terna (I).

145
DE INTERS PARA EL PSICLOGO EXPERIMENTADOR

Veamos, as mismo, el siguiente esquema:

ENTRADAS

OBJETIVO
SISTEMA OPERADOR
O DECISIONAL

MODELO PARCIAL

DECIDIENTE

DECISOR

ELECCIN

V. A.
APRENDIZAJE

ENTRADAS S. PSICOLGICO

SALIDAS

ADAPTACIN Y APRENDIZAJE

FIG. 6.4. Esquema de un sistema operador que controla mediante una terna (II).

Quisiera aadir, por ltimo, que la trascendencia de estos dos ltimos

esquemas en la comprensin de los fenmenos de accin que sobre el S.
psicolgico realiza el psiclogo experimentador, me parece evidente. Por otra
parte, las consecuencias operativas que pueden derivarse de la concepcin
expresada en ellos vendrn especificadas en un captulo posterior sobre las
fecundas aplicaciones de diversas tcnicas matemticas y de la Investigacin
Operativa al estudio de la Psicologa.

146
 CAPTULO 7

CAPTULO 7
Aplicaciones de la Investigacin Operativa (I)

1. Aplicacin de la Teora de la Programacin Dinmica y de los

Procesos Estocsticos

Un enfoque interesante, a nuestro modo de ver, de muchos problemas

psicolgicos, residira en su tratamiento a base de la aplicacin de una conocida
tcnica de la Investigacin Operativa: la Programacin Dinmica, y ms
concretamente, partiendo de la consideracin de sistemas (dinmicos) que varan
con el tiempo, como resulta ser el caso de la mayora de los sistemas
psicolgicos.

La Programacin Dinmica es un mtodo de optimizacin de los sistemas o

de su representacin matemtica, en el cual se opera por fases o secuencias. El
punto de partida de este mtodo reside en el denominado teorema de la
optimidad. Este teorema, presentado por el matemtico americano Richard
Bellmann1, resulta tan simple que parece casi trivial cuando se ha comprendido a
fondo. Su importancia y la eficacia de los mtodos de optimizacin secuenciales
a los cuales ha dado origen se acentan tan pronto se advierte que la verdadera
naturaleza de numerosos problemas que se plantean en Psicologa es secuencial,
es decir, permiten su descomposicin en fases, en las cuales cada uno slo
depende de sus ms prximas y frecuentemente, en los casos favorables,
solamente de la fase anterior o bien de la posterior.

Tratndose de Investigacin Operativa y, por consiguiente, de la bsqueda

de una poltica ptima, Bellmann expresa, en forma concisa, lo siguiente: Toda
poltica ptima slo puede estar formada por subpolticas ptimas. En efecto,
no es, por as decirlo, evidente que todo camino ptimo est formado de
porciones o tramos de caminos tambin ptimos?. Si para una porcin cualquiera
no fuese as, sta podra ser substituida por otra mejor y, por consiguiente, el
camino no sera ptimo, contrariamente a la hiptesis de partida.

Podra considerarse que la Programacin Dinmica se refiere a la evolucin

en el tiempo de un sistema psicolgico, siendo aqulla, en cada fase,
parcialmente aleatoria (intervencin del azar) y parcialmente controlada
1
Richard Ernest Bellmann (19201984) fue un matemtico aplicado, cuya mayor contribucin fue la
metodologa de la programacin dinmica. Bellmann estudi matemticas en la universidad de Brooklyn
(EEUU), donde obtuvo una diplomatura, y luego en la universidad de Wisconsin, donde obtuvo su
licenciatura. Posteriormente comenz a trabajar en el laboratorio nacional de Los lamos (EEUU) en el
campo de la fsica terica. En 1946 obtuvo su doctorado en la universidad de Princeton (EEUU). Tambin
ejerci la docencia en la universidad del sur de California (EEUU), fue socio de la academia americana de
las artes y las ciencias (1975) y de la academia nacional americana de ingeniera (1977). En 1979 el IEEE
le otorg la medalla de honor por su contribucin a la teora de los sistemas de control y de los procesos
de decisin, en especial por su contribucin con la programacin dinmica y por la ecuacin que lleva su
nombre.

147
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

(intervencin del psiclogo experimentador). Se pueden distinguir (R. Fortet) las

evoluciones de primera y segunda clase, segn que, en cada fase, la intervencin
del azar preceda a la decisin humana o, por el contrario, la suceda.

Estas evoluciones de los sistemas en el tiempo pueden ser de tres tipos:

1- Deterministas (determinadas por el hombre).

2- Aleatorias (provocadas nicamente por el azar, en los cuales no se
manifiesta la decisin humana).
3- Aleatorias Deterministas (algunas de las evoluciones pueden ser
provocadas por el hombre, y otras por el azar).

Pero determinados caracteres de la programacin dinmica, como la

divisin secuencial del problema, aparecen tambin en ciertos casos
deterministas en los cuales no interviene la evolucin temporal.

En principio, parece que cualquiera de estos tipos puede amoldarse a las

caractersticas de las evoluciones de los sistemas psicolgicos, si bien
centraremos adoptando una postura escptica o de desconocimiento nuestra
atencin en las evoluciones del tipo 2 o aleatorias. En tal caso, nos
encontramos con los llamados procesos estocsticos.

La repercusin de las experiencias anteriores en las nuevas situaciones

vivenciales es uno de los procesos que ms influencia tienen en la vida humana.
Podemos intentar, en consecuencia, presentar este problema desde un punto de
vista operativo, si bien nos encontramos con la considerable limitacin de no
poder estudiar el caso como si de una Cadena de Markov (sistemas sin
memoria) se tratase2, puesto que la historia o el conjunto de las experiencias
vividas por el S., que debemos considerar en el plano psicolgico constituye
una variable de la que es funcin la probabilidad de transicin, como se ver ms
adelante.

Un proceso recibe el nombre de estocstico cuando, en intervalos de

tiempo determinados o aleatorios, el sistema considerado sufre cambios de
estado ligados mediante leyes de probabilidad. Por ello, estos procesos

2
Andrei Andreyevich Markov (14 de junio de 1856 - 20 de julio de 1922) fue un matemtico ruso
conocido por sus trabajos en la teora de los nmeros y la teora de las probabilidades. Markov naci en
Ryazan, Rusia. Antes de los 10 aos su padre, un funcionario estatal, fue trasladado a San Petersburgo
donde Andrei entr a estudiar en un instituto de la ciudad. Desde el principio mostr cierto talento para
las matemticas y cuando se gradu en 1874 ya conoca a varios matemticos de la Universidad de San
Petersburgo, donde ingres tras su graduacin. En la Universidad fue discpulo de Chebyshev y tras
realizar sus tesis de maestra y doctorado, en 1886 accedi como adjunto a la Academia de Ciencias de
San Petersburgo a propuesta del propio Chebyshev. Diez aos despus Markov haba ganado el puesto de
acadmico regular. Desde 1880, tras defender su tesis de maestra, Markov imparti clases en la
Universidad y, cuando el propio Chebyshev dej la Universidad tres aos despus, fue Markov quien le
sustituy en los cursos de teora de la probabilidad. En 1905, tras 25 aos de actividad acadmica,
Markov se retir definitivamente de la Universidad, aunque sigui impartiendo algunos cursos sobre
teora de la probabilidad.

148
 CAPTULO 7

tambin reciben el nombre de aleatorios y describen la evolucin del S. en

cuestin a travs del tiempo. Se clasifican as:

Discretos o cadenas tiempo no aleatorio.

Procesos estocsticos
Continuos tiempo aleatorio.

DISCRETOS:

Estos procesos aleatorios se llamarn discretos si los cambios de estado

aleatorios slo ocurren en instantes determinados, no aleatorios, y a lo ms, en
una infinidad numerable. Los intervalos de tiempo entre los instantes en los
cuales se producen los cambios de estado pueden ser iguales o no, interesando
nicamente -desde el punto de vista psicolgico- el orden de sucesin de los
diferentes estados del sistema.

La evolucin del individuo es una sucesin de fenmenos aleatorios.

Considerando a aqul como un sistema S, que puede tomar un conjunto finito de
estados = {E0, E1, E2, ..., Em}. Pues bien, en cada instante de un perodo de
tiempo T = {t0, t1, t2, ..., tn}, el S. toma al azar uno y slo uno (hiptesis
cualquiera) de los estados de , quedando establecida una correspondencia
unvoca (que es aplicacin, puesto que todos los elementos del primer conjunto
tienen su imagen en el segundo conjunto, pero slo una) entre el conjunto T y el
. Veamos, al respecto, el siguiente diagrama de Venn-Euler:

T
t0 E0

t1 E1

t2 E2

tn-1 En-1

tn En

FIG. 7.1. Aplicacin entre los conjuntos T y .

Si consideramos la sucesin aleatoria de estados de , tenemos un ejemplo

de proceso estocstico discreto, en cuanto asociemos a cada cambio de estado
una probabilidad de paso o transicin: pij (n) probabilidad de pasar, en el
instante n, del estado Ei al Ej. El conjunto de todas estas probabilidades de paso

149
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

constituye la matriz estocstica o de transicin: [M]. Sabemos que: pij (n) =

f(Ei, Ej, n, historia: tn t0).

Definimos, tambin pi(n) como la probabilidad de que el S. se encuentre en

el estado Ei en el instante n (hay 2 variables). Las pi(n) / i = 1, 2, , M,
constituyen el conjunto de probabilidades de cada estado que describen el
sistema psicolgico para todos los instantes considerados.

Se designa por P(n) = [p1(n), , pM(n)] el vector de estado en el instante

n. O sea, se tienen los denominados vectores de estado (aquellos cuyas
componentes son las probabilidades de cada uno de los estados en un instante
dado), esto es: P(n) = [pj (n)].

[M] es una matriz cuadrada de orden M en que cualquier elemento

pertenece el conjunto de las probabilidades de transicin pij, y es tal que:

pij / 0 pij 1 (axioma de probabilidad)

(i, j) {1, 2,..., M}2
M
j =1
p ij = 1

p11 (n) p12 (n) L p1M (n)

[M ] = p 21 (n) p 22 (n) L p 2 M (n) y P(n) = [p1 (n), p 2 (n),..., p M (n)]
p M 1 (n) p M 2 (n) L p MM (n)

y al ser matrices conformes, su producto resulta:

P(n) [M] = [p1 (n),..., p M (n)] [M ] = [p1 (n + 1), p 2 (n + 1),..., p M (n + 1)] = P(n + 1)

Del mismo modo, los denominados vectores de estado P(n) = [pj (n)]

j {1, 2, ...M}
n {0, 1, 2, ...}={Z+}={N}; son tales que:

M
p j (n ) = 1
J =1

0 pj(n)1 (axioma de probabilidad)

En general, se cumplir que:

M
p j ( n + 1) = p i ( n ) p ij " proceso estacionar io" , j {1, 2, ..., M } ;
i =1

O sea, se cumplir que si las probabilidades pi(0) / i = 1, 2, , M, se

suponen conocidas (vector de estado inicial), se tiene entonces una cadena de
Markov regida por la ecuacin:

150
 CAPTULO 7

M
p j (n + 1) = p i (n ) p ij (n )
i =1
o utilizando la notacin matricial y designando por P(n) el vector fila
anteriormente expresado, se tiene:

P(n+1) = P(n) M (1)

donde la matriz cuadrada M est formada de elementos pij. Pues bien, cualquier
matriz que posea las propiedades anteriores se denomina matriz estocstica o
matriz de transicin, ya que cada una de sus lneas constituye un vector
estocstico Pi. Las probabilidades pij se llaman probabilidades de transicin.
Una cadena de Markov queda completamente definida por la matriz estocstica
M y el vector P(0).

Ahora bien, psicolgicamente hablando, es muy posible que una matriz

estocstica pueda depender de la fecha o instante n, es decir, que las
probabilidades de transicin pij pueden ser funciones de n (hecho que puede
comprobarse en experiencias con animales). Se tendra, en tal caso:

M
p j (n + 1) = p i (n ) p ij (n )
i =1

siendo dadas o subjetivas las pi(0) y las pij(n), para todos los valores de i, j y n.
El proceso o cadena se denominara, entonces, no estacionario.

Un proceso estocstico, grficamente, queda determinado como sigue:

E0
E1
E2
Ei Pi(n)
Pij(n)
Ej Pj(n+1)
EM

t0 t1 t2 ti tn . tn+1

FIG. 7.2. Esquematizacin de la ecuacin general.

No podemos ocuparnos en este trabajo en la extensin a propiedades y otras

definiciones correspondientes a este aspecto de la Programacin Dinmica, si
bien aludiremos slo a algunos conceptos muy importantes, a saber:

1- Si [M] es estocstica, se demuestra que [M]r tambin lo es.

151
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

2- Sea [M] una matriz estocstica. La matriz: [D]=[M]-[1], donde [1] es

la matriz unidad de orden [M] ( sus elementos = 1), se denomina
matriz dinmica.

La ecuacin (1) puede, entonces, expresarse del siguiente modo:

P(n+1) P(n) = P(n)[D]

r
r ~
[ ] ~
[ ]
Si : lm.[M ] = M , donde M es una matriz estocstic a que constituye el lmite
(lmite de una matriz = matriz de los lmites), se dice que el sistema es
ergdico, es decir, que posee un rgimen permanente (podra ser el caso de
algunos sistemas psicolgicos). La matriz [M] que posee esta propiedad se
denomina matriz ergdica, y se demuestra que si una matriz no es reductible ni
separable, es ergdica.
~
Si adems de ello, [ M ] es tal que todas sus filas son idnticas, se dice
entonces que el sistema es completamente ergdico y, en este caso, el estado
del sistema para un n cualquiera y suficientemente grande, slo depende del
estado inicial Eo. En efecto, suponiendo el sistema estacionario:

P(n) = P(0)[M]n; de dnde:

~
[ ]
~
lm . P ( n ) = lm . P ( 0 ) [M ] = P ( 0 ) M = Pi ;
n n
n

~ ~
donde P i es una de las lneas de [ M ].

CONTINUOS:

Un proceso estocstico se llama continuo cuando el tiempo interior no

viene como una variable aleatoria, es decir, no est determinado el instante en
que el sistema cambia de estado (obsrvese la correlacin existente con el
problema de la caja negra, o desconocimiento del individuo como sistema).
Ejemplo representativo e interesante lo constituyen los procesos de nacimiento
y muerte (en ellos, la variable aleatoria tiempo sigue una determinada
distribucin de probabilidad), definidos en la Teora de Colas (fenmenos de
espera) que adoptan la forma de ecuaciones de estado, como:

d
dt p n ( t ) = n 1 p n 1 ( t ) ( n + n ) p n ( t ) + n +1 p n +1 ( t ) n > 0 ;

= f (n )
d p 0 ( t ) = 0 p 0 ( t ) + 1 p 1 ( t ) , en dnde n ;
dt
n = g ( n )

152
 CAPTULO 7

= tasa media de llegadas (poissoniana)

Siendo ;
= tasa media de servicio (poissoniana)

Estas ecuaciones generalizan numerosos casos particulares de los

fenmenos de espera, v. gr., el de una tasa de servicio proporcional al nmero de
unidades en el sistema (n=; n= n). En caso de rgimen permanente (las
probabilidades pn(t), de que el S. se encuentre en el En en el instante t, de un
nmero n de unidades en el S., son independientes del tiempo), se tendra:

d
p n ( t ) = 0 ; valor de n .
dt

De cualquier modo, ya nos ocuparemos, en su lugar correspondiente, del

posible tratamiento que la Teora de las Colas puede realizar de los Sistemas
psicolgicos, razn por la cual no seguiremos extendindonos aqu sobre el tema.

Ejemplo de aplicacin:

Un sistema psicolgico puede presentar solamente dos estados E1 y E2

segn unas probabilidades de transicin desconocidas, y en uno u otro estado se
puede tomar bien sea la decisin D1, bien sea la D2. Estas decisiones entraan
unos costes determinados recogidos en la tabla siguiente:

Decisin D1 Decisin D2
Transicin Prob. Coste Prob. Coste
(1) (2)
E1 E1 p 5 p 10
(1) (2)
E1 E2 q 8 q 5
E2 E1 p(1) 7 p(2) 4
(1) (2)
E2 E2 q 6 q 8
FIG. 7.3. Tabla de decisiones del problema.

a) La persona que controla este sistema psicolgico decide aplicar la

hiptesis de Laplace-Bayes y comenzar a tomar decisiones inmediatamente.

La sucesin de los estados del sistema, durante el perodo de observacin,

es el siguiente:

E1, E2, E1, E2, E2, E2 ;

qu estrategia ptima se puede deducir?

b) Al cabo de un nmero suficiente de periodos se ha encontrado:

153
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

q(1) = 078 ; p(1) = 022 ;

q(2) = 080 ; p(2) = 020 ;

cul es entonces la estrategia ptima permanente?

Solucin:

El grafo correspondiente de la tabla anterior es el siguiente:

FIG. 7.4. Grafo del sistema psicolgico.

a) En el origen se suponen todos los acontecimientos equiprobables, con

lo que:

p(1) = q(1) = p(2) = q(2) = .

Si se encuentra con E1 es preciso tomar la decisin D1 que slo cuesta:

(5+8)/2 = 65 en lugar de la decisin D2 que costara (10+5)/2 = 75.

Si se encuentra con E2, habra elegido D2, puesto que:

(7+6)/2 = 65 > (4+8)/2 = 60.

Si ahora nos encontramos en el estado E2 podemos, siguiendo la hiptesis

de Laplace-Bayes3, reevaluar q(1) y p(1), resultando lo siguiente:

3
Hiptesis de Laplace-Bayes:
Sea una urna que contiene un nmero desconocido de bolas de r colores c1, c2, ..., cr. Se hace una
sucesin de tiradas no exhaustivas de 1 bola. Llamando i a la fecha de una tirada y 0 a la de la primera, la
sucesin definida a continuacin constituir el conjunto de las probabilidades de Laplace-Bayes de
salida de los colores c1, c2, ..., cr:

p1(0) = 1/r , p2(0) = 1/r , , pr(0) = 1/r

..............
m1 + 1 m +1 m +1
p1 (i ) = , p 2 (i ) = 2 , ..., p r (i ) = r
i+r i+r i+r
si, en la fecha i, se ha comprobado despus de la fecha 0: m1 salidas de c1, m2 salidas de c2, ..., mr salidas
de cr. Si la urna contiene n1 bolas de color c1, n2 de color c2, ..., nr de color cr, siendo:

S nj = n1 + n2 + ... + nr = n

entonces, segn el sentido de la convergencia en probabilidad, se tendr:

154
 CAPTULO 7

1+1 2 2 1
q (1) = = ; p (1) = 1 = ,
1+ 2 3 3 3

permaneciendo p(1) y q(2) sin alteracin.

Se ve fcilmente que no hay ninguna modificacin de la estrategia a

adoptar, que ser:

E1 : D 1
E2 : D 2

b) Pero las reevaluaciones sucesivas, al mismo tiempo que nuestro

conocimiento del sistema aumenta, van a introducir luego una
modificacin en esta estrategia, tal como lo muestra esta tabla basada
en la secuencia: E1, E2, E1, E2, E2, E2.

Transicin Momento Momento Momento 3 Momento 4 Momento 5

(azar) 1 2 E1 E2 E2 E2 E2 E2
E1 E2 E2 E1
Decisin
D1 D2 D1 D1 D1
adoptada
Reevaluacin p(2) = 2/3, q(1) = 3/4, Q(1) = 4/5, q(2) = 3/4,
q(2) = 1/3 p(1) = 1/4, p(1) = 1/5, p(2) = 1/4,

Conclusin E1 : D1 E1 : D1 E1 : D1 E1 : D1 E1 : D 2
E2 : D2 E2 : D2 E2 : D1 E2 : D2 E2 : D 1
FIG. 7.5. Tabla de estrategias.

La estrategia ptima permanente, derivada de las observaciones que

permiten fijar q(1) en 078 y q(2) en 080 es, en definitiva:

E1 : D 2
E2 : D1

mk +1 n k
lm. p k (i) = lm. = ; k = 1,2, ..., r , es decir, para i suficientemente grande, resultar
i i i+r n
que:
m nk
k = 1,2, ..., r.
i n

155
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

2. Aplicacin de la Teora de Grafos

El empleo de la Teora de Grafos, nacido de la existencia indudable de una

aplicacin multvoca definida sobre un conjunto de sistemas o individuos, en el
planteamiento y resolucin de relaciones psicolgicas entre los sistemas, puede
extenderse al terreno intensamente operativo de la optimizacin o bsqueda del
valor ptimo entre los diversos sistemas que constituyen, ahora, los vrtices del
grafo.

La matriz estructural del conjunto de sistemas (grupo de individuos)

viene determinada por la matriz asociada al grafo como representacin sagital
propiamente dicha.

El problema general consiste en buscar un camino de valor mximo o

mnimo4 entre los vrtices o sistemas psicolgicos (individuos) dados en un grafo
simtrico o no. Dado un grafo G = (S, U), siendo S el conjunto de elementos y U
el de arcos, en el cual, a cada arco u se le asocia un nmero: l (u) 0, llamado
valor o longitud de u (y que, en nuestro caso, puede evaluarse de acuerdo con
la intensidad de un estmulo o respuesta), se debe buscar un camino que vaya
de un vrtice S0 a otro Sn, de modo que podamos maximizar o minimizar la
funcin:
F = l (u )
u

Para resolver este problema, existen varios algoritmos, siendo los de mayor
utilidad en este caso, en mi opinin, el de Ford y el de BellmanKalaba (siendo
el primero fcil de mecanizar para las redes que poseen un gran nmero de
vrtices: caso del estudio sistemtico de un grupo nutrido de individuos).

Obviamente, no podemos detenernos en la exposicin de los conceptos

tericos que afectan a la aplicacin a la Psicologa de la Teora de Grafos, si bien,
y slo a ttulo indicativo, realizaremos las siguientes especulaciones, acerca del
comportamiento de los S. psicolgicos tratados de esta guisa por la susodicha
tcnica de la Investigacin Operativa.

Sea, v. gr., un conjunto de 5 individuos o sistemas psicolgicos. De ellos

puede afirmarse que:

1- No forman grafo simtrico: puesto que 2 vrtices adyacentes

(ligados entre s por un arco, por lo menos) no tienen por qu estar
ligados forzosamente por 2 arcos (uno en cada sentido): en efecto, un
individuo puede emitir informacin hacia otro, y no ser correspondido.

4
Se denomina tambin camino ms corto. El valor l(u) es, en este caso, llamado longitud del arco u.
Esta terminologa, de uso corriente, se presta, sin embargo, a generar confusin.

156
 CAPTULO 7

2- No forman grafo antisimtrico: puesto que 2 vrtices cualesquiera

pueden estar ligados por 2 arcos (se admite la posible existencia de una
correspondencia informativa entre dos individuos).
3- No forman grafo completo: puesto que dos vrtices cualesquiera
no tienen por qu ser siempre adyacentes (se admite la posible
inexistencia de trnsito informativo entre 2 individuos).
4- No forman grafo fuertemente conexo: puesto que 2 vrtices
cualesquiera pueden no estar siempre ligados, al menos, por dos
caminos (hiptesis que se deduce ampliamente de mis consideraciones
anteriores).
5- S forman grafo transitivo: puesto que:
a) Existe siempre un arco que va del origen de un camino cualquiera a
su extremidad.
b) Adems cada vrtice posee un bucle. Veamos ambas
consideraciones respectivamente:

a) Sea:

A
C E

FIG. 7.6. Grafo compuesto de cinco individuos.

un grafo constitutivo de los cinco sistemas (individuos) de que

consta un grupo. Obsrvese que si bien no podemos, siguiendo un
camino, desplazarnos desde A hasta E, s podemos plantearnos el
problema de un modo distinto: considerando dos subgrafos
transitivos: {A, B, D}
{C, E},

en los que es perfectamente descomponible el grupo en cuestin.

b) La diagonal principal de la matriz asociada al grafo no contiene

ms que unos uii =1. Esta consideracin se nos antoja
importante desde el punto de vista psicolgico (trascendencia de las
propias respuestas en uno mismo), y es condicin decisiva en el
estudio de sistemas con retroalimentacin o feedback (tan propio
de los individuos de la especie humana!).
6- No forman grafo sin circuitos: puesto que no slo puede existir
algn circuito (camino en que la extremidad terminal del ltimo arco
se confunde con la extremidad inicial del primer arco), sino que, por

157
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

otra parte como ya hemos apuntado anteriormente cada vrtice

posee un bucle.
7- La consideracin acerca de si pueden constituir un grafo simple
parece aleatoria y, en todo caso, perfectamente enjuiciable desde el
plano psicolgico: puede determinarse una divisin de los vrtices
(sistemas individuos) en 2 clases, de tal forma que todo arco que
tenga su extremidad inicial en la primera de estas clases, y su
extremidad terminal en la segunda.

Otro problema interesante que puede plantearse en el estudio de los S.

psicolgicos, reside en la bsqueda del flujo mximo que puede atravesar una red
de acuerdo con la limitacin que representan las capacidades mximas de los
arcos de la misma (umbrales superiores de estmulo o respuesta). Para resolver
este problema por el algoritmo de FordFulkerson, es necesario ignorar la
presencia de los bucles en el grafo representativo del conjunto o grupo de
individuos. El problema queda definido de este modo:

capacidad del arco u (umbral de mxima informacin) = c(u) 0;

Hay (n+1) sistemas o vrtices {S0, ..., Sn}, de tal modo que:

un vrtice S0 (entrada de la red) y uno slo /: -1 (S0) = ;

un vrtice Sn (salida de la red) y uno slo / : (Sn) = ;

Un flujo de la red, es una cantidad (u) asociada a cada arco u de la red,

tal que: (1) (u) 0 u U;

(2) (u ) (u ) = 0 S0
uU S uU S+

S ;
Sn

(3) (u) c(u) ;

Y ello, representando por Us- al conjunto de arcos que inciden

interiormente en S, y Us+ al conjunto de arcos que inciden exteriormente en S.

Las restricciones (1) y (3) son claras. Veamos, en cambio, que la

restriccin (2) implica una exgesis terminante: en todo S, la suma de umbrales
mximos de los estmulos debe ser igual o equivalente (heterogeneidad de las
unidades de medida) a la suma de los umbrales mximos de las respuestas, sin
cuya condicin, es intil atacar el problema a travs del algoritmo propuesto.
Particularmente, creo que esta igualdad puede llegar a formalizarse, e incluso a
constituirse en realidad, profundizando en el estudio del ser humano y de sus
posibilidades de asimilacin y de comunicacin: los psiclogos tienen la palabra.

158
 CAPTULO 7

Buscar el flujo mximo en una red equivale a hacer llegar el mximo flujo
al vrtice o sistema Sn, esto es [MAX.] Sn, siendo Sn el denominado valor
del flujo . Consideremos, por otra parte, que los problemas de optimizacin de
camino, o de flujo mximo a travs de una red, pueden convertirse en problemas
de Programacin Lineal. Sin embargo, los algoritmos propuestos (y cuya
descripcin debemos ahorrarnos por obvias razones de espacio), utilizando la
Teora de los Grafos, resultan a mi juicio ms concretos y elegantes,
permitiendo una mejor utilizacin de la estructura particular de estos problemas.

3. Aplicacin de la Teora de Gestin de Stocks

De un modo anlogo al expuesto en la aplicacin anterior, podemos

considerar a un S. psicolgico como un ente en que las demandas propias de
los problemas de stocks se transforman en entradas de estmulos al sistema
mientras que, en su interior, se produce una acumulacin o almacenamiento de
experiencias y conocimientos cuyo control psicolgico de emisin del sistema
puede equipararse a la gestin de un stock mercantil.

En efecto, denominando perodo al intervalo de tiempo que separa dos

entradas sucesivas de estmulos, los principales elementos que intervienen en
nuestro problema son:

1- El volumen de salida de respuestas r , que puede ser determinado

(cuando resulta estar en funcin de ciertas variables; v. gr.:
proporcional al tiempo) o aleatorio (puede tratarse del planteamiento
conductista de una situacin real).
2- El tiempo de aplicacin del estmulo t , que tambin puede ser
determinado o aleatorio, o depender del volumen de entrada de
estmulos n, de la intensidad de dichos estmulos o de mltiples
conveniencias de carcter psicolgico.
3- Los diferentes niveles de acumulacin de experiencias: nivel
mximo S , nivel instantneo s , nivel mnimo y nivel de alerta (que
aconseja la provocacin de nuevos estmulos o, en su caso, permita la
nueva entrada de los mismos).
4- El volumen de entrada de estmulos n que puede ser constante o
variable a voluntad del psiclogo experimentador o, en su caso,
dependiente de un proceso de condicionamiento real.
5- Los instantes (fechas) de entrada de estmulos t y los perodos T de
permanencia en el sistema de la experiencia inducida por un
determinado estmulo, antes de su disipacin efectiva (culminacin
del nivel de alerta) a travs de las respuestas correspondientes.

Es lgico suponer que la evolucin del nivel de un cmulo de

conocimientos resultante de una o varias experiencias durante un perodo T, se
presente, por efecto de la memoria, bajo la forma de una funcin sectorial en
escalera decreciente (o, en su caso, como una curva continuamente decreciente).

159
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

En todo caso, resulta cmodo substituir o ajustar ese trazo sinuoso por una recta
o curva que proporcione una descripcin analtica ms adecuada del volumen r
de salida de respuestas. Al respecto, puede verse la figura siguiente:

FIG. 7.7. Funcin en escalera decreciente.

De entre las numerosas particularidades que surgiran de nuestro estudio,

consideramos procedente contemplar los modelos bsicos de actuacin del
psiclogoexperimentador ante la diversidad de conductas que puede adoptar el
S. De entre estos modelos pueden presentarse, en nuestra opinin, con mayor
frecuencia, los siguientes:

1- Formas en que los periodos T de permanencia son fijos:

a) La salida de respuestas r es constante. La entrada de estmulos
tiene lugar instantneamente y en cantidades constantes n. Se
puede, segn el caso, tolerar o no una ruptura del stock de
conocimientos.

FIG. 7.8. Entrada constante de estmulos al sistema psicolgico.

b) La salida de respuestas r es variable (aleatoria o determinada).

La entrada de estmulos se hace con o sin plazo en cantidades
variables ni, de manera que se site el stock de conocimientos en un
nivel mximo al final de cada periodo. Las cantidades de estmulos
ni deben ser estimadas en los instantes ti por extrapolacin de la
funcin correspondiente. As:

160
 CAPTULO 7

FIG. 7.9. Entrada variable de estmulos al sistema psicolgico.

2- Formas en que los periodos T de permanencia son variables:

a) La salida de respuestas r es variable (aleatoria o determinada).
La entrada de estmulos se verifica con o sin plazo en cantidades
fijas de manera que se site el stock de conocimientos en su nivel
mximo, al final de cada periodo.

FIG. 7.10. Salida variable de respuestas del sistema psicolgico con o sin plazo .

b) La salida de respuestas r es variable (aleatoria o determinada).

La entrada de estmulos tiene lugar en cantidades fijas y exige un
plazo constante . En este modelo, de cmodo control, equiparable
al Twobin System, las rdenes de entrada de los estmulos son
pasadas en el momento en que el stock de conocimiento se reduce a
un nivel convenientemente elegido por el psiclogo, llamado nivel
de reaprovisionamiento o de alerta.

Siguiendo el mismo esquema metodolgico que el empleado en los

casos anteriores, su representacin grfica puede verse a
continuacin:

161
APLICACIONES DE LA INVESTIGACIN OPERATIVA (I)

FIG. 7.11. Salida variable de respuestas del sistema psicolgico con un plazo .

Los modelos anteriormente expuestos de gestin de stocks intelectuales,

constituyen modelos bsicos, que ofrecen la ventaja de proporcionar unas reglas
automticas de control. De cualquier modo, no conviene ocultar que, como en
todo problema de Investigacin Operativa, no siempre ser posible resolver el
caso por cualquiera de los modelos anteriores, siendo entonces preciso realizar
un estudio especial teniendo en cuenta todas las restricciones particulares,
implicadas por el individuo o sistema.

Convendra hacer notar, por ltimo, que la Programacin Dinmica, cuya

aplicacin a lo problemas psicolgicos ya ha sido estudiada en epgrafes
anteriores de este mismo captulo, resulta un instrumento matemtico
particularmente til para resolver los problemas de stocks intelectuales que sean,
esencialmente, de naturaleza secuencial, como los psicolgicos.

162
 CAPTULO 8

CAPTULO 8
Aplicaciones de la Investigacin Operativa (II).
Teora de Colas o de los Fenmenos de Espera

1. Introduccin

En el estudio del individuo como S., pueden considerarse, a mi juicio, las

entradas de estmulos como llegadas de clientes en un fenmeno de espera, si
presuponemos inicialmente una acumulacin de ellos como resultado de una
experiencia psicolgica de carcter conductista o behaviorista.

2. Proceso de Poisson

Consideremos, para mayor generalidad, que dichas llegadas de estmulos se

producen siguiendo un proceso poissoniano. En efecto, dados unos cambios de
estado en un S. o individuo, se dirn que siguen los postulados de Poisson1 si se
cumple que:

1- Los sucesos que conciernen a cambios en intervalos no solapados, son

independientes.
2- La probabilidad de un nmero dado de cambios en un intervalo
depende de la medida o longitud de este intervalo: , y no de su
situacin:
.
P (h ) h h
3- / lm i = 0, siendo :
h0 h
{ }
4- n {N } = Z + lm n
ho
P (h )
h
=0
n2

1
Simon Denis Poisson (1781-1840), fue un fsico y matemtico francs al que se le conoce por sus
diferentes trabajos en el campo de la electricidad; tambin hizo publicaciones sobre la geometra
diferencial y la teora de probabilidades. La primera memoria de Poisson sobre la electricidad fue en
1812, en que intent calcular matemticamente la distribucin de las cargas elctricas sobre la superficie
de los conductores, y en 1824, cuando demostr que estas mismas formulaciones podan aplicarse de
igual forma al magnetismo. El trabajo ms importante de Poisson fue una serie de escritos acerca de las
integrales definidas, y cuando tan slo tena 18 aos, escribi una memoria de diferencias finitas. Poisson
enseaba en la escuela Politcnica desde el ao 1802 hasta 1808, en que lleg a ser un astrnomo del
Bureau des Longitudes. En el campo de la astronoma estuvo fundamentalmente interesado en el
movimiento de la Luna. En 1809 fue nominado como profesor de matemticas puras en la nuevamente
abierta facultad de ciencias. En 1837 public en Recherches sur la probabilit des jugements, un trabajo
importante en la probabilidad, en el cual describe la probabilidad como un acontecimiento fortuito
ocurrido en un tiempo o intervalo de espacio bajo las condiciones que la probabilidad de un
acontecimiento ocurre es muy pequea, pero el nmero de intentos es muy grande; entonces, el evento
ocurre algunas veces. Durante toda su vida public entre 300 y 400 trabajos matemticos incluyendo
aplicaciones a la electricidad, el magnetismo y la astronoma.

163
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

Consecuentemente, habr que analizar, en cada caso, si realmente la

experiencia psicolgica en cuestin se adapta a los postulados anteriormente
expresados, y, acto seguido, proceder a su estudio como tal proceso poissoniano,
del modo que a continuacin se expone.

En estadstica y simulacin, un Proceso de Poisson (tambin conocido

como "Ley de los sucesos raros") es un proceso de sucesos independientes
donde:

1. El nmero de sucesos en dos intervalos independientes siempre es

independiente.
2. La probabilidad de que un suceso ocurra en un intervalo es proporcional a
la longitud del intervalo.
3. La probabilidad de que ocurra ms de un suceso en un intervalo
suficientemente pequeo es despreciable (no se producirn sucesos
simultneos).

Para procesos homogneos hay una densidad media . Eso significa que la
media de los sucesos en un intervalo de tiempo t es /t. Tambin existen procesos
de Poisson no homogneos.

El tiempo entre dos sucesos de un proceso de Poisson con intensidad

media es una variable aleatoria de distribucin exponencial con parmetro .

Se pueden modelar muchos fenmenos psicolgicos como un proceso de

Poisson. El nmero de sucesos en un intervalo de tiempo dado es una variable
aleatoria de distribucin de Poisson donde es la media de nmeros de sucesos
en este intervalo. El tiempo hasta que ocurre el suceso nmero k en un proceso de
Poisson de intensidad es una variable aleatoria con distribucin de probabilidad
gamma o (lo que es lo mismo) con distribucin de Erlang2 con = 1/.

Imaginemos, ahora, un S. psicolgico o individuo en un determinado estado

en el instante t, caracterizndose dicho estado por la llegada de un nmero k de
estmulos, entre 0 y t. Suponiendo que la probabilidad de pasar del estado k al k +
1 entre t y t + dt es igual a dt, siendo constante y considerando despreciable
la probabilidad, por tratarse de un infinitsimo (o infinitesimal) de orden
superior, de pasar del estado k al k + 2.

Puede verse, al respecto, el esquema o figura siguiente:

2
En estadstica y simulacin, la distribucin Erlang, tambin llamada distribucin de Erlang, es una
distribucin de probabilidad continua con dos parmetros k y cuya funcin de densidad, para valores x >
0 es la siguiente:

La distribucin de Erlang es el equivalente de la distribucin gamma con el parmetro k = 1,2, ..., y =

1/. Para k = 1 eso es la distribucin exponencial. Se utiliza la distribucin de Erlang para describir el
tiempo de espera hasta el suceso nmero k en un proceso de Poisson.

164
 CAPTULO 8

k t t+dt
| |
0 Tiempos

FIG. 8.1. Llegada de estmulos a un sistema psicolgico.

Teniendo en cuenta lo anterior, determinemos ahora la probabilidad de que

el sistema en cuestin se encuentre en el estado n en el momento t + dt.

Esta probabilidad es igual:

a la probabilidad de que el sistema se encuentre en el estado n-1 en el

momento t y que se produzca una llegada de estmulos entre t y t + dt;
ms la probabilidad de que el sistema se encuentre en el estado n en el
momento t y que no se produzca ninguna llegada de estmulos entre t y
t + dt.

Podemos escribir:

p n (t + dt ) = p n1 (t ) dt + p n (t )(1 dt ),

o bien, haciendo las operaciones pertinentes:

p n (t ) p (t + dt ) p n (t )
lm. = p ' n (t ) = n = p n 1 (t ) p n (t ) = [ p n 1 (t ) p n (t )]
t 0 t dt

La solucin de esta ecuacin diferencial, que se puede resolver como lineal

n
t ( t )
de primer orden, es: p n ( t ) = e ,
n!
n
siendo para t = 1: p n = e , que es la expresin de la ley de Poisson.
n!

La ley de Poisson define, pues, un proceso de llegadas de estmulos (por

unidad de tiempo) que responde a las hiptesis anteriormente especificadas. Su
media y su varianza son:
E(n ) = , Var(n ) = 2 = .

En teora de probabilidad y estadstica, la distribucin de Poisson es una

distribucin de probabilidad discreta. Expresa la probabilidad de un nmero de
eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media
conocida, y son independientes del tiempo desde el ltimo evento.

La distribucin de probabilidad de Poisson, que public, junto con su

teora de probabilidad, en 1838 en su trabajo titulado Recherches sur la

165
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

probabilit des jugements en matires criminelles et matire civile (investigacin

sobre la probabilidad de los juicios en materias criminales y civiles), est dada
por la expresin siguiente:

donde:

e es la base del logaritmo natural o neperiano (e = 2.7182818284...),

k! es el factorial de k,
k es el nmero de ocurrencias de un evento,
es un nmero real positivo, equivalente al nmero esperado de
ocurrencias durante un intervalo dado. Por ejemplo, si los eventos ocurren
de media cada 4 minutos, y se est interesado en el nmero de eventos
ocurriendo en un intervalo de 10 minutos, se usara como modelo una
distribucin de Poisson con: = 10/4 = 25.

Por ejemplo, si el 2% de los individuos analizados de un cierto colectivo

tienen la expresin escrita defectuosa, se desea obtener la probabilidad de que 5
de 400 individuos (el 125%) de dicho colectivo tengan su expresin escrita
defectuosa.

Solucin:

O sea, que la probabilidad buscada es del 92%. Si, por otra parte, como
parecera natural, se buscase la probabilidad de que dicha expresin defectuosa la
tuvieran 8 individuos del colectivo (el 2%), dicha probabilidad, con k = 8 y = 8,
sera prcticamente del 14%.

Pues bien, la probabilidad de que el intervalo que separa dos

acontecimientos sucesivos sea superior a un determinado valor , es igual a la
probabilidad de que no se produzca ningn acontecimiento en el intervalo , por
consiguiente, igual a e-.

Al respecto de lo que estamos exponiendo hasta ahora, puede resultar

suficientemente aclaratorio el siguiente grfico:

166
 CAPTULO 8

tiempos

FIG. 8.2. Intervalo de tiempo de llegada de estmulos al sistema.

Si se designa por F() la funcin de distribucin de , la probabilidad de que

el intervalo en cuestin sea superior a no es otra que 1 F().

En estas condiciones: F() = 1 e , resultando:

dF ( ) = f ( )d = e d ( ).

De este modo, en el marco de un proceso poissoniano, la ley de

probabilidad de los intervalos que separan dos acontecimientos sucesivos no es
otra que la ley exponencial. Su media y su varianza son:

E () = 1 [E ()]2
=1
Var () = 1 2 Var ()

En los fenmenos de espera, la ley de Poisson describe, a menudo,

correctamente el proceso de llegada de los estmulos y la ley exponencial la
distribucin de las duraciones del servicio. En tal caso, la ley de llegadas viene
definida por el nmero medio de las llegadas por unidad de tiempo y la ley de las
duraciones del servicio por la tasa media de servicio (inversa del tiempo medio
que separa dos acontecimientos sucesivos).

3. Estimulacin ilimitada

La figura que viene a continuacin representa esquemticamente esta

situacin. Llamemos:

S al nmero de centros perceptores del individuo o S.

al nmero de estmulos en la fila de espera.
j al nmero de estmulos que estn siendo procesados por el
individuo (0 j S).
n al nmero total de estmulos en el sistema, es decir, en espera y
siendo procesados, esto es: n = + j.
al nmero de centros perceptores del S. desocupados.
tf al tiempo medio de espera del estmulo en la fila, antes de ser
procesado, que no debe confundirse con la latencia de la respuesta
(tiempo transcurrido, en segundos, entre la presentacin del estmulo
y el comienzo de la respuesta).

167
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

(Los valores medios correspondientes se representarn con un guin

horizontal sobre la variable psicolgica en cuestin).

La situacin aparece clara. En tanto que j < S, es decir, mientras que todos
los centros perceptores no estn ocupados, no hay filas de espera y cualquier
estmulo que llegue es procesado inmediatamente ( = 0). Por el contrario, si j =
S, puede formarse una fila de espera y entonces 0.

La situacin, grficamente, podra esquematizarse as:

SISTEMA PSICOLGICO

Entrada de estmulos

FILA DE ESPERA
Fuente de estimulacin

FIG. 8.3. Esquema de llegadas de estmulos al S. psicolgico (estimulacin ilimitada).

En este caso, las llegadas de estmulos son de naturaleza poissoniana y su

tasa media de procesamiento es . Todos los centros receptores tienen igual tasa
media de procesamiento que corresponde a una misma distribucin
exponencial.

En la figura anterior no hemos representado ms que una sola fila de espera.

Podemos considerar igualmente que hay varias filas, una ante cada centro
perceptor del sistema psicolgico (audicin, vista, olfato, tacto, ); este ltimo
caso ser equivalente al primero con la condicin de que los estmulos no tengan
ninguna prioridad ni preferencia por un centro perceptor en particular y que
cualquier estmulo acte desde la fila ms corta. En el caso de tratarse de varios
individuos o sistemas psicolgicos el problema podra multiplicarse tantas veces
como fuera preciso.

Las ecuaciones de estado que describen tal fenmeno de espera se

establecen fcilmente del siguiente modo:

168
 CAPTULO 8

d
p 0 (t ) = p 0 (t ) + p1 (t ),
dt
d
p n (t ) = p n 1 (t ) ( + n ) p n (t ) + ( n + 1) p n +1 (t ),
dt
n /1 n < S ,
d
p n (t ) = p n 1 (t ) ( + S ) p n (t ) + S p n +1 (t ), n S .
dt

Estas ecuaciones no son ms que un caso particular de las ecuaciones

siguientes, ms generales, que definen lo que se denomina un proceso de
nacimiento y de muerte en el cual las llegadas y el proceso de percepcin son
poissonianos:

d
p n (t ) = n 1 p n 1 (t ) ( n + n ) p n (t ) + n +1 p n +1 (t ), n > 0
dt
d
p 0 (t ) = 0 p 0 (t ) + 1 p1 (t )
dt

en donde n y n son funciones de n.

Las ecuaciones anteriores generalizan numerosos casos particulares de los

fenmenos de espera, por ejemplo, el de una tasa de procesamiento proporcional
al nmero de estmulos en el sistema (n = ; n = n).

Situmonos ahora en el caso de rgimen permanente, es decir, en el caso

en que las probabilidades pn, de un nmero n de unidades en el sistema, son
independientes del tiempo, con lo que:

d
p n (t ) = 0 , para cualquier valor de n.
dt

Se pondr = /. La cantidad /S, denominada intensidad de

estimulacin, ser tal que (/S) < 1, es decir, < S, si no la fila se hara infinita,
al ser el nmero medio de llegadas de estmulos superior al de salidas.

a) Probabilidad pn de que existan n unidades en el sistema.

De las ecuaciones de estado se deducen inmediatamente las frmulas:

n
pn = p0 ; 1 n < S,
n!
n
pn = p0 nS
; n S;
S ! S
donde:

169
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

1
p0 =
S
2
S 1
+1+ + + ... +
S ! (1 S ) 1! 2! ( S 1)!


o tambin p 0 = e
= e

En el caso particular de que exista un nico centro receptor (perceptor), o

sea, S = 1, se tiene:
p0 = 1 ,
p n = (1 ) n

Se pueden utilizar igualmente, para el clculo de pn, las frmulas de

retorno o recurrencia:

pn = p n 1 , 1 n < S
n

pn = p n 1 , n S .
S

En cualquier caso, la determinacin de la probabilidad pn de que existan n

unidades de estmulos en el sistema, siendo la tasa media de llegadas y la tasa
de percepcin proporcional al nmero de estmulos en el sistema, se realiza del
siguiente modo:

Volvamos a tomar las ecuaciones generales del proceso de nacimiento y

muerte:

d
p n (t ) = n 1 p n 1 (t ) ( n + n ) p n (t ) + n +1 p n +1 (t ), n > 0;
dt
d
p 0 (t ) = p 0 (t ) + 1 p1 (t ).
dt

Aqu, n = y n = n. En rgimen permanente, se tendr:

0 = p n 1 ( + n ) p n + ( n + 1) p n + 1 , n > 0;
0 = p 0 + p1 ,

o sea:

( n + 1) p n +1 = p n 1 + ( + n ) p n ,

p1 = p ,
0
como:

170
 CAPTULO 8

p1 = p ,
0
2 p 2 = ( + ) p1 p 0 ,
3 p 3 = ( + 2 ) p 2 p1 ,
4 p 4 = ( + 3 ) p3 p 2 ,
L L L L L L L
de donde:
( / )n
pn = p0;
n!
pero:

p n = 1;
n=0

luego:

( / ) n
p0 + p0 = 1,
n =1 n!
p n + p 0 ( e / 1 ) = 1,
p 0 = e / ;
y finalmente:

( / ) n e / p n
pn = = 0
n! n!

b) Nmero medio de unidades n en el sistema.

Se calcular la esperanza matemtica o valor medio de n del siguiente

modo:

n = n p
n=0
n ,

2
( S + 1) S +1
S
S +2
n = + 2 + ... + S + + 2
p0 .
2 ! S ! S ! ( S ) S ! ( S )

En particular, para S = 1:

/
n= n p
n=0
n =
1
=
1- /
=

;

171
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

c) Nmero medio de estmulos v en la fila de espera.

Se calcular la esperanza matemtica de la variable aleatoria v = n S

(estmulos esperando en cola), tratndose del caso de un fenmeno de espera con
varios centros receptores sensoriales, o sea:

v=
n = S +1
(n S ) pn =
n = S +1
n p n S
n = S +1
pn

S +1 S +2
n p n = p 0 ( S + 1) + (S + 2) 2
+ ... =
n = S +1 S! S S! S
p 0 S S +1
= (S + 1) + ( S + 2 ) 2
+ ...
S! S S

Como sucede que:

S +1 S + 2 S +1 2
+ + ... = 1 + + 2 + ... =
S S2 S S S
S +1 S +1
1
= = ,
S 1 /S S

derivando la expresin anterior resulta:

( S + 1 )( S ) S + S +1

(S )2

( S + 1) S +1 S +2
n p = p 0 +
S !( S ) S !( S ) 2
n
S +1

S +1 S + 2
S p n = p 0 S + 2
+ ... =
n = S +1 S ! S S ! S
p 0 S +1 2 p 0 S +1 1
= 1 + S + 2 + ... =
S! S S! 1 / S
S +1 1
= p 0 S .
S! S

De dnde se deduce que:

172
 CAPTULO 8

S +1 S +2
v = p0 + 2
=
S !( S ) S !( S )
S S +1 S +1
= p0 = p
S !( S ) 2 S S ! (1 / S ) 2
0

, llegando as a la frmula buscada. En particular para S = 1, se tendr:

2
( n 1 ) p n =
1
.
n = S +1

d) Nmero medio de centros receptores desocupados.

S
= (S n ) p n = S ;
n =0
Para S = 1, se tiene:

= 1 .

Las medias de las variables n, v y estn ligadas analticamente por la

relacin:

n = v + S = v + .

e) Probabilidad de espera.

La probabilidad de una espera de cualquier duracin o probabilidad de

espera, que ser expresada por p(> 0) es, sencillamente, la probabilidad de que n
sea superior o igual a S. O sea:

p ( > 0 ) = Pr ( n S ) = pn ,
n =S

S
p(> 0) = p0.
S! (1 / S )

f) Tiempo medio de espera tf en la fila:

En rgimen permanente, se tiene:

v = tf ,
de dnde:

173
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

v S
tf = = p0.
SS ! (1 / S ) 2

Existen unos bacos que dan los valores de los productos tf para
diferentes valores de S y /S. Para S = 1, se tendr:

v 1 n
tf = = = .
1

4. Estimulacin limitada

Con la hiptesis S < m, en donde m es el nmero de estmulos, el

fenmeno puede definirse de la manera siguiente: si 1 n S, hay (S n) centros
perceptores desocupados; si S < n m, hay S estmulos que estn siendo
procesados y (n S) en la fila de espera. La situacin se presenta en la figura
siguiente 8.4.

a) Probabilidad pn de que existan n unidades en el sistema.

Las ecuaciones generales anteriormente expuestas permiten obtener:

Pn = C nm n p 0 , 0 n S,

En este caso, la representacin esquemtica del proceso es la siguiente:

n unidades en el sistema

v unidades


(m j) unidades

j unidades

FIG. 8.4. Esquema de llegadas poissonianas de estmulos con tasa media por unidad de tiempo.

174
 CAPTULO 8

en donde se tiene el nmero de combinaciones sin repeticin de m elementos

tomados de n en n :
m!
C mn = ;
( m n )! n !
n!
pn = nS
C mn n p 0 ; S n m ;
S!S

m
con: p n = 1.
n=0

Se podrn utilizar igualmente frmulas de recurrencia. En efecto,

haciendo:

an = pn/p0
se tendr:
a0 = 1
m n +1
an = a n 1 , 1 n ( S 1);
n
m n +1
an = a n 1 ; S n m.
S

Se calcular, por ltimo:

1
p0 = m
1+ an
n =1
En el caso de la existencia de un solo centro receptor sensorial (nariz,
odos, ojos, piel, ), las frmulas a utilizar son:

m!
pn = n p0
( m n )!
con:
1
p0 = m
m! n
1+ ( m n )!
n =1
y
m
pn = 1,
n =0
o bien la frmula de recurrencia:

p n = ( m n + 1) p n 1 , 1 n m.

175
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

b) Nmero medio de estmulos en la fila, de centros receptores

sensoriales desocupados y de estmulos en el sistema.

Los valores medios de las variables psicolgicas v, y n vienen dados por

las frmulas:
m
v = (n S)p n ,
n = S +1
S
= (S n ) p n ,
n=0

n = S + v .

En el caso de un solo centro receptor sensorial (S = 1), las frmulas a

utilizar son las siguientes:

1+
v=m (1 p 0 ),

= p0,
1
n =m (1 p 0 ).

c) Probabilidad de espera y tiempo medio de espera en la fila.

Se obtiene de las frmulas:

m
p ( > 0 ) = Pr ( n S ) = pn,
n =S
m
v 1 v
tf =
(m n )
=
(m n )
(n S)p n =
(S )
n = S +1

En el caso de la consideracin de un centro de percepcin nico, se

utilizarn las frmulas:

p(> 0) = 1 p 0 ,
1 m 1+
tf = ( )
1 p0

Para terminar esta introduccin diremos que existen otros modelos

temticos que permiten tener en cuenta los diversos aspectos que pueden
presentar los fenmenos de espera: varias filas de espera con prioridades,
distribuciones de las entradas y de la duracin del procesamiento de los estmulos
diferentes de la ley de Poisson o de la ley exponencial, centros receptores
sensoriales en cascada, etc.

176
 CAPTULO 8

Conviene, en cada caso que se presente en la prctica, estudiar las

distribuciones de las llegadas y de la duracin de los procesamientos para tratar
de ajustarlas a las leyes de probabilidad clsicas. Si esto no fuera posible, se
podr tratar el problema por simulacin (mtodo de Monte-Carlo u otros).

5. Ejercicios de aplicacin

1) Sea un fenmeno de estimulacin de un individuo con varios centros

receptores sensoriales.

La tasa media de llegadas de estmulos, cada diez minutos, es = 8. La

duracin media de la percepcin (procesamiento) es de cinco minutos.

Calcular para S (nmero de centros receptores sensoriales) = 5, 6 y 7, el

nmero medio v de estmulos en la fila de espera y el tiempo medio de espera tf
en la fila.

Solucin

= 8, (tasa media de servicio o coeficiente de proporcionalidad) =

= 10/5 = 2, = / = 8/2 = 4;

Para S = 5:

Aqu se tiene que: /S = 4/5 = 08 < 1 (intensidad de estimulacin).

46 S +1
v= p0 = p0;
5 5! (1 4 / 5 ) 2 S S! (1 / S) 2
con:

1
p0 = .
45 42 43 44
+1+ 4 + + +
5! (1 4 / 5 ) 2! 3! 4!
De donde:
1 1 1
p0 = = = e =
1 .024 / 4 + 824 / 24 77 e
y
46 1 45 1 1 . 024 1
v= = = = 2 '216 .
4! 77 6 77 6 77

Para S = 6:

En este caso, la intensidad de estimulacin ser:

/S = 4/6 = 067 < 1;

177
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

47
v = p0,
6 6 ! (1 4 / 6 ) 2
con:
1
p0 = 6
4 4 45
+1+ +K +
6! (1 4 / 6 ) 1 5!
De donde:
1 1 1
p0 = = =
4 6
824 1 . 024 2 . 048 5 . 144 7 . 192
+ + +
2 5! 24 120 120 120 120
y
47 120 46 4 .096
v= = = = 0 '569 .
5!4 7 .192 7 .192 7 .192

Para S = 7:

En este caso, la intensidad de estimulacin ser:

/S = 4/7 = 057 < 1;

48
v = p0,
7 7 ! (1 4 / 7 ) 2
con:
1
p0 = 7
4 4 46
+1+ +
7 ! (1 4 / 7 ) 1 6!
De donde:
1 1
p0 = =
4 7
5 . 144 4 . 096 121 . 264
+ +
6!3 120 720 720 3
y entonces:
48 720 3 48 65 .536
v= = = = 0 '18
6!3 121 .264 3 121 .264 363 .792
2

1) El tiempo medio de espera viene dado por la frmula:

v
tf =

2 '216
Para S = 5: tf = = 0 '277 ,
8
y como la unidad de tiempo es aqu la decena de minutos, resulta:

178
 CAPTULO 8

t f = 2 min. 46 s. = 2'77 min. = 166 segundos

Para S = 6:
0 '569
tf = = 0 '07 , o sea, 0'7 min. = 42 segundos
8

Para S = 7:

0 '18
tf = = 0 '022 , o sea, 0'22 min. = 13'2 segundos
8

2) Calcular, en un fenmeno de estimulacin, donde la tasa de

procesamiento es proporcional al nmero de estmulos en el sistema, el nmero
medio de estmulos en el sistema psicolgico, sabiendo que la tasa de llegada de
los mismos es = 6 y el coeficiente de proporcionalidad = 2.

Solucin

=6 = / = 6/2 = 3;
=2
n
Debe tenerse en cuenta la expresin general: P n = P0 ;
n!

e- = P0 = e-3 = 0050 ;

P1 = 3 P0 = 3 0'05 = 0150
32
P2 = 0'05 = 0'225
2!
33
P3 = 0'05 = 0'225
3!
8
34
P4 =
4!
0'05 = 0'169 = P n = 1 '000
n =0

35
P5 = 0'05 = 0'101
5!
36
P6 = 0'05 = 0'051
6!
37
P7 = 0'05 = 0'021
7!
38
P8 = 0'05 = 0'008
8!

179
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

con la siguiente representacin grfica:

GRFICO DE PROBABILIDADES

0,25

0,2
Valores

0,15

0,1

0,05

0
0 1 2 3 4 5 6 7 8
Probabilidades (p)

De donde se deducir que:

8
n= n =1
n Pn = P1 + 2 P2 + 3 P3 + 4 P4 + 5 P5 + 6 P6 + 7 P7 + 8 P8 =

= 0150 + 2 0225 + 3 0225 + 4 0169 + 5 0101 + 6 0051 +

+7 0021 + 8 0008 = 0150 + 0450 + 0675 + 0676 + 0505 + 0306 +

+0147 +0064 = 2973 3 estmulos en el sistema.

3) En un S. psicolgico el nmero de estmulos que se presentan por hora

es de 20 y el tiempo necesario para procesar la informacin y emitir una
respuesta es de 6 minutos por estmulo. Se admite que las llegadas constituyen un
proceso de Poisson y que la duracin del proceso es del tipo exponencial.

1) Cuntos centros receptores sensoriales son suficientes para evitar

cualquier atascamiento en la recepcin de estmulos?
2) Se considera un Sistema Psicolgico que procesa la informacin y
emite respuesta de modo proporcional al nmero de estmulos. Cul
es en este caso la probabilidad pn de que haya n estmulos en la fila?
Y el nmero medio de estmulos en el sistema?
3) El nmero de centros receptores sensoriales, proporcional al nmero
de estmulos, se limita a 4. Cul es la probabilidad de que deba entrar
en accin otro centro receptor sensorial?

180
 CAPTULO 8

Solucin

1) Se tiene = 20, = 10, = / = 2.

Se necesitan, por consiguiente, ms de dos centros receptores sensoriales

para evitar el atascamiento del sistema.

2) De una manera general, se tiene:

d
p n (t ) = ( n + n ) p n (t ) + n 1 p n 1 (t ) + n +1 p n +1 (t ) ,
dt
d
p 0 ( t ) = 0 p 0 ( t ) + 1 p1 ( t ) .
dt

Pero aqu:
n = , n = n

de dnde:

d
p n ( t ) = ( + n ) p n ( t ) + p n 1 ( t ) + ( n + 1) p n +1 ( t ) ,
dt
d
p 0 ( t ) = p 0 ( t ) + p 1 ( t ) .
dt

Se obtiene:

p1 = p 0 ,

2 p2 = ( + ) p1 p0 ,
3 p3 = ( + 2) p2 p1 ,

Se ve fcilmente que:
2
1
p 2 = p 0 ,
2!
3
1
p 3 = p 0 ,
3!
... ... ... ... ... ... ... ...
n
1
p n = p 0 .
n!

Como por otra parte:

181
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

pn = 1,
0
de dnde:

( / ) n
p0 + p0 =1
1 n!

y utilizando el desarrollo exponencial:

p0 + p0 (e/ 1) = 1.
As:
n
-/ e /
p0 = e y n
p =
n!
Aqu:
1 n 2 2n
pn = 2 e = 0 '135
n! n!

La condicin necesaria de convergencia de esta serie numrica exigira

que:
2n
lm . =0 ;
n n!

veamos que ello se cumple por la aplicacin de la frmula de Stirling, en que:

n! e n n n 2n ;

En nuestro caso, se tiene:

n
2n en 2e 1
lm . = lm . lm . = 00 = 0.
n nn 2 n n n n 2 n

En todo caso, dicha circunstancia viene demostrada por aplicacin del

criterio de dAlembert o del cociente, puesto que para un trmino general de la
2n
serie numrica: a n = , se tiene que:
n!
2 n +1
a n +1 ( n + 1)! 2 n +1 n! 2
lm . = lm . = lm . n = lm . = 0 <1,
n a n 2 n n 2 ( n + 1)! n n + 1
n
n!

lo que confirma el carcter convergente de la serie que nos ocupa.

182
 CAPTULO 8

Dicha convergencia tambin queda corroborada por aplicacin del primer

criterio de Cauchy (criterio de la raz), puesto que:

2n 2e 2e 1
lm n a n = lm n = lm = lm lm ;
n n n! n
n 2 n
2 n n n n 2n
2 n

En cualquier caso, para la resolucin del lmite anterior del denominador

de la segunda fraccin, tambin resulta aplicable el criterio de Stolz de la raz, al
tratarse de una indeterminacin del tipo 0. Efectivamente, se tiene que:

2n n
lm . 2 n 2 n = lm . 2 n 2 ( n 1 ) = lm . = 1 , luego:
n n 2 ( n 1) n n 1

lm . n a n = 0 1 = 0 < 1 , y la serie es CONVERGENTE, tal como se

n

pretenda demostrar.

Resultan, pues, las siguientes probabilidades:

p0 = 0135 p3 = 0180 p6 = 0012

p1 = 0271 p4 = 0090 p7 = 0003
p2 = 0271 p5 = 0036 p8 = 0001

con la siguiente representacin grfica:

GRFICO DE PROBABILIDADES

0,3

0,25

0,2
Valores

0,15

0,1

0,05

0
0 1 2 3 4 5 6 7 8
Probabilidades (p)

183
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

Es fcil comprobar, segn la expresin:

n
e /
p n = ,
n!

que, en el equilibrio, se tiene un proceso de Poisson tal que: n = / .

Por otra parte, con los clculos ya efectuados, se cumple que:

p n = 0'999 1
0

y el nmero medio de estmulos en el sistema, ser:

n = n p n = 1'994 2 , puesto que:
0

n = p1 + 2p2 + 3p3 + 4p4 + 5p5 + 6p6 + 7p7 + 8p8 = 1994.

Dicho nmero no es ms que la suma de la serie:

2n
n = n p n = 0'135
n =0 n =0 ( n 1)!

3) La probabilidad de que deba entrar en accin otro centro receptor

sensorial del Sistema Psicolgico, ser:

pn = 1 p 0 p 1 p 2 p 3 p 4 = 0'053 53%
n =5
p5 + p6 + p7 + p8 + ... = 0052 + ...

4) Consideremos ahora un sistema continuo con dos estados (c.r.s.

desocupado, c.r.s. ocupado), en donde la tasa poissoniana de llegadas de los
estmulos al nico centro receptor sensorial (c.r.s.) es y la tasa exponencial de
procesamiento, . Si una llegada tiene lugar mientras se est procesando la
respuesta, aqulla se pierde, si no, la respuesta al nuevo estmulo comienza
inmediatamente.

Estudiar el establecimiento del rgimen permanente.

Indicacin. Se podr utilizar para la resolucin la transformacin de

Carson-Laplace.

184
 CAPTULO 8

Recordatorio. Sea pij la probabilidad de transicin del estado i al estado j

durante el tiempo elemental dt. Si M es el nmero de estados del sistema y pi(t) la
probabilidad de que el sistema ocupe el estado i en el tiempo t, se tiene que :

M
p j ( t + dt ) = p i ( t )p ij
i =1

[ ]
M
p j ( t + dt ) p j ( t ) = p i ( t ) p ij ij ,
i =1

siendo ij el smbolo de Krnecker (igual a 1 cuando y solamente cuando i = j, e

igual a 0 en todos los dems casos).

Se tiene:
p j ( t + dt ) p j ( t ) M p ij ij
lm .
dt 0 dt
= p i ( t ) lm .
dt 0 dt
i =1
de dnde:
d p j ( t ) M

dt
= p i ( t ) a ij ,
i =1

siendo aij los elementos de la matriz diferencial A, tal que:

p ij ij
a ij = lm . .
dt 0 dt
Se tiene, pues:
d
P(t ) = P( t )A .
dt

Consideremos ahora la transformacin de Carson-Laplace (*) de la

funcin f(t), a saber:

F ( p ) = p e pt f ( t ) dt = L f ( t ) ;
0
se tiene:
df
L = p F ( p ) p f ( 0 ) .
dt
Luego:
d
L P ( t ) = p II ( p ) p P ( 0 )
dt
y
L P (t) A = II (p) A

si A no depende de t. De donde:

185
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

p II (p) p P (0) = II (p) A.

II (p) [p1 A] = p P (0)

y entonces:
II (p) = p P (0) [p 1 A]-1 .

Solucin

a)
[p ] = 1 dtdt
ij
dt
1 dt
.

En efecto, segn el enunciado del problema hay dos estados: c.r.s.

desocupado y c.r.s. ocupado. La tasa poissoniana de las llegadas es y la tasa
exponencial del servicio es .

Se tiene:

A =

y

II (p) = p P (0) {p[1] }1

Resultando, para efectuar el clculo de la matriz inversa, que:

1 0 p +
p =
p +
; su matriz transpues ta ser :
0 1
'
p + p + p +
= , [ ]p =
p + p + p +

Y el valor del determinante: = (p + ) (p + ) = p (p + + ) ,

de donde:
p +

[ ] 1 = p ( p + + ) p ( p p+ + + )

p ( p + + ) p ( p + + )

Y haciendo operaciones, se tiene que:

186
 CAPTULO 8

p+
p + + p+ +
II ( p ) = P ( 0 )
p+
p + + p+ +

Se sustituye en una tabla de transformaciones inversas:

1 1 e at p
; e at ;
p+a a p+a

de donde, por ejemplo:

p 1 e ( + ) t
+ e ( + ) t + =
p++ p++ +

= + e ( + ) t
+ +

As, en nuestro caso quedar la matriz:

+ e ( + ) t e ( + ) t
+ + + +
P ( t ) = P (0 )

e ( + ) t + e ( + ) t
+ + + +

Se ve que, cuando t , P (t) tiende hacia:

+ +
P (0) = ,
+ + = [1, 2]
+ +

, siendo el vector de estado: P(0) = [1,0].

b) Otro mtodo de resolucin ms resumido conduce a:

d
P ( t ) = P ( t ) A .
dt

Si el rgimen es permanente d/dt P(t) = 0, de donde P(t) A = 0.

Resultando que:

1 + 2 = 0 , o lo que es lo mismo:

187
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

1 2 = 0 ,
con:
1 + 2 = 1.

De hecho, pues, se trata de resolver el sistema no homogneo

(heterogneo) de dos ecuaciones con dos incgnitas, compatible y determinado,
siguiente:

1 2 = 0
1 + 2 = 1

Por aplicacin de la regla de Cramer, se tiene:

0
1
1
1 = =
,
+
1 1

de dnde:

1 = , 2 = .
+ +

, cuyos resultados coinciden obviamente con los obtenidos por aplicacin del
mtodo resolutivo indicado en el apartado anterior a).

----------

(*) La transformada de Laplace (1780), que es un operador lineal como tendremos

ocasin de comprobar seguidamente, toma su nombre en honor del gran matemtico
francs Pierre-Simon Laplace (1749-1827). Dicha transformacin supone,
genricamente, que y(x) es una funcin continua en todo el semieje OX positivo, y
supongamos ahora que su producto por e-px sea integrable entre 0 e en un cierto
campo de p. Pues bien, la funcin F del parmetro p que esta integral define en tal
campo:

px
F(p ) = e y ( x ) dx
0

se llama transformada Laplace de y(x), mientras que la funcin y se llamar generatriz

Laplace de F, y escribiremos:

F(p) = L[y(x)] ; y(x) = L-1[F(p)]

Ambas transformaciones, directa e inversa, son operaciones lineales, es decir:

188
 CAPTULO 8

I. Son distributivas en relacin a la adicin:

L [y1+y2] = L[y1] + L[y2] , y por tanto: L-1[F1+F2] = L-1[F1] + L-1[F2]

II. Son permutables con un factor independiente de la variable:

L[ay] = aL[y] ; L-1[aF] = aL-1[F]

Transformada de una derivada. La propiedad ms interesante para las

aplicaciones subsiguientes es que: Al DERIVAR la funcin y(x) la transformada
Laplace queda MULTIPLICADA por su variable p y disminuida en y(0). Es decir:

Si L[y(x)] = F(p) es L[y(x)] = pF[y] - y(0) = pF(p) y(0) (1)

Claro es que se supone que y(x) sigue cumpliendo las condiciones de

integrabilidad exigidas a y(x). En este supuesto resulta, en efecto,

0

[
e px y ' ( x ) dx = e px y ( x ) ]
0

+ p e px y ( x ) dx = y ( 0 ) + p F ( p )
0

pues la integrabilidad de la funcin subintegral e-pxy(x) entre los lmites 0 e exige la

anulacin de esta funcin para x .

La aplicacin reiterada de la expresin anterior (1) nos dar:

L [y ' ' ( x ) ] = pL [y '] y ' ( 0 ) = p 2 F ( p ) p y ( 0 ) y ' ( 0 )

L [y ' ' ' ( x ) ] = pL [y ' '] y ' ' ( 0 ) = p 3 F ( p ) p 2 y ( 0 ) p y ' ( 0 ) y ' ' ( 0 )

La transformada de la derivada ensima de una funcin (supuesta existente) es
igual al producto de la transformada de esta funcin por pn menos un polinomio en p de
grado n-1 cuyos coeficientes, ordenados segn las potencias decrecientes de p, son los
valores iniciales y(0), y(0), ..., yn-1(0) de la funcin y de sus n-1 primeras derivadas. Es
decir:

L[y(n)(x)] = pnF(p) pn-1y(0) pn-2y(0) ... py(n-2)(0) y(n-1)(0)

Esta transformada integral tiene una serie de propiedades que la pueden hacer
til en el anlisis de sistemas lineales en Psicologa. Una de las ventajas ms
significativas radica en que la integracin y la derivacin en el Clculo Infinitesimal
clsico se convierten fcilmente en multiplicacin y divisin. Ello transforma las
ecuaciones diferenciales e integrales en ecuaciones polinmicas, mucho ms sencillas
de resolver.

Otra aplicacin importante en los sistemas lineales es el clculo de la seal de

salida. sta se puede calcular mediante la convolucin de la respuesta impulsiva del
sistema con la seal de entrada. La realizacin de este clculo en el espacio de Laplace
convierte la convolucin en una multiplicacin, habitualmente de resolucin mucho ms

189
APLICACIONES DE LA INVESTIGACIN OPERATIVA (II). TEORA DE COLAS O DE LOS
FENMENOS DE ESPERA

sencilla. Cuando se habla de la transformada de Laplace, generalmente se refiere a la

versin unilateral. Tambin existe, sin embargo, la transformada de Laplace bilateral.

La transformada de Laplace est estrechamente relacionada con la Transformada

de Fourier y la Transformada Z. La transformada de Laplace es, de hecho, una
generalizacin de la Transformada de Fourier de Tiempo-Continuo. Aunque las
transformadas de Laplace rara vez se resuelven mediante integracin si no por medio de
tablas y el uso de computadoras (por ejemplo Matlab) como veremos ms adelante.
Esto define la transformada de Laplace y su inversa. Ntense las similitudes existentes
entre la transformada de Laplace y su inversa. Esto nos ofrecer, como resultado,
muchas de las simetras encontradas en el anlisis de Fourier.

Para resolver las Transformadas de Laplace se pueden emplear diversos

mtodos, a saber:

a) Resolviendo la Integral

Probablemente, el mtodo ms difcil y menos usado para encontrar la

Transformada de Laplace es resolviendo directamente la integral. Aunque es
tcnicamente posible hacerlo as, tambin es extremadamente consumidor de tiempo,
dada la facilidad de los siguientes dos mtodos para encontrarla. Las integrales estn
sobretodo para entender conceptualmente la teora y de donde se originan los siguientes
mtodos resolutivos.

b) Usando una Computadora

El uso de una computadora para encontrar la transformada de Laplace es

relativamente sencillo. Matlab, por ejemplo, tiene dos funciones, laplace e ilaplace, y
las dos forman parte de las libreras simblicas, con lo que encontraremos la
transformada de Laplace y su inversa, respectivamente. Este mtodo resulta preferido
generalmente para funciones ms complicadas. Funciones ms sencillas e ideales
usualmente se resuelven con mayor rapidez mediante el empleo de tablas.

c) Usando Tablas

Cuando se aprende por primera vez la transformada de Laplace, las tablas son,
sin duda, la forma ms comn para encontrarla. Con suficiente prctica, no obstante, las
tablas se hacen innecesarias. La gran parte del diseo de aplicaciones empieza en el
dominio de Laplace y dan como resultado una solucin en el dominio del tiempo.

190
 CAPTULO 9

CAPTULO 9
Probabilidad, Estadstica y Anlisis factorial

1. Probabilidad y estadstica

1.1. El origen de los mtodos estadsticos

Una estadstica -con minscula- es un recuento o numeracin de los

elementos de un conjunto; tal recuento puede realizarse sin ningn conocimiento
de la moderna Estadstica -con mayscula- y as, por ejemplo, en el libro de
Confucio1 se cita por Chu-King la estadstica industrial y comercial del Gao,
realizada 2.238 aos antes de Jesucristo, y de todos los cristianos es bien
conocida la causa por la que Jess nace en Beln: sus padres, Jos y Mara,
hubieron de inscribirse en dicha ciudad, de acuerdo con las normas dictadas por
el emperador romano Augusto para realizar el censo de poblacin de todas las
provincias de Roma.

Estadsticas anlogas a las de nuestros ejemplos (censos de poblacin,

agrarios o industriales, variables macroeconmicas, ) se siguen elaborando
actualmente en casi todos los pases del mundo y la primera necesidad de
mtodos estadsticos se presenta al intentar comparar cifras correspondientes a
dos conjuntos distintos, o a distintas partes o subconjuntos de un mismo
conjunto.

1.2. El clculo de probabilidades

Es la rama de las matemticas denominada clculo de probabilidades la

que ha aportado a la estadstica tanto sus bases tericas como sus mtodos de
investigacin. Ocupados los primeros estadsticos -cuya relacin deberamos
hacerla arrancar de figuras tan ilustres como las de Pascal2, Bernouilli, Laplace o
Gauss3- primordialmente en las cuestiones demogrficas y econmicas, se ha ido
1
(tradicionalmente 551 adC - 479 adC). Fue un filsofo chino, tambin uno de los 5 Santos de las 5
Grandes Religiones, creador del confucianismo y una de las figuras ms influyentes de la historia china.
Las enseanzas de Confucio han llegado hasta nuestros das gracias a las Analectas, que contienen
algunas de las discusiones que mantuvo con sus discpulos.
2
(Clermont-Ferrand, Francia, 1623-Pars, 1662). Filsofo, fsico y matemtico francs. Su madre falleci
cuando l contaba tres aos, a raz de lo cual su padre se traslad a Pars con su familia (1630). Fue un
genio precoz a quien su padre inici muy pronto en la geometra e introdujo en el crculo de Mersenne, la
Academia, a la que l mismo perteneca. All Pascal se familiariz con las ideas de Girard Desargues y en
1640 redact su Ensayo sobre las cnicas (Essai pour les coniques), que contena lo que hoy se conoce
como teorema del hexgono de Pascal.
3
Johann Carl Friedrich Gauss (30 de abril de 1777 23 de febrero de 1855), fue un matemtico,
astrnomo y fsico alemn de una gigantesca genialidad, que contribuy significativamente en muchos
campos, incluida la teora de nmeros, el anlisis matemtico, la geometra diferencial, la geodesia, el
magnetismo y la ptica. Considerado como "el prncipe de las matemticas" y "el matemtico ms grande
desde la antigedad", Gauss ha tenido una influencia notable en muchos campos de la matemtica y de la

191
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

extendiendo su campo de accin a todos aquellos sectores de la investigacin

donde la imbricacin de un considerable nmero de variables exige el uso de
tcnicas que permitan su discriminacin, como es el caso de la psicologa.

No solamente para la comprensin correcta de los diversos problemas que

plantea la psicometra, sino incluso para poder entender los ms sencillos
resultados de las exploraciones psicomtricas e interpretarlos correctamente, es
indispensable un conocimiento, por somero que sea, de los conceptos estadsticos
ms fundamentales.

En psicologa, un concepto ciertamente importante es el de la

correlacin. Nos encontramos muchas veces con que necesitamos conocer la
direccin y el grado de relacin o dependencia entre dos variables psicolgicas.
Por ejemplo, podemos necesitar saber la relacin que existe entre las notas que
ha obtenido un grupo de personas en dos tests diferentes, o bien la relacin
existente entre las calificaciones o estimaciones que sobre determinado rasgo del
comportamiento emiten varios profesores, o bien la relacin existente entre los
cocientes intelectuales de un grupo de nios y los cocientes intelectuales de los
padres.

Otras veces puede plantearse la cuestin de averiguar qu grado de

fidelidad tiene determinado test o experimento, para lo cual, pasado cierto
perodo de tiempo, se vuelve a administrar en el mismo grupo de sujetos y se
averigua el grado de relacin existente entre las dos mensuraciones. Hay muchos
otros problemas en psicologa que necesitan tales tipos de anlisis, y para
llevarlos a cabo existen las tcnicas de correlacin, que permiten medir las
relaciones existentes entre dos o ms variables.

La estadstica est ligada con los mtodos cientficos en la toma,

organizacin, recopilacin, presentacin y anlisis de datos, tanto para la
deduccin de conclusiones como para la toma de decisiones razonables de
acuerdo con tales anlisis. Por otra parte, desde el punto de vista de la aplicacin
de los mtodos estadsticos al estudio de las variables psicolgicas, se trata de
obtener sus valores medios o esperanza matemtica de las mismas, as como una
evolucin temporal previsible, en algunos casos. Las diferentes determinaciones
de estas variables, realizadas por los diferentes estudiosos de la Psicologa,
diferirn en mayor o menor grado de este promedio terico, pudindose tratar
estas variaciones por el mtodo de los errores en la teora de la probabilidad.

Tambin, en este sentido, debe tenerse en cuenta que conviene manejar un

nmero relativamente alto de formulaciones o pruebas, puesto que la

ciencia, y es considerado como uno de los matemticos que ms influencia ha tenido alrededor de la
historia. Gauss fue un prodigio, de quien existen muchas ancdotas acerca de su asombrosa precocidad
siendo apenas un infante, e hizo sus primeros grandes descubrimientos mientras era apenas un
adolescente. Completo su magnum opus, Disquisitiones Arithmeticae a los veintin aos (1798),
aunque no seria publicada hasta 1801. Un trabajo que fue fundamental para que la teora de los nmeros
se consolidara y ha moldeado esta rea hasta los das presentes.

192
 CAPTULO 9

aproximacin crecer ordinariamente con su nmero. Y a pesar del

comportamiento irregular de ciertas formulaciones o resultados individuales
(outliers), los resultados promedios, en largas sucesiones de experiencias o
formulaciones aplicadas a la resolucin de un mismo problema, muestran una
sorprendente regularidad.

Desde luego, esta base emprica es indispensable para que la teora formal
de la Estadstica enuncie sus axiomas inspirados en esta realidad y no se origine
una ciencia esotrica sin posibilidad de aplicaciones prcticas. Pero, al mismo
tiempo, la regularidad estadstica enlaza el fundamento terico con la nueva
Estadstica con un principio fundamental del viejo Clculo de Probabilidades y la
nueva ciencia incorpora a su teora la mayor parte del material cientfico que
contena la teora de las probabilidades.

Aunque opinamos que los mtodos tericos del Clculo de Probabilidades

vienen dados por teoras matemticas formales independientes de la Estadstica,
como lo muestran importantes aplicaciones directas a campos cientficos tan
diferentes como la fsica, la balstica o la propia psicologa y que, adems se
siguen publicando libros importantes sobre Teora de la Probabilidad como el
de William Fller4 o el del ruso Gmurman5, ello no impide que los tratados de
Estadstica de nivel superior incluyan una exposicin bastante completa del
Clculo de Probabilidades, como ocurre, por ejemplo, en el primer volumen de la
Teora Superior de Estadstica de Kendall y Stuart6.

Pero al mismo tiempo creemos que deben delimitarse claramente los

campos cientficos en donde estn implicados los conceptos de probabilidad y
estadstica. As, por ejemplo, en el libro clsico de Cramer existen tres partes
bien diferenciadas, tituladas respectivamente: Introduccin Matemtica,
Variables aleatorias y distribuciones de probabilidad, e Inferencia
Estadstica. Esta ltima parte es la que ahora se conoce por antonomasia como
Estadstica Matemtica, y de ella hablaremos a continuacin.

1.3. La Inferencia Estadstica

La Inferencia Estadstica, que actualmente se conoce con el nombre de

Estadstica terica o matemtica, en contraposicin con la Estadstica
Descriptiva, permitir obtener aquellos valores medios de los valores de las
variables psicolgicas a las que nos hemos referido (adems de otras
caractersticas de los elementos del conjunto que se intenta describir); pero el
origen de la Estadstica Terica se encuentra en el Clculo de Probabilidades,
que acabamos de contemplar.

4
FLLER (1966): An introduction to probability theory and its applications.
5
GMURMAN (1968): Fundamentals of probability theory and mathematical statistics.
6
KENDALL y STUART (1963): The advanced theory of statistics.

193
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

El objeto esencial de la Estadstica es el de inferir resultados vlidos,

para un conjunto o poblacin a partir de las observaciones realizadas en una
parte, subconjunto o muestra de dicha poblacin. Si, por ejemplo, se quiere
conocer la cifra de espaoles que trabajan en alguna actividad productiva
(poblacin activa), se puede seleccionar un subconjunto (muestra) de la
poblacin total espaola y, una vez consultados sobre su actividad, los mtodos
estadsticos permiten estimar la cifra que interesa conocer, con unos resultados
cuya fiabilidad o exactitud se mide en trminos de probabilidad.

La estimacin constituye, precisamente, el problema esencial de la

inferencia estadstica, que presenta distintas modalidades; pero a este problema
esencial de la inferencia hay que aadirle el de la contrastacin de hiptesis
estadsticas para completar el cuadro de la Teora de la Inferencia. Si, por
ejemplo, un comerciante acepta un pedido de fbrica solamente en el caso de que
reciba un 5 por 100 de piezas defectuosas, deber seleccionar una parte o muestra
representativa de la mercanca recibida y comprobar la bondad de cada pieza
seleccionada; con tales resultados los mtodos estadsticos en que se basa el
control de calidad permiten formular una conclusin sobre la aceptacin o el
rechazo del lote de mercanca, que tambin vendr precisada en trminos de
probabilidad.

El rigor matemtico con el que se resuelve el problema de la contrastacin

de hiptesis ha sido un potente motor para desarrollar los campos de las ciencias
experimentales y de todas las que basan sus teoras en la observacin emprica de
la realidad. Cuando los psiclogos construan teora sin hechos -como dira
Simiand7 refirindose a los economistas- podan llegar a conclusiones
tericamente aceptables pero poco o nada realistas, al no haber contrastado por
mtodos estadsticos sus hiptesis bsicas de trabajo, que fundamentaban la
teora que haba sido desarrollada.

Los modelos matemticos que utiliza la inferencia estadstica han sido

tomados, en general, de los que estudiaba el antiguo Clculo de Probabilidades y
pueden hacer referencia a la estimacin de caractersticas poblacionales (totales,

7
Franois Simiand (1873-1935). Economista, historiador y socilogo francs, es de los pocos
economistas de su poca que concibe su programa de investigacin en el marco de una ciencia social
unificada, negando a la Economa una existencia autnoma frente de las otras ciencias sociales. La
Economa es considerada por Simiand como una categora de fenmeno social, igual a otras categoras y
que debe ser estudiada en el mismo marco de anlisis. Como historiador de la Economa, pertenece a la
Escuela de Annales y aplica tempranamente mtodos cuantitativos y fuentes estadsticas a la Historia. Es
militante socialista de ideologa social-reformista, interesndose por la evolucin a largo plazo de los
salarios, el dinero y los ciclos econmicos. Nacido el 18 de abril de 1873 en Gires, estudia en la Facultad
de Derecho y en la Escuela Normal Superior de Paris. Es profesor de la Escuela de Artes y Oficios y
encargado de la asignatura de Historia de las Doctrinas y de los Hechos Econmicos en la Escuela
Prctica de Estudios Superiores. Desempea tambin cargos administrativos y polticos: durante la
primera guerra mundial trabaja en el Ministerio de Armamentos (1915-1917) y pasa despus a ser
Director de Trabajo, Legislacin y Seguros Sociales de la Comisara General de Estrasburgo (1919-1920).
Perteneci a la Sociedad de Estadstica Laboral de Paris, de la que fue Presidente, a la Comisin Francesa
de Filosofa, a la Comisin Francesa de Historia Moderna y a la Comisin para la Publicacin de los
Documentos Econmicos de la Revolucin Francesa.

194
 CAPTULO 9

proporciones, promedios) o a los parmetros ratios que establecen las

relaciones funcionales entre dos o ms variables estadsticas (relacin entre la
edad mental y la cronolgica, para el clculo del cociente intelectual del
individuo, por ejemplo).

El segundo problema se conoce en la terminologa estadstica con el

nombre de teora de la regresin y los propios economistas (psiclogos) han
ampliado las posibilidades de dicha teora estimando no una ecuacin, sino un
sistema de ecuaciones simultneas que pueden describir, conjuntamente, el
funcionamiento de una economa nacional (o de un sistema psicolgico). Estos
sistemas se denominan modelos economtricos (modelos psicomtricos), que se
han utilizado despus en otros campos cientficos con el nombre genrico de
modelos matemticos.

El gran problema de la inferencia estadstica es, para Mood, el de

proporcionar medidas de la incertidumbre de las conclusiones obtenidas a partir
de los datos experimentales8, de donde se intuye la extensa lista de posibilidades
de aplicacin de la ESTADSTICA MATEMTICA; es decir, todos los
problemas de la tecnologa y de las ciencias sociales en los que es posible medir
los resultados conseguidos al concluir cada experimento aislado, si puede
concebirse ilimitada la serie a la que pertenece cada uno de dichos experimentos.

Dentro de la Inferencia Estadstica se presentan dos problemas esenciales:

los de la estimacin y de la contrastacin de hiptesis. El primer problema
consiste en inferir resultados vlidos para un conjunto o poblacin a partir de las
observaciones realizadas en una parte, subconjuntos o muestra representativa de
dicha poblacin o universo y, utilizando los mtodos estadsticos, estimar la cifra
que interese. Los mtodos de muestreo resuelven en la prctica el problema de la
estimacin, pero en los manuales corrientes de Estadstica esta tcnica se refiere
a poblaciones infinitas, lo que facilita el tratamiento terico, pero sus resultados
no son aplicables directamente al tratar de inferir estimaciones vlidas a partir de
una muestra correspondiente a poblaciones finitas.

La contrastacin de hiptesis estadsticas constituye la aportacin ms

fecunda de los mtodos estadstico-matemticos para aceptar o rechazar hiptesis
y teoras en cualquier campo cientfico que hayan de contrastarse con la realidad,
o tambin para resolver problemas menos cientficos pero de indudable valor
prctico, cual es el caso de muchos de los que se plantean en la Psicologa.

Ahora bien, seala R. Bays que las investigaciones de Skinner, Pavlov y

Bernard9 poseen algunos rasgos comunes que no queremos dejar de sealar. Uno
de los ms interesantes es, a mi juicio, el de que todos estos investigadores ponen

8
MOOD (1955): Introduccin a la Teora de la Estadstica: p. 5.
9
Claude Bernard (Saint-Julien, 12 de julio de 1813 Pars, 10 de febrero de 1878) fue un mdico y
fisilogo francs, conocido fundamentalmente por el estudio del sndrome de Claude Benard-Horner. Fue
elegido para la Academia Francesa en 1868 y recibi la Medalla Copley en 1876.

195
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

su nfasis en la consecucin de un control experimental riguroso al tiempo que

prescinden del llamado control estadstico.

Para algunos estudiantes de Psicologa, acostumbrados a un ambiente en el

cual la Estadstica (adems de ser una asignatura frecuentemente difcil de
superar en las Facultades) es contemplada como una especie de dios severo que
juzga inexorablemente sobre la significacin de los datos y la representatividad
de las muestras, puede parecer casi milagroso que Pavlov utilizando unos cuantos
perros y un nico reflejo, o que Skinner, con un nmero muy reducido de ratas y
la respuesta de apretar una palanca, y habiendo elegido estos elementos
atendiendo a motivos de conveniencia y sin tener en cuenta exigencia muestral
alguna, consiguieran descubrimientos generalizables no slo al mismo reflejo en
todos los perros o a la conducta de apretar la palanca en todas los roedores de la
misma cepa, sino a todos los organismos individuales de gran nmero de
especies distintas en cualquier respuesta refleja u operante, segn el caso.

De todas formas, si lo pensamos, el hecho es coherente con el enfoque que

hemos presentado y nada tiene de extraordinario. En efecto, si descubrimos una
relacin funcional real entre un aspecto del ambiente y un aspecto de la conducta,
debemos poder observar esta relacin por lo menos en todos y cada uno de los
ejemplares de la especie, ya que, de lo contrario, esto significara, o bien que
algunos individuos estaran sometidos a leyes distintas a los dems, o bien que
dichas leyes serian variables. En un enfoque verdaderamente experimental no es
suficiente que se demuestre que determinada variable ambiental tiene influencia
sobre la media de un grupo, sino que es imprescindible que pueda demostrarse
que cada cambio ambiental similar produce una alteracin similar en la conducta
de cada organismo. Cuando se observan diferencias conductuales ante el mismo
tratamiento de variable independiente, debe efectuarse un anlisis para averiguar
cul o cules son los factores responsables de la diferencia. No pueden existir
excepciones; una ley conductual que no rigiera para algn organismo no sera,
propiamente hablando, una ley conductual. Si la ley es tal ley y se hallan
diferencias, debe existir una causa para que se produzcan tales diferencias;
encontrarla es una tarea tpicamente experimental, de la que puede servir de
ejemplo una de las investigaciones de Sidman10.

1.4. La Estadstica Descriptiva

Si el objeto de la inferencia estadstica es el de estimar caractersticas

poblacionales o del conjunto total a partir de observaciones muestrales, cabe
preguntarse cules son aquellas caractersticas o cmo se organizan estos
resultados muestrales para estimar los correspondientes valores de la poblacin.

Un promedio es una caracterstica de la distribucin de frecuencias, pero

tal promedio puede ser ms o menos representativo del conjunto segn que los
valores se concentren o se dispersen ms en torno al correspondiente promedio,
10
Vide Normal sources of pathological behaviour. Science, 1960, 132, pp. 61-68.

196
 CAPTULO 9

lo que exige el conocimiento de dicha variabilidad, ya sea mediante estadgrafos

de tipo absoluto (desviacin media, desviacin tpica o standard, rango, recorrido
intercuartlico, ...) o de tipo relativo (coeficiente de variacin de Pearson,
coeficiente de variacin cuartlica,). Ello y otras razones originan nuevas
caractersticas de una distribucin de frecuencias. Tanto las distribuciones de
frecuencias como el conocimiento de sus caractersticas constituyen un objeto
esencial de la Estadstica Descriptiva. No obstante, se incluyen tambin en esta
materia los mtodos estadsticos que conducen a calcular los parmetros que
relacionan dos o ms variables estadsticas (ecuaciones de regresin lineal o no)
o a cuantificar el grado de interdependencia que existe entre tales variables
(coeficientes de correlacin simples o parciales), as como algunas otras tcnicas
ms especficas para ser utilizadas en determinados campos cientficos. En el
anexo 2 de nuestro libro hemos incluido sendos ejemplos que pueden resultar
suficientemente representativos al respecto.

Dentro de tales tcnicas a los economistas e investigadores de las ciencias

sociales les interesan de una manera especial el clculo de los nmeros ndices
simples y complejos (ponderados y sin ponderar) que conducen a la obtencin de
indicadores econmicos y sociales. Dichos indicadores permiten seguir el
comportamiento de ciertas variables econmicas o sociales a travs del tiempo, y
su conocimiento es indispensable para llevar a cabo el anlisis de la coyuntura
socioeconmica.

El estudio de las series histricas, cronolgicas o temporales tambin

se incluye en el campo de la Estadstica Descriptiva y permite conocer la
tendencia o marcha secular de la serie, la estacionalidad de la serie o
variaciones que se presentan sistemticamente por la influencia del mes o
estacin del ao en el que se originan los datos y los movimientos cclicos
debidas a causas que se presentan con cierta regularidad para perodos sucesivos
de aos.

Las estadsticas, en general, corresponden a resmenes numricos de las

observaciones realizadas a los elementos de un determinado conjunto. La
recogida de tal informacin puede realizarse mediante una encuesta censal o
muestral, segn que la investigacin estadstica se realice sobre todos y cada uno
de los elementos del conjunto o poblacin o bien que se investigue solamente una
parte o muestra de los elementos del conjunto.

La recogida de datos y la elaboracin de estadsticas presentan

peculiaridades diferentes al tratar de investigar hechos del mundo fsico o hechos
sociales. En ambos casos pueden emplearse los mtodos de la inferencia
estadstica para estimar resultados de la poblacin a partir de los observados en la
muestra y, tambin en ambos casos, los errores que se cometen al generalizar los
resultados de la muestra al conjunto total se miden y controlan empleando los
mismos mtodos estadsticos.

197
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

Sin embargo, en tanto que la naturaleza no miente cuando se le hace una

pregunta y los errores de la contestacin solamente deben ser imputables a la
mayor o menor precisin de los instrumentos de medida (termmetro o cinta
mtrica, por ejemplo) o a un descuido o impericia del que realiza la pregunta
(medicin de una magnitud, por ejemplo), en el caso de las ciencias sociales
como la Psicologa, las personas pueden contestar -ms o menos impunemente-
con inexactitudes deliberadas.

El conocimiento de la Estadstica Descriptiva (Alcaide et alt., 1987)

permite encontrar una imagen emprica de los conceptos ms abstractos incluidos
en las teoras frecuencialistas de la probabilidad. Por ejemplo, la probabilidad de
un suceso coincide con la correspondiente frecuencia relativa si tal frecuencia
viene referida a una poblacin en lugar de a una muestra y, por tanto, coinciden
tambin los conceptos de esperanza matemtica y media aritmtica, distribucin
de probabilidad y distribucin de frecuencias, etc.

2. La cuantificacin en el procedimiento experimental

Siguiendo ahora a R. Bays, veamos que una de las soluciones propuestas
para resolver el problema es el definir operacionalmente todos los trminos que
utilizamos en una investigacin. Fraisse11 escribe: La mayora de los psiclogos
admite, en la actualidad, esta forma moderna de empirismo, al menos como una
norma que permite discernir lo que procede de la ciencia, de las especulaciones
del espritu. Y a la pregunta de si debemos aceptar, o no, dicho mtodo,
Underwood12 contesta: El problema no radica en aceptar o rechazar el
operacionismo; plantearnos esta pregunta equivale a preguntarnos si aceptamos
la ciencia como una tcnica para comprender las leyes de la naturaleza. Sin
ninguna duda podra afirmar que un criterio para conocer si un supuesto
concepto emprico es o no un concepto cientfico consiste en comprobar si se
encuentra, o no, operacionalmente definido.

En realidad, mucho antes de que se inventara el trmino (Bridgman,

1927), los investigadores ya mostraron una clara preocupacin en este sentido.
Deca Claude Bernard13: La primera condicin para hacer un experimento es
que sus circunstancias sean tan bien conocidas y se encuentren tan precisamente
definidas que siempre podamos reconstruirlas y reproducir los mismos
fenmenos a nuestro antojo.

Debemos tener en cuenta, sin embargo, que un concepto puede

encontrarse definido operacionalmente y carecer de utilidad. La importancia de
las definiciones operacionales radica en que permiten una clara
intercomunicacin cientfica, pero el operacionismo no es ninguna panacea para

11
Vide Lvolution de la psychologie exprimentale, en P. Fraisse y J. Piaget (Ed.) Trait de psychologie
exprimentale (tomo I). Pars: Presses Universitaires de France, 1967, pp. 1-72.
12
Vide Psychological research. New York: Appleton-Century-Crofts, 1957.
13
Vide Introduction a ltude de la mdecine exprimentale, 1865. Edicin de Pars: Garnier-
Flammarion, 1966.

198
 CAPTULO 9

identificar qu variables son relevantes y cules no para describir un fenmeno.

Si en lugar de actuar como lo hizo, Pavlov se hubiera dedicado a buscar
definiciones operacionales de adivinar, querer o desear, es posible que lo
hubiera conseguido, pero lo ms probable es que las mismas no le hubieran
conducido a ninguna parte.

En conclusin: la definicin operacional de los trminos que utilicemos

es una condicin necesaria, pero no suficiente, para efectuar una
investigacin provechosa. Ms adelante volveremos sobre el tema.

En Psicologa, lo mismo que en cualquier otra ciencia, la cuantificacin y

medicin de los fenmenos no constituyen operaciones arbitrarias. Su funcin es
permitir que observadores distintos puedan registrar un hecho utilizando los
mismos datos y que, a partir de ellos, el hecho pueda ser explicado o reproducido
con fidelidad por otros investigadores. A mayor precisin en la medida
corresponder mayor fidelidad en el registro de la observacin y mayor fiabilidad
en los datos. La utilizacin en Psicologa experimental del trmino variable
para referirnos a los aspectos del ambiente variable independiente o
explicativa y de la conducta variable dependiente o funcional que, en cada
momento, nos interesen, posee, lo mismo que en las dems ciencias,
implicaciones cuantitativas: una variable, por s misma, es algo que puede
asumir distintos valores numricos.

En el presente captulo y en alguno anterior desarrollamos los conceptos

bsicos de probabilidad sobre los resultados o sucesos de un experimento
psicolgico aleatorio. Pero los experimentos aleatorios son tales que los
resultados a que dan lugar pueden ser de naturaleza cualitativa (se expresan
mediante atributos, como las preferencias de una persona acerca de un tipo de
coche, o de un color, o de un partido poltico) o cuantitativa (como el cociente
intelectual CI de los problemas del anexo 2). El hecho de trabajar con los
resultados cualitativos introduce ciertas complicaciones, siendo de gran utilidad
el cuantificar los resultados cualitativos del experimento aleatorio o, lo que es lo
mismo, asignar un valor numrico a cada suceso del espacio muestral
correspondiente al experimento aleatorio considerado. Esta relacin entre los
sucesos del espacio muestral y el valor numrico que se les asigna la
establecemos mediante la variable aleatoria. Tambin podemos decir, aunque
de forma menos rigurosa, que una variable aleatoria es una variable cuyo valor
numrico est determinado por el resultado de un experimento aleatorio14.

La variable aleatoria puede tomar un nmero numerable no numerable de

valores posibles, dando lugar a los tipos principales: discretas y continuas. Se
dice que una variable aleatoria X es discreta si puede tomar un nmero finito o
infinito, pero numerable, de posibles valores (v. gr., el nmero de personas). Por

14
Vide el libro de Jos M. Casas Snchez y Julin Santos Peas titulado Introduccin a la Estadstica
para Economa y Administracin de Empresas, Ed. Centro de Estudios Ramn Areces, S.A., Madrid,
1995, citado en la bibliografa.

199
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

el contrario, la variable ser continua si puede tomar un nmero infinito (no

numerable) de valores, o bien, si puede tomar un nmero infinito de valores
correspondientes a los puntos de uno o ms intervalos de la recta real (v. gr., el
tiempo de realizacin de un test).

En los experimentos de Pavlov, dos de las variables dependientes

utilizadas fueron el nmero de gotas de saliva y la latencia de la respuesta
(tiempo de servicio en Teora de Colas) tiempo transcurrido, en segundos,
entre la presentacin del estmulo y el comienzo de la respuesta. Otra de las
variables dependientes utilizadas en Psicologa ha sido, por ejemplo, el tiempo
que tardaba un organismo en recorrer un laberinto o solucionar un problema, la
frecuencia de la respuesta, etc. Las variables independientes deben presentarse
igualmente cuantificadas: en el caso de Pavlov, una de las variables
independientes era el nmero de presentaciones asociadas de estmulo
incondicionado y estmulo neutro; ejemplos de otras variables utilizadas en
Psicologa podran ser: un programa de reforzamiento por ejemplo, un FR 25, es
decir, un programa en el que cada 25 respuestas que emite el organismo recibe un
refuerzo, la dosis de un frmaco concreto, el tiempo que el organismo ha
permanecido privado de alimento, etc.

Como seala Bachrach15, la primera cuestin bsica es Existe el

fenmeno?; la segunda, no menos importante, viene, a continuacin: Si existe,
en qu proporcin?. En el momento en que somos capaces de medir de forma
fiable aspectos relevantes del fenmeno natural que nos interesa, hemos dado un
paso de gigante en el anlisis experimental de dicho fenmeno, el cual debe
permitirnos su ulterior explicacin, prediccin y control.

Si repasamos los trabajos de Fechner, Pavlov, Thorndike, Skinner y tantos

otros, veremos que todos ellos tienen un denominador comn: la cuantificacin
de los fenmenos que estudian. Y en el contexto en que lo utilizamos, el trmino
cuantificacin no es, en absoluto, sinnimo de estadstica.

3. Otros conceptos diversos de probabilidad

3.1. Introduccin

En el anterior captulo 3 hemos tenido ocasin de estudiar el concepto de

probabilidad subjetiva, que constituye el soporte del desarrollo de los mtodos
modernos de la teora de la decisin estadstica. Pero existen otros conceptos de
probabilidad, cuyo empleo en el tratamiento cientfico de la Psicologa es
frecuente, razn por la cual consideramos oportuno extendernos ligeramente en
su explicacin.

15
Vide Psychological research. An introduction (2 edicin). New York: Random House, 1965. Existe
traduccin al castellano en Cmo investigar en psicologa. Madrid: Morata, 1966.

200
 CAPTULO 9

3.2. Probabilidad clsica

La idea de probabilidad surge vinculada a los juegos de azar. El concepto

que ha sido ms usado hasta la formalizacin de la Estadstica es la definicin de
Laplace, que establece la probabilidad de un suceso como el nmero de casos
favorables dividido por el nmero de casos posibles. Por ejemplo, al arrojar un
dado, la probabilidad de obtener un nmero par de puntos es -de acuerdo con esta
definicin- el cociente: 3/6 = 05, ya que el nmero de casos favorables es tres
(caras con dos, cuatro o seis puntos) y el nmero de casos posibles es seis (las
seis caras del cubo).

La definicin de Laplace entraa una tautologa, ya que al hablar de

casos posibles se quiere decir casos igualmente posibles, y ello equivale a
exigir casos igualmente probables o equiprobables; es decir, lo definido entra
en la definicin. As, en nuestro ejemplo anterior, si el dado est cargado,
puede aceptarse intuitivamente que la probabilidad de sacar el punto uno puede
ser distinta de la de que salga el punto seis y, en tal caso, la solucin de Laplace
no parece correcta. No obstante, esta definicin sigue emplendose en la
resolucin de muchos problemas y constituye un buen recurso en los manuales
de Matemticas para plantear ejercicios de Combinatoria (variaciones,
permutaciones y, sobre todo, combinaciones con o sin repeticin).

Este concepto de probabilidad est basado en lo siguiente: Sea B

cualquier clase finita y A cualquier otra clase tambin finita. Necesitamos definir
la probabilidad de que un miembro B, escogido el azar, sea miembro de A.
Definiremos esta probabilidad como el cociente del nmero de elementos que
integran la clase B que son tambin A entre el nmero total de elementos de la
clase B, y denotaremos a esta probabilidad mediante el smbolo A/B.

Es obvio que la probabilidad as definida es un nmero racional o cero o

uno. Esta probabilidad aparece implcitamente en los trabajos de De Moivre
(Doctrine of Chances, 1738), y es usada ms recientemente en los trabajos de
Jerzy Neyman.

Un objecin que se le suele poner a esta teora es que en el caso de

distribuciones continuas hay un nmero infinito de casos posibles, y entonces la
definicin como cociente de casos probables y posibles carece de significado,
puesto que dicho cociente sera cero. A esta objecin responden Neyman y
Cramer considerando como probabilidad el cociente de las medidas de conjuntos
de puntos; entonces la dificultad radica en qu se entiende por esta medida. Pero
esta nocin conjuga perfectamente en el caso discreto.

Esta definicin satisface los axiomas referentes a la probabilidad

matemtica sin ms que tener en cuenta que las letras p, q y r son representantes
de clases o funciones preposicionales proporcionales, y en lugar de decir P

201
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

implica Q, decimos P est contenido en Q. Hay que notar que, para que todo
tenga sentido, es necesario que B no pueda reducirse nunca a cero.

Esta interpretacin tambin es comn en Laplace16 (aunque algunas veces

se le considera subjetivista) y a De Morgan17 (An Essay on Probability, 1918),
quien sostiene que la palabra probable se refiere al estado de nimo referente a
una afirmacin de la que no se tiene completa certeza o conocimiento. Ya que la
certeza tiene grados, que se pueden expresar cuantitativamente por medio de la
probabilidad, basta definirla algebraicamente como la razn del nmero total de
alternativas favorables de un acontecimiento al nmero total de alternativas,
todas equiprobables, entendiendo que dos proposiciones son equiprobables si la
fuerza de nuestra creencia se divide por igual entre ambas; ste es el llamado
principio de razn insuficiente, suficiente o indiferencia.

En definitiva, sean los sucesos A1, A2, ..., An que forman un sistema
completo de sucesos y que supondremos equiprobables; por tanto,

P(A1) + P(A2) + ... + P(An) = P(E) = 1

P(A1) = P(A2) = = P(An)

Luego
P(A1) = P(A2) = = P(An) = 1/n

Sea ahora un cierto suceso A que se verifica si lo hacen m de los sucesos

considerados; para fijar ideas suponemos los m primeros, o sea:

A = A1A2 ... Am = Ai, i(1,...,m),

Se tendr, evidentemente:

16
La teora del azar consiste en reducir todos los sucesos de la misma clase a un cierto nmero de casos
igualmente posibles, es decir, tales que podamos estar igualmente indecisos acerca de su existencia, y en
determinar el nmero de casos favorables al suceso cuya probabilidad se busca. La razn de este nmero
al de todos los casos posibles es la medida de esta probabilidad, que es de este modo una fraccin cuyo
numerador es el nmero de casos favorables y cuyo denominador el de todos los casos posibles (Essai
philosophique sur les probabilits, Pars, 1814).
17
Augustus De Morgan (27 de junio de 1806 - 18 de marzo de 1871) fue un matemtico y lgico ingls
nacido en la India. Profesor de matemticas en el Colegio Universitario de Londres entre 1828 y 1866;
primer presidente de la Sociedad de Matemticas de Londres. De Morgan se interes especialmente por el
lgebra. Fue tutor de Ada Lovelace. Escribi varias obras de lgica en las que se encuentra la idea de
aplicar en esta esfera los mtodos matemticos, as como los primeros resultados de tal aplicacin. En la
moderna lgica matemtica, llevan el nombre de De Morgan las siguientes leyes fundamentales del
lgebra de la lgica: la negacin de la conjuncin es equivalente a la disyuncin de las negaciones; la
negacin de la disyuncin es equivalente a la conjuncin de las negaciones. Autor de las conocidas
Leyes de De Morgan:

Su obra principal se titula La lgica formal o el clculo de inferencias necesarias y probables (1847).

202
 CAPTULO 9

P(A) = P(A1A2 ... Am) = P(A1) + P(A2) + + P(Am) =

1 1 1 m
= + + ... + =
n n n n

resultado que formula la regla de Laplace, que se puede enunciar as: Si el

espacio muestral es descomponible en n sucesos equiprobables e incompatibles y
si m de ellos son favorables a la realizacin de un cierto suceso A, se tiene:

P(A) = m/n

esto es, la probabilidad de dicho suceso se puede encontrar como la razn

del nmero de casos favorables al nmero de casos posibles, siempre que los
casos considerados correspondan a sucesos equiprobables e incompatibles.

3.3. Probabilidad frecuencialista

Hacia el ao 1920 el matemtico Von Mises (ver captulo 3) presenta un

nuevo concepto de probabilidad, que corresponde a un lmite especial, cuando n
tiende a infinito, de la frecuencia relativa o cociente de dividir el nmero de
veces o frecuencia absoluta v que aparece en un suceso S por el nmero de veces
n que se realiza un determinado experimento o prueba, es decir:

Pr(S) = lim
n n

En el ejemplo del dado, la probabilidad de Von Mises se calculara

arrojando el dado un gran nmero de veces (1.000, 10.000, un milln de veces,
por ejemplo) y calculando para cada tirada el cociente del nmero de casos en
que ocurre el suceso nmero par de puntos por el nmero de tiradas; al crecer n
se encontrar cada vez mayor estabilidad de la frecuencia, que oscilar alrededor
de 05 si el dado es correcto.

Los tratadistas del Clculo de Probabilidades recogieron la idea de Von

Mises como un postulado emprico, al que denominaron la ley emprica del caso
y tal idea la ha recogido la moderna Estadstica no como un postulado, sino como
una base o imagen emprica que han tenido presente los estadsticos que han
elaborado teoras formales basadas en el concepto de frecuencia.

Se considera al estadstico ruso Kolmogoroff como el creador de dichas

teoras frecuencialistas de la probabilidad. Para construir una teora
frecuencialista se parte, en general, del concepto de experimento aleatorio
(arrojar un dado, por ejemplo) que corresponde al que puede realizarse en las
mismas condiciones un nmero de veces tan grande como se quiera, sin que
pueda predecirse -en ningn caso- cul ha de ser el resultado final en una
realizacin aislada de dicho experimento. Al realizar un experimento se observa

203
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

la presentacin o no de un suceso S y ante una sucesin indefinida de

experimentos se tiene, sucesivamente, un nuevo valor de la frecuencia relativa
v/n; la base emprica -que Cramer denomina regularidad estadstica- consiste
en aceptar que pese al comportamiento irregular de los resultados
individuales, la frecuencia relativa presenta una regularidad machacona
al realizar el experimento un gran nmero de veces.

Despus de establecer la anterior terminologa y de aceptar la idea de

regularidad estadstica se puede formular una axiomtica que fundamente el
concepto de probabilidad, cuyo primer axioma podra ser el que sigue: A todo
suceso S, originado por la realizacin de un experimento aleatorio, le
corresponde un nmero P(S) que se denomina probabilidad del suceso S.
Este axioma como tal puede aceptarse de una manera abstracta, pero la ciencia
que se construya a partir de l tendr un mayor inters prctico si se tiene in
mente aquella idea de frecuencia relacionada con el concepto de regularidad
estadstica.

Sin embargo, el concepto frecuencialista de la probabilidad no resuelve los

problemas que no pueden considerarse dentro del modelo de experimento. El
ejemplo de cul es la probabilidad de que un individuo normal se convierta en
asesino al da siguiente? no tiene una respuesta aceptable dentro de la teora
frecuencialista. El asesinato no puede ser un suceso que se origine por la
realizacin de un experimento aleatorio y, sin embargo, no parece incorrecto
afirmar que es poco o muy poco probable que dicho individuo se convierta en
asesino de la noche a la maana. Este tipo de cuestiones se presentan a menudo
en el campo de la Economa y, por tal razn, el economista Keynes concibi una
teora probabilstica de carcter subjetivo basada en el grado de creencia
racional que puede tener una persona sobre la ocurrencia o no de un
determinado suceso, y de la que ya nos hemos ocupado in extenso en el anterior
captulo 3 de este mismo libro.

Mientras la concepcin clsica de la probabilidad tuvo pocas alteraciones,

una interpretacin completamente distinta comienza a emerger en la literatura
especializada. Aunque es dudoso quin fue el primero en introducir la idea de
probabilidad en trminos de un lmite de frecuencias relativas, Keynes da
prioridad a Leslie Ellis (1843). As, Ellis dice que: si la probabilidad de un
suceso dado est correctamente determinada, el suceso de una larga serie de
pruebas tender a aparecer con una frecuencia proporcional a su probabilidad
Otros autores admiten la prioridad de Bernhard Bolzano (1781-1841)18.

18
Bernard Placidus Johann Nepomuk Bolzano (Praga, Bohemia, 5 de octubre de 1781 18 de
diciembre de 1848) fue un matemtico, lgico, filsofo y telogo bohemo que escribi en alemn y que
realiz importantes contribuciones a las matemticas y a la Teora del conocimiento. En matemticas, se
le conoce por el teorema de Bolzano, as como por el teorema de Bolzano-Weierstrass, que desarroll
junto a Karl Weierstrass. En su filosofa, Bolzano critic el idealismo de Hegel y Kant afirmando que los
nmeros, las ideas, y las verdades existen de modo independiente a las personas que los piensen.

204
 CAPTULO 9

Pero la interpretacin frecuentista de la probabilidad adquiere su mayor

mpetu en John Venn19, lgico ingls, quien en su Logic of Chances (1886) da
el primer tratamiento sistemtico de esta concepcin. Como continuadores
destacan Cournet y ms modernamente Richard von Mises, Reichenbach, R.
Fisher, A. Wald y E. Ternier. Todos ellos admiten el siguiente axioma, conocido
con el nombre de lmite de Venn: Si un suceso ocurre en gran nmero de
veces, entonces la probabilidad de ocurrencia del suceso es el lmite cuando el
nmero de pruebas tiende a infinito del cociente entre el nmero de veces que se
presenta el suceso y el nmero total de pruebas. Es decir, se postula la
existencia de dicho lmite.

El pensador francs Cournot (1801-1877)20, que era tambin matemtico,

filsofo, economista e historiador, a quien se debe el concepto de mediana
(Thorie des chances et de probabilits, 1843, Pars), considera la probabilidad
matemtica como una realidad objetiva e independiente del estado de nuestro
conocimiento. Pero no lleg a comprender que deba, como disciplina
matemtica, cimentarse con una axiomtica.

Von Mises (1926) introduce la nocin de colectivo para caracterizar el

concepto de frecuencia relativa; por colectivo entiende una sucesin de un
nmero grande de observaciones idnticas o experimentos, conducindonos cada
uno de stos a un resultado numrico determinado y verificando esta sucesin de
resultados numricos las siguientes condiciones:

a) Aleatoriedad.

b) Existencia del lmite de frecuencias relativas.

Define a continuacin un grupo de operaciones en el conjunto de

colectivos de manera que el lmite de la frecuencia relativa (probabilidad) sea
invariable. Caracteriza tambin cuando dos colectivos son independientes, etc.
19
John Venn (Drypool, 4 de agosto de 1834 - Cambridge, 4 de abril de 1923), fue un matemtico y
lgico britnico. Destac por sus investigaciones en lgica inductiva. Es especialmente conocido por su
mtodo de representacin grfica de proposiciones (segn su cualidad y cantidad) y silogismos. Los
diagramas de Venn permiten, adems, una comprobacin de la verdad o falsedad de un silogismo.
Posteriormente fueron utilizados para mostrar visualmente las operaciones ms elementales de la teora de
conjuntos. Entre sus obras destacan: Symbolic Logic (1881), The Logic of Chance (1866) y The Principles
of Empirical Logic (1889). Falleci a la edad de 88 aos en Cambridge.
20
Cournot es el matemtico que inici la sistematizacin formal de la ciencia econmica. Estudi en la
Escuela Normal Superior de Pars donde se licenci en Ciencias en 1823. Catedrtico de Anlisis
Matemtico en la Universidad de Lyon en 1834. Rector de la Academia de Dijon de 1854 a 1862. A pesar
de haber trabajado toda su vida en universidades, tan slo dedic un ao a la docencia, siendo su
actividad principal la gestin administrativa universitaria y la investigacin. Cournot fue el primero en
proponer la utilizacin de funciones matemticas para describir categoras econmicas tales como la
demanda, la oferta o el precio. Analiza con especial atencin los mercados monopolistas, estableciendo el
punto de equilibrio del monopolio, llamado por ello el punto de Cournot. Es tambin pionero en el
estudio del duopolio y el oligopolio. Sus aportaciones influyeron notablemente sobre los marginalistas, a
los que ya nos hemos referido en nuestro libro al tratar del concepto de utilidad: Jevons, Walras y
Marshall, de los que puede ser considerado un precursor. Produjo tambin notables contribuciones al
campo estadstico.

205
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

La principal objecin hecha a la teora de Von Mises es la imposibilidad

de construir, por medio de una frmula matemtica, una sucesin (xi), siendo xi
un resultado numrico (por ejemplo, 0, 1), en la que la probabilidad est
comprendida entre cero y uno, teniendo en cuenta que esta probabilidad ha de ser
la misma para cualquier otra sucesin obtenida a partir de sta mediante una
transformacin de las consideradas por Von Mises.

Wald21, en su trabajo de 1937, resolvi este problema considerando clases

numerables de transformaciones.

E. Tornier introduce una axiomtica frecuentista tomando como elementos

sucesiones, y considerando en ellas, como conjuntos bsicos, los cilindros con
segmento inicial fijo. Considera la probabilidad definida sobre un lgebra de
Boole que contenga a los cilindros bsicos, como una funcin completamente
aditiva en (0, 1). Introduce un axioma de continuidad y concreta que la clase
aditiva considerada es la mnima que cumple los axiomas anteriores.

La obra de Reichenbach (1935) es un desarrollo de la de Von Mises, y en

varios aspectos presenta un planteamiento mejor. Su interpretacin parece estar
sugerida por correlaciones estadsticas: supone dos series (x1, x2, ..., xn, ...), (y1,
y2, ..., yn, ...) y dos clases A y B. Alguno o todos los x pertenecen a la clase A, y
lo que interesa es contestar a la siguiente pregunta: con qu frecuencia los
correspondientes y pertenecen a la clase B?. Con su notacin:

xi A yi B

La clase A la llama clase de referencia y a la B clase de atributos.

Debemos advertir que es necesario, antes de calcular la probabilidad, que las
clases A y B sean observadas y establecer una correspondencia biyectiva o
biunvoca entre sus elementos.

Ahora surge la cuestin de cmo se puede determinar la probabilidad; para

ello, consideremos los n primeros elementos de las dos sucesiones, y
supongamos que entre los n de los x hay a que pertenecen a la clase A y que
entre stos hay b trminos tales que los correspondientes y pertenecen a la clase
B; entonces, diremos que en la sucesin (x1, x2, ..., xn) la frecuencia relativa de A
y B es b/a; en el caso de que todos los x de A, entonces la frecuencia es b/n, y se
suele indicar por Fn(A, B). Si tomamos el lmite cuando n tiende a infinito,
entonces este lmite p recibe el nombre de probabilidad de A a B, as:
21
Abraham Wald (31 de octubre de 1902 Kolozsvr, Hungra - 13 de diciembre de 1950, Travancore,
India) fue un matemtico que hizo importantes contribuciones a la teora de la decisin, la geometra, la
economa y que fund el anlisis secuencial. Hasta que ingres en la universidad fue educado por sus
padres ya que era judo y los sbados no poda ir a la escuela, como era obligatorio en el sistema escolar
hngaro. En 1931 se gradu en la Universidad de Viena con el ttulo de doctor en matemticas. Pudo
emigrar a los Estados Unidos gracias a la invitacin de la Comisin Cowles para la Investigacin
Econmica cuando los nazis invadieron Austria en 1938 y fue perseguido junto a su familia debido a su
condicin de judo. Muri en un accidente areo en la India mientras realizaba un viaje para dar una
conferencia invitado por el gobierno de aquel pas asitico.

206
 CAPTULO 9

p ( A , B ) = lm . Fn ( A , B )
n

Observemos que una diferencia entre la teora de Reichenbach y la de Von

Mises es que para aqul no es necesario imponer el axioma de aleatorizacin, as
como el prescindir de la restriccin, que l considera excesiva: sucesin parcial
del colectivo ha de tender al mismo lmite que aqul.

Debemos sealar, por ltimo, que aunque en sentido lgico esta teora es
inatacable, desde el punto de vista prctico es inverificable, ya que ningn ser
humano puede llevar a cabo infinitas pruebas o experimentos, puesto que debera
vivir tambin un nmero infinito de aos.

3.4. Probabilidad lgica

Los sistemas lgicos consideran a la probabilidad como una nica relacin

lgica entre proposiciones o sentencias. Bajo tales aspectos: la probabilidad
mide como un conjunto de proposiciones, fuera de la lgica necesidad y aparte
de la opinin humana, confirma la verdad de otro. Entre los cultivadores de este
concepto destacan Jeffreys, Keynes, Carnap (que la denomina grado de
confirmacin), Tintner (credibilidad) y Le Blanc (probabilidad inductiva).

Desde el punto de vista de la escuela lgica, todos los sistemas tienen en

comn la relacin lgica entre dos proposiciones q/p como relacin indefinida
(esto es, que slo est definida por los axiomas o postulados), que se lee
probabilidad de q dado p. Todo cuanto satisface a estos axiomas ser una
interpretacin de la probabilidad, y cabe esperar el que haya diversas
interpretaciones, por ejemplo, las de las axiomticas de Keynes y Jeffreys, pero
todas tienen el mismo punto de arranque, y es la definicin anteriormente
expresada. Los axiomas o postulados requeridos fueron recogidos por C.D.
Broad (1920), y son los siguientes:

I. Dados p y q, hay slo un valor q/p.

II. Los posibles valores de q/p son todos los nmeros reales en el
intervalo (0,1).
III. Si p implica q, entonces q/p = 1.
IV. Si p no implica q, entonces q/p = 0.
V. La probabilidad de q y r dado p es la probabilidad de q dado p
multiplicada por la probabilidad de r dado p (axioma conjuntivo).
VI. La probabilidad de q o r dado p es la probabilidad de q dado p ms
la probabilidad de r dado p menos la probabilidad de q y r dado p
(axioma disyuntivo).

Esta axiomtica puede considerarse como la antitesis de la teora de la

frecuencia representada por Venn, Von Mises y Reichenbach.

207
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

Ahora consideramos un breve resumen de la axiomtica de Jeffreys, que

tiene como elemento esencial la relacin lgica existente entre dos proposiciones
(tambin es el caso de la de la probabilidad subjetiva de Keynes, a la que
hacemos singular referencia en otro apartado de nuestro libro). Jeffreys, en su
obra de 1939, trata de establecer el concepto abstracto de probabilidad mediante
una axiomtica que sea aplicable al mundo real. Como concepto abstracto,
considera la probabilidad como una generalizacin de la lgica deductiva,
pudiendo considerarse incluida dentro de la probabilidad matemtica, siendo
sus principales representantes Broad y Keynes, aunque Jeffreys presenta algunas
diferencias notorias.

La axiomtica de Jeffreys consta de seis axiomas y tres convenios,

aunque, en realidad, son tambin axiomas, como ocurre, por ejemplo, con el
convenio de normalizacin, que es un axioma base en todos los otros sistemas.
Se fundamenta en la idea primitiva de asignar un grado de creencia o de
confianza a una proposicin, aunque no se pueda demostrar. Evidentemente
depender del conjunto de la informacin que tengamos, por eso no tiene sentido
el hablar de probabilidad de la proposicin, sino de probabilidad de la
proposicin de q dada p. Es decir, la probabilidad es una funcin de dos
argumentos.

Con el sistema de axiomas demuestra que toda probabilidad puede ser

expresada por un nmero real, y que est acotado inferiormente por cero.
Tambin considera el caso estudiado por Laplace en su Teora Analtica, y
comprueba que puede considerarse como un caso particular. Para ello considera
el conjunto finito: q1, q2, ..., qn de todas las alternativas incompatibles deducibles
de una proposicin p, y dos subconjuntos A y B formados, respectivamente, por
a y b elementos; entonces, se verifica que:

P(A/p) / P(B/p) = a/b

Si B es el conjunto de todas las alternativas incompatibles y exhaustivas,

deducibles de p, entonces B es implicado por p, y de aqu que:

P(B/p) = 1 ; P(A/p) = a/n

siendo n el nmero de alternativas posibles. Es decir, se verifica la regla clsica

de Laplace: Nmero de casos favorables dividido por el nmero de casos
posibles. A esta probabilidad se le puede llamar R-probabilidad, ya que viene
dada por un nmero racional.

As pues, una conclusin para Jeffreys es que la probabilidad es una

relacin lgica, y existe siempre, siendo el conjunto de probabilidades
completamente ordenado. Esta probabilidad se puede expresar mediante un
nmero real, ya que establece el isomorfismo entre el conjunto de probabilidades
y los puntos del intervalo (0, 1). He aqu una diferencia notable con la axiomtica

208
 CAPTULO 9

de Keynes, ya que para ste el conjunto de probabilidades es parcialmente

ordenado y la suma y producto no estn definidos para cualquier par de
elementos.

4. Probabilidad condicionada y teorema de Bayes

4.1. Probabilidad condicionada

Dados dos sucesos A y B de la misma categora de pruebas, cuyas

probabilidades respectivas son P(A) y P(B), se supone la siguiente situacin: se
sabe que el suceso A se ha verificado. Entonces cabe preguntarse si la
probabilidad de B seguir siendo la misma o habr sufrido alguna modificacin.
Segn se ver ms adelante, en funcin de las circunstancias caben ambas
respuestas.

El suceso consistente en la realizacin de B, sabiendo que se ha verificado

A, se representa por B/A (B condicionado a A). Para calcular la probabilidad
del referido suceso, supongamos que E (espacio muestral) est formado por n
sucesos elementales de los cuales n son favorables a la realizacin de A, n lo
son a la de B y n lo son a la del suceso A B. Por tanto, se tendr:

n' n'' n'' '

P(A) = ; P(B) = ; P(A B) =
n n n

El suceso B/A, perteneciente a otra categora de pruebas, se presenta n

veces (casos favorables a B, cuando se ha presentado A) de entre las n veces que
ha aparecido A; luego:

n' ' ' n' ' ' n' P(A B)

P(B / A) = = : =
n' n n P(A)

De aqu que la probabilidad del suceso B/A es la razn entre las

probabilidades P(A B) y P(A).

Dos sucesos A y B, tales que P(B/A) = P(B) se conocen con el nombre de

independientes; si por el contrario P(B/A) P(B), los sucesos son
dependientes.

En el caso de sucesos independientes, se tiene que:

P ( A B)
P(B / A ) = = P ( B)
P (A )

luego, para dos sucesos independientes, se cumplir que:

209
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

P(AB) = P(A) P(B) regla de multiplicacin o probabilidad compuesta,

mientras que si los sucesos son dependientes se tendr que:

P(AB) = P(A) P(B/A)

Es interesante observar que la relacin de independencia es simtrica,

puesto que P(B/A) = P(B) implica que P(A/B) = P(A). En efecto, si P(B/A) =
P(B), se tendr:

P ( A B ) P ( A ) P ( B )
P (A / B) = = = P (A )
P (B) P (B)

, tal como queramos demostrar.

4.2. Teorema de Bayes

Ya que nos hemos referido a l en diferentes apartados de nuestro libro,

veamos que el famoso teorema de Bayes, enunciado por Thomas Bayes, en la
teora de la probabilidad, es el resultado que da la distribucin de probabilidad
condicional de una variable aleatoria A dada B en trminos de la distribucin de
probabilidad condicional de la variable B dada A y la distribucin de
probabilidad marginal de slo A.
Sea {A1,A2,...,Ai,...,An} un conjunto de sucesos incompatibles cuya unin
es el conjunto total y tales que la probabilidad de cada uno de ellos es distinta de
cero. Sea B un suceso cualquiera del que se conocen las probabilidades
condicionales P(B|Ai). Entonces, la probabilidad P(Ai|B) viene dada por la
expresin:

donde:
P(Ai) son las probabilidades a priori.
P(B|Ai) es la probabilidad de B en la hiptesis Ai.
P(Ai|B) son las probabilidades a posteriori.
Esto se cumple i = 1, ..., n.
Una explicacin ms detallada del concepto sera la siguiente. Sean los
sucesos elementales y mutuamente excluyentes: A1, A2, ..., An tales que

210
 CAPTULO 9

constituyen un sistema completo de sucesos cuya unin es el espacio muestral E,

esto es, tales que:

A1 A2 ... An = E

Ai Aj = si i j

Se suponen conocidas las probabilidades P(Ai) -que se acostumbran a

denominar probabilidades a priori- as como las probabilidades condicionadas
P(B/Ai), llamadas verosimilitudes, donde B es un suceso cualquiera que se
sabe realizado.

El problema que resuelve el teorema de Bayes o teorema sobre la

probabilidad de causas es obtener las probabilidades a posteriori, esto es, las
P(Ai/B). Se tiene, evidentemente:

P(AiB) = P(Ai) P(B/Ai) = P(B) P(Ai/B)

de donde:

P(A i )P(B / A i )
P(A i / B) =
P(B)

Pero, por otra parte:

B = BE = B(A1 A2 ... An) = (BA1) (BA2) (BAn)

y debido a la incompatibilidad, se cumplir que:

P(B) = P(BA1) + P(BA2) + ... + P(BAn) =

= P(A1) P(B/A1) + P(A2) P(B/A2) + + P(An) P(B/An)

Resultando, en definitiva, la expresin general:

P ( A i )P ( B / A i )
P ( A i / B) = =
P ( A 1 )P ( B / A 1 ) + P ( A 2 )P ( B / A 2 ) + ... + P ( A n )P ( B / A n )
P(A i )P ( B / A i )
= n
;
P(A
i =1
i )P ( B / A i )

Sea, como ejemplo de aplicacin, el siguiente ejercicio.

211
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

Una vez realizadas las pruebas pertinentes se observa que un sistema

psicolgico (individuo) afectado de dislalia posee un promedio diario de
expresin verbal del 50% por la maana (8h. 14h.), 30% por la tarde (14h.
20h.) y 20% por la noche (20h. 24h.). Los porcentajes de palabras
defectuosamente pronunciadas son, respectivamente, del 3%, 4% y 5%. Cul es
la probabilidad de producir una palabra defectuosa segn cada fase del da?

Solucin:

P(M) = 050 P(D/M) = 003

P(T) = 030 P(D/T) = 004
P(N) = 020 P(D/N) = 005

As pues, la probabilidad de emitir una palabra defectuosa por la maana,

ser:

P (M ) P (D / M )
P (M / D ) = =
P ( M ) P (D / M ) + P (T ) P ( D / T ) + P ( N ) P (D / N )
0 '50 0 '03 0 '015 15
= = = 41 %
0 '50 0 '03 + 0 '30 0 '04 + 0 '20 0 '05 0 '037 37

Del mismo modo, por la tarde, se tendr:

P (T ) P (D / T )
P (T / D ) = =
P ( M ) P ( D / M ) + P (T ) P ( D / T ) + P ( N ) P ( D / N )
0 '30 0 '04 0 '012 12
= = = 32 %
0 '50 0 '03 + 0 '30 0 '04 + 0 '20 0 '05 0 '037 37

Por ltimo, por la noche, se tendr:

15 12 10
P ( N / D ) = 1 P ( M / D ) P (T / D ) = 1
= 27 %
37 37 37
que tambin podra haberse obtenido, lgicamente, por la aplicacin
individualizada de la frmula correspondiente.

Digamos, en definitiva, que el teorema de Bayes resulta vlido en todas

las aplicaciones de la teora de la probabilidad. Sin embargo, hay una
controversia sobre el tipo de probabilidades que emplea. En esencia, los
seguidores de la estadstica tradicional slo admiten probabilidades basadas en
experimentos repetibles y que tengan una confirmacin emprica mientras que
los llamados estadsticos bayesianos permiten probabilidades subjetivas. El
teorema puede servir entonces para indicar cmo debemos modificar nuestras
probabilidades subjetivas cuando recibimos informacin adicional de un
experimento. La estadstica bayesiana est demostrando su utilidad en ciertas

212
 CAPTULO 9

estimaciones basadas en el conocimiento subjetivo a priori y permite revisar esas

estimaciones en funcin de la evidencia, lo que est abriendo nuevas formas de
hacer conocimiento. Como observacin, se tiene que:
n

i =1
P (A i B) = 1

y su demostracin resulta trivial.

5. Aplicacin de los mtodos robustos en el anlisis de las variables

psicolgicas

Hay que considerar que el empleo de las modernas tcnicas de la

inferencia estadstica robusta en el estudio de las series psicolgicas
temporales -aunque, desde luego, sin ofrecer grandes variaciones en los
resultados finales- podra afinar an ms algunos de los resultados obtenidos.
Dichos estudios podran complementarse desarrollando ms el tema de la
cointegracin de las series temporales y analizar, incluso, funciones peridicas
y series de Fourier22 mediante el Clculo de Variaciones clsico.

Aunque puede afirmarse que la Estadstica tuvo su origen en los censos

romanos de poblacin23, sus mtodos, tal como los conocemos hoy en da, se
deben fundamentalmente a Sir Ronald Aylmer Fisher24, quien en su trabajo del
22
Jean Baptiste Joseph Fourier, nacido en 1768, muerto el 16 de mayo de 1830, fue un matemtico
francs conocido principalmente por su contribucin al anlisis matemtico en el flujo del calor. Educado
para el sacerdocio, Fourier no tom sus votos pero en cambio se convirti en matemtico. Primero estudi
(1794) y ms tarde ense matemtica en la recientemente creada cole Normale. Se uni al (1798)
ejrcito de Napolen Bonaparte en su invasin a Egipto como consejero cientfico, ayud all a establecer
medios educativos y llev a cabo exploraciones arqueolgicas. Despus de su retorno a Francia en 1801
fue nombrado prefecto del departamento de Isre por Napolen. A lo largo de su vida Fourier sigui su
inters en matemticas y fsicas matemticas. Lleg a ser famoso por su Thorie analytique de la Chaleur
(1822), un tratado matemtico de la teora del calor. Estableci la ecuacin diferencial parcial que
gobierna la difusin del calor y la resolvi usando series infinitas de funciones trigonomtricas. Aunque
estas series haban sido usadas antes, Fourier las investig de una manera ms detallada. Su investigacin,
inicialmente criticada por su falta de rigor, fue ms tarde mostrada para ratificar su valor. Provey el
mpetu para trabajar ms tarde en series trigonomtricas y la teora de funciones de variables reales.
23
Entre ellos, el ms famoso posiblemente, y que ya ha sido citado, sea el ordenado por el emperador
Csar Augusto, que oblig a trasladarse a sus padres, Jos y Mara, a la ciudad de Beln de Judea, donde
naci Jess (de Nazareth) en un humilde pesebre.
24
(Londres, 1890-Adelaida, Australia, 1962). Matemtico y bilogo britnico. Se gradu por la
Universidad de Cambridge en 1912. Pionero en la aplicacin de mtodos estadsticos al diseo de
experimentos cientficos, en 1919 comenz a trabajar en la estacin experimental de Rothamsted, donde
realiz trabajos estadsticos relacionados con la reproduccin de las plantas. Desarroll tcnicas para
obtener mayor cantidad de informacin til a partir de muestras de datos ms pequeas, introdujo el
principio de aleatoriedad en la recogida de muestras y el anlisis de la varianza o anlisis
multivariacional. Public su metodologa estadstica en 1925 en Methods for Research Workers. Traslad
sus investigaciones al campo de la gentica en The Genetical Theory of Natural Selection (1930), que
resume sus puntos de vista sobre la eugenesia y el papel de control que ejercen los genes sobre los
caracteres dominantes, y en el que considera la seleccin como la fuerza directriz de la evolucin, ms
que la mutacin. En 1933 ocup la ctedra Galton de eugenesia en la Universidad de Londres, y de 1943
a 1957, la ctedra Balfour de gentica en la Universidad de Cambridge. Los ltimos aos de su vida los
pas trabajando para la Commonwealth Scientific and Industrial Research Organization en Adelaida.

213
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

ao 1922 (Sobre los fundamentos matemticos de la Estadstica Terica)

estableci los principios a partir de los cuales se fueron desarrollando las diversas
tcnicas y mtodos que actualmente utilizamos. Sin embargo, su correcta
aplicacin requiere de condiciones muy rgidas, tales como un modelo
probabilstico fijo (habitualmente la distribucin normal) en el que slo queden
indeterminados uno o dos parmetros (la media y/o su varianza). Pero tal
restriccin o condicionante supone un problema, ya que los modelos
probabilsticos ms utilizados rara vez se ajustan bien al fenmeno aleatorio
observado en el sistema psicolgico, razn por la cual los resultados obtenidos
bajo tales supuestos dejan de ser vlidos incluso en situaciones muy cercanas a la
modelizada bajo la cual se obtuvieron.

Por estas razones surgieron los denominados Mtodos Robustos, aunque

su origen se supone remoto. Rey (1978) lo sita en la antigua Grecia, en donde
los sitiadores contaban las capas de ladrillos de algunos muros de la ciudad
sitiada y tomaban la moda (valor ms frecuente) de los recuentos al objeto de
determinar la longitud de las escalas a utilizar en el asalto. De esta forma, la
estimacin realizada no se vea afectada por los valores extremos de la variable
aleatoria estadstica, procedentes de murallas muy altas o muy bajas. No
obstante, fue en 1964 cuando, de la misma manera que los trabajos de R.A.
Fisher dotaron a la Estadstica del rigor matemtico del que hasta entonces
careca, el artculo de Peter Huber titulado Estimacin robusta de un parmetro
de localizacin abri las puertas de la precisin matemtica en robustez y, por
ende, las del reconocimiento cientfico. Posteriores trabajos suyos, as como las
aportaciones fundamentales de Frank Hampel en los aos 1971 y 1974, en las
cuales defini los conceptos de robustez cualitativa y la curva de influencia,
terminaron de poner los cimientos de los mtodos robustos, tal y como son
conocidos hoy en da.

De hecho, la introduccin de los Mtodos Robustos en la ciencia

Estadstica fue motivada -bsicamente, aunque no de forma exclusiva- por la
gran sensibilidad a los datos anmalos (outliers en la terminologa anglosajona)
de los estimadores generalmente utilizados. No obstante, a pesar de la relacin
existente entre el anlisis de outliers y los Mtodos Robustos, ambos campos han
seguido desarrollos y caminos independientes.

Una de las primeras ideas que sugiere la presencia de datos anmalos en

una serie histrica de variables psicolgicas, entendidas stas como cifras
sorprendentemente alejadas del grupo principal de observaciones, es la de su
rechazo o eliminacin, con objeto de reparar o limpiar la serie, antes de realizar
inferencias con ella.

Esta idea hllase reflejada en numerosas publicaciones existentes sobre el

tema. As, por ejemplo, puede leerse en el trabajo de Ferguson (1961) que ... el
problema que se plantea en el tratamiento de los datos anmalos es el de
introducir algn grado de objetividad en su rechazo..., dando por supuesto que

214
 CAPTULO 9

los datos anmalos son necesariamente errneos y que, por tanto, deben de ser
eliminados. Pero ello no es ms que una de las posibles opciones a considerar en
el tratamiento de los datos anmalos, puesto que no siempre son necesariamente
errneos.

En definitiva, los datos pueden ser o parecer anmalos en relacin con el

modelo supuesto, por lo que una posible alternativa a su rechazo es la de su
incorporacin, ampliando el modelo. Ello nos llevara a una nueva definicin de
outlier, a saber: aquella observacin que parece ser inconsistente con el resto de
los valores de la serie, en relacin con el modelo supuesto. Desde luego, en la
definicin anterior aparece una componente ciertamente subjetiva en la
calificacin o conceptualizacin de un dato como anmalo. Existe una manera
ms objetiva de poder llegar a tal conclusin. Se trata de utilizar unos tests de
hiptesis, denominados tests de discordancia, que estn basados en unos
estadsticos o estadgrafos para los que es posible determinar, o al menos tabular,
su distribucin en el muestreo. Mediante dichos tests podemos calificar a uno o
varios datos como discordantes -esto es, valores que resultan significativos en un
test de discordancia- y como consecuencia podemos, como hemos visto:

- Rechazarlos, eliminndolos del resto de la serie.

- Identificarlos, resaltando algn aspecto que pudiera resultar
interesante.
- Incorporarlos, ampliando la distribucin-modelo propuesta.

A pesar del esfuerzo realizado para conseguir una calificacin objetiva de

los datos, el carcter subjetivo permanece, en cierta medida, en los tests de
discordancia, tanto en su nivel de significacin como en la propia eleccin del
contraste a considerar. Adems, como en todo test de hiptesis, los tests de
discordancia no son simtricos; es decir, no son tratadas de igual manera la
hiptesis nula de ausencia de outliers en la serie que la alternativa de, por
ejemplo, tres outliers a la derecha. Y una vez concluido el test, deberan
considerarse los dos tipos de error asociados al test. Pero lo peor de proceder de
tal suerte, rechazando los outliers y luego utilizando los mtodos clsicos, es la
prdida de eficiencia con respecto a la utilizacin de Mtodos Robustos.

Otro problema adicional relacionado con el tratamiento de outliers es que

stos no slo se presentan en situaciones simples, sino que tambin aparecen en
situaciones ms estructuradas, como puede ser el caso de las series de variables
psicolgicas que nos ocupan. En estas situaciones, los datos anmalos tendern a
ser menos aparentes, siendo en ocasiones la discrepancia con el modelo
propuesto lo que conferir anomala al dato. As, por ejemplo, en una regresin
minimocuadrtica (simple o mltiple, lineal o no) la anomala consistir en no
estar alineado con el resto de las observaciones. Ahora bien, el ser anmalo no
consiste en ser extremo; puede encontrarse en el grupo principal de
observaciones y ser tratado como anmalo. Al respecto, puede verse el ejemplo

215
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

de la figura siguiente, en el que aparece una supuesta serie cronolgica de

observaciones:

N observ.

300 Dato anmalo

250

200
Dato anmalo
150

100
Aos
1955 1960 1965 1970 1975 1980 1985 1990 1995 2000

FIG. 9.1. Serie histrica descendente de observaciones de una variable psicolgica.

Por tanto, el trmino modelo, del que nos hemos ocupado extensamente en
el captulo segundo de nuestro libro, en la definicin de outlier que hemos dado
anteriormente, debe entenderse en un sentido bastante amplio.

Digamos, como resumen y sntesis de lo expuesto en el presente apartado

de nuestro libro, que mientras los tests de discordancia tienen como objetivo el
estudio de los outliers en s mismos, proponiendo como accin ante la presencia
de un outlier alguno de los tres puntos anteriormente reseados, los Mtodos
Robustos estn diseados para realizar inferencias sobre el modelo, reduciendo la
posible influencia que pudiera tener la presencia de datos anmalos. De hecho,
los Mtodos Robustos son denominados, en ocasiones, Tcnicas de acomodacin
de outliers. Es decir, en los tests de discordancia los outliers constituyen el
objetivo, mientras que en los Mtodos Robustos, cuya aplicacin al estudio de la
prediccin de las variables psicolgicas que aqu propugnamos, son precisamente
el mal a evitar.

Por lo que se refiere, en fin, a la caracterizacin del valor central de la

distribucin de las variables psicolgicas, veamos que G. Udny Yule25,
estadstico ingls, en su "Introduccin a la Teora de la Estadstica", ha precisado
las condiciones que debe cumplir una buena caracterizacin del valor central de
una serie temporal o cronolgica. En resumen, son las siguientes:
25
George Udny Yule, ingls con estudios de ingeniera y fsica, fue un colaborador de Pearson, que hizo
algunos aportes a la obra de este ltimo. Trabaj en correlacin, y tambin en curvas asimtricas, como su
predecesor. Colabor en la publicacin de Pearson, proporcionando un ejemplo de la aplicacin de ajuste
de una curva asimtrica a datos sobre distribucin de la pobreza en Inglaterra y Gales. Pero luego se
movi en direcciones independientes. Relacion la regresin con el mtodo de los mnimos cuadrados,
proporcionando un gran conjunto de algoritmos que haban desarrollado los astrnomos, para la solucin
de las ecuaciones normales, asociadas al clculo de la regresin. Los trabajos publicados por Yule cubren
hasta la primera dcada del siglo XX.

216
 CAPTULO 9

a) La caracterstica del valor central debe ser definida objetivamente a

partir de los datos de la serie, sin que haya lugar a intervenir ninguna
apreciacin subjetiva del estadstico.
b) Debe depender de todas las observaciones de la serie, a ser posible.
Sealemos que, no obstante, hay veces que se plantea el problema de decidir si
debe tenerse en cuenta una observacin (outlier) que es notablemente distinta
de todas las dems de su conjunto o si puede ser rechazada por considerar que tal
observacin tiene carcter excepcional debido a algn factor extrao a la serie
como, por ejemplo, un error de observacin. En este sentido, recomendamos la
aplicacin de los denominados mtodos robustos, tal como se propugna en el
presente captulo de nuestro libro.
c) Debe tener, en la medida de lo posible, una significacin concreta,
sencilla y fcil de comprender. Si se tiene en cuenta que muchos de los valores
centrales de las series han de ser utilizados por personas poco familiarizadas
con la Estadstica, se comprende la preferencia que en la realidad se ha dado a
la media aritmtica como caracterstica del valor central de que goza esta
propiedad, de una interpretacin sencilla.
d) Debe ser de clculo fcil y rpido.
e) Debe ser poco sensible a las fluctuaciones del muestreo. Frecuentemente
las observaciones se efectan, no sobre el conjunto completo o universo de
elementos a estudiar, sino sobre una parte de stos que recibe el nombre de
muestra, debe ser suficientemente representativa de dicho universo y tener el
tamao adecuado. La presente consideracin resulta particularmente interesante
en el caso del estudio de un sistema psicolgico referido a un conjunto de
individuos. Las observaciones hechas sobre los elementos componentes de la
muestra constituyen la serie estadstica de la cual se determina el valor central.
Es evidente que "a priori" no puede asegurarse que el valor central
correspondiente a la muestra adoptada coincida con el valor central que se
obtendra si se hiciese una serie estadstica que abarcase todo el conjunto
completo de elementos a estudiar, ni que coincidan siquiera con los
correspondientes a distintas muestras que se eligiesen al azar. Ahora bien, dado
que en la prctica se procede casi siempre por muestreo, conviene que la
caracterstica elegida del valor central sea de tal naturaleza que dicho valor
central sea sensiblemente el mismo para las distintas muestras. Conviene hacer
notar, al respecto, que esta eleccin del valor central slo ser posible cuando se
conozca la ley de distribucin del fenmeno en estudio; la variacin del valor
central y de otros estadsticos en las distintas muestras entra de lleno en la parte
de la Teora Estadstica conocida por la denominacin de Teora de las
Muestras.
f) Debe ser adecuada a los clculos algebraicos posteriores. Se comprende
fcilmente la importancia de tal condicin con slo pensar en el caso muy
frecuente de tratar de determinar el valor central que corresponde a una serie
global resultado de reunir varias series estadsticas parciales.

217
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

De entre las cuatro medias usualmente empleadas en Psicologa (aritmtica,

geomtrica, cuadrtica y armnica) se ve inmediatamente que la aritmtica es la
que mejor rene las anteriores condiciones de Yule, si bien ni ella ni las otras tres
proporcionan indicacin alguna acerca de la reparticin de los datos de la series o
de sus posiciones respectivas ni sobre las desviaciones de unos respecto a otros.
Se limitarn a condensar todos los datos de la serie en uno solo, la media, como
sntesis de todos ellos.

En particular, las medias aritmticas ( X ) y cuadrtica (C) dan mucho relieve

a los elementos grandes de la serie y, desde luego, la segunda todava ms que la
primera. Por el contrario, las medias geomtrica y armnica destacan la
influencia de los valores pequeos y reducen la influencia de los valores grandes,
lo que habr que tener bien presente en los estudios de Psicologa.

Recordemos, por ltimo, que las medias deben calcularse a partir de datos
homogneos y numerosos, condiciones ambas inherentes a toda buena estadstica
en materia de tratamiento de variables psicolgicas.

6. Aplicacin del Anlisis Factorial

6.1. Introduccin

El Anlisis Factorial es un mtodo matemtico/estadstico de tratamiento

de datos -susceptibles de ser expresados numricamente- cuya aplicacin al
estudio de los fenmenos psicolgicos puede revestir singular importancia. No
podemos obviar, en consecuencia, su descripcin.

Prcticamente hasta los comienzos del siglo XX, el problema de las

aptitudes haba sido objeto de puras especulaciones; la observacin e
introspeccin -poco o nada sistematizadas, con frecuencia- han sido y siguen
siendo incapaces de ofrecer una prueba cientfica de la existencia de las
aptitudes. De este modo, no es de extraar que muchas de las viejas teoras
acerca de las facultades o aptitudes sean completamente falsas. La Psicologa
actual tiende, en cambio, a adoptar unos puntos de vista ms operacionales o
behavioristas, adquirindose cada vez mayor conciencia de que entidades
mentales tales como las facultades, que ni pueden ser observadas directamente ni
pueden ser verificadas ni controladas, resultan estriles para la construccin de
una ciencia que pretenda ser cientfica. Hoy en da, por supuesto, se prefiere
utilizar conceptos directamente derivados de actividades mensurables de los seres
humanos.

Para averiguar experimentalmente cules son las caractersticas

fundamentales de las funciones cognoscitivas, se dispone, desde principios del
siglo XX, de dos nuevos instrumentos: el coeficiente de correlacin y los tests
mentales, y de un concepto emprico: el de unidad funcional.

218
 CAPTULO 9

El Anlisis Factorial es una tcnica que consiste en resumir la informacin

contenida en una matriz de datos con V variables. Para ello se identifican un
reducido nmero de factores F, siendo el nmero de factores menor que el
nmero de variables. Los factores representan a las variables originales, con una
prdida mnima de informacin.

El modelo matemtico del Anlisis Factorial es parecido al de la regresin

mltiple. Cada variable se expresa como una combinacin lineal de factores no
directamente observables. A saber:

Xij = F1iai1 + F2iai2 +....+ Fkiaik + Vi

siendo:

Xij la puntuacin del individuo i en la variable j .

Fij son los coeficientes factoriales.
aij son las puntuaciones factoriales.
Vi es el factor nico de cada variable.

Se asume que los factores nicos no estn correlacionados entre s ni con

los factores comunes. As mismo, podemos distinguir entre Anlisis Factorial
Exploratorio, donde no se conocen los factores "a priori", sino que se determinan
mediante el Anlisis Factorial y, por otro lado estara el Anlisis Confirmatorio
donde se propone "a priori" un modelo segn el cual hay unos factores que
representan a las variables originales, siendo el nmero de stos superior al de
aquellos, y se somete a comprobacin el modelo.

Para que el Anlisis Factorial tenga sentido deberan cumplirse dos

condiciones bsicas: Parsimonia e Interpretabilidad. Segn el principio de
parsimonia, los fenmenos deben explicarse con el menor nmero de elementos
posibles. Por lo tanto, respecto al Anlisis Factorial, el nmero de factores debe
ser lo ms reducido posible y stos deben ser susceptibles de interpretacin
substantiva. Una buena solucin factorial es aquella que resulta sencilla e
interpretable. Los pasos o fases que se suelen seguir en el Anlisis Factorial son
los siguientes:

1. Clculo de la matriz de correlaciones entre todas las variables

(conocida habitualmente como matriz R).
2. Extraccin de los factores necesarios para representar los datos.
3. Rotacin de los factores con objeto de facilitar su interpretacin.
4. Representacin grfica.
5. Clculo de las puntuaciones factoriales de cada individuo.

Por razones de simplicidad y espacio, nos limitaremos aqu a la exposicin

de la primera de las fases reseadas.

219
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

6.2. Clculo de la matriz de correlaciones

El primer paso a realizar en el Anlisis Factorial ser, como ya se ha

dicho, el de calcular la matriz de correlaciones entre todas las variables que
entran en el anlisis. De tal forma que obtendremos, por ejemplo, una matriz
cuadrada del tipo :

Una vez que se dispone de esta matriz concierne examinarla para

comprobar si sus caractersticas son adecuadas para realizar un Anlisis
Factorial. Uno de los requisitos que debe cumplirse para que el Anlisis Factorial
tenga sentido es que las variables estn altamente correlacionadas.

Pueden utilizarse diferentes mtodos para comprobar el grado de

asociacin entre las variables, as:

a) El determinante de la matriz de correlaciones: un determinante de valor muy

bajo indicar altas intercorrelaciones entre las variables, pero no debe ser cero
(matriz regular o no singular), pues esto indicara que algunas de las variables
son linealmente dependientes y no se podran realizar ciertos clculos necesarios
en el Anlisis Factorial).

b) Test de Esfericidad de Bartlett: Comprueba que la matriz de correlaciones se

ajuste a la matriz identidad (I), es decir, existe ausencia de correlacin
significativa entre las variables. Esto significa que la nube de puntos se ajustar a
una esfera perfecta, expresando as la hiptesis nula por:

Ho: R = I

es decir, que el determinante de la matriz de correlaciones es igual a 1, o sea:

Ho: |R| = 1

La frmula correspondiente asume la siguiente expresin:

donde...

220
 CAPTULO 9

n = tamao muestral.
v = nmero de variables.
ln = logaritmo neperiano o natural.
R = matriz de correlaciones.

Si se acepta la hiptesis nula (p>0.05) significa que las variables no estn

intercorrelacionadas y, por tanto, no tiene mucho sentido llevar a cabo un
Anlisis Factorial.

Este test resulta muy til cuando el tamao muestral es pequeo.

c) ndice KMO de Kaiser-Meyer-Olkin:

Viene dado por la siguiente expresin:

donde...

rij = correlacin simple.

aij = correlacin parcial.

Valores bajos del ndice KMO desaconsejan la utilizacin de Anlisis

Factorial. Como baremo para interpretar el ndice KMO podra tomarse, segn
Kaiser, el siguiente:

1 >= KMO >= 0.9 muy bueno

0.9 >= KMO >= 0.8 meritorio
0.8 >= KMO >= 0.7 mediano
0.7 >= KMO >= 0.6 mediocre
0.6 >= KMO > 0.5 bajo
KMO <= 0.5 inaceptable

d) Correlacin Anti-imagen: que es el negativo del coeficiente de correlacin

parcial; deber haber pocos coeficientes altos para que sea razonable aplicar el
Anlisis Factorial.

e) Medida de Adecuacin de la Muestra (MSA):

Viene dada por la siguiente expresin:

221
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

donde...

rij = correlacin simple.

aij = correlacin parcial.

Valores bajos de este ndice desaconsejan tambin el uso del Anlisis

Factorial.

f) Correlacin Mltiple: que deber ser alto, sobre todo si la tcnica a utilizar es
un anlisis factorial. Esta tcnica, por defecto, toma los valores de la correlacin
mltiple al cuadrado como los valores iniciales de comunalidad.

6.3. Teoras bifactorial y multifactorial

De hecho, el anlisis factorial se fundamenta en dos observaciones bien

definidas:

1- Las tablas de correlaciones entre los tests mentales tienden a ser

jerrquicas, es decir, que sus columnas de coeficientes tendan a ser
proporcionales.
2- Dichas tablas pueden considerarse como matrices algebraicas,
viniendo indicada la proporcionalidad de sus columnas segn una
definicin elemental del lgebra matricial: la caracterstica o rango
(orden del mayor menor complementario no nulo) de la matriz de
correlaciones.

La observacin anterior 1 dio lugar en su da a la llamada teora

bifactorial, a la que ya nos hemos referido en el captulo 1 de este mismo libro;
mientras que la 2, a la teora multifactorial, que resulta ser una generalizacin
de la anterior.

Contemplemos ahora, breve pero separadamente, ambas teoras:

1- TEORA BIFACTORIAL: El orden particular que se observa en las

tablas de correlaciones entre tests mentales, est caracterizado por su
casi general positividad as como su proporcionalidad. Ambos hechos
conducen a la teora de los dos factores debida a Spearman: el general
g (que es comn a todos los tests y explica las intercorrelaciones
positivas y jerarquizadas) y el especfico S (que resulta exclusivo
e independiente de cada test y explica la imperfeccin de dichas
intercorrelaciones).

222
 CAPTULO 9

Veamos la siguiente tabla de correlaciones entre los tests, xi / xi

{x1, x2, ..., xn}. Si suponemos que todas las correlaciones son debidas a un
factor g comn, tendremos, por hiptesis, que la correlacin entre dos o
ms tests cualquiera de esta tabla ser nula, una vez eliminada la
influencia de g. Tomemos, para ello, las columnas referentes a los tests
xn-1 y xn, y examinamos sus correlaciones con x1 y x2, por ejemplo
obteniendo:
TEST
TEST\ x1 x2 xi xn-1 xn
x1 -- a1,2 a1,I a1,n-1 a1,n
x2 A2,1 -- a2,I a2,n-1 a2,n
--
xi ai,1 ai,2 -- ai,n-1 ai,n
--
xn-1 an-1,1 an-1,2 an-1,i -- an-1,n
xn an,1 an,2 an,I an,n-1 --

FIG. 9.2. Tabla de anlisis factorial.
[F = (a1, n-1 a2, n) (a1, n a2, n-1) = 0],

frmula sta que constituye la denominada ecuacin tetrdica. A F

(primer miembro de la ecuacin) se le denomina diferencia tetrdica.

Por tanto, si la hiptesis susodicha es verdadera F = 0; y al

revs, se puede averiguar si aquella hiptesis es aplicable a las aptitudes
de determinada tabla, comprobando que todas las diferencias tetrdicas
sean nulas o tienden a cero. De cualquier modo, no puede esperarse, en la
prctica, que todas aquellas diferencias sean nulas, puesto que se
encuentran afectadas por los errores muestrales. Interesa comprobar, en
consecuencia, si se alejan con valores estadsticamente significativos de
cero, lo cual puede resolverse conociendo la desviacin tpica o standard
F de la diferencia tetrdica, y admitindose como nula F / F 5F.

De hecho, aunque exista siempre una jerarquizacin de los

coeficientes, se ve perturbada por algunos tests. Dichas anomalas se
producen en las bateras cuando hay dos o ms tests similares, corrindose
el riesgo de que haya algo de comn adems de g: los factores S que
haya entre ellos. En una batera as constituda, las diferencias tetrdicas
son significativamente distintas de cero, quedando perturbada la jerarqua.
Mediante la eliminacin de tests demasiado parecidos o perturbadores,
(dado que sus factores especficos se entrecruzaban y perturbaban la
ordenacin jerrquica), la batera queda purificada, con lo que las
intercorrelaciones seguirn un orden jerrquico, las diferencias tetrdicas

223
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

tenderan a cero y cada test de la batera podra comprenderse en funcin

de g y en funcin de S.

As pues, todo test t, ajustado al criterio de la jerarqua, puede

expresarse en funcin de los factores g y St, como:

t = ag + bSt

o sea: un test t depende de g y de St en la proporcin sealada por

los coeficientes (denominados saturaciones del test) a y b, que
expresan las correlaciones existentes entre el test y g y entre el test y
St.

Otros experimentos factoriales conducen a la determinacin de la

existencia de los factores de grupo o comunes, cuya exposicin debe ser
obviamente omitida en esta obra por razones de oportunidad e inters.

2- TEORA MULTIFACTORIAL: se considera una tabla de

correlaciones como una matriz, convirtindose la ecuacin tetrdica
en un determinante menor de segundo orden. Entonces: F = 0
menores de segundo orden de la matriz = 0 (1) caracterstica o
rango de la matriz = 1 columnas de la matriz son proporcionales
(con lo que slo necesitamos un factor para explicar la correlacin de
un test cualquiera con los dems).

Si la condicin (1) no se cumple (o sea, no se cumple la ecuacin

tetrdica) es porque las correlaciones reclaman tantos factores comunes
como indique el rango de la matriz de correlaciones. Previamente, se han
tenido que calcular los coeficientes de correlacin entre los tests
componentes de la batera. La determinacin de aquellos factores comunes
puede comprenderse asimilando los tests a vectores cuya longitud y
posicin vienen perfectamente determinadas por los datos iniciales del
anlisis correlacional. Estos vectores quedan definidos en un espacio
bidimensional por el ngulo formado sobre el plano con ambos ejes de
coordenadas cartesianas (o por el coseno de dicho ngulo), oscilante de 0
a 90, de tal suerte que si el vector tiene la misma direccin que uno de
estos ejes, tendremos que el coseno del ngulo nulo es igual a la unidad,
del mismo modo que al ngulo de 90 corresponde un coseno igual a cero.
Si estos cosenos son los ndices de correlacin, cuando el vector se
identifique como uno de los ejes (que pueden ser ortogonales u oblicuos,
segn las exigencias) poseer una correlacin nula con el otro. El espacio
definido por todos los vectores se denomina configuracin vectorial y
corresponde a la caracterstica de la matriz, e indica el nmero de factores
comunes necesarios para explicar las correlaciones.

As, veamos el siguiente ejemplo:

224
 CAPTULO 9

a 6
Sea r = = cos = = 0'6 = arc cos 0'6 53
b 10

0 a

FIG. 9.3. Representacin geomtrica de una correlacin vectorial.

Los ejes coordenados de esta estructura pueden ser ortogonales

(rectangulares) u oblicuos, segn lo exijan las propiedades de la configuracin
vectorial. En general, los factores cognoscitivos son oblicuos; este hecho viene a
indicar que son dimensiones distintas de la conducta cognoscitiva del sistema
psicolgico, pero no independientes.

Veamos que los datos obtenidos mediante el anlisis factorial pueden

utilizarse con fines de simple condensacin estadstica o de investigacin
psicolgica. Los factores extrados con el primer fin son slo meros ndices
matemticos, pero para lograr el segundo fin, se confrontan hiptesis
psicolgicas (que podemos considerar verificadas si, a travs del anlisis,
encontramos cierto orden en las correlaciones entre los tests) con datos
matemticos. La significacin inmediata de los factores hallados, que son
conceptos psicomatemticos, es ms bien de tipo estructural que causal: son
instrumentos descriptivos de las dimensiones de variacin de la conducta.

En general, y por ltimo, observemos que las posibilidades del anlisis

factorial en psicologa pueden agruparse as:

1- Comprobacin experimental de hiptesis acerca de cualquier unidad

funcional.
2- Exploracin de nuevos campos de la conducta.
3- Suministro de una slida base terica a las aplicaciones de los tests
mentales.

En definitiva, siguiendo a M. Yela veamos que el modelo del anlisis

factorial permite indagar las dimensiones fundamentales en que covara la
multiplicidad de variables que represente un determinado campo de la
personalidad o de la conducta del sistema psicolgico. En esencia, se basa en la

225
PROBABILIDAD, ESTADSTICA Y ANLISIS FACTORIAL

siguiente ecuacin fundamental, segn la cual cada variable es funcin de un

nmero de factores comunes y de un factor nico:

Z = FX + UV

donde Z, X y V son vectores de n variables aleatorias, r factores comunes y

n factores nicos, respectivamente, y F y U son matrices de coeficientes
factoriales, de orden nr, la primera, y n, la segunda, que es diagonal. Las
variables estn expresadas en valores tpicos, esto es:

E(Z) = E(X) = E(V) = 0 (media aritmtica o esperanza matemtica)

E(Z2) = E(X2) = E(V2) = 1 (varianza)

Entonces, la correlacin existente entre las variables, supuesta la

independencia estadstica entre los factores comunes y los nicos, es la siguiente:

RZZ = E(ZZ) = E[(FX + UV)(FX + UV)] = FRXXF + U2

Se han elaborado diversos mtodos para calcular F y RXX a partir de RZZ.

Los resultados conducen a la conclusin de que la inteligencia de un S.
psicolgico, como muchos otros campos de covariacin de la personalidad, es a
la vez una y mltiple. Una, porque es un sistema, una estructura, un factor
general. Mltiple, porque su unidad lo es de una multiplicidad de dimensiones
ordenadas jerrquicamente en diversas aptitudes interdependientes que varan
segn la dotacin gentica, la experiencia individual y la cultura del sistema o
individuo.

226
 RESUMEN Y CONCLUSIONES

RESUMEN Y CONCLUSIONES

1) En el presente ensayo se propugna la introduccin de nuevas herramientas

matemticas, basadas fundamentalmente en la Teora General de Sistemas
y en la Investigacin Operativa, que puedan resultar de gran utilidad para
el estudio de la conducta humana y de apoyatura a las diversas disciplinas
psicolgicas (diferencial, psicometra, psicofisiologa), especialmente a la
Psicologa experimental.

2) Se realiza un repaso histrico a la evolucin que la aplicacin de las

Matemticas ha experimentado a lo largo de la existencia de la Psicologa
como ciencia social. Ms adelante tambin se recrea un recorrido
histrico por los albores de la Psicologa experimental, concluyndose
que hasta la fecha ninguna teora ha logrado unificar esta ciencia que, en
la prctica, resulta ser una amalgama de las diferentes corrientes de la
Psicologa con sus respectivas reas de inters.

3) Se define el concepto y clases de los modelos psicolgicos, as como las

variables, grados de indeterminacin y estabilidad de los mismos. Se hace
especial mencin del concepto de probabilidad subjetiva y de sus
aplicaciones.

4) La Teora General de Sistemas ofrece perspectivas e instrumentos

conceptuales que permiten abordar numerosos fenmenos psicolgicos de
forma ms fiel, comprensiva, fecunda e, incluso, ms rigurosa de lo que
resulta usual en la Psicologa tradicional. Ahora bien, para alcanzar una
mayor precisin se requiere una formalizacin matemtica y una
cuantificacin exhaustiva de las variables psicolgicas no siempre fcil de
conseguir, pero que constituye un objetivo de nuestro libro.

227
RESUMEN Y CONCLUSIONES

5) Se conceptualizan y formalizan los sistemas psicolgicos a partir de sus

elementos y estructura, estudindose las conexiones as como las
transformaciones y tipos de acoplamientos. Se analizan los diversos tipos
de problemas que pueden presentarse y sus niveles de resolucin, con una
introduccin aclaratoria sobre la ciencia ciberntica.

6) El estudio o enfoque sistmico de la Psicologa induce a contemplar los

conceptos de Percepcin, Aprendizaje y Recuerdo, Comunicacin inter-
sistmica, Eleccin y Valoracin, con diversas especificaciones y
definiciones.

7) Un enfoque interesante y novedoso de muchos problemas psicolgicos

reside en su tratamiento a base de la aplicacin de una conocida tcnica
de la Investigacin Operativa: la Teora de la Programacin Dinmica y
de los Procesos Estocsticos, partiendo de la consideracin evidente de
los sistemas psicolgicos como sistemas dinmicos (que varan con el
tiempo). Consiste en un mtodo de optimizacin de los sistemas
psicolgicos -o de su representacin matemtica- en el cual se opera por
fases o secuencias, teniendo en cuenta que la verdadera naturaleza de
numerosos problemas que se plantean en Psicologa es secuencial, es
decir, que permiten su descomposicin en fases o etapas en las cuales
cada uno depende de sus ms prximas y frecuentemente, en los casos
favorables, slo de la fase anterior o bien de la posterior.

8) El empleo de la Teora de Grafos, que nace de la existencia indudable de

una aplicacin multvoca definida sobre un conjunto de sistemas o
individuos, en el planteamiento y resolucin de las relaciones
psicolgicas que se dan entre los sistemas, puede extenderse al terreno
intensamente operativo de la optimizacin o bsqueda del valor ptimo
(mximo o mnimo) entre los diversos sistemas que constituyen los
vrtices del grafo.

9) La Teora de Gestin de Stocks encuentra su aplicacin en la medida que

podemos considerar a un sistema psicolgico o individuo como un ente en
que las demandas propias de los problemas de stocks se transforman en
entradas de estmulos al sistema mientras que, en su interior (cerebro), se
produce una acumulacin o almacenamiento de experiencias y
conocimientos cuyo control psicolgico de emisin del sistema puede
equipararse, en ciertos aspectos, a la gestin de un stock mercantil.

10) As mismo, en el estudio del individuo como sistema pueden considerarse

las entradas de estmulos como si se tratase de las llegadas de clientes a
una cola o fenmeno de espera, si presuponemos inicialmente una
acumulacin de ellos como resultado de una experiencia psicolgica de
carcter conductista o behaviorista. Al respecto, se plantean y resuelven
algunos ejemplos de aplicacin.

228
 RESUMEN Y CONCLUSIONES

11) Se profundiza en los diversos conceptos de Probabilidad y Estadstica

necesarios para la cuantificacin y medicin de los fenmenos
psicolgicos cuya funcin es permitir que observadores (psiclogos
experimentadores) distintos puedan registrar un hecho utilizando los
mismos datos y que, a partir de ellos, el hecho en cuestin pueda ser
explicado o reproducido con fidelidad por otros investigadores; pero
siempre teniendo en cuenta que a mayor precisin en la medida
corresponder tambin mayor exactitud en el registro de la observacin y
mayor fiabilidad en los datos. Mencin aparte merece la conocida tcnica
del Anlisis Factorial, cuya aplicacin al estudio de los fenmenos
psicolgicos reviste singular importancia.

12) Por ltimo en el apndice de la obra se insertan sendos anexos referentes

a restantes especificaciones metodolgicas de inters para la resolucin de
las cuestiones planteadas a lo largo del trabajo, as como a la
contemplacin de diversos ejemplos prcticos que ponen de manifiesto,
una vez ms, pero desde perspectivas diferentes, la utilidad clsica de la
Teora de Probabilidades y de la Estadstica como herramientas
imprescindibles de la Psicologa experimental.

13) Todos estos trabajos y algunas otras investigaciones cuya descripcin

detallada obviaremos aqu por razones de espacio constituyen la base
fundamental del presente libro, que se complementa con las posibles
proyecciones en el planteamiento de nuevas directrices de estudio, as
como las pertinentes referencias bibliogrficas.

14) Se ha credo conveniente, mediante numerosas notas a pie de pgina,

hacer referencia biogrfica a aquellos autores de especial relevancia por
sus aportaciones en el campo de las matemticas, la filosofa y la
psicologa. El trabajo se completa con diversos cuadros, tablas y grficos
que se espera que confieran a la investigacin desarrollada un carcter
mucho ms ilustrativo y exacto.

229
RESUMEN Y CONCLUSIONES

230
 APNDICE
ANEXO 1: RESTANTES
ESPECIFICACIONES METODOLGICAS

ANEXO 2: EJEMPLOS PRCTICOS

231
232
 ANEXO 1

ANEXO 1
Restantes especificaciones
metodolgicas

I. LA DISTRIBUCIN NORMAL

1. La distribucin terica de probabilidad

A lo largo de nuestro libro, y en la psicologa aplicada en general, se

utilizan profusamente conceptos relacionados con la distribucin terica de
probabilidad normal, tipificada o no; de ah el inters de desarrollar aqu algunas
ampliaciones conceptuales que puedan resultar de utilidad para una mejor
comprensin de los estudios y determinaciones efectuadas en algunos captulos
del presente libro. Por otra parte, el significado fsico del CV (coeficiente de
variacin de Pearson) se deduce claramente si aceptamos que todos los valores
de la variable elegida en el estudio (por ejemplo, el cociente intelectual de un
colectivo determinado de individuos superdotados), se distribuyen de acuerdo
con la curva campaniforme de una distribucin normal y, por lo tanto, se tendr
lo siguiente:

a) Prcticamente, todos los valores observados se hallarn comprendidos

en el entorno: (1 3 CV) X .

b) Aproximadamente, el 95% de las observaciones se encuentran

comprendidas en el entorno: (12 CV) X .

c) Si se toman las n/4 observaciones de valores ms bajos del total de los n

valores medidos de la variable en cuestin (cuyo valor superior ser el primer
cuartil Q1 de la distribucin de frecuencias), su media aritmtica ser igual a:
q25=(1-1'27 CV) X .

d) EL 68'27% de las observaciones realizadas estarn en el intervalo:

(1CV) X .

Desde luego, la ecuacin matemtica de la funcin de la distribucin

normal sin tipificar viene dada por la expresin:

2 ) e -1/2 ( x - / )
2
y = (1 /

233
RESTANTES ESPECIFICACIONES METODOLGICAS

, en la que se ha tomado, como es usual, X = , y que coincide con la expresin

matemtica de la clebre "ley de los errores", debida a Karl Gauss, siendo y =
f(x) la denominada "funcin de densidad normal".

De esta definicin se deduce que no hay una nica distribucin normal

sino una familia de distribuciones, resultante de los diferentes valores de los
parmetros y .

Veamos ahora que la expresin de la funcin de densidad normal sin

tipificar est bien definida, es decir, es una funcin de densidad. Evidentemente
f(x) > 0 por la propia definicin, pero necesitamos probar que la integral
impropia de primera especie extendida a toda la recta real vale la unidad
(probabilidad total).

( x - )2
+ 1

dx = 1
2
2
e
-
2

Para ello hacemos el cambio de variable:

x-
z=

de donde:
dx = dz

Sustituyendo en la expresin anterior, tenemos la tipificacin:

( x - )2 z2 z2
+ 1 1 + 2 +
dx = dz =
2
2
e e 2
e 2
dz
-
2 2 -
2 0

Haciendo un nuevo cambio de variable:

z2
= v
2

de donde:
1
z= 2v y dz = dv
2v

resultando que la integral anterior ser1:

1
La funcin gamma de p, (p), se define como:

(p) = p > 0
p -1 -x
x e dx,
0

234
 ANEXO 1

z2 1
2 + 2 + 1 1 + -

v v
e 2
dz = e dv = e v 2
dv =
2 0
2 0
2v 0

1 1
= = =1
2

con lo cual tenemos probado que la expresin anteriormente relacionada es una

funcin de densidad.

As mismo, se tendr que:

F (x i ) = P (x x i ) = P (- < x x i )= f (x )dx
xi

, es la denominada funcin de distribucin normal, que es la probabilidad de

que la variable aleatoria estadstica tome un valor xi.

Las reas comprendidas bajo la curva normal y hasta el eje de abscisas

representan probabilidades; en estas condiciones, veamos que la probabilidad de
que: x ]x1, x2] ser:
P (x 1 < x x 2 ) = F (x 2 ) F (x 1 ) = P (x x 2 ) P (x x 1 ) =
f (x )dx f (x )dx = f (x )dx .
x2 x1 x2
= -
- x1

Como ya hemos visto, cuando la variable aleatoria estadstica que estamos

investigando x viene expresada en unidades de desviacin: Z = (x-)/, se tiene
la distribucin normal tipificada, as:
2
y = (1 / 2 ) e -z /2

, y decimos que la variable Z se distribuye normalmente con media cero ( = 0) y

varianza uno (2 = 1).

Vamos a proceder, seguidamente, al estudio ms pormenorizado de ambas

curvas.

1) Como acabamos de ver, la ecuacin de la curva normal tipificada

es:
2
y = (1 / 2) e -z /2 ; =0 ; 2 = 1 ,

y se puede ver que:

1
1
(p) = (p - 1)! , (1) = 1 y =
2
0
x 2
e - x dx =

235
RESTANTES ESPECIFICACIONES METODOLGICAS

que es la funcin de densidad normal reducida.

Extremos relativos y puntos de inflexin:

Se tiene:

( z ) = 0
2
y' = (1 / 2 ) e -z /2
; z = 0 (origen) ;
y" = (1 / 2 ) e - z
2
/2
( )
z 2 1 ; Z = 0 y" = (1 / 2 ) < 0

luego existe un mximo relativo o local en el punto (0, 1 / 2 ), de interseccin

con el eje de ordenadas OY, y no habr interseccin con el eje de abscisas OZ a
distancia finita, esto es:

y=0: Z=+ y Z=- .

De y" = 0, o sea: Z2-1 = 0, saldrn los puntos de inflexin, que son: Z =

+1; o sea, los puntos de coordenadas: (1, 1 / 2 e ) y (-1, 1 / 2 e ).

Crecimientos y decrecimientos:

Z < 0 y' > 0 CRECIENTE

Veamos que
Z > 0 y' < 0 DECRECIENTE

Asntotas:
2
lm. (1 / 2 ) e -z /2
= (1 / 2 ) e = (1 / 2 ) 1 / e = 1 / = 0
Z +
2
lm. (1 / 2 ) e - z /2
= (1 / 2 ) e = (1 / 2 ) 1 / e = 1 / = 0
Z

, luego tiene por asntota horizontal (rama hiperblica) el eje OZ. No tiene otras
ramas infinitas o ramas parablicas.

Simetras:

- Respecto al eje OY, pues al cambiar (Z) por (-Z), no sufre variacin (se
trata de una funcin par).

Concavidades y convexidades:
2
( )
De: y" = ( 1 / 2 ) e -z /2 z 2 1 , se deduce que, segn los diferentes
intervalos de la recta real:

Z ]-, -1[ y" > 0 CNCAVA

Z ]-1, -1[ y" < 0 CONVEXA
Z ]1, +[ y" > 0 CNCAVA

236
 ANEXO 1

Su representacin grfica, en definitiva, ser la siguiente:

FIG. A-1.1. Curva de distribucin normal tipificada

Veamos que en esta distribucin terica de probabilidad, como en todas

las simtricas, se cumple, como puede observarse fcilmente, la igualdad entre la
media aritmtica, la mediana y la moda, valores que, en este caso, coinciden con
cero.

2) La ecuacin de la curva normal sin tipificar es:

y = (1/ 2 ) e - ( X- )
2
/2 2
(funcin de densidad normal)

Asntotas:

lm. y = (1/ 2 ) e - ( X- )
2
/2 2
= (1/ 2 ) e - = 0 ;
X+

lm. y = (1/ 2 ) e -( X- )
2
/2 2
= (1/ 2 ) e - = 0
X-

, luego tiene por asntota horizontal (rama hiperblica) el eje de abscisas OX. No
tiene otras ramas infinitas o ramas parablicas.

Cortes con los ejes:

2 2
Cortar al eje OY en el punto [0, (1 / 2 ) e - /2 ] y no cortar al eje OX
a distancia finita.

237
RESTANTES ESPECIFICACIONES METODOLGICAS

Extremos relativos y puntos de inflexin:

y' = (1 / 2 ) e - ( x - )
2
/2 2
[ ]
( x ) / 2 = y ( x ) / 2 = 0 ; x =
y" = y' ( - x ) / 2 - y 1/ 2 = y [( - x ) / ] 2 2
y 1/ 2 =
[
= y ( - x ) / 4 y 2 / 4 = y ( - x ) 2 / 4 ;
2 2
]
( )
x = y" = y - 2 / 4 = y/ 2 < 0

luego existe un mximo relativo o local en el punto (a, 1 / 2 ), al ser negativa

la segunda derivada.

Por otra parte, de y"=0, o sea: ( - x)2 = 2, saldrn los puntos de

inflexin, que son: (- x) = ; o sea: x = +, o bien x = -, esto es, los
puntos de las coordenadas cartesianas rectangulares:

( + , 1/ 2 e ) (
y - , 1/ 2 e )
, siendo convexa la curva entre dichos puntos, y cncava en el resto del intervalo
de existencia, como puede comprobarse del estudio de la segunda derivada y".
As pues, es cncava hacia la regin positiva de OY, para: - < x < -, y para
+ < x < + , y cncava hacia la regin negativa del eje de ordenadas (convexa
hacia las y+) en el intervalo o dominio de definicin: - < x < +.

Simetras:

La curva es simtrica con respecto a la ordenada correspondiente al punto

, por ser una funcin par con respecto a la diferencia: (x-).

Crecimientos y decrecimientos:

x < y' > 0 CRECIENTE

Veamos que
x > y' < 0 DECRECIENTE

En definitiva, veamos que la distribucin normal queda completamente

determinada si se especifican su media y su desviacin tpica o standard. Como
ya se ha visto, un conocimiento adicional sobre el papel que el parmetro juega
en la determinacin de una funcin de densidad normal se logra calculando el
rea bajo Y comprendida dentro del intervalo correspondiente. De este modo, la
probabilidad de que X se halle en un entorno de centro y radio vendr dada
por la expresin:
2
1 x
+ 1

2
e dx

2

238
 ANEXO 1

Su representacin grfica ser la siguiente:

FIG. A-1.2. Curva de distribucin normal sin tipificar

2. Las reas bajo la curva normal

El estudio detenido que acabamos de realizar, desde el punto de vista del
anlisis matemtico, de las distribuciones normales tipificadas y sin tipificar, nos
permitir aprovechar los conocimientos que la ciencia estadstica proporciona
acerca de dicha distribucin terica de frecuencias para obtener ciertas
conclusiones de tipo cuantitativo, de gran aplicacin en el anlisis de la
uniformidad de las variables psicolgicas que tendremos ocasin de llevar a
cabo, por ejemplo, en el Anexo 2.

Y as, se tendr lo siguiente:

% de casos INTERVALOS
50'00 [(1 - 0'68CV) X , (1 + 0'68 CV) X ]
64'24 [(1 - 0'92CV) X , (1 + 0'92 CV) X ]
68'27 [(1 - CV) X , (1 + CV) X ]
95'00 [(1 - 1'96CV) X , (1 + 1'96 CV) X ]
95'45 [(1 - 2CV) X , (1 + 2CV) X ]
99'00 [(1 - 258CV) X , (1 + 258 CV) X ]
99'73 [(1 3CV) X , (1 + 3CV) X ]

, intervalos que podran representarse, grficamente, del siguiente modo:

239
RESTANTES ESPECIFICACIONES METODOLGICAS

FIG. A-1.3. rea del 6827%

FIG. A-1.4. rea del 9545%

FIG. A-1.5. rea del 9973%

Del mismo modo, en la pgina siguiente pueden verse expresadas, de

manera conjunta las diversas reas existentes bajo una curva de distribucin
normal tipificada o no en funcin de las unidades de desviacin tpica o
standard que se adicionen a la media aritmtica por el eje de abscisas. Esto es:

240
 ANEXO 1

FIG. A-1.6. Diferentes reas bajo la curva de distribucin normal

f (x )dx
x
En la siguiente tabla se presentan las reas: (multiplicadas por
0

1.000) bajo la curva de distribucin normal. A saber:

FIG. A-1.7. reas bajo la curva normal

De aqu, pueden resolverse las siguientes cuestiones:

a) rea total bajo la curva normal y probabilidad de que la variable

psicolgica tome un valor cualquiera de su recorrido o campo de variacin
(de - a +).

241
RESTANTES ESPECIFICACIONES METODOLGICAS

La simple observacin de la tabla anterior nos dice que el rea bajo la

curva normal, desde 0 a 3'9, toma el valor:

499'95 / 1.000 = 0'49995 0'5

Por la simetra de la curva de Gauss, sta es la mitad del rea total, que
vale la unidad. Por otra parte, la probabilidad de que la variable psicolgica en
estudio x tome cualquier valor es la certeza absoluta; por ello, su valor es la
unidad, en virtud del axioma o postulado que reza que la probabilidad de un
suceso cierto vale 1 (probabilidad total).

b) rea bajo la curva determinada por las ordenadas en los extremos

de los intervalos (1, 2) y (-1, -2). Cul es el valor de la probabilidad de que
la variable psicolgica x tome un valor comprendido entre 1 y 2? Y entre -2
y -1?

Segn puede verse en la tabla anterior, las reas bajo la curva

comprendidas entre el eje de ordenadas (x=0) y las ordenadas x=2 y x=1, son,
respectivamente:

477 / 1.000 = 0'477 y 341 / 1.000 = 0'341 ;

entonces, el rea pedida ser la diferencia:

f (x )dx - f (x )dx = 0'477 - 0'341 = 0'136 = f (x )dx = 13'6%

2 1 2
0 0 1

que es tambin la probabilidad de que la variable psicolgica x tome un valor

comprendido entre 1 y 2, por la propiedad aditiva del intervalo de integracin en
las integrales definidas.

El rea comprendida entre las ordenadas x = -2 y x = -1 es la misma

anterior y la probabilidad de que x tome un valor del intervalo (-2, -1) es tambin
igual, en virtud de la simetra de la figura, a:

f (x ) dx = 0'136
-1

-2
y P(-2 < x < -1) = 0'136 .

c) Intervalo (-a, a) cuyas ordenadas extremas delimiten el 50 por 100

del rea total existente bajo la curva normal y su expresin probabilstica.

Hemos de encontrar ahora un valor x = a, tal que delimite hasta el eje de

ordenadas el 25 por 100 del rea total (por simetra, el intervalo [-a, 0] delimitar
el otro 25 por 100).

Segn la tabla, este valor comprendido entre x = 0'6 y x = 0'7, y las reas
respectivas, a saber, 0'226 y 0'258, incluyen la de valor 0'250 pedido.

242
 ANEXO 1

De la proporcin:

0'258 - 0'226 0'250 - 0'226

=
0'7 - 0'6 a - 0'6

obtendremos el valor: a = 0'68, con lo que:

f (x )dx
0'68
- 0'68
= 0'50 y P(-0'68 < x < 0'68) = 0'50 .

d) Valor de a tal que las colas (reas a la izquierda de -a y a la derecha

de +a) que existen bajo la curva normal sumen el 5 por 100 del rea total.

El rea de cada cola debe medir el 2'5 por 100 del rea total; entonces el
valor de a ha de satisfacer la condicin:

f (x )dx = 0'500 - 0'025 = 0'475

a
0

Segn la tabla, este valor de a est comprendido entre 1'9 y 2'0 y se puede
estimar segn la proporcin:

477 - 471 475 - 471

= ; a = 1'9667 2.
2 - 1'9 a - 1'9

En la prctica, se suelen tomar los valores de -2 y 2 para definir la cola del

5 por 100, o lo que es igual:

P(-2 < x < 2) = 0'95 .

Habida cuenta de su inters para la realizacin de este tipo de clculos

dada la dificultad de resolver integrales definidas de funciones de densidad
normales como las que venimos estudiando en el presente captulo de nuestro
libro, a continuacin se presenta una tabla que ofrece las reas existentes bajo la
curva normal tipificada, limitadas por la ordenada z = 0 y cualquier valor
positivo de z. A partir de esta misma tabla, se pueden encontrar las reas
comprendidas entre dos ordenadas cualesquiera, utilizando la simetra de la curva
de Gauss en relacin al eje de ordenadas z = 0. La tabla siguiente se refiere a las
reas existentes bajo la curva normal tipificada, desde - hasta z. Por ltimo, se
incluye tambin una tabla con los valores de las ordenadas (y) de la curva normal
tipificada para los diferentes valores de z.

Dichas tablas han sido extradas del libro de Jos M. Casas Snchez y
Julin Santos Peas titulado Introduccin a la Estadstica para Economa y
Administracin de Empresas, Ed. Ceura, Madrid, 1995, as como de los clsicos
de Murray R. Spiegel de Teora y Problemas de Probabilidad y Estadstica, Ed.
McGraw-Hill, Mxico, 1969-1981, citados en la bibliografa. Vemoslas a
continuacin:

243
RESTANTES ESPECIFICACIONES METODOLGICAS

FIG. A-1.8. reas bajo la curva normal tipificada de 0 a z

244
 ANEXO 1

FIG. A-1.9. reas bajo la curva normal tipificada de - a z

245
RESTANTES ESPECIFICACIONES METODOLGICAS

FIG. A-1.10. Ordenadas (y) de la curva normal tipificada en z

246
 ANEXO 1

II. LA PRUEBA DEL CHI-CUADRADO

1. Frecuencias observadas y tericas

En diferentes partes de nuestro estudio se recurre al uso de la distribucin

terica de probabilidad Chi-cuadrado con el objetivo de contrastar ciertas
hiptesis.

Como ya se ha visto muchas veces, los resultados obtenidos de las

muestras de una poblacin o universo no siempre concuerdan exactamente con
los resultados tericos estimados, segn las reglas de probabilidad. Por ejemplo,
aunque las consideraciones tericas basadas en la equiprobabilidad laplaciana (a
priori) o en la probabilidad frecuencialista de Von Mises (a posteriori) nos
lleven a esperar obtener 50 caras y 50 cruces cuando se lanza al aire 100 veces
una moneda bien hecha, es raro que se obtengan exactamente estos resultados.

Supongamos ahora que, en una determinada muestra, se observan una

serie de posibles sucesos: E1, E2, E3, ... , Ek (ver el cuadro siguiente) que pasan
con frecuencias: o1, o2, o3, ... , ok , llamadas frecuencias observadas y que,
segn las reglas de probabilidad, se espera que ocurran con frecuencias: e1, e2,
e3, ... ,ek llamadas frecuencias tericas o esperadas.

SUCESOS E1 E2 E3 ... Ek
Frecuencia o1 o2 o3 Ok
...
observada
Frecuencia e1 e2 e3 Ek
...
esperada
FIG. A-1.11. Frecuencia observada y esperada de la prueba del Chi-cuadrado

A menudo se desea saber si las frecuencias observadas difieren

significativamente de las frecuencias esperadas. Para el caso en que solamente
son posibles dos sucesos: E1 y E2 (que suele denominarse dicotoma o
clasificacin dicotmica), como, por ejemplo, caras y cruces, defectuoso o no
defectuoso, blanco y negro, etc., el problema queda resuelto satisfactoriamente
con los mtodos clsicos. En este apartado aclaratorio, se considera el problema
general.

2. Definicin de 2

Una medida de la discrepancia o divergencia existente entre las

frecuencias realmente observadas y las esperadas o tericas, es la suministrada
por el conocido estadgrafo 2 de Pearson, dado por la expresin:

247
RESTANTES ESPECIFICACIONES METODOLGICAS

(o1 e1 )2 (o 2 e 2 )2 (o k e k )2 k (o ej)
2

= =
j
2
+ + ... + (1)
e1 e2 ek j=1 ej

donde si el total de frecuencias es N, tendremos:

oj = ej = N (2)

Una explicacin equivalente a la ofrecida por la expresin anterior (1) es

la siguiente:

o 2j
=
2
N (3)
ej

Si 2 = 0, las frecuencias observadas y las tericas concuerdan

exactamente; mientras que si 2>0, no coinciden exactamente. Para mayores
valores de 2, mayores son tambin las discrepancias existentes entre las
frecuencias observadas y las tericamente estimadas.

La distribucin muestral de 2 se aproxima muy estrechamente a la

distribucin terica de probabilidad Chi-cuadrado, cuya grfica puede verse en la
siguiente figura para diferentes valores de , de configuracin analtica:

1 ( v - 2) -1 2 -1 2
Y = Yo ( 2 ) 2
e 2
= Yo v-2 e 2
(4)

si las frecuencias estimadas son al menos iguales a 5; la aproximacin mejora

para valores superiores. Aqu es el nmero de grados de libertad, Y0 es una
constante que depende de con lo cual, lgicamente, el rea total bajo la curva
vale 1.

Definimos una variable aleatoria 2 con grados de libertad como una

suma de variables aleatorias N (0, 1), independientes y elevadas al cuadrado,
1
cuya funcin de densidad coincide con la correspondiente a la ( , ) , es
2 2
decir:
1 2
(2)
1
x

x 2
e 2
, x > 0
f (x ) =
( )
2

0 , x 0

que es una funcin evidentemente continua en el origen de coordenadas.

248
 ANEXO 1

Algunas distribuciones 2 correspondientes a diferentes valores de se

muestran en la siguiente figura:

FIG. A-1.12. Distribuciones de Chi-cuadrado para diferentes valores de

El valor mximo que alcanza Y se presenta en 2 = - 2, para 2.

El nmero de grados de libertad viene dado por:

a) = k - 1, si las frecuencias esperadas pueden calcularse sin haber de

estimar parmetros poblacionales con los estadsticos muestrales. Advirtindose
que el restar 1 a k es a causa de la condicin restrictiva (2) que denota que si son
conocidas (k-1) de las frecuencias esperadas, la frecuencia restante puede ser
determinada.

b) = k - 1 - m, si las frecuencias esperadas solamente pueden calcularse

estimando m parmetros de la poblacin a partir de los estadsticos muestrales.

3. Ensayos de significacin

En la prctica, las frecuencias son esperadas de acuerdo con una hiptesis

H0. Si bajo esta hiptesis el valor calculado de 2 dado por las expresiones (1) o
(3) es mayor que algn valor crtico (tal como puede ser 2 o 2 , que son
0'95 0'99
valores crticos en los niveles de significacin del 0'05 y 0'01, respectivamente),
se deduce que las frecuencias observadas difieren significativamente de las
esperadas y se rechaza la hiptesis nula H0 al nivel de significacin

249
RESTANTES ESPECIFICACIONES METODOLGICAS

correspondiente. En caso contrario, se aceptar, o al menos no se rechazar. Este

procedimiento se llama ensayo o prueba de Chi-cuadrado de la hiptesis.

Se debe advertir que, en aquellas circunstancias en que 2 est muy

prximo a cero, ha de mirarse el procedimiento empleado con cierto recelo, ya
que es raro que las frecuencias observadas concuerden suficientemente bien con
las esperadas. Para examinar objetivamente estas situaciones, se puede
determinar si el valor calculado de 2 es menor que: 20'05 o bien 20'01,
respectivamente.

4. La prueba chi-cuadrado para la bondad del ajuste

La prueba Chi-cuadrado puede ser utilizada para determinar de qu

manera ciertas distribuciones tericas de probabilidad, como pueden ser la
normal, binomial, hipergeomtrica, de Euler, etc., se ajustan a
distribuciones empricas, es decir, aquellas que se obtienen de los datos
muestrales. En nuestro caso, como ya se ha visto, puede servir para determinar la
bondad del ajuste de diversas funciones de variables psicolgicas de inters.

5. Tablas de contingencia

La tabla de la figura anterior A-1.11., en la cual las frecuencias observadas

ocupan una sola fila, es una tabla de clasificacin simple. Ya que el nmero de
columnas es k, tambin se llama tabla 1k. Desarrollando esta idea, se llega a las
tablas de clasificacin doble o tablas hk, en las cuales las frecuencias
observadas ocupan h filas y k columnas. Estas tablas se llaman, normalmente,
tablas de contingencia.

Correspondindose con cada frecuencia real u observada en una tabla de

contingencia hk, hay una frecuencia terica o esperada que se calcula bajo
alguna hiptesis y segn las reglas clsicas de la probabilidad. Estas frecuencias,
que ocupan las casillas de una tabla de contingencia, se llaman frecuencias
elementales. La frecuencia total de cada fila o columna es la llamada frecuencia
marginal.

Para estudiar el acuerdo entre las frecuencias observadas y las esperadas,

se calcula, como ya se ha dicho, el estadstico:

(o ej)
2

=
2 j
, (5)
ej

donde la suma se extiende a todas las casillas de la tabla de contingencia; los

smbolos oj y ej representan, respectivamente, las frecuencias observadas y las
esperadas en la casilla j. Esta suma, que es anloga a (1), contiene hk trminos.

250
 ANEXO 1

La suma de todas las frecuencias observadas se denota por N y es igual a la suma

de todas las frecuencias esperadas.

Como antes, el estadstico (5) tiene una distribucin muestral muy

estrechamente aproximada a la dada por (4), con tal de que las frecuencias
esperadas no sean demasiado pequeas. El nmero de grados de libertad de esta
distribucin Chi-cuadrado viene dado, por h>1, k>1 por:

(a) = (h-1) (k-1), si las frecuencias esperadas pueden calcularse sin tener
que estimar parmetros poblacionales con los estadsticos muestrales.

(b) = (h-1) (k-1) m, si las frecuencias observadas pueden solamente

calcularse estimando m parmetros poblacionales con los estadsticos muestrales.

Los ensayos de significacin para tablas hk son anlogos a los de las

tablas 1k. Las frecuencias esperadas se buscan bajo una determinada hiptesis
Ho. Una hiptesis normalmente supuesta es aquella en la cual las dos
clasificaciones son independientes entre s.

Las tablas de contingencia pueden extenderse a un nmero mayor de

dimensiones. As, por ejemplo, se pueden tener tablas hkl donde estn presentes
tres clasificaciones.

6. Correccin de Yates para la continuidad

Cuando se aplican a datos discretos los resultados para distribuciones

continuas, se deben hacer unas determinadas correcciones, como ya se ha
sealado en el texto. Una correccin anloga es aplicable cuando se utiliza la
distribucin Chi-cuadrado. La correccin consiste en poner la expresin (1) de la
siguiente forma:

2
(corregida ) =
(o 1 e1 0'5)
2

+
(o 2 e 2 0'5)
2

+ ... +
(o k e k 0'5)
2

=
e1 e2 ek
(6)
=
K (o j e j 0'5 )
2

j=1 ej

que se conoce frecuentemente como correccin de YATES. Tambin existe una

modificacin anloga de la formulacin (4).

En general, la correccin se hace solamente cuando el nmero de grados

de libertad es =1. En muestras grandes, se obtienen prcticamente los mismos
resultados que la 2 no corregida, pero pueden aparecer ciertas dificultades en
relacin con los valores crticos. Para muestras pequeas, donde cada frecuencia
esperada se encuentra entre 5 y 10, puede ser que sea mejor comparar los valores

251
RESTANTES ESPECIFICACIONES METODOLGICAS

de 2 corregido y de 2 no corregido. Si ambos valores conducen a la misma

conclusin segn una cierta hiptesis, tal como despreciarla en el nivel de
significacin del contraste del 0'05, raramente se presentan dificultades. Si
conducen a conclusiones diferentes, se puede o bien incrementar las dimensiones
muestrales o, si esto no fuera posible, se pueden utilizar mtodos de probabilidad
exactos, de acuerdo con la distribucin multinomial. Esta ltima se basa en que si
los sucesos E1, E2, .., Ek, pueden ocurrir con probabilidades respectivas: p1, p2,
, pk, entonces la probabilidad de que: E1, E2, , Ek, ocurran X1, X2, , Xk,
veces respectivamente, viene dada por la expresin:
k
N ! pixi
N!
x x x
( N! / X 1!X 2 !...X k !) p1 1 p 2 2 ... p k k = p1x1 p 2x2 ... p kxk = i =1
,
X 1! X 2 !...X k ! k

X !
i =1
i

k
donde: X1 + X2 + + Xk = X
i =1
i =N.

Esta distribucin terica de probabilidad, que constituye una

generalizacin de la conocida distribucin binomial, se llama distribucin
multinomial, ya que la expresin anterior es el trmino general del desarrollo
multinomial: (p1 + p2 + + pk)N. Los nmeros tericos a veces para que ocurran
los sucesos: E1, E2, , Ek, en N repeticiones, son: Np1, Np2,, Npk,
respectivamente. As pues, veamos que la distribucin binomial permite resolver
solamente aquellos problemas de pruebas sucesivas en los que cada resultado
puede clasificarse en forma alternativa como un xito o bien como un fallo. En el
caso de tener ms de dos rbricas, siempre podremos reducirlas a dos si las
combinamos, pero es probable que el mencionado proceder sea susceptible de
arrojar por la borda mucha informacin valiosa desde el punto de vista
psicolgico. Para ello se dispone, precisamente, de la distribucin multinomial,
que s tiene en cuenta todas esas rbricas.

Tal como se presenta, la distribucin multinomial no resulta muy cmoda

para el clculo de probabilidades, salvo cuando N es pequea. El problema de
hallar ahora una aproximacin resulta considerablemente ms difcil que en el
caso de la distribucin binomial.

La distribucin 2 de Pearson aparece, naturalmente, en la teora asociada

a la suma de los cuadrados de las variables aleatorias independientes e
igualmente distribuidas segn una distribucin normal. Para llegar a obtener esta
distribucin hemos considerado una variable Z con distribucin N (0, 1).

Conviene, en definitiva, para la realizacin de los clculos

correspondientes, el manejo de la tabla de percentiles de la distribucin 2, a
saber:

252
 ANEXO 1

FIG. A-1.13. Percentiles de la distribucin 2 de Pearson (I).

253
RESTANTES ESPECIFICACIONES METODOLGICAS

NOTA: Para valores grandes de los grados de libertad se puede utilizar la frmula aproximada:
3
2 2
= n1 + Z
2

9n

9n
siendo Z la desviacin normal y n el nmero de grados de libertad. As, v. gr.:
99
2
= 60 (1 000370 + 2326 006086)3 = 60 (11379)3 = 884
para el percentil 99 con 60 grados de libertad.

FIG. A-1.14. Percentiles de la distribucin 2 de Pearson (II).

254
 ANEXO 1

III. FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN

1. Generalidades

En el estudio de diversas funciones aplicadas a la distribucin de las

variables psicolgicas, se tratan profusamente los conceptos estadsticos de
funcin de distribucin y de funcin de densidad.

Conviene, al respecto, recordar la definicin de "funcin de distribucin

F(x) para una variable aleatoria continua", como:

x
F(x) = P(X x) = P(- < X x) = -
f(u)du (1)

En los puntos de continuidad de f(x), el signo se puede, si se desea,

sustituir por el <.

La probabilidad de que la variable X se halle entre x y x+x vendr dada

por la expresin:
x + x
P(x X x + x) =
x
f(u)du ,

de tal manera que si x es suficientemente pequeo, tendremos aproximadamente :

P(x X x+x) = f(x)x

Por otra parte, veamos que al diferenciar ambos miembros de la expresin

(1), obtendremos:
dF(x)
-------- = f(x) ,
dx

para todos los puntos donde la funcin f(x) es continua, es decir, que la derivada
de la funcin de distribucin es, justamente, la "funcin de densidad".

En clculo, la palabra densidad se emplea en relacin con una

distribucin continua de materia a lo largo de una lnea o en un plano; por esta
razn, su uso relacionado con una distribucin discreta de probabilidad puede
parecer irregular. Y as, resulta usual en algunos tratadistas denominar funcin
de cuanta a la referente a las variables discretas y funcin de densidad para
las variables continuas. De hecho, para obtener la ltima expresin, hemos hecho
servir la circunstancia -ya familiar en el clculo infinitesimal- de que:

d x

dx a
f(u)du = f(x)

255
RESTANTES ESPECIFICACIONES METODOLGICAS

Se trata de un caso especial de la denominada "regla de Leibnitz2 para la

diferenciacin de una integral", en el caso de que los lmites de integracin
dependen del parmetro x. En efecto, tenemos que:

a 2 (x)
a 1 (x)
F(u, x)du = (a 1 , a 2 , x) ,

de tal manera que si a1(x) y a2(x) son funciones derivables de x, la derivada de la

integral habr de calcularse como una funcin compuesta, mediante la aplicacin
de la "regla de la cadena", o sea:

d a 2 (x) a1 a 2
dx a 1 (x)
F(u, x)du = + +
x a1 x a 2 x
,

Por otra parte, tendremos que el primer sumando de esta expresin,

considerando los lmites de integracin como fijos o constantes, ser:

d a a a
= F(u, x)du = lim. F' x (u, x + x)du = F' x (u, x)du ,
2 2 2

x dx a 1 a x0 1 a 1

Adems, /a2 (siendo a2 el lmite superior de integracin) es, por las

mismas propiedades de la integral, el valor que toma la funcin subintegral para:
u = a2, o sea:
/a2 = F(a2, x).

2
Leibnitz era hijo de un profesor de filosofa moral en Leipzig. Aprendi el mismo Latn y algo de
Griego a la edad de 12 aos, para as poder leer los libros de su padre. Desde 1661 al 1666 estudi leyes
en la Universidad de Leipzig. En 1666 le fue rechazado el ingreso para continuar con un curso de
doctorado, y fue a la Universidad de Altdorf, recibiendo su doctorado en leyes en el 1667. Continu su
carrera de leyes trabajando en la corte de Mainz hasta 1672. En ese ao visit Pars para tratar de disuadir
a Luis XIV del ataque al territorio alemn. Permaneci en Pars hasta 1676, donde continu practicando
leyes. Sin embargo en Pars estudi matemticas y fsica. Fue durante este periodo que las caractersticas
fundamentales del clculo fueron desarrolladas. Fue un verdadero precursor de la lgica matemtica.
Persiguiendo una idea que le acosa desde la juventud en pos de un alfabeto de los pensamientos
humanos y de un idioma universal se propone el proyecto de construir una caracterstica
universal, especie de lenguaje simblico capaz de expresar, sin ambigedad, todos los pensamientos
humanos, de manera que al surgir una controversia entre dos filsofos, stos la zanjasen a la manera de
los calculistas; bastara en efecto, sentarse ante los bacos, pluma en mano, y como buenos amigos
decirse, en mutuo acuerdo: calculemos. Las ideas de Leibnitz, que contienen muchos conceptos de la
lgica simblica de hoy, no tuvieron entonces mayor influencia, pues quedaron inditas hasta el siglo XX.
Igual destino tuvieron ideas semejantes esbozadas durante el siglo XVIII y comienzos del XIX.
Agreguemos que las ideas de Kant, de gran influencia en su tiempo y para quien no era necesaria
ninguna nueva invencin en la lgica, han contribuido sin duda al estancamiento de esta disciplina. Las
cosas cambiaron cuando lleg Boole, el cual se convirti en el verdadero fundador de la lgica simblica.
El resto de su vida, desde 1676 hasta su muerte, permaneci en Hannover. El 21 de noviembre de 1675
escribi un manuscrito usando por primera vez la notacin de la integral f(x)d(x). En el mismo
manuscrito estaba dada la regla para la diferenciacin. Esta regla fue dada a conocer casi dos aos
despus, en julio de 1677.

256
 ANEXO 1

Por ltimo, /a1 es, anlogamente, igual a -F(a1, x), dado que el cambio
de signo queda justificado por la inversin de los lmites de integracin, siempre
considerando que:

a2 a1
a1
=
a2
, con lo que a1 pasar a ser el lmite superior de integracin.

De esta manera, si los lmites de integracin a1 y a2 son, a la vez, funciones

derivables de x, y siguen verificndose las hiptesis del problema, para cada x de
un cierto intervalo y para cada u del intervalo cerrado entre a1(x) y a2(x), la
derivada de la integral, ser:

d dF da da
+ F [a 2 (x), x ] 2 F [a 1 (x), x ] 1
a 2 (x) a 2 (x)

dx
a 1 (x)
F(u, x)du =
a 1 (x) dx dx dx

donde a1, a2 y F se suponen funciones derivables con respecto a la variable x.

2. Interpretaciones grficas

Si f(x) es la funcin de densidad para una variable aleatoria estadstica X

entonces podremos representar: y = f(x) grficamente por una curva como la de
la Fig. A-1.15. Ya que f(x)0, la curva no puede estar nunca por debajo del eje de
abscisas x. El rea total limitada por la curva y el eje x ha de ser 1 debido a la
conocida propiedad:
+

f(x)dx = 1.

Ello constituye una proposicin matemtica del hecho de que una variable
aleatoria de valor real debe hallarse comprendida siempre entre - y +.
Entones, definimos la probabilidad de que X se encuentre entre a y b como:
b
P (a X b) = a
f(x)dx .

Podemos demostrar que esta definicin cumple con los axiomas clsicos
de las probabilidades, lo cual no haremos aqu por razones obvias de espacio y de
oportunidad.

Una funcin f(c) que cumple los requisitos anteriores se denomina

"funcin de probabilidad o distribucin de probabilidad" para a una variable
aleatoria continua, pero ms frecuentemente se conoce como "funcin de
densidad de probabilidad" o, simplemente, como "funcin de densidad".
Cualquier funcin que cumpla las propiedades anteriores, automticamente es
una funcin de densidad.

257
RESTANTES ESPECIFICACIONES METODOLGICAS

Geomtricamente, la probabilidad de que X se halle comprendida entre los

valores a y b, es decir, P(a<X<b), se representa por el rea sombreada de la
siguiente figura. A saber:

FIG. A-1.15. Representacin de la probabilidad: a<X<b

La funcin de distribucin: F(x) = P(X x) es una funcin

monotnicamente creciente que aumenta desde cero hasta 1 y se representa por
una curva como la de la siguiente figura (SPIEGEL, 1981; pp. 42 y 43).

FIG. A-1.16. Representacin grfica de la funcin de distribucin

b
Como la integral definida a
f ( x ) dx representa grficamente el rea
encerrada bajo la curva y = f(x) y los valores a y b del eje de abscisas, entonces a
la probabilidad: P (a X b) = F (b) F (a) se le puede dar la misma
interpretacin.

En las denominadas distribuciones conjuntas, las ideas anteriores se

generalizan a dos o ms variables aleatorias estadsticas. El caso tpico ms usual
es el de dos variables aleatorias que son ambas discretas o bien ambas continuas.
En los casos en que una variable es discreta y la otra es continua, se pueden
realizar, sin excesivos problemas, las modificaciones pertinentes. Tambin
pueden hacerse generalizaciones a los casos de ms de dos variables.

258
 ANEXO 1

3. Ajustes a una distribucin gamma y/o exponencial

3.1. Distribucin gamma

Segn el problema que se presente, sera posible buscar una distribucin

terica de probabilidad ms apropiada que la gaussiana anteriormente
explicitada, como por ejemplo la distribucin de probabilidad gamma, cuya
variable psicolgica x posee una funcin de densidad del tipo:

x -1 e -x/
, x > 0
f(x) = ( )
0 x 0

, siendo > 0 y tambin > 0.

De hecho, la cantidad () es un smbolo que representa el valor de la

funcin gamma generalizada de Euler en el punto . Esta funcin, como ya se
sabe, viene definida por la integral euleriana de 2 especie:

( ) = 0
x -1 e - x dx . ( > 0)

Vamos, ahora, a demostrar que la media y la varianza de la distribucin

gamma estn dadas por = y 2 = 2, respectivamente. En este caso, la
funcin generatriz de momentos y la funcin caracterstica estn dadas,
respectivamente, por:

M(t) = (1 - t)- , y () = (1 - i)-

Se tiene que:
x -1 e -x/ x e -x/
= 0
x
( )
dx =

0 ( )
dx

Reemplazando (x/) = t, tenemos la media:

=
( ) 0
t e - t dt =
( )
( + 1 ) =

x -1 e -x/ x + 1 e -x/
)= dx =
2 2
E(X x dx
0
( ) 0 ( )

Por otra parte, reemplazando (x/) = t, tenemos lo siguiente:

259
RESTANTES ESPECIFICACIONES METODOLGICAS

+1 2

+1
E(X ) = 2
t e dt =
-t
( + 2 ) = 2 ( + 1)
( ) 0 ( )

ya que: (+2) = (+1)(+1) = (+1)(). Por tanto, la varianza buscada,

ser:

2 = E(X2)-2 = 2(+1)-()2 = 2

Adems, se demuestra fcilmente, integrando por partes, que:

( + 1) = ()

Si es un nmero entero positivo (natural), esta relacin de recurrencia

ofrece el resultado factorial: ( + 1) = !, como comprobaremos ms adelante,
razn por la que a la funcin gamma se la llama, a veces, funcin factorial,
siempre y cuando sea un nmero natural (entero positivo).

Integrando por partes en la expresin:

-1
( ) = e - x x dx
0

u = x-1, dv = e-x dx; du = (-1)x-2 dx, v = -e-x

se obtiene:
[
( ) = - e - x x -1 ]

0

+ ( 1) e - x x - 2 dx = ( 1) e - x x -2 dx = ( - 1) ( - 1)
0 0

Reiterando el procedimiento:

() = (-1)(-2) ... (-k)(-k)

En el caso particular de que sea un nmero natural (entero positivo), la

aplicacin de la expresin anterior conduce a:

() = (-1)! ( )
puesto que:

(1 ) =
0
e - x dx = 1

Una expresin que se presenta con frecuencia, es la que se obtiene

mediante el cambio de variable: x = t2. En efecto:

e - t t 2 - 2 2tdt = 2 e - t t 2 -1 dt
2 2
( ) = e - x x -1 dx =
0 0 0

El cambio x = mt, conduce anlogamente a:

260
 ANEXO 1

e - x x -1 dx =
-1
( ) = e - mt (mt) mdt = m e - mt t -1 dt
0 0 0

1
Si ahora hacemos el cambio de variable: = , diremos que una
a
variable aleatoria X, de tipo continuo, sigue una distribucin gamma (*) de
parmetros y a, siendo , a 2 y > 0 y a > 0, si su funcin de densidad es:

a
x -1 e - ax , x > 0
f(x) = ( ) (1)
0 , x 0

Abreviadamente lo indicaremos por:

X (,a)

Veamos que la expresin (1) est bien definida y por tanto es una funcin
de densidad. En efecto, para x > 0, f(x) es positiva; y adems la integral de la
funcin de densidad, en todo el campo de variacin, es la unidad, para lo cual
bastar con hacer el cambio de variable: ax = y, en la expresin (1), y
tendremos:

1
a 1 y dy
0 ( )
-1
x e - ax
dx = a e - y =
( ) 0 a a
1 1
=
( ) 0
y -1 e - y dx =
( )
( ) = 1

Una propiedad importante de la funcin de probabilidad gamma () es

que:

( ) (1 ) = .
sen

2 1 1
Para = , se obtiene: ( ) = = , de donde: ( ) = .
2 2
sen ( )
2
Para valores grandes de es posible la aplicacin de la frmula asinttica
de Stirling, de gran aplicabilidad en el clculo de lmites, a saber:

( + 1) = ! 2 e

La representacin grfica de varias distribuciones gamma se presenta en la

figura siguiente, para diferentes valores de los parmetros y a. As:

261
RESTANTES ESPECIFICACIONES METODOLGICAS

FIG. A-1.17. Representacin grfica de la funcin de densidad de distribuciones (,a)

Como puede observarse, la funcin de densidad de la (,a) presenta una

forma, para 1, que difiere de la forma que presenta para 1, pues para
valores de > 1 presenta los correspondientes mximos en los puntos:

-1
x =
a

lo cual se comprueba fcilmente sin ms que buscar los mximos de la funcin

de densidad.

Al parmetro se le suele llamar parmetro forma y al parmetro a,

parmetro escala.

3.2. Caractersticas de la distribucin gamma

3.2.1. Funcin de distribucin, media y varianza

La funcin de distribucin correspondiente a una variable aleatoria X,

distribuida segn una (,a) es:

262
 ANEXO 1

a x

F(x) = P(X x) = ( )
0
x -1 e - ax dx , x > 0
0 , x 0

El valor de esta expresin no es fcil de obtener, aunque cuando es un

nmero entero positivo, la integral se puede calcular por partes y las
probabilidades se obtienen de forma aproximada.

Para llegar a obtener la media calcularemos previamente el momento de

orden r respecto al origen de coordenadas u ordinario, o sea:

[ ]=
E X r

0
x r f ( x ) dx =

0
x r
a
( )
x 1
e ax dx =

a a ( + r) ( + r)

+ r 1 ax
= x e dx = +r
=
( ) 0 ( ) a a r ( )

La expresin anterior nos permite fcilmente deducir la media buscada sin

ms que sustituir r = 1, con lo que:

( + 1)
E [X ] = =
a ( ) a

De un modo parecido, haciendo en este caso r = 2, procederemos para la

obtencin de la varianza, resultando lo siguiente:

[ ]
Var ( X ) = E X 2 ( E [X ]) 2 =
( + 1) 2
a 2

2 = 2 ,
a a

y una desviacin tpica: = .
a

Con el fin de simplificar el clculo de estas probabilidades, Pearson tabul

la funcin gamma incompleta para diferentes valores del parmetro .

La funcin gamma incompleta viene dada por la expresin:

1 y
F * (y) =
( ) 0
y -1 e - y dy , y > 0

que aparece tabulada en la siguiente tabla, donde se ha hecho = p, as:

263
RESTANTES ESPECIFICACIONES METODOLGICAS

264
 ANEXO 1

El valor de la funcin de distribucin F(x) de la (,a) es igual al de la

funcin gamma incompleta en el punto y = ax, es decir:

F(x) = F*(ax)

3.2.2. Funcin generatriz de momentos factoriales

Aplicando la definicin de funcin generatriz de momentos, tenemos:

a a
g x (t) = E e [ ]=
tX

0
tx
e
( )
-1
x e dx =
- ax

( ) 0

x 1 e - (a - t)x dx

y haciendo el cambio de variable:

du
(a - t)x = u , dx =
a-t

se tiene:

a 1 a ( ) a t

-1
= u e -u
du = = = 1
( ) 0 (a - t)
( ) ( a - t)
( a - t)
a

3.2.3. Propiedad reproductiva

Si X1, ..., Xn son n variables aleatorias independientes, distribuidas segn

una (i, a), para i = 1, ..., n, entonces la variable aleatoria:

Y = X1 + ... + Xn

sigue una distribucin:

(1 + ... + n, a)

Demostracin:

Calculamos la funcin generatriz de momentos de la variable aleatoria Y,

con lo que:

gY(t) = E[etY] = E[e t(X1+...+Xn)] = E[etX1] ..... E[etXn] =

= (1- t/a)-1 ..... (1- t/a)- n = (1- t/a)-( 1+ ... + n)

que es la funcin generatriz de momentos de una distribucin: (1+...+n,a).

Y teniendo en cuenta la conocida propiedad de la unicidad de la funcin

generatriz de momentos, resulta que:

265
RESTANTES ESPECIFICACIONES METODOLGICAS

Y (1 + ... + n, a)

es decir, que la distribucin (,a) es reproductiva respecto al parmetro .

Proposicin:

Si la variable aleatoria X se distribuye segn una N(0,1), entonces la

1 1
variable aleatoria Y = X2 se distribuye segn una = , .
2 2

Demostracin:

La funcin de distribucin de la variable aleatoria Y en el punto x, para

x>0, ser:

FY (x) = P(Y x) = P(X2 x) = P(- x X x ) = Fx ( x ) Fx (- x )

en donde Fx es la funcin de distribucin de la variable aleatoria X, N(0,1).

Derivando la expresin de la funcin de distribucin, tendremos la funcin

de densidad; en efecto:

1 1
f Y ( x) = F' Y ( x) = f x ( x) + f x ( x) =
2 x 2 x
1 2 1 2
1 - ( x) 1 - ( x )
= e 2
+ e 2
=
2 x 2n 2 x 2n
1

1 1 1 1 2
- x - x - x 1 1 1 1
e 2
+e 2
e 2
1 - - x
2 1 - x
= = = x e 2 2
= x e 2
2

2 x 2 x 2 2
1

2

que, como vemos, es la funcin de densidad de una , .

1 1
2 2

Proposicin:

Si X1, ..., Xn son n variables aleatorias independientes y distribuidas segn

una N(0,1), entonces la variable aleatoria:

Y = X21 + ... + X2n

sigue una distribucin:

266
 ANEXO 1

n 1
,
2 2

La demostracin de la presente proposicin resulta inmediata, pues basta

con tener en cuenta una proposicin anteriormente expuesta y la propiedad
reproductiva de la distribucin gamma respecto al parmetro .

Cuando el parmetro es entero, a la distribucin (,a) se le conoce

tambin con el nombre de distribucin de Erlang, a la cual nos hemos referido en
el captulo 8 de nuestro libro, y entonces se relaciona con la distribucin de
Poisson, de manera que si el nmero de sucesos aleatorios e independientes que
ocurren en un intervalo de tiempo es una variable aleatoria de Poisson de
parmetro a (es decir con media de ocurrencia constante a), entonces la variable
que representa el tiempo, hasta que ocurra el -simo suceso de Poisson, sigue
una distribucin (,a).

El ejemplo prctico que se plantea en el siguiente anexo de este libro, por

lo que se refiere a la distribucin de los cocientes intelectuales de los diferentes
individuos componentes de un colectivo de superdotados, podra presentar una
distribucin de probabilidad del tipo (3,1) o similar, si se observa la anterior
figura A-1.17.

3.3. Distribucin exponencial

Tambin se le suele llamar distribucin exponencial negativa.

Diremos que una variable aleatoria X, de tipo continuo, sigue una

distribucin exponencial de parmetro a, siendo a y a > 0, si su funcin de
densidad es:
ae -ax , x > 0
f(x) =
0 , x 0

Abreviadamente lo indicaremos por:

X Exp(a)

4. Ajuste a una distribucin beta

4.1. Conceptualizacin

Anlogamente a como hicimos para la distribucin gamma, definiremos

previamente la funcin beta como una funcin del anlisis matemtico que puede
resultar til para la resolucin de problemas de uniformidad psicolgica u otros
relacionados con la Psicologa en general. As pues, definimos la funcin beta
generalizada de p y q, (p,q) como dada por la integral euleriana de 1 especie:

267
RESTANTES ESPECIFICACIONES METODOLGICAS

1
(p, q) = ( 1 x) p > 0, q > 0
p -1 q -1
x dx,
0

que es convergente para valores de x en el intervalo (0,1), siendo p,q nmeros

reales positivos, no necesariamente enteros.

Se verifica que:
(p,q) = (q,p)

y para probar esto, basta hacer el cambio de variable:

1 - x = y , dx = - dy

En efecto:
1 0
(p, q) = ( 1 x) dx = y q -1 dy =
p -1 q -1 p -1
x - (1 - y)
0 1
1
= y q -1 ( 1 y) dy = (q, p)
p -1
0

Tambin se verifica que:

(p) (q)
( p, q) = (1)
( p + q)

Esta funcin (p,q) la utilizaremos para definir la distribucin de

probabilidad beta. La demostracin de la frmula anterior (1), p, q R+, se
deduce teniendo en cuenta que:

( p ) ( q ) = 2 e x x 2 p 1 dx 2 e y x 2 q 1 dy =
2 2

0 0

= 4 x 2 p 1 e x dx y 2 q 1 e y dy = 4
2 2 2
y2
x 2 p 1 y 2 q 1 e x dx dy
0 0 0 0

que es una integral doble extendida a todo el cuadrante positivo. Pasando de

coordenadas cartesianas rectangulares a coordenadas polares, con el cambio de
variable correspondiente, se tiene:

x = r cos
y = r sen , y entonces:

( p ) ( q ) = 4 r
2 2
2 p 1 2 p 1 r 2 sen 2
cos r 2 q 1 sen 2 q 1
e r cos
J dr d .

El determinante funcional jacobiano J de la transformacin, que deber

tomarse siempre en valor absoluto, ser:

268
 ANEXO 1

x x
J = r = cos r sen
= r cos 2 + r sen 2 = r 0 , (r, ) (0,0)
y y sen r cos
r

Obsrvese que el elemento de rea en coordenadas polares corresponde a

la superficie de un recinto plano limitado por las dos circunferencias con centro
en el origen y radios: r, r+dr, y las dos semirrectas que parten del origen y forman
con el eje de abscisas OX los ngulos: , + d. La expresin anterior quedar
as:

4 r
2
2 ( p + q ) 2
e r cos 2 p 1
sen 2 q 1
r dr d =
/2
= 2 d 2 r 2 ( p + q ) 1 e r dr = ( q , p ) ( p + q )
2
2 p 1 2 q 1
cos sen
0 0

y como ya hemos visto que: (q,p) = (p,q), se tendr:

( p ) ( q )
(p, q ) = , c .s .q .d .
(p + q )

Diremos ahora que una variable aleatoria X, de tipo continuo, sigue una
distribucin beta de parmetros p y q, siendo p,q2 y p > 0 y q > 0, si su
funcin de densidad es:

1
x p-1 (1 - x) q -1 , x/ 0 < x < 1
f(x) = (p, q) (2)
0 , en el resto

O bien, teniendo en cuenta la expresin (1):

(p + q) p-1
x (1 - x) q -1 , x/ 0 < x < 1
f(x) = (p)(q)
0 , en el resto

Abreviadamente lo indicaremos por:

X (p,q)

Observemos que esta funcin de densidad est definida en el intervalo

(0,1), lo cual nos indica que esta familia de distribuciones beta es muy til para
representar modelos probabilsticos que representan proporciones que se pueden
presentar en algunos problemas que plantea la Psicologa, en general.

269
RESTANTES ESPECIFICACIONES METODOLGICAS

La expresin (2) est correctamente definida como una funcin de

densidad, pues para 0 < x < 1, f(x) es positiva y adems muy fcilmente se
comprueba que:
1 1
0 (p, q) x (1 - x) dx = 1
p -1 q -1

La representacin grfica de la funcin de densidad, como vemos en la

figura A-1.18., toma formas muy diferentes para los distintos valores de los dos
parmetros p y q. Esto nos permite seleccionar la forma de la funcin de
densidad, pues bastar elegir adecuadamente los parmetros para ajustarse
convenientemente a ella. As pues:

- Cuando p = q la funcin de densidad es simtrica, siendo el eje de

1
simetra la recta de ecuacin: x = .
2
- Cuando p = q = 1 la distribucin (p,q) U(0,1).
- Cuando p < q es asimtrica a la derecha.
- Cuando p > q es asimtrica a la izquierda.
- Cuando p < 1 y q 1 es decreciente y cncava.
- Cuando q < 1 y p 1 es creciente y cncava.
- Cuando p > 1 y q > 1 tiene un solo mximo relativo o local.
- Cuando p < 1 y q < 1 tiene un solo mnimo relativo o local.

4.2. Caractersticas

4.2.1. Funcin de distribucin

La expresin de la funcin de distribucin es:

0 , x 0
x
1
F(x) = P(X x) = x p -1 (1 - x) q -1 dx , 0 < x < 1 (3)
0 (p, q)

0 , x 1

De manera anloga a como ocurra en la distribucin (), aqu existen

tambin tablas correspondientes a la funcin beta incompleta3, que nos facilitan
el clculo de los valores de la funcin de distribucin.

3
La funcin beta incompleta es:
x

0
x p -1(1 x)q -1dx, x / 0 < x < 1

270
 ANEXO 1

Las diferentes representaciones grficas de la funcin de distribucin

(p,q), para los valores ms usuales de los parmetros p y q, pueden verse a
continuacin:

FIG. A-1.18. Representacin grfica de la funcin de densidad de la distribucin (p,q)

271
RESTANTES ESPECIFICACIONES METODOLGICAS

4.2.2. Media

Calculamos los momentos de orden r respecto al origen, para poder

obtener fcilmente la media y la varianza. Esto es:

[ ] 0
1
E Xr = xr
1
(p, q)
x p-1 (1 - x) q -1 dx =
1

1

(p, q) 0
x p + r -1 (1 - x) q -1 dx =
(4)
(p + r, q) (p + r)(q) (p + q) (p + r - 1) .... (p + 1)p
= = =
(p, q) (p + r + q) (p) - (q) (p + r + q - 1) .... (p + q)

Expresin a partir de la cual podemos obtener la media o esperanza

matemtica sin ms que hacer r = 1:
p
E [X ] =
p+q

4.2.3. Varianza

Obteniendo previamente el momento de orden 2, para lo cual hacemos r =

2, tenemos:
E X2 = [ ](p + 1)p
(p + q + 1)(p + q)

Luego la varianza es:

[ ]
Var(X) = E X 2 ( E [X ]) 2 =
(p + 1)p

p2
(p + q + 1)(p + q) (p + q) 2
=

pq
=
(p + q + 1)(p + q) 2

5. La distribucin hipergeomtrica

En algunas de las distribuciones estudiadas en Psicologa considerbamos

que se realizaban repeticiones independientes de experimentos o pruebas de
Bernouilli, en donde la probabilidad de xito permanecera constante en cada
repeticin, es decir, las repeticiones independientes de las pruebas eran
equivalentes a la seleccin de una muestra con devolucin o reemplazamiento.
Sin embargo, esta circunstancia no se presentar siempre, y cuando el muestreo o
seleccin de los elementos de la muestra (lo cual equivale a la repeticin de las
pruebas de Bernouilli en la distribucin binomial) se lleva a cabo sin
reemplazamiento o reposicin la probabilidad de xito no permanece constante
como suceda en la binomial, luego la funcin de probabilidad de la variable
aleatoria X no responde a la distribucin binomial sino a una nueva distribucin
que denominamos hipergeomtrica.

272
 ANEXO 1

Definimos la variable aleatoria psicolgica hipergeomtrica X como el

nmero de elementos que pertenecen a una de las subpoblaciones (consideramos
la primera) cunado tomamos una muestra aleatoria sin reemplazamiento de
tamao n de la poblacin total N. Para obtener la funcin de probabilidad de la
variable aleatoria hipergeomtrica X tenemos que calcular la probabilidad de que
dicha variable tome sus diferentes valores x, es decir, P(X = x) y utilizaremos,
para ello, la expresada regla de Laplace4, en donde la probabilidad vena dada por
el cociente entre el nmero de casos favorables partido por el nmero de casos
posibles. Los casos posibles son todas las muestras de tamao n obtenidas de la
poblacin total o universo de tamao N, que sern las combinaciones sin
repeticin: CN,n = CnN

En estadstica, la distribucin hipergeomtrica es una distribucin de

probabilidad discreta con tres parmetros discretos: N, d y n cuya funcin de
probabilidad es:
d N d

x n x
P (X = x ) = N


n

a
Aqu, el nmero combinatorio se refiere al coeficiente binomial, o al
b
nmero de combinaciones sin repeticin posibles al seleccionar b elementos de
un total a.

Esta distribucin se refiere a un espacio muestral donde hay elementos de

2 tipos posibles. Indica la probabilidad de obtener un nmero de objetos x de uno
de los tipos, al sacar una muestra aleatoria sin reposicin de tamao n, de un total
de N objetos, de los cuales d son del tipo requerido. Dicha funcin est bien
definida; as pues, las probabilidades son no negativas y, adems, la suma de
todas ellas (probabilidad total) es igual a la unidad.

El valor esperado o esperanza matemtica de una variable aleatoria X de

distribucin hipergeomtrica es el siguiente:

d
E [X ] = ( n )
N

, y su varianza viene dada por:

Nn d d
Var [X ] = ( n ) 1
N 1 N N

4
Puesto que todos los posibles elementos de la poblacin (casos posibles) son equiprobables.

273
RESTANTES ESPECIFICACIONES METODOLGICAS

Amn de otras aplicaciones de inters en Psicologa, esta distribucin de

probabilidad posee gran utilidad en los sondeos de opinin pblica, con lo que
podemos realizar una encuesta para intentar conocer si los individuos de una
poblacin tienen o no intencin de votar en unas elecciones de tal manera que el
nmero de individuos, de una muestra sin reemplazamiento, que tienen intencin
de votar sigue una distribucin hipergeomtrica.

En la prctica, la aproximacin de una distribucin hipergeomtrica a una

distribucin binomial no requiere que la poblacin N sea excesivamente grande.
As pues, consideramos que existe una buena aproximacin cuando N>50 y
n01N, aunque otros autores consideran, para esta aproximacin, valores
diferentes.

En el posterior anexo 2 de nuestro libro incluimos tres ejemplos de

aplicacin psicolgica de la distribucin de probabilidad hipergeomtrica (vase
tercer problema).

6. La distribucin F de Snedecor y el anlisis de la varianza

La tcnica del anlisis de la varianza, introducida por Fisher, en principio,

para su aplicacin a la investigacin agrcola y biolgica, se ha convertido en un
instrumento poderoso que puede ser utilizado en cualquier campo de actividades,
como en el caso de la Psicologa que hoy nos ocupa.

Al estudiar el contraste de hiptesis se contempla cmo se puede decidir

entre la igualdad o desigualdad de dos medias, correspondientes a dos
poblaciones que pueden representar dos procesos de fabricacin, dos
caractersticas de una persona, etc.

Ahora bien: qu hacer si en lugar de dos hay que comparar entre s tres,
cuatro, o en general k poblaciones?. Pues bien, el problema se resuelve
precisamente mediante el denominado anlisis de la varianza.

De su aplicacin original a la experimentacin agrcola queda una

terminologa tpica (tratamientos, parcelas, bloques, ...) pero, repetimos, su
aplicacin es universal y cada vez se hace ms extensa, con eficientes
aplicaciones en el campo de la Psicologa como en el caso del ejercicio que se
desarrolla al final del anexo 2.

En otros apartados de nuestro trabajo definimos la distribucin 2 con n

grados de libertad como una determinada funcin de n variables aleatorias
normales e independientes.

274
 ANEXO 1

La distribucin continua F de Fisher-Snedecor5 puede definirse de forma

anloga, a saber: se dice que una variable aleatoria tiene una distribucin F con
m grados de libertad en el numerador y n grados de libertad en el denominador
cuando dicha variable es:

1 2
m
Fm , n = m
1 2
n
n

es decir, cuando es el cociente de las medias de la suma de los cuadrados de m y

n variables normales (0, 1) e independientes.

Sin profundizar ms en la forma o las propiedades de esta distribucin,

digamos que el clculo de probabilidades se realiza, como en el caso de las
distribuciones normal o de la 2, mediante las tablas de doble entrada existentes
al efecto que figuran al final del anexo 2, extradas del libro titulado Ejercicios
de Estadstica Aplicada, de J. Santos y A. Muoz, citado en la bibliografa.

La aplicacin fundamental de la distribucin F es la comparacin de

varianzas, es decir, el contraste de hiptesis referentes a varianzas de poblaciones
normales e independientes, y a la comparacin de medias de varias poblaciones,
que constituye precisamente el anlisis de la varianza.

El problema terico del anlisis de la varianza con un solo factor se

plantea en los trminos siguientes:

Sean r poblaciones, todas ellas con distribuciones normales, de medias 1,

2 ... r, y todas con la misma varianza, 2, e independientes. Basndose en los
resultados de r muestras, de tamaos n1, n2 ... nr, extradas aleatoriamente de cada
una de las poblaciones, se desea contrastar la hiptesis nula de que todas las
medias son iguales: 1 = 2 = ... r, contra la alternativa de que existen, al menos,
dos medias diferentes.

A las poblaciones que se comparan se les suele llamar tratamientos,

debido a que originalmente la tcnica se utiliz para comparar, por ejemplo,
productividades de plantas sometidas a tratamientos agrcolas (abonados, riegos,
labores de arada, aplicaciones fitosanitarias, variedades de semillas, etc.)
diferentes.

5
Sobre el gran estadstico Fisher ya nos hemos referido con anterioridad. George Waddell Snedecor
(1882 -1974) naci en Memphis, Tennessee, EUA. Estudi matemticas y fsica en las Universidades de
Alabama y Michigan y posteriormente se convirti en profesor de la Universidad Estatal de Iowa.
Trabaj en conjunto con Ronald Fisher y de dicha colaboracin surgieron muchos de los resultados en los
que se basa el anlisis de la varianza. Uno de sus textos ms famosos es el de Clculo e Interpretacin del
Anlisis de Varianza y Covarianza, que public en 1934.

275
RESTANTES ESPECIFICACIONES METODOLGICAS

El procedimiento del anlisis de la varianza consiste en suponer que la

variabilidad observada, en el conjunto de todas las muestras, se debe a dos
posibles causas: una, la variabilidad real de todas las poblaciones, es decir, la
variacin de origen aleatorio o error, y la segunda, a la posible diferencia que
exista realmente entre las poblaciones o tratamientos.

IV. LA UNIFORMIDAD EN LA DISTRIBUCIN DE LAS

VARIABLES PSICOLGICAS

1. El concepto de coeficiente de uniformidad psicolgica

La uniformidad es una magnitud que caracteriza a la distribucin de

cualquier variable psicolgica por un colectivo de individuos determinado. Por
ello, hemos credo conveniente ampliar el concepto de uniformidad
psicolgica al estudio del comportamiento de ciertas variables psicolgicas.
Los nuevos coeficientes de uniformidad aqu propuestos se podrn utilizar,
indistintamente, para la evaluacin psicolgica de los colectivos analizados.

Por lo que se refiere a los antecedentes, veamos que ya en el libro de este

mismo autor titulado Anlisis territorial (Divisin, organizacin y gestin del
territorio), citado en la bibliografa, y concretamente en su captulo 12
(Uniformidad y equilibrio del territorio), se propone y define el concepto de
coeficiente de uniformidad territorial como medida de la uniformidad de la
distribucin de una variable socioeconmica por un cierto territorio,
precisamente de sentido contrario a su grado de variabilidad. Pues bien, creemos
que una extensin de dicho concepto a la evaluacin de la distribucin de las
variables psicolgicas resulta perfectamente posible y provechosa.

El proceso de clculo que aqu se propone comienza con la determinacin

del coeficiente de variacin (CV) de Pearson (que, como es sabido, trtase de una
medida abstracta de dispersin relativa de los valores de la variable aleatoria
estadstica, profusamente utilizada) de los cocientes intelectuales (CI) de todos
los individuos pertenecientes a un colectivo determinado; de hecho, en el
siguiente anexo lo hemos aplicado a un colectivo de superdotados. Es obvio que,
desde los respectivos puntos de vista, el colectivo en cuestin se hallar tanto
ms equilibrado desde el punto de vista, por ejemplo, de la distribucin de los
cocientes intelectuales de sus diferentes miembros, cuanto menores sean los
valores de su CV (coeficiente de variacin de Pearson) referido a la variable CI
o a cualquier otra, que toma valores para cada uno de ellos. Destaca, del
coeficiente elegido como medida de la variabilidad, su adimensionalidad, es
decir, su independencia de las unidades de medida, permitiendo la comparacin
entre grupos diferentes de datos, lo que no resulta posible establecer mediante el
exclusivo empleo de la varianza o de su raz cuadrada: la desviacin tpica o
standard de la correspondiente distribucin de frecuencias.

276
 ANEXO 1

Al respecto, y como medida de la uniformidad en la distribucin de los

cocientes intelectuales o de cualquier otra variable psicolgica en un colectivo
determinado, pueden utilizarse los diversos coeficientes que propondremos a
continuacin (expresados en %), de sentido contrario a la variabilidad antedicha.

El primero de ellos podra ser el siguiente:

CU1 = 100(1 - CV), de gran sencillez y aplicabilidad, siendo: CV = / X

, en que X es la media aritmtica de los valores de la variable analizada CI y
es su desviacin tpica o "standard" (desviacin cuadrtica media).

El significado fsico del CV se deduce claramente si aceptamos que todos

los valores de la variable CI, o cualquier otra significativa elegida para su
aplicacin, se distribuyen de acuerdo con la curva campaniforme de una
distribucin normal y, por lo tanto, se tendr lo siguiente en base a los conceptos
ya sealados en el epgrafe inicial del presente anexo:

a) Prcticamente, todos los valores observados se hallarn comprendidos

en el entorno: (1 3CV) X .
b) Aproximadamente, el 95% de las observaciones se encuentran
comprendidas en el entorno: (12CV) X .
c) Si se toman las n/4 observaciones de valores ms bajos del total de los n
valores medidos de la variable en cuestin (cuyo valor superior ser el primer
cuartil Q1 de la distribucin de frecuencias), su media aritmtica ser igual a:
q25=(1-1'27CV) X .
d) El 68'27% de las observaciones realizadas estarn comprendidas en el
intervalo: (1CV) X .

Otros coeficientes de uniformidad psicolgica podran definirse a partir de

las siguientes expresiones:

CU2 = (Q1/ X ) x 100 (de menor aplicabilidad) y CU3 = (q25/ X ) x 100,

siendo q25, como ya se ha visto, el valor medio del cuarto inferior de los valores
de la variable psicolgica analizada.

En relacin a la uniformidad psicolgica a la que nos venimos refiriendo

en el presente epgrafe, veamos que la propiedad ms interesante de la
distribucin normal de los valores de la variable psicolgica analizada es que si
se toma el 25% de los valores ms bajos, su valor medio, es decir, lo que hemos
denominado q25, valdr, segn se deduce del estudio de la distribucin normal:

q 25 = (1 - 1'27 CV ) X ,

277
RESTANTES ESPECIFICACIONES METODOLGICAS

con lo que el coeficiente de uniformidad CU3 anteriormente definido, tomar el

valor:
CU3 = 100 (1 - 1'27CV) < CU1

Si suponemos, v.gr., un cierto colectivo en el que analizando la

distribucin de las puntuaciones individuales en un test de clave silbica (en el
que una serie de slabas sin sentido deben ser substituidas por otras) obtenemos
un CV = 0'32, veamos que:

CU1 = 100 (1 - 0'32) = 68'00%

CU3 = 100 (1 - 1'27 x 0'32) = 59'36% ,

aunque dependera de las circunstancias el escoger uno u otro ndice para la

medida de la uniformidad psicolgica que se analiza, lo que constituye una
responsabilidad del psiclogo experimentador o de la reglamentacin que pudiera
elaborarse al respecto. De hecho, el CU3 siempre ofrecer, expresado en %, por
su propia configuracin analtica, valores absolutos ms bajos que el
correspondiente CU1, tanto si se trata de valores positivos como negativos (vase,
al respecto, el grfico de la figura A-1.19.). Por otra parte, segn se deduce del
estudio ya realizado de la distribucin normal, se cumplir que:
Q1 = (1 - 0'68CV) X , que ser el intervalo correspondiente al 50% de los casos o
"rango intercuartlico" (Q3 - Q1) de la distribucin de probabilidad, con lo que
tambin:
CU2 = 100 (1 - 0'68CV),

que, lgicamente, ser el mayor de los cuatro coeficientes de uniformidad

psicolgica aqu definidos (ver figura A-1.19.).

As pues, y en base a dichos coeficientes, resulta un C U (medio) de : Z =

-0'9375 (media aritmtica), o bien Z = -0'9117 (media geomtrica), por lo que
podramos considerar, como medida "standard" de la uniformidad de un
colectivo cualquiera, un C U = 100 (1 - 0'92CV), cuyo intervalo, bajo la hiptesis
de normalidad en la distribucin de los valores de la variable psicolgica
analizada, abarcara un 64'24% de los casos, segn puede comprobarse mediante
las tablas de las figuras ms completa de reas y ordenadas bajo la funcin
normal, que adjuntamos en este mismo anexo (ver figuras A-1.8., A-1.9. y A-
1.10).

En el ejemplo anteriormente propuesto, se tendr:

CU 2 = 100 (1 - 0'68 0'32 ) = 78'24%

C U = 100 (1 - 0'92 0'32 ) = 70'56%

pudiendo, en la prctica, escoger cualquiera de ellos como medida de la

uniformidad psicolgica que deseamos realizar.

278
 ANEXO 1

2. Otros coeficientes de uniformidad psicolgica

2.1. Basados en la desviacin media absoluta

La "desviacin media" es la media aritmtica de las desviaciones absolutas

de los n valores de la variable psicolgica analizada respecto a un promedio
cualquiera. Si tomamos, como dicho promedio, la media aritmtica o esperanza
matemtica X = , su expresin ser, en el caso de una distribucin de
frecuencias unitarias:
n

x 1 X + x 2 X + ... + x n X x i X
DM = = i =1

n n

(este valor resultara mnimo si en vez de considerar la X hubiramos tomado la

mediana Me = Q2 o valor central de la correspondiente distribucin de
frecuencias).

Por otra parte, en el caso de operar con frecuencias agrupadas o conjuntas,

lo que suceder cuando se opte por agrupar los valores de la variable psicolgica
analizada por intervalos de clase, como hemos hecho en el ejemplo prctico
desarrollado en el posterior anexo n: 2, se tendr que:
h
n 1 + n 2 + ... + n h = n i = n
i =1

x 1 X n 1 + x 2 X n 2 + ... + x h X n h
DM = =
n
h

x i X ni h
= i =1
= x i X fi
n i =1

Pues bien, en base a ella, podramos definir el siguiente nuevo coeficiente

de uniformidad:
CU4 = 100 (1 - DM/ X ) ,

que, en realidad, resulta similar al CU1, habiendo substituido la desviacin tpica

o "standard" por la desviacin media absoluta, como medida absoluta de
dispersin, por el colectivo analizado, de los valores de la variable aleatoria
estadstica (puntuacin de un examen, tiempo de latencia, cociente intelectual,
...). Normalmente, para un mismo colectivo, se cumplir que:
__
CU3 < CU1 < CU < CU4 < CU2 < CU5

estando los valores de todos estos coeficientes de uniformidad limitados o

acotados superiormente en el 100%, segn podr comprobarse, de modo grfico,
en la figura A-1.19.

279
RESTANTES ESPECIFICACIONES METODOLGICAS

2.2. Basados en otras medidas de dispersin y concentracin

2.2.1. ndice de Gini y curva de Lorenz

Tericamente, la distribucin perfecta de la variable psicolgica tendr

lugar cuando, por ejemplo, en un determinado colectivo, todos sus componentes
tengan el mismo cociente intelectual, lo que podra constituir un desideratum
ideal pero, en cualquier caso, presenta una medida de la uniformidad en la
distribucin del CI por dicho colectivo. En este caso, al representar los
porcentajes acumulados del CI frente a los porcentajes acumulados de los
individuos, se obtendr la recta de ecuacin: qi = pi, coincidente con la bisectriz
del primer cuadrante, y el ndice de GINI valdr 0. Obviamente, este ndice se
encuentra ms prximo a 1 cuanto peor est distribuida, por el colectivo, la
variable psicolgica que estamos evaluando.

En los libros de A. PULIDO SAN ROMN6 y de A. ALCAIDE

INCHAUSTI7, podemos encontrar presentaciones diferentes de la medida que
hemos empleado para parametrizar la concentracin de los CI en el ejemplo
prctico desarrollado en el siguiente anexo: el ndice de GINI. Para interpretar
correctamente su significado, resulta suficiente con observar que G varia entre
los valores extremos 0 y 1, tomando el valor mnimo o nulo cuando cada pi es
igual a su correspondiente qi, lo que provoca la anulacin del numerador de su
expresin definitoria; es decir, cuando cualquier porcentaje de individuos posee
un porcentaje igual del cociente intelectual sobre el global. O bien, dicho de otra
manera, G = 1 tendra lugar en el supuesto terico o hipottico de que todas las qi
fuesen nulas, excepto la ltima o k-sima (correspondiente al ltimo intervalo de
clase considerado) que concentrara todo el cociente intelectual del colectivo que
nos ocupa, lo que sealara la menor uniformidad u homogeneidad en la
distribucin posible.

Todos estos conceptos pueden precisarse mucho mejor representando en

un diagrama la funcin: pi= f(qi), o bien su inversa: qi = (pi), que permite
obtener una lnea poligonal construida por encima (o por debajo) de la diagonal
de un cuadrado que tiene un extremo en el centro u origen de coordenadas
cartesianas rectangulares y el otro extremo en el punto de coordenadas (100,
100). Esta figura, denominada CURVA DE LORENZ, frecuentemente usada en
el Anlisis estructural econmico, pondr de manifiesto una distribucin de los
CI ms equitativa en la medida que la lnea poligonal resultante (que tender a
convertirse en una curva al aumentar el nmero de puntos en estudio) se site
ms prxima a la citada diagonal (o bien G ms prximo a 0) y tambin
recprocamente8.

6
Estadstica y Tcnicas de Investigacin Social. Ed. ANAYA. Madrid, 1971, pg. 111.
7
Estadstica Econmica. Ed. SAETA. Madrid, 1973, pg. 294.
8
As pues, cuanto ms pequea sea el rea rayada comprendida entre la curva de Lorenz y la diagonal del
primer cuadrante del crculo, mejor ser tambin la distribucin de la variable psicolgica que es objeto
de nuestro estudio.

280
 ANEXO 1

Otra forma de observar la curva de Lorenz es estimando el rea de la

superficie que se encuentra comprendida entre la curva y la diagonal del primer
cuadrante (la recta p = q). Esa superficie se denomina rea de concentracin. El
ndice Gini constituye un ndice de concentracin de los valores de la variable
aleatoria estadstica o psicolgica y equivale al doble del rea de concentracin.
Su valor estar siempre comprendido entre cero y uno.

Se considera, en definitiva, que existe equidistribucin de los CI cuando pi

= qi, y en este caso, la expresada curva de Lorenz adopta la configuracin grfica
siguiente:

(100, 100)
(0, 100)

qi
pi = q i

45

(0, 0) pi (100, 0)

o sea, se trata de una recta que descansa sobre la bisectriz del primer cuadrante
del crculo.

2.2.2. ndice de Williamson

Por otra parte, en el mismo orden de ideas, juzgamos recomendable la

utilizacin, a los efectos de medir el grado de concentracin/dispersin de la
variable psicolgica en estudio, del denominado "ndice de Williamson", que nos
ofrecer una buena informacin en cuanto al nivel de agrupacin de los valores
de la variable aleatoria estadstica (qi) en relacin al valor central o media de la
correspondiente distribucin de frecuencias.

En el caso que se desarrolla en el anexo n: 2 de nuestro libro, la variable

psicolgica estudiada es el CI global mximo (CI)i que poseen los individuos que
forman parte de cada uno de los 8 intervalos de clase en que hemos considerado
particionado el conjunto del colectivo (ver el ejemplo prctico que hemos
propuesto en dicho anexo). Por esta razn, la frmula pertinente, en relacin al
nmero de estos individuos, vendr dada por la expresin:

281
RESTANTES ESPECIFICACIONES METODOLGICAS

2
8
(CI) i CI n

i =1 n i
i
n n
W CI, n = , i (1, 2, ... , 8), donde :
CI
n

(CI)i = cociente intelectual global mximo de cada intervalo de clase.

ni = nmero de individuos de cada intervalo de clase.
CI = cociente intelectual global mximo del conjunto del colectivo.
n = nmero total de individuos del colectivo estudiado.

De hecho, los valores de la variable psicolgica (CI)i vienen dados, en las

tablas auxiliares correspondientes de clculo, como:

(CI)i = xi ni

2.2.3. ndice de concentracin de Lorenz

A mayor abundamiento, desarrollaremos el clculo de este nuevo ndice

desde el mismo diagrama o curva que hemos propuesto anteriormente. Tal como
se ha venido considerando, se obtendrn siempre curvas cncavas hacia las y
positivas, y que se hallan situadas por debajo de la diagonal del cuadrado que
pasa por el origen de coordenadas y por el punto (100,100).

As pues, tendremos:

L=
(a - q1 ) + (2a - q 2 ) + ... + [(n - 1)a - q n-1 ]
(1) ,
a + 2a + ... + (n - 1)a

donde a es la media aritmtica de los porcentajes de los CI de los diferentes

individuos correspondientes a cada intervalo de clase, o sea:
n

x i ni X i
qn
Xi = n
100 ; a= i =1
= ;
n n
x n
i =1
i i

(en nuestro caso, como se ver posteriormente, se tiene: n = 8).

De esta manera, se cumplir tambin que:

282
 ANEXO 1

q1 = X1
q2 = X1 + X2
q3 = X1 + X2 +X3
..
qn = X1 + X2 +...+ Xn

i
o sea: q i = X i
j=1

que es justamente el criterio que hemos seguido para la elaboracin de la tabla

correspondiente. Debe tenerse bien presente que, en este caso, la ordenacin
de los valores de las Xi es preciso realizarla de menor a mayor.

Desarrollando la expresin anterior (1), obtendremos:

a + 2a + ... + (n - 1)a - (q 1 + q 2 + ... + q n -1 )

L= =
a + 2a + ... + (n - 1)a
n -1

q 1 + q 2 + ... + q n -1 qi
=1 =1 i =1
=
a + 2a + ... + (n - 1)a n(n - 1)
a
2
n -1

2 qi
=1- i =1
,
n -1 qn

ya que: 1 + 2 + ... + (n-1) = n(n-1)/2 , dado que se trata de la adicin de los (n-1)
primeros trminos consecutivos de una progresin aritmtica de razn igual a la
unidad (demostrable por induccin completa), y adems: na = qn, por la propia
definicin que hemos considerado de la media aritmtica a.

Veamos, entonces, los valores que adopta este nuevo ndice en los casos
extremos posibles. Efectivamente, si la concentracin del CI es mxima,
tendremos que:
n
X 1 = X 2 = X n -1 = 0, y tambin : q n = X i
i =1
n -1

2
qi
2 0
L =1- i =1
= 1- =1 ,
n -1 q n n -1 q n
n -1
dado que: q
i =1
i =0 .

283
RESTANTES ESPECIFICACIONES METODOLGICAS

Sin embargo, si la concentracin del CI es mnima, o sea, la distribucin

de la misma variable psicolgica es tericamente perfecta desde el punto de vista
estadstico (no necesariamente debe suceder esto en la realidad, sino ms bien
acontecer muy raramente, habida cuenta de las diferencias existentes entre los
individuos de cualquier colectivo por lo que se refiere al comportamiento de sus
variables psicolgicas), se tendr lo siguiente:

X1 = X2 = ... = Xn = a,

n -1
n(n - 1)
q
i =1
i =
2
a

en cuyo caso, el ndice de concentracin de Lorenz ser:

n -1

2 qi
2 n (n - 1) a
L = 1- i =1
= 1 = 11 = 0
n -1 qn n 1 2n a

De hecho, estos valores extremos del ndice analizado se corresponden

con similares valores del ndice de Gini anteriormente estudiado. Podemos ver
que, cuando: L = 0 (X1=X2=...=Xn=a), sucede justamente que: qn= na, razn por
la cual la curva pertinente es el segmento recto coincidente con la diagonal del
cuadrado al que nos hemos referido con anterioridad. En el caso de la
concentracin mxima, resulta: L = 1 (X1=X2=...=Xn-1=0), y la curva poligonal de
Lorenz, que constituye un tringulo rectngulo, viene dada por los dos lados
normales o perpendiculares del cuadrado construido al objeto de trazar el
diagrama en cuestin. Obviamente, cuanto ms se aproxime la curva a la
diagonal relacionada, ms perfecta ser -al menos desde el punto de vista
estadstico- la distribucin de la variable psicolgica en estudio. Incluso podemos
dar una interpretacin geomtrica del ndice de Lorenz de esta manera: el
numerador de la frmula (1) se puede considerar como la adicin de las reas de
(n-1) rectngulos de base igual a la unidad y altura: (ha - qh), h [1,2,...,(n-1)].
El denominador, en este caso, es la suma de las reas de (n-1) rectngulos de
base unidad y altura: ha, h [1,2,...,(n-1)]. Si observamos lo que representa la
suma de estos rectngulos, deduciremos que el numerador de la expresin (1) es
el rea comprendida entre la curva poligonal de Lorenz y la diagonal del
cuadrado, mientras que el denominador es precisamente el rea de la mitad de
dicho cuadrado9.

Este ndice es equivalente al anteriormente estudiado de Gini y obliga a la

realizacin del clculo de la superficie rayada de la figura, comprendida entre la
diagonal y la correspondiente curva o poligonal de Lorenz. Un valor aproximado
es el que se obtiene mediante la aplicacin de la frmula basada en los

9
As pues, tambin el ndice de concentracin de Lorenz ser tanto ms pequeo cuanto menor sea el
valor del rea limitada por la diagonal del primer cuadrante y la misma curva poligonal.

284
 ANEXO 1

porcentajes acumulados, que resulta muy empleada en los trabajos prcticos. En

nuestro caso, como se ver posteriormente, la frmula (1) tomar la
configuracin simplificada (con n = 8 y qn = 100):
n -1 7

qi
2 i =1 qi
L = 1- = 1 i =1

7 100 350

3. Otras caractersticas interesantes de la distribucin de las variables

psicolgicas

3.1. Ecuaciones de ligadura entre los coeficientes de uniformidad

Las medidas de tendencia central ofrecen una idea aproximada del

comportamiento de una serie estadstica. No obstante, no resultan suficientes
para expresar sus caractersticas: una misma media puede provenir de valores
cercanos a la misma o resultar de la confluencia de datos estadsticos
enormemente dispares. Para conocer en qu grado las medidas de tendencia
central son representativas de la serie, se han de complementar con medidas de
dispersin como la varianza o la desviacin tpica.

Normalmente, la Psicologa experimental tambin se ocupa de la

dispersin de la distribucin de las variables psicolgicas, es decir, si los datos
aparecen sobre todo alrededor de la media o si estn distribuidos por todo el
rango. Una medida bastante usada de la dispersin es la diferencia entre dos
percentiles Pr, por lo general entre el 25 y el 75, que equivale al rango
intercuartlico. El percentil r es un nmero tal que un r por ciento de los datos
son menores o iguales que r. En particular, los percentiles 25 y 75 se denominan
cuartiles inferior o primer cuartil (Q1) y superior o tercer cuartil (Q3)
respectivamente. La desviacin tpica o standard es otra medida absoluta de la
dispersin, pero resulta ms til su empleo que los percentiles, pues est definida
en trminos aritmticos.

Las medidas de centralizacin ayudan, en definitiva, a determinar el

centro de gravedad de una distribucin estadstica. Para describir el
comportamiento general de la serie se necesita, sin embargo, una informacin
complementaria para saber si los datos estn dispersos o agrupados. As, las
medidas de dispersin pueden definirse como los valores numricos cuyo
objeto es analizar el grado de separacin de los valores de una serie estadstica
con respecto a las medidas de tendencia central consideradas.

Las medidas de dispersin, bsicamente, son de dos grandes tipos:

Medidas de dispersin absoluta: como recorrido, desviacin media,

varianza y desviacin tpica, que se usan en los anlisis estadsticos generales.

285
RESTANTES ESPECIFICACIONES METODOLGICAS

Medidas de dispersin relativa: que determinan la dispersin de la

distribucin estadstica independientemente de las unidades en que se exprese la
variable. Se trata de parmetros ms tcnicos y utilizados en estudios especficos,
y entre ellas se encuentran los coeficientes de apertura, el recorrido relativo, el
coeficiente de variacin (ndice de dispersin de Pearson), el ndice de dispersin
mediana y el coeficiente de uniformidad aqu definido.

La distribucin de probabilidad normal, o campana de Gauss, es una

funcin simtrica con respecto a la ordenada o frecuencia mxima (con la media
aritmtica en el centro de la serie) con un grado de dispersin bajo, dado que la
mayora de los valores de la variable psicolgica en estudio estarn
comprendidos dentro del entorno cuyo centro es la media aritmtica y de radio la
desviacin tpica, como puede comprobarse de la contemplacin del grfico
anterior.

Evidentemente, existen en la metodologa estadstica otras medidas del

grado de concentracin y/o dispersin de las variables psicolgicas que pueden
emplearse eficazmente en la medida de la uniformidad psicolgica (como, por
ejemplo, el recorrido "semi-intercuartlico", el "coeficiente de apertura", el
"recorrido relativo", etc...), debindose tener en cuenta que, para distribuciones
moderadamente asimtricas, se pueden aplicar, con buena aproximacin, las
frmulas empricas siguientes (donde Q1 y Q3 son, respectivamente, el primer y
tercer cuartil de la correspondiente distribucin de frecuencias):

DM (4/5) ; (Q3 -Q1)/2 (2/3)

, que no son ms que consecuencias directas del hecho de que, para

distribuciones normales, se tiene que la desviacin media absoluta DM y el
"rango semiintercuartlico" son, respectivamente, iguales a 07979 y 06745
veces la desviacin tpica o "standard" .

Desde esta perspectiva, y para distribuciones aproximadamente normales

con suficiente nmero de valores de la variable psicolgica en estudio (n 30),
los coeficientes de uniformidad anteriormente definidos pueden representarse,

286
 ANEXO 1

geomtricamente, por rectas o funciones lineales cuya variable independiente o

explicativa sea el coeficiente de variacin de Pearson CV. En concreto, se tendr
que:

CU4 = 100 (1 - 0,7979 s/ X ) 100 (1 -0,80CV)

La representacin grfica resultante ser la siguiente:

FIG. A-1.19. Coeficientes de uniformidad en funcin del coeficiente de variacin de Pearson

A su vez, las relaciones que ligan entre s los diferentes coeficientes de

uniformidad psicolgica aqu definidos, pueden deducirse del siguiente modo:

CU1 = 100 (1 - CV) = 100 100CV

CU2 = 100 (1 - 0,68CV) = 100 68CV
CU3 = 100 (1 - 1,27CV) = 100 127CV
CU4 = 100 (1 - 0,80CV) = 100 80CV
CU = 100(1 - 0,92CV) = 100 - 92CV

De donde:

287
RESTANTES ESPECIFICACIONES METODOLGICAS

CU1 - CU3 = 100 100CV - 100 + 127CV = 27CV

CU3 - CU4 = 100 - 127CV - 100 + 80CV = -47CV
CU1 - CU4 = .........(27CV 47CV) ........ = -20CV

Se tendra que:

CU1 / CU3 = (1- CV) / (1 - 1,27CV) ;

CU1 - 1,27 CV CU1 = CU3 - CV CU3 ;
CU1 - CU3 = 27CV = 1,27CV CU1 - CV CU3 ;
27 = 1,27CU1 - CU3 ; CU3 + 27 = 1'27CU1 ; con lo que:
CU1 = (CU3 + 27) / 1,27

As mismo:

CU1 / CU4 = (1- CV) / (1 - 0,8CV) ;

CU1 - 0,8 CV CU1 = CU4 - CV CU4 ;
CU1 - CU4 = -20 CV = 0,8CV CU1 - CV CU4 ;
-20 = 0,8CU1 - CU4 ; CU4 - 20 = 0,8CU1 ; y entonces:
CU1 = (CU4 - 20) / 0,8

Si observamos la representacin grfica adjunta A-1.20., la convergencia

de ambas rectas tendr lugar para los valores:

(CU3 + 27) / 1,27 = (CU4 - 20)/ 0,8 y CU3 = CU4

, lo que implica que, en dicho punto, tendr lugar la mxima uniformidad

psicolgica posible, con:
__
CU1 = CU3 = CU4 = 100% = CU2 = CU

Tambin se cumplir que:

CU3 / CU4 = (1 - 1,27CV) / (1 - 0,8CV) ;

CU3 - 0,8 CV CU3 = CU4 - 1,27 CV CU4 ;
CU3 - CU4 = -47CV = 0,8 CV CU3 - 1,27 CV CU4 ;
1,27 CU4 - 47 = 0,8CU3 ;y
CU3 = (1,27 CU4 - 47) / 0,8

Las relaciones existentes entre los diferentes coeficientes de uniformidad

psicolgica anteriormente definidos, y que ya han sido expresadas
analticamente, pueden verse grficamente a continuacin:

288
 ANEXO 1

FIG. A-1.20. Relaciones existentes entre los diferentes coeficientes de uniformidad, para distribuciones
psicolgicas aproximadamente normales (I)

El grfico anterior puede complementarse, por su elevado inters prctico,

con el siguiente, que relaciona el coeficiente de uniformidad CU3 con el CU4 del
siguiente modo:

289
RESTANTES ESPECIFICACIONES METODOLGICAS

FIG. A-1.21. Relaciones existentes entre los diferentes coeficientes de uniformidad, para distribuciones
psicolgicas aproximadamente normales (II)

De las expresiones anteriores, se deducen inmediatamente las tres

siguientes, hasta completar las seis relaciones posibles existentes entre los ndices
psicolgicos de tal suerte definidos, esto es:

CU3 = 1,27 CU1 - 27 ; CU4 = 0,8 CU1 + 20 ;

CU3 = (0,8 CU3 + 47) / 1,27
__
Idnticas consideraciones podramos realizar respecto a CU2 y a CU en
relacin con los tres restantes coeficientes de uniformidad psicolgica, y cuya
materializacin brindamos, como ejercicio recapitulatorio, a nuestros amables
lectores.

3.2. Agrupamiento en "clases" y otras caractersticas de las distribuciones

psicolgicas

3.2.1. Los intervalos de clase

As mismo, cuando el nmero n de los valores de la variable psicolgica

analizada sea grande, lo que tendr lugar en aquellos casos de muestras de
colectivos formadas por un nmero elevado de individuos, resultarn poco

290
 ANEXO 1

manejables las tablas estadsticas que recojan todos los valores con sus
correspondientes frecuencias. En tales casos, se agruparn los valores de la
variable en "clases", que podrn ser de la misma o diferente amplitud; una norma
prctica genrica pudiera ser el establecer una misma amplitud equivalente al
10% de la observacin mayor, con lo que el nmero de clases oscilar alrededor
de la decena. Cuando esto acontezca, el clculo de la desviacin tpica necesaria
para el hallazgo de los CV y de los pertinentes coeficientes de uniformidad
registrar algo de error, debido, precisamente, al "error de agrupamiento" en
clases. Para ajustarnos mejor a la realidad, se utilizar entonces la varianza
corregida, ofrecida por la denominada "correccin Sheppard", a saber:

c2 = 2 - C2/12

siendo C la amplitud del intervalo de clase escogido y 2 la varianza de los datos

agrupados, y ello tendr lugar en distribuciones continuas donde las "colas" van
gradualmente convergiendo a 0 en ambas direcciones (- y +).

En lneas generales, veamos que un nmero excesivo de "clases" reduce

las ventajas de la agrupacin, pero tambin resulta cierto que un nmero escaso
de ellas puede llegar a anular la significacin de los datos. Un criterio usado
frecuentemente es que el nmero de clases debe ser aproximadamente igual a la
raz cuadrada del nmero de datos. Por ejemplo, la raz cuadrada de 30 (nmero
de individuos) es mayor que cinco, por lo que se seleccionan seis clases.
Tambin la regla de Sturgess no es sino una recomendacin acerca del nmero
deseable de clases que deben considerarse a la hora de elaborar un histograma.
ste viene dado por la siguiente expresin:

k = nmero de clases = 1 + 33 log10 n,

siendo n el tamao del colectivo. En el ejemplo que desarrollamos en el anexo

siguiente de nuestro libro, con un colectivo de individuos superdotados de n =
1.000, esta frmula aconsejara el establecimiento de: 1 + 33 x log. 1.000 = 109
11 clases. Sin embargo, se han considerado solamente 8.

Respecto a la amplitud de las "clases" establecidas, conviene observar

que, en general, es conveniente que sea la misma para todas; sin embargo, esto
depender mucho de los propios datos y del objetivo final de la distribucin de la
variable en estudio. En principio, si la distribucin es ms o menos uniforme,
todas las "clases" sern de igual amplitud, y si, por el contrario, presenta grandes
oscilaciones, puede ser interesante considerar intervalos de amplitud diferente.

De hecho, la construccin de una distribucin numrica -como la mayora

de las que elaboraremos aqu- consta de tres etapas fundamentales: 1) determinar
las clases con sus intervalos ms procedentes, tal como ya hemos expresado
antes, en las que se han de agrupar los datos de la variable psicolgica en estudio,
2) clasificar (o distribuir) los datos en las clases apropiadas, y 3) contar el

291
RESTANTES ESPECIFICACIONES METODOLGICAS

nmero de casos de cada clase. Como sea que las dos ltimas etapas son
puramente mecnicas, as como el establecimiento de la correspondiente marca
de clase (obtenida normalmente, a falta de ms datos, como la semisuma de los
valores extremos del intervalo de clase), nos fijaremos slo en la primera. Por
esto, hace falta determinar el nmero de clases as como la amplitud del intervalo
de los valores de la variable aleatoria estadstica con la que trabajamos (notas de
un examen, CI, tensin arterial, ...). Por esto, en trminos generales, se pueden
observar al efecto las siguientes normas:

a) Pocas veces emplearemos menos de 6 ms de 15 clases; el nmero

exacto de las mismas depender de la naturaleza, cuanta e intervalo
que cubren los datos.

b) Siempre escogeremos las clases de manera que todos los datos queden
comprendidos.

c) Se procurar, siempre que sea posible, que todos los intervalos de

clase tengan la misma amplitud, lo que obviar la determinacin de las
densidades de frecuencia -que determinan la altura de los
rectngulos yuxtapuestos del histograma- para el clculo de algunas
medidas centrales de la correspondiente distribucin de frecuencias
(como la moda) o la representacin grfica de los histogramas.

Veamos, por ltimo, que mediante el razonamiento ya expuesto que sirve

para definir la desviacin tpica o standard como una medida de dispersin
absoluta de los valores de la variable psicolgica, se puede afirmar que si este
estadstico resulta pequeo, los valores se encuentran concentrados en el entorno
de la media aritmtica y, adems, si la desviacin tpica es grande, los valores
estn mucho ms esparcidos o dispersos en relacin a los centrales. Para
comprender este razonamiento sobre una base algo menos intuitiva, nos
referiremos brevemente al importante Teorema de Tchebyshev, que expresa que
para cualquier clase de datos (poblaciones o muestras), al menos el 75% de
los datos se encuentran sobre el intervalo que se extiende a cada lado de la
media aritmtica en dos veces el valor de la desviacin tpica ( 2). Segn
este teorema, tambin se puede afirmar que por lo menos el 888% de los datos
se encuentran dentro del intervalo de tres veces ( 3) la desviacin tpica (a
ambos lados de la media aritmtica) y que al menos el 96% de los mismos se
hallan comprendidos dentro del intervalo de amplitud de cinco veces la
desviacin tpica ( 5).

Genricamente, este teorema indica que cualquiera que sea la forma de

una distribucin de frecuencia de poblacin, la proporcin de observaciones que
caen dentro de k desviaciones estndar de la media es, al menos, de: 1 - (1/k2),
siempre que k sea 1 o ms.

292
 ANEXO 1

Precisamente, una caracterstica importante del teorema de Tchebyshev10

es que resulta vlido para cualquier tipo de datos, incluidos los psicolgicos. No
obstante, si se dispone de alguna informacin adicional en relacin a la forma
global de la distribucin que estamos trabajando, tambin se pueden realizar
afirmaciones mucho ms estrictas. Por ejemplo, si una distribucin es
campaniforme o gaussiana, se puede esperar que aproximadamente el 95% de los
datos (en lugar de al menos el 75%) se encuentren dentro del intervalo 2 y el
99% de los datos (en lugar de al menos el 888%) se encuentran dentro del
intervalo 3. Estos porcentajes, en definitiva, corresponden a la llamada
distribucin normal, que es objeto de estudio en diversas partes de nuestro libro.

3.2.2. Forma de la distribucin de frecuencias

Tambin existen otras caractersticas de menor inters prctico, que tratan

de precisar la forma de la distribucin de la variable que se estudia en relacin
con una distribucin normal. As, la curva de Gauss sabemos que es simtrica
respecto de la ordenada x = (el parmetro es la media aritmtica o esperanza
matemtica de una distribucin normal de frecuencias) y la distribucin
observada puede ser asimtrica o sesgada respecto a la ordenada correspondiente
e, incluso, dicha asimetra puede representar una mayor rea bajo la curva, a la
derecha o a la izquierda de dicha ordenada; por otra parte, a la distribucin
observada puede corresponderle un rea bajo la curva ms achatada o ms
alargada que la correspondiente rea de una distribucin normal; a tal
caracterstica la denominaremos curtosis o medida de apuntamiento.

Todas estas caractersticas, bien conocidas por otra parte, de una

distribucin de frecuencias originan medidas exactas si estn utilizando todos los
posibles valores de la variable psicolgica, es decir, si corresponden a la
poblacin o universo de datos; pero un objetivo esencial de la Inferencia
Estadstica es el de estimar dichas caractersticas poblacionales a partir de una
muestra o subconjunto poblacional, lo que en la Psicologa aplicada suceder en
numerosos casos. En esta tesitura, las caractersticas de la distribucin muestral
suelen ser, en general, los mejores estimadores de las caractersticas de la
distribucin de la poblacin, pero las estimaciones que originan han de
presentarse, como sabemos, acompaadas de los errores de muestreo y de otras
medidas de naturaleza probabilstica, que permiten apreciar el grado de confianza
o fiabilidad de la correspondiente estimacin de la caracterstica poblacional, y
que no procede analizar aqu con mayor profundidad por comprensibles razones
de espacio.

10
Otra aportacin importantsima de este autor estriba en la denominada Desigualdad de Tchebyshev,
que permite generar un intervalo de valores de la variable aleatoria dada la probabilidad de que esto
ocurra, o tambin es posible realizar el hallazgo de la probabilidad de que ocurran los valores que toma la
caracterstica aleatoria incluidos en un intervalo dado. En cualquier caso es necesario disponer de la
varianza poblacional.

293
RESTANTES ESPECIFICACIONES METODOLGICAS

3.2.3. Otros coeficientes de uniformidad psicolgica

Veamos, por ltimo, que en base a los mismos o parecidos conceptos,

sera posible la definicin de otros coeficientes de uniformidad psicolgica. Y
as, valga como ejemplo el que tendra en cuenta el valor del primer y tercer
cuartil de la distribucin de frecuencias de la variable contemplada, a saber:

Q1
CU 5 = 100
Q3

que, en el caso de una distribucin moderadamente asimtrica (aproximadamente

normal), ofrecer un valor en funcin de Q3 y de equivalente a:

Q3 - Q1 4/3 ; esto es:

(Q3 - Q1)/Q3 4/3Q3 1- Q1/Q3 ; de donde:

Q1 4
= 1 , con lo que:
Q3 3Q 3
Q1 4 40 .000
CU 5 = 100 = 10 .000 1 = 10 .000
Q3 3Q3 3Q3

----------

(*) Una vez que hemos definido la distribucin de probabilidad gamma, veamos que
son numerosas las aplicaciones de esta funcin a experimentos o fenmenos aleatorios
que tienen asociadas variables aleatorias que siempre resultan ser no negativas
(positivas o nulas) y cuyas distribuciones son sesgadas a la derecha (asimetra positiva),
es decir, cuya rea bajo la funcin de densidad disminuye progresivamente a medida
que nos alejamos del origen de coordenadas. Estas circunstancias suelen presentarse en
la Psicologa experimental y en la Psicometra.

294
 ANEXO 2

ANEXO 2
Ejemplos prcticos

I. PRIMER PROBLEMA

1. Datos y enfoque del problema

Sea un colectivo de superdotados especialmente entrenados,

constituido por 1.000 individuos, de los que conocemos el correspondiente
cociente intelectual, siendo precisamente esta variable psicolgica la que
ser analizada desde el punto de vista de su uniformidad. Los valores de
esta variable se hallan agrupadas en ocho "clases" de la misma amplitud,
concretamente: CI = 5, constituyndose la primera y ltima clases de la
tabla en "intervalos abiertos", ya que no se han fijado el extremo inferior de
la primera y el extremo superior de la ltima, que corresponderan,
respectivamente, a los CI ms bajo y ms alto de los individuos en cuestin.
Se desea averiguar los diferentes coeficientes de uniformidad psicolgica,
normalizar la distribucin, obtener las medidas centrales y de dispersin
as como las restantes caractersticas estadsticas de inters.

La tabla resultante del conteo y agrupacin de frecuencias realizados

con posterioridad a la administracin del test de inteligencia correspondiente
(Binet, Wechsler-Bellevue, Wais, Army-tests, ), donde cada individuo
obtuvo una determinada nota o puntuacin, es la siguiente:
COCIENTE INTELECTUAL (CI)
f. simple f. acumul. f. acumul. f. simple f. acumul. f. acumul.
CI ni ascen. Ni fi
descen. Ni ascen. Fi descen. Fi
Menos de 150 3 3 997 0'003 0'003 0997
De 150 a 155 15 18 982 0'015 0'018 0982
De 155 a 160 50 68 932 0'050 0'068 0932
De 160 a 165 240 308 692 0'240 0'308 0692
De 165 a 170 312 620 380 0'312 0'620 0380
De 170 a 175 235 855 145 0'235 0'855 0145
De 175 a 180 108 963 37 0'108 0'963 0037
De 180 y ms 37 1.000 0 0'037 1'000 0000
TOTAL 1.000 /// /// 1'000 /// ///

FIG. A-2.1. Frecuencias de la distribucin de cocientes intelectuales

La expresada variable psicolgica se ha calculado con arreglo a la

frmula clsica: CI = (EM/EC) x 100, siendo EM la edad mental y EC la
edad cronolgica de los individuos componentes del colectivo analizado. De
hecho, estos clculos estn ya realizados en todos los manuales de evaluacin
de los tests que utilizan esta unidad de medida, que ha llegado a adquirir una
extraordinaria difusin.

295
EJEMPLOS PRCTICOS

Solucin:

Cabe sealar, antes de proceder a la resolucin del ejercicio propuesto,

que el CI ha sido objeto de algunas crticas, principalmente dirigidas hacia el
problema de su estabilidad temporal o histrica. En efecto, el CI debera ser
constante en el tiempo para un mismo individuo, mientras que, de hecho, puede
experimentar ciertas fluctuaciones. Se ha argido tambin que, tomados dos
grupos representativos de la poblacin de edades cronolgicas diferentes, los
individuos situados en el mismo lugar de la curva de distribucin deberan tener
el mismo CI. En otros trminos, que la variabilidad de los cocientes intelectuales
y de las distribuciones debe ser la misma. La revisin Terman del test de Binet-
Simon fue llevada a cabo en forma tal que respondiera a esta condicin, aunque
haya sido necesario para ello recurrir a un procedimiento estadstico harto
complicado e incluso algo artificioso; pero lo cierto es que la cumple de un modo
notablemente satisfactorio.

La agrupacin anterior de la distribucin de frecuencias constituye la

etapa previa para cualquier otro proceso de anlisis estadstico a que se hayan de
someter unos valores numricos que toma cualquier variable psicolgica. De esta
forma, se puede fcilmente comprender dnde estn los promedios o valores
centrales de la distribucin antedicha y juzgar las caractersticas de cualquier
nota en relacin con las restantes.

Para interpretar correctamente dicha tabla, deben formularse las siguientes

observaciones:

a) La columna de las frecuencias simples, encabezada por ni, i (1, 2, ...

, 8), recoge la frecuencia absoluta de cada uno de los ocho intervalos de clase;
as, 240 es el nmero de individuos cuyos valores del CI estn comprendidos
entre 160 (inclusive) y 165. La frecuencia total toma el valor n = 1.000
individuos.

b) Las frecuencias acumuladas ascendentes las hemos designado por Ni

(i=1, 2, ... , 8) y a cada una de ellas corresponde el nmero de individuos de CI
inferior al extremo superior de la clase; as, N4 = 308, significa que se han
hallado 308 individuos con un CI inferior a 165.

c) Las frecuencias relativas ordinarias y acumuladas ascendentes y

descendentes encabezadas, respectivamente, por fi, Fi y Fi vienen
determinadas por el cociente de dividir la correspondiente frecuencia absoluta o
acumulada (ascendente o descendente) por la frecuencia total. As, v. gr.:

f4 = 240/1.000 = 0'240, F4 = 308/1.000 = 0'308 y F4 = 692/1.000 = 0692

296
 ANEXO 2

La suma de las frecuencias relativas ordinarias y la ltima frecuencia

relativa acumulada ascendente han de ser siempre iguales a la unidad, puesto que
representan la probabilidad total del espacio muestral.

d) La representacin grfica de una tabla de frecuencias ordinarias

(absolutas o relativas), cuando la variable es continua (como es el caso de
muchas de las variables psicolgicas, que pueden tomar valores intermedios entre
dos consecutivos) est distribuida en clases -como las de la tabla anterior-, debe
realizarse mediante un histograma de rectngulos yuxtapuestos (FIG. A-2.2.),
que se construye tomando como abscisas los extremos de los intervalos y
levantando sobre cada intervalo, tomado como base, un rectngulo cuya rea sea
directamente proporcional a la correspondiente frecuencia (absoluta o relativa).
Si los intervalos son de la misma amplitud (caso de la tabla de la figura anterior,
que van de 5 en 5 unidades), la altura de cada rectngulo es proporcional a la
correspondiente frecuencia. En nuestra figura se ha supuesto que el extremo
inferior de la variable es 145 y el superior 185, aunque, de hecho, los extremos
inferior y superior, respectivamente, del campo de existencia de la misma son de
120 y 208, correspondientes a los individuos de CI mnimo y mximo de todos
ellos, pero deben ser considerados como outliers.

FIG. A-2.2. Histograma de rectngulos yuxtapuestos

e) La representacin grfica de una tabla de frecuencias acumuladas,

cuando la variable continua se ha distribuido en intervalos de clase (figura A-
2.3.), se obtiene mediante un polgono de frecuencias o diagrama acumulativo
ascendente, que consiste en unir mediante una lnea poligonal los puntos cuyas
abscisas son los extremos superiores de cada intervalo de clase (150, 155, 160,
etc., en nuestro ejemplo) y cuyas ordenadas son las correspondientes frecuencias

297
EJEMPLOS PRCTICOS

acumuladas. En la figura mencionada, para un valor cualquiera de la variable

psicolgica en estudio x, la ordenada correspondiente representa el nmero
(absoluto o relativo) de individuos que tienen su CI inferior a dicho valor de x.

El diagrama suele partir de un punto de ordenada cero cuya abscisa es el

extremo inferior de la tabla (en nuestro ejemplo, hemos tomado para dicho
extremo la abscisa x = 145>120); a partir del extremo superior de la tabla
(185<208, en nuestro caso) la lnea es una recta paralela al eje de abscisas, cuya
altura constante es igual a la frecuencia total (n = 1.000 individuos, en el
problema cuya resolucin afrontamos). As:

Fig. A-2.3. Diagrama acumulativo ascendente de los cocientes intelectuales

De la tabla anterior, que se reproduce en la figura anterior A-2.1, se

deduce tambin el siguiente grfico, donde se representan simultneamente los
diagramas acumulativos ascendente y descendente, cuyo punto de interseccin
debe ser la mediana o segundo cuartil de esta distribucin de frecuencias, como
se ver ms adelante:

298
 ANEXO 2

DIAGRAMAS ACUMULATIVOS ASCENDENTE Y

DESCENDENTE

1200 1200
Frecuencias absolutas

1000 1000
acumuladas (Ni)

800 800
Ni+
600 600
Punto de corte (168'08, 500) Ni-
400 400

200 200

0 0
145 150 155 160 165 170 175 180 185

Marcas de clase (CI)

Fig. A-2.4. Diagramas acumulativos ascendente y descendente de los cocientes intelectuales

2. "Normalizacin" del problema

Una variable aleatoria que se distribuya con la funcin de densidad que ya

hemos relacionado en otras partes de este mismo libro, concretamente en el
anexo n: 1 anterior, recibe el nombre de normal debido a que la distribucin
binomial, considerada en su caso lmite, es la que corresponde corrientemente o
habitualmente a la mayor parte de las variables empricas, entre ellas las
psicolgicas. Una ampliacin de conceptos tericos en relacin a la expresada
distribucin de probabilidad, puede encontrarse en el anexo n: 1 de este mismo
libro (Restantes especificaciones metodolgicas).

Desde luego, entre las muchas distribuciones continuas que se utilizan en

Estadstica y que pueden tener provechosas aplicaciones en el estudio de las
variables psicolgicas, la curva normal o distribucin normal es, con mucho, la
ms importante de ellas. Su estudio data de investigaciones sobre la naturaleza de
los errores experimentales, llevadas a cabo en el siglo XVIII. Se observaba
entonces que las discrepancias entre las medidas repetidas de la misma cantidad
fsica mostraban un sorprendente grado de regularidad; sus aspectos
(distribucin), segn se encontr, podan aproximarse muy bien mediante un
cierto tipo de curva de distribucin continua, denominada curva normal de
errores y atribuida a las leyes del azar. Las propiedades matemticas de este tipo
de curva de distribucin continua y su base terica fueron investigadas, por

299
EJEMPLOS PRCTICOS

primera vez, por Abraham de Moivre1 (1667-1745), Pierre Laplace (1749-1827)

y Karl Gauss (1777-1855). Este ltimo fue un gran matemtico alemn que, con
sus brillantes aportaciones sobre las geometras no euclideanas, hizo posible la
aparicin de las ciencias formales.

La importancia de la distribucin normal radica, en primer lugar, en que

son muy numerosas las variables aleatorias que la siguen, resultando adecuada
para describir la distribucin de muchos conjuntos de datos. En efecto,
numerosas medidas fsicas, datos meteorolgicos, caractersticas biolgicas,
variables econmicas y sociales, etc., siguen la ley normal, as como tambin
aparece en muchas investigaciones tericas. En segundo lugar, como
consecuencia del teorema del lmite central, que establece que la suma de un
nmero elevado de variables aleatorias converge a una distribucin normal, sea
cual sea la distribucin de estas variables. Adems, en ciertas condiciones, las
distribuciones discretas pueden ser substituidas por distribuciones normales, lo
que simplifica notablemente los clculos correspondientes. Hay que tener mucho
cuidado, en fin, al suponer que un determinado conjunto de observaciones se
puede aproximar por una distribucin normal, pues ser necesario realizar una
comprobacin previa.

Como se ha visto, la curva normal tiene forma de campana extendida

indefinidamente en ambas direcciones, positiva y negativa, siendo asinttica en
relacin al eje de abscisas. Rara vez es necesario extender las colas de la curva
normal muy lejos de la media, porque el rea comprendida bajo la curva y el eje
horizontal que queda a ms de cuatro o cinco desviaciones tpicas de la media
aritmtica o esperanza matemtica resulta insignificante para la mayora de los
fines prcticos y, entre ellos, los propios de la Psicologa aplicada. Debe tenerse
en cuenta que no todas las distribuciones acampanadas simtricas en relacin al
eje de ordenadas son distribuciones normales, y las palabras distribucin normal
refirense al hecho de que el rea bajo la curva se distribuye de una manera
determinada.

Una importante propiedad de la curva normal es que est completamente

determinada por su media y su desviacin tpica. Es decir, la ecuacin
matemtica de dicha curva es tal que se puede determinar el rea existente bajo la

1 Abraham de Moivre (Vitry-le-Franois, Champagne, Francia, 26 de mayo, 1667 - Londres, 27 de

noviembre, 1754). A pesar que la posicin social de su familia no est clara, su padre, cirujano de
profesin, pudo mandarlo a la academia protestante de Sedan (1678-82). De Moivre estudi lgica en
Saumur (1682-84), asisti al Collge de Harcourt en Pars (1684), y estudi privadamente con Ozanam
(1684-85). De todas maneras no hay referencias que De Moivre haya obtenido ttulo acadmico alguno.
Conocido por la frmula de Moivre, la cual conecta los nmeros complejos y la trigonometra, y por su
trabajo en la distribucin normal y probabilidad. Fue elegido un miembro de Royal Society de Londres en
1697, y fue amigo de Isaac Newton y Edmund Halley. De Moivre escribi un libro de probabilidad
titulado The Doctrine of Chances. Como era calvinista, tuvo que salir de Francia despus de la revocacin
del Edicto de Nantes (1685), y pas el resto de su vida en Inglaterra. Toda su vida fue pobre y era cliente
regular del Slaughter's Coffee House, en St. Martin Lane, en Cranbourn Street, donde ganaba algo de
dinero jugando al ajedrez. Muri en Londres, siendo enterrado en St Martin's-in-the-Fields, aunque ms
tarde su cuerpo fue trasladado.

300
 ANEXO 2

curva entre dos puntos cualesquiera del eje horizontal si se conoce el valor que
adoptan ambos parmetros, aunque en la prctica dichas reas se obtienen
valindose de tablas especiales elaboradas al efecto. Por otra parte, la
probabilidad o frecuencia relativa con que una variable psicolgica tomar
valores entre dos puntos es el rea bajo la curva comprendida entre los dos
puntos del eje horizontal.

Si se representa grficamente esta funcin (FIG. A-2.5), encontraremos

que est definida para todos los valores de x (desde - hasta +) y con las
siguientes propiedades:

a) Solamente existe la curva para valores positivos de las ordenadas.

b) El eje de abscisas OX es una asntota horizontal de la curva.

c) Existe un mximo absoluto para el punto x = .

d) Es creciente hasta el mximo y despus es decreciente.

e) Existen dos puntos de inflexin: para x = - y para x = +.

f) Es cncava hacia la regin positiva del eje 0Y, para - < x < - y
para + < x < + y cncava hacia la regin negativa del eje de
ordenadas en el intervalo: - < x < +.

FIG. A-2.5. rea bajo la curva normal entre los puntos x1 y x2

Dentro de la ley normal los valores ms prximos a son ms frecuentes

que los ms alejados de . La utilizacin e interpretacin de esta funcin para

301
EJEMPLOS PRCTICOS

Gauss puede verse a travs de un ejemplo como el que nos ocupa: supongamos
que se efectan 1.000 mediciones del cociente intelectual de un mismo individuo
superdotado, cuyo CI verdadero es de 168; en este caso se dice que = 168. Las
medidas efectuadas se acumularn en mayor proporcin alrededor de cuanto
ms prximas estn a dicho valor y sern menos frecuentes cuanto ms alejadas
se encuentren de .

El parmetro est relacionado con la precisin de las mediciones

realizadas al medir el parmetro . Si se hace igual a la unidad el rea
comprendida entre la curva y el eje de abscisas y se supone que los CI medidos
que han estado comprendidos entre los valores x1 y x2 representan el diez por
ciento de las 1.000 mediciones realizadas, el rea rayada de la figura anterior
debe ser igual a 010. Tambin sabemos hoy que el rea comprendida entre la
curva, el eje de abscisas y las ordenadas x = - y x = + corresponde,
aproximadamente, al 64 por ciento del rea total. Por lo tanto, ya tenemos un
significado del hasta ahora desconocido parmetro : cuanto menor sea el valor
de (que se denomina desviacin tpica o standard en la terminologa
estadstica) tambin sern de menor cuanta los errores que se cometen al medir
el CI ; es decir, si el test empleado para medir el CI es ms perfecto o si es ms
hbil la persona encargada de medirlo (psiclogo experimentador), ser un
nmero menor que en el caso contrario.

La funcin de densidad normal o la funcin de distribucin normal son

dos modelos matemticos inspirados por la conocida ley de los errores o ley de
Gauss, cuya introduccin ya ha sido realizada en el anexo anterior. Pues bien, la
Estadstica ha incorporado a su metodologa como un modelo probabilstico
esencial esta ley de Gauss con el nombre de funcin de densidad normal. Si y =
f(x) es dicha funcin de densidad o de probabilidad, se puede definir a partir de
ella la denominada funcin de distribucin normal F(x), tal que:

x
F(x) = f(x)dx ,
-

y dicha integral impropia de primera especie significa que a cada valor de x

corresponde un nmero F(x) determinado por la probabilidad de que la variable
(CI, en nuestro ejemplo) tome un valor menor o igual a x.

Las reas comprendidas bajo la curva normal y el eje de abscisas

representan probabilidades, que quedan acotadas por las correspondientes
ordenadas. En estas condiciones, la probabilidad de que la variable x (en nuestro
caso se trata del CI del individuo) tome un valor comprendido entre x1 y x2,
vendra dada de la siguiente forma, como deduciremos posteriormente, aplicando
la propiedad de la aditividad del intervalo de integracin en las integrales
definidas:

302
 ANEXO 2

x2 x1 x2

Pr ( x 1 < x x 2 ) = F(x 2 ) F(x 1 ) = f(x)dx f(x)dx = f(x)dx =

- - x1

x2 ( x - ) 2
x ( x -168'325) 2

1 1 2

= 2
x1
e 2 2
dx = e
6 '36 2 x1
2 6 ' 36 2
dx =

x2 ( x -168'325) 2

= 0 '063 e 80 '9
dx
x1

, en que ya hemos aplicado los parmetros correspondientes de nuestro problema,

que tendremos ocasin de calcular con posterioridad. Es decir, como la ltima
integral permite conocer el rea rayada de la figura A-2.5, dicha rea representa
la probabilidad de que la variable x = CI (que en el Clculo de Probabilidades es
una variable aleatoria o estocstica, en lugar de una variable estadstica) tome
un valor comprendido entre x1 y x2 .

En el caso de que la tabla anterior correspondiera a 1.000 mediciones

distintas de un mismo CI (en lugar de corresponder a los CI medidos en 1.000
individuos distintos), la distribucin de frecuencias determinada por las columnas
encabezadas por "CI" y por "fi" presentara una imagen emprica de una funcin
de densidad normal. Si los resultados se hubieran obtenido a partir del modelo
matemtico, en lugar de constituir una observacin de la realidad, para: x1 = 165
y x2 = 170, se tendra que:

170
165
f(x)dx = 0'312

Conocidas la media aritmtica y la desviacin tpica, se pueden tabular las

reas comprendidas bajo la curva normal. En realidad, para = 168325 (media
aritmtica o esperanza matemtica de aquella distribucin de frecuencias) y para
= 6'36 (desviacin tpica) se tiene que:

170
165
f(x)dx = 0'303 ,

cuya diferencia: 0'312 - 0'303 = 0'009 es una medida de la discrepancia existente

entre la realidad y el modelo terico que ha sido considerado y para la clase
particular "CI comprendido entre 165 y 170".

Las reas comprendidas entre menos infinito y x son los valores de la

funcin de distribucin para cada valor de la variable psicolgica x.

De la misma manera, la distribucin de frecuencias determinada por la

primera columna de la tabla de la figura A-2.1. y la encabezada por Fi,
constituyen una imagen emprica de la funcin de distribucin normal que

303
EJEMPLOS PRCTICOS

venimos considerando. En este caso, los resultados emprico y terico, para x

=170, seran, respectivamente:
170
F5 =
170

-
f(x)dx = 0'620 , y tambin: -
f(x)dx = 0'622

que implicaran una discrepancia absoluta de 0'002 y relativa del 032% entre el
valor terico y el correspondiente valor observado, que resulta ser francamente
baja.

3. Caractersticas de la distribucin

3.1. Medidas centrales o promedios

Comenzaremos, como es habitual, por el clculo de los diferentes

promedios o valores de la distribucin de la variable CI. Para ello, y a partir de
la tabla inicial, elaboraremos la siguiente:

nilog xi log xi CI xi ni xini Ni xi2ni ni/xi

6506 21687920 Menos de 150 1475 3 4425 3 65.26875 0020
32749 21832698 De 150 a 155 1525 15 2.2875 18 348.84375 0098
109864 21972806 De 155 a 160 1575 50 7.8750 68 1.240.31250 0318
530605 22108534 De 160 a 165 1625 240 39.0000 308 6.337.50000 1477
693893 22240148 De 165 a 170 1675 312 52.2600 620 8.753.55000 1863
525645 22367891 De 170 a 175 1725 235 40.5375 855 6.992.71875 1362
242913 22491984 De 175 a 180 1775 108 19.1700 963 3.402.67500 0608
83667 22612629 De 180 y ms 1825 37 6.7525 1.000 1.232.33125 0203
2.225842 /////// TOTAL / / / 1.000 168.3250 / / / 28.373.20000 5949

FIG. A-2.6. Clculos auxiliares de la distribucin de cocientes intelectuales (I)

Veamos, a continuacin, los diferentes promedios o valores centrales

analizados:

* Media Aritmtica: a partir de los correspondientes resultados se tiene

que, tratndose de una distribucin conjunta de frecuencias:

h
X = x i n i / n = = 168 .325 / 1 .000 = 168 '325
i =1

que constituye la media aritmtica o esperanza matemtica de la distribucin de

frecuencias de la variable psicolgica analizada.

Por otra parte, y por lo que se refiere a la determinacin de otros

promedios o medidas centrales de esta distribucin de frecuencias, veamos que, a
partir de la primera columna y de la encabezada por Ni (tabla de la figura A-

304
 ANEXO 2

2.6.) se obtienen los siguientes resultados promedios (como Ni = 500 est en el

intervalo del 165 a 170, en l se encuentra la mediana o segundo cuartil):

* Mediana: Me = 165 + [(500-308)/312] x 5 = 16808 168

, que se halla situada en el punto de corte o interseccin de los diagramas
acumulativos ascendente y descendente, por definicin (vase figura
correspondiente A-2.4).

* 1.er cuartil: Q1 = 160 + [(250-68)/240] x 5 = 16379 164

* 3.er cuartil: Q3 = 170 + [(750-620)/235] x 5 = 17277 173

Es decir, entre los individuos integrantes del colectivo en estudio, la mitad

tienen un CI inferior a 16808, la cuarta parte, un CI inferior a 16379, otra cuarta
parte, ms de 17277 y entre los cocientes intelectuales 16379 y 17277 se
encuentra el 50% de aquellos individuos.

Otros promedios interesantes para nuestro estudio seran los siguientes:

* Moda: Mo = 165 + [(235/240+235)] x 5 = 167'47

* Media cuadrtica:
8
C= x
i =1
2
i ni / n = 28 .373 .200 / 1.000 = 168 '44

* Media geomtrica:
8 8
G = n xini = antil og. n i log x i / n =
i =1 i =1

= antilog 2.225'842/ 1.000 = 168'2062

* Media armnica:
8
H = n / ni / xi = 1.000 / 5'949 = 168 '0955
i =1

Desde luego, las cuatro medias aqu estudiadas quedan ordenadas, con
arreglo a su magnitud, del modo siguiente:

armnica < geomtrica < aritmtica < cuadrtica

(H = 168'0955) < (G = 168'2062) < ( X = 168'3250 ) < (C =168'4435)

305
EJEMPLOS PRCTICOS

3.2. Medidas de dispersin o concentracin

Por lo que se refiere a la desviacin tpica o "standard", como medida de

la dispersin absoluta de la distribucin por el colectivo analizado de nuestra
variable psicolgica CI, veamos que su valor vendr dado por:

= C 2 X 2 = 168 '4435 2 168 '325 2 = 6'36 ,

y un coeficiente de variacin de Pearson (medida de dispersin relativa) de :

CV = / X = 6'35/168'325 0'038 = 3'8%.

Recorrido o rango: R = 1825 1475 = 35

Recorrido relativo: R = R / X = 35/168325 = 0208

Coeficiente de apertura: Cap = x8/x1 = 1825/1475 = 12373

Recorrido intercuartlico:

Q3 - Q1 = 173 - 164 = 9,

Recorrido semi-intercuartlico:

(Q3 - Q1) / (Q3 + Q1) = 9 / (173 + 164) = 0'02671 27%,

es decir, que en ambos casos, la medida de dispersin empleada viene a

representar aproximadamente slo alrededor del 3% del correspondiente
promedio. Desde luego, ello indicara que el grado de uniformidad y
equilibrio del colectivo que nos ocupa, en relacin a la distribucin de los
cocientes intelectuales de los individuos que lo componen, resulta
francamente elevado. En efecto, los coeficientes de uniformidad
anteriormente definidos (ver anterior anexo n: 1), tomarn, en este caso, los
siguientes valores:

CU 1 = 100 (1 CV ) = 100 (1 0'038 ) = 96'2%

CU 3 = 100 (1 1'27 CV ) = 100 (1 1'27 0'038 ) = 95'2%
CU = 100 (1 0'80 CV ) = 100 (1 0'80 0'038 ) = 97 '0%
4

debiendo considerarse tambin que:

CU 2 = (Q1 / X )100 = (163'79 / 168'325) 100 = 97'3%

, si bien otra determinacin del mismo coeficiente de uniformidad psicolgica

conducira al valor:

306
 ANEXO 2

CU2 = 100 (1- 0'68 CV) = 100 (1 - 0'68 x 0'038) = 97'4% ,

cuya pequea discrepancia (+0'1%) con el resultado anterior dbese al propio

ajuste de normalidad, o bien al proceso de clculo decimal.

Veamos, por ltimo, que el "coeficiente de uniformidad psicolgica

medio", ofrecer un valor de:
__
CU = 100 (1 - 0'92CV) = 100 (1 - 0'92 x 0'038) = 96'5% ,

mientras que tambin:

Q1 163'79
CU 5 = 100 = 100 = 97 '4%
Q3 172 '77

La representacin grfica de los valores de los diferentes coeficientes de

uniformidad hallados, en definitiva, es la siguiente:

COEFICIENTES DE UNIFORMIDAD (%)

98

97,5

97

96,5

96 %

95,5

95

94,5

94
CU1 CU2 CU3 CU4 CU5 CU

FIG. A-2.7. Valores de los diferentes coeficientes de uniformidad psicolgica

3.3. Otras caractersticas de la distribucin de frecuencias

Por lo que se refiere a las restantes caractersticas de la distribucin de la

variable psicolgica CI, veamos que una de la asimetra o sesgo la constituye el
denominado "1.er coeficiente de asimetra de Pearson", que viene expresado por:

307
EJEMPLOS PRCTICOS

X M0 168 '325 167 '47

P1 = = = 0'134 0 ,
6'36

luego se trata, en nuestro caso, de una distribucin prcticamente simtrica.

Tambin podramos calcular el "2 coeficiente de asimetra de Pearson", a

saber:
3 (X M e ) 3 (168 '325 168 '08 )
P2 = = = 0'113 ,
6'36

o bien el "coeficiente de sesgo cuartlico", de valor:

Q 3 2 Q 2 + Q1 172 '77 2 168 '08 + 163 '79

= = 0 '045 ,
Q 3 Q1 172 '77 163 '79

que conducen, en todos los casos, a conclusiones similares. Cabe observar, no

obstante, una ligera asimetra o sesgo hacia la derecha, puesto que: P1>0, P2>0 y
tambin:

X = 168325 > Me = 16808 > Mo = 16747

As mismo, se elaborar la siguiente tabla:

ni xi-168 (xi-168)3 ni (xi-168)4 ni xi-168 ni

3 -205 -25.8444 529.8102 615
15 -155 -55.8512 8656936 2325
50 -105 -57.8813 607.7536 5250
240 -55 -39.9300 219.6150 1.3200
312 -05 -390 195 1560
235 45 21.4146 96.3657 1.0575
108 95 92.5965 879.6667 1.0260
37 145 112.8000 1.635.6000 5365
8

1.000 / / / / 47.2652 4.834.5243 4.9150

i=1

FIG. A-2.8. Clculos auxiliares de la distribucin de cocientes intelectuales (II)

De los resultados de la tabla de la figura anterior, se deduce que el

momento central (respecto a la media aritmtica) de tercer orden es:

m3 = 47'2652 ,

por lo que se tendr un "coeficiente directo de asimetra" o "coeficiente de sesgo"

de Fisher de:

308
 ANEXO 2

g1 = m3/3 = 47'2652/6'363 = 0'18 ,

que confirma la existencia de una distribucin aceptablemente simtrica (en

curvas simtricas como la normal, se cumple que: g = g 2 = 0).
1 1

Por otra parte, m4 = 4.834'5243 (momento central o respecto a la media

aritmtica, de 4 orden) y, por tanto, se tendr un coeficiente de curtosis de
Fisher de:
4 4
g2 = (m4/ ) - 3 = (4.834'5243/6'36 ) - 3 = 2'95 - 3 = - 0'05 0 ,

lo que permite asegurar que la distribucin es mesocrtica y aproximadamente

normal (la curva normal, como es sabido, tiene un valor: g2 = 0).

Veamos, as mismo, que la anterior tabla de clculo (ver figura A-2.8), en

su ltima columna, nos permitir el clculo de otra medida de dispersin absoluta
a la que ya nos hemos referido con anterioridad: la desviacin media respecto a
la media aritmtica (que sera mnima con respecto a la mediana), a saber:

x i X ni
DM = i =1
= 4.915 / 1.000 = 4'915 4 / 5 =
n
= 4 6'36 / 5 = 5'088

Este valor de la DM, en la presente distribucin agrupada de frecuencias,

conducir a una determinacin ms ajustada y directa del valor del coeficiente de
uniformidad psicolgica CU4, a saber:

CU4 = 100 (1 - 4'915/168'325) = 97'08 % ,

prcticamente coincide con el anteriormente calculado (9700%) mediante

procedimientos indirectos.

3.4. ndice de Gini y curva de Lorenz

Para la determinacin de dichos tems, cuya fundamentacin terica y

aplicacin a los problemas psicolgicos ya ha sido explicada en el anterior anexo
de este apndice de nuestro libro, resulta necesaria la elaboracin de la siguiente
tabla de clculos auxiliares:

309
EJEMPLOS PRCTICOS

(CI)i = ni x i n i
Li xi 100 pi qi pi-qi
ni xini 100
n x i n i (%) (%) (%)
<150 1350 3 4050 03 024 03 024 006
150-155 1525 15 2.2875 15 136 18 160 020
155-160 1575 50 7.8750 50 467 68 627 053
160-165 1625 240 39.0000 240 2312 308 2939 141
165-170 1675 312 52.2600 312 3097 620 6036 164
170-175 1725 235 40.5375 235 2403 855 8439 111
175-180 1775 108 19.1700 108 1136 963 9575 055
>180 1940 37 7.1780 37 425 100 100 000
8

i =1
n= CI =
1.000 168.7130
100% 100% 3835 3780 550

FIG. A-2.9. Clculos auxiliares para la determinacin de G

En este caso, al objeto de precisar mejor los clculos, los valores de la

primera y ltima marca de clase: x1 = 1350 y x8 = 1940 se han estimado
teniendo en cuenta los valores extremos: (CI)0 = 1200 y (CI)4 = 2080, a los que
antes hemos considerado outliers.

As pues, segn la frmula dada por Pulido, el valor del ndice de Gini, en
este caso, ser de:
K -1

(p i qi )
5'50
G= i =1
K -1
= = 0'02 = 2%
p
283'5
i
i =1

Habida cuenta del bajsimo valor del ndice obtenido, podemos afirmar
que la distribucin de los CI de los individuos componentes del colectivo
analizado es casi perfecta desde el punto de vista estadstico.

La correspondiente curva poligonal de Lorenz apenas se separa de la

diagonal o bisectriz del primer cuadrante, dado el bajsimo valor del ndice de
Gini ya obtenido, por lo que obviaremos su representacin grfica, a efectos
prcticos. En cualquier caso, ampliaremos el concepto acerca de esta importante
curva en epgrafes posteriores de este mismo anexo.

3.5. ndice de Williamson

En nuestro caso, la variable psicolgica en estudio es el CI global que

posee cada intervalo de clase. Por ello, la frmula pertinente (ver anexo n: 1), en
relacin al nmero de individuos, vendr dada por la expresin:

310
 ANEXO 2

2
8
(CI)i CI n i

i =1 n

n n
WCI, n = i
, i (1,2, ...,8)
(CI)/n

Esto es:
8
168.713
x i fi
1.000
W= i =1
=
168'713
(135'0 - 168'713)2 0'003 + (152'5 168'713)2 0'015 + (157'5- 168'713)2 0'05 +
=
168'713
+ (162'5 168'713)2 0'24 + (167'5- 168'713)2 0'312 + (172'5 168'713)2 0'235 +
168'713
+ (177'5- 168'713)2 0'108 + (194'0 168'713)2 0'037 58'73
= = 0'59
168'713 168'713

que, como era de esperar, resulta ser muy bajo.

3.6. Curva e ndice de concentracin de Lorenz

3.6.1. Otras especificaciones acerca de la curva de Lorenz

En el ejemplo que desarrollamos se considera una poblacin de N = 1.000

individuos y la variable estadstica X = {xi, ni}, i = 1, 2, 3..., r, donde xi es el CI
r
correspondiente a cada una de los individuos del colectivo, siendo N = n i .
i =1
i
Supongamos adems que: x1 < x2 < ... < xr. Llamemos u i = x j n j es decir, el
j=1

cociente intelectual total posedo por los individuos cuyo CI es menor o igual que
N
xi. Sea p i = i 100 , es decir, el porcentaje de individuos poseedores del
N
cociente intelectual ui (Ni es la frecuencia absoluta acumulada ascendente, es
decir, el nmero de individuos poseedores del cociente intelectual ui); sea
u
q i = i 100 , es decir, el porcentaje del cociente intelectual posedo por los Ni
ur
individuos anteriores.

Pues bien, la curva de Lorenz es la lnea poligonal quebrada que une los
puntos (0, 0), (p1, q1), (p2, q2), (p3, q3), ..., (pr, qr). En este caso, r = 8.

311
EJEMPLOS PRCTICOS

En el problema que nos ocupa, la correspondiente curva poligonal de

Lorenz apenas se separa prcticamente de la diagonal o bisectriz del primer
cuadrante, dado el bajsimo valor del ndice de Gini obtenido (G = 002), como
hemos tenido ocasin de comprobar con anterioridad.

Tambin puede resultar de inters, en nuestro caso, la aplicacin de la

funcin del econmetra italiano Vilfredo Pareto (1848-1923) a la distribucin de
los cocientes intelectuales por todo el colectivo de superdotados en cuestin2.

3.6.2. ndice de concentracin de Lorenz

En el problema que contemplamos, veamos que un valor aproximado de

este ndice es el que se obtiene mediante la aplicacin de la frmula basada en los
porcentajes acumulados, que se emplea comnmente en los trabajos prcticos.
Aqu, la frmula correspondiente explicada en el anexo anterior de este mismo
libro, tomar la configuracin simplificada (con n = 8 y qn = 100):
7 7

2 i =1 qi
qi
L = 1 = 1- i =1

7 100 350

El resultado que ofrece la aplicacin de la frmula anterior es el siguiente,

teniendo en cuenta, como ya se ha dicho, que resulta necesario ordenar los
valores de la variable psicolgica en estudio (CI) de menor a mayor, para la
aplicacin correcta de la frmula, as:

Xi qi
024 024
136 160
425 585
467 1052
1136 2188
2312 4500
2403 6903
3097 10000
8

i =1
10000 25412

FIG. A-2.10. Ordenacin creciente de los porcentajes acumulados de cocientes intelectuales

2 Educado como ingeniero y matemtico, Pareto se dedic, en una primera etapa, a la aplicacin de las
matemticas a la economa. Sucedi a Len Walras en la ctedra de economa de la Universidad de
Lausanne, en 1892. Utilizando las curvas de indiferencia introducidas por Edgeworth, logr establecer las
condiciones matemticas para que se produjera el Equilibrio General; cre el concepto de "ptimo",
llamado luego ptimo paretiano, para referirse a una situacin donde se obtiene una mxima utilidad dado
un conjunto previo de bienes o servicios. Sus trabajos sirvieron como punto de partida para la llamada
Economa del Bienestar. Critic agudamente al socialismo.

312
 ANEXO 2

A esta distribucin de probabilidad le corresponde, pues, el ndice de

Lorenz:

154'12
L =1 - = 056
350

4. Ajuste a una distribucin normal

4.1. La hiptesis de normalidad y el estadgrafo 2

La distribucin que venimos estudiando de la variable psicolgica CI, en

el colectivo de superdotados considerado, puede ajustarse a una distribucin
normal. De este modo, la distribucin terica de los cocientes intelectuales
vendr dada, como ya se ha visto, por la funcin de densidad normal:
( x 168 '325 )2
y = (1 / 6'36 2 ) e 80 '8992

Mediante los mtodos adecuados de la Estadstica Matemtica, sera

posible justificar la bondad de este ajuste contrastando la hiptesis de
2
normalidad mediante el empleo del estadgrafo de Pearson, tal como ya se
realiza en algn otro apartado de esta misma obra.

En la figura A-2.11 se ha representado grficamente la funcin anterior.

En realidad, tal representacin significa el ajuste de una funcin de densidad
normal a la distribucin de los CI observados por medicin de los mismos.
Utilizando una tabla de la distribucin normal como la que incluimos en este
mismo captulo, podemos obtener las reas de las superficies que estn limitadas
por la curva normal, el eje de abscisas y las ordenadas en los extremos o lmites
de los intervalos de clase. Dado que, como es bien sabido, dicha rea total es
igual a la unidad (probabilidad total del espacio muestral), resultar que cada una
de ellas expresa la probabilidad pi de que la variable CI tome un valor
perteneciente al correspondiente intervalo de clase.

Para proceder al ajuste es necesario transformar los valores observados de

la variable CI (en este caso representados por el lmite superior Li de cada
intervalo de clase) en valores tipificados o "estandarizados", lo que se consigue
restando de cada Li la media aproximada de valor 168 (columna 2 de la tabla de
la figura A-2.12) y dividiendo dicha diferencia por la desviacin tpica 6'36 de la
distribucin observada (3 columna), al objeto de poder emplear las tablas de la
distribucin normal, obtenidas para una distribucin de media = 0 y desviacin
tpica = 1. As:

313
EJEMPLOS PRCTICOS

FIG. A-2.11. Distribucin campaniforme o gaussiana de los CI

FIG. A-2.12. Ajuste a una distribucin normal de los CI

Las reas bajo la curva normal se obtienen como diferencia entre los
valores correspondientes de la funcin de distribucin. A partir de estos valores
tipificados se puede emplear la Tabla de la Distribucin Normal, calculando
mediante las oportunas interpolaciones, en su caso, los valores P, tales que:
-2'817 -2'034
P1 = f(t)dt = 0'002 ; P2 = f(t)dt = 0'021 ; etc.,
- -
siendo:

314
 ANEXO 2

t = Z = (x)/

La diferencia entre dos Pi consecutivas determina las probabilidades pi de

que la variable CI tome un valor comprendido entre Li-1 y Li, de tal manera que:

p1 = P1 = 0'002 ;
p2 = P2 - P1 = 0'021 - 0'002 = 0'019 ; etc.

Las frecuencias tericas son proporcionales a las correspondientes reas

existentes bajo la curva normal. Distribuyendo la frecuencia total, n = 1.000
individuos, en nuestro caso, proporcionalmente respecto a las probabilidades pi,
se obtienen las frecuencias tericas Ti, que corresponderan a los cocientes
intelectuales observados si la variable CI se ajustara exactamente al modelo
terico de la distribucin normal. En nuestro ejemplo, las discrepancias entre
los valores observados ni y los tericos Ti son lo suficientemente pequeas
como para que pueda aceptarse la hiptesis de que la variable psicolgica CI
sigue una distribucin normal, a pesar de la determinacin que realizaremos a
continuacin.

En cualquier caso puede hacerse, como ya se ha apuntado, un contraste de

la bondad del ajuste utilizando el estadgrafo 2 de Pearson, con (n-1) grados de
libertad, a saber:
n
(ni Ti )2
=
2

i =1 Ti

puesto que Ti > 5, a excepcin del correspondiente al primer intervalo de clase

L1, ya que T1 = 2.

De este modo, se tendr:

2 =
(3 2 )2 + (15 19 )2 + (50 84 )2 + (240 214 )2 + (312 303 )2 +
2 19 84 214 303

+
(235 242 ) + (108 107 ) + (37 29 ) = 20'95
2 2 2

242 107 29

El valor de 2 con: 8-1 = 7 g.l., para una probabilidad del 5% es 14'067 <
20'95, luego se rechaza la hiptesis nula y, en su consecuencia, el ajuste o
asimilacin a una distribucin normal ser slo orientativo, pero no aceptable
estrictamente.

4.2. Determinacin y fiabilidad del coeficiente de correlacin no lineal

Podemos, no obstante, calcular el coeficiente de determinacin o crtico

del ajuste anterior, a partir de la siguiente frmula de la varianza residual:

315
EJEMPLOS PRCTICOS

e 2
i
2 .044
S e2 = i =1
= = 255 '5 ; S 2n i = 12 .617 ;
n 8
2
S 255 '5
R = r 2 = 1 e2 = 1 = 0 '980 ,
S ni 12 .617

lo que implica un coeficiente de correlacin de:

r= 0'980 = 0'990

que resulta suficientemente aceptable, razn por la que aceptaremos como

vlido el presente ajuste normalizado.

Por otra parte, y por lo que se refiere a la fiabilidad del coeficiente de

correlacin hallado r, definimos la variable aleatoria:

Z = 1 / 2 ln [(1+r) / (1-r)] ; e2z = [(1+r) / (1-r)] ;

con: = 0'990 y n = 8.

Se trata de determinar un intervalo de valores entre los que puede

razonablemente esperarse (con una probabilidad del 95%) que se encuentre r,
con media:
1+ 1'99
ln ln
1
z = = 0'01 = 2'647
2 2
y desviacin tpica:
1 1
z = = = 0'447
n3 5
El intervalo buscado ser:

Z = z 2 z = 2'647 0'894 = 3'541 y 1'753 ,

valores stos que corresponden a: r1 = 0'998 y r2 = 0'942 .

As pues, puede afirmarse que la probabilidad de que se cumpla la

desigualdad: 0'942 < r < 0'998, es del 95%.

Aunque la relacin precedente simplifique, de modo notable, el problema

de determinar la exactitud de r como estimador de , tiene la desventaja de no ser
fiable si las dos variables analizadas no poseen una distribucin normal conjunta.
En su consecuencia, a menos que se est bastante seguro de que estas variables
tengan tal distribucin -por lo menos con una buena aproximacin- no debe
confiarse grandemente en los resultados obtenidos.

316
 ANEXO 2

5. Distribucin exponencial

Un caso particular de la distribucin anteriormente estudiada (,a) en el

anexo anterior de nuestro libro se presenta cuando: = 1, circunstancia que da
lugar a la denominada distribucin exponencial, a la que tambin nos hemos
referido con anterioridad. O sea, se tiene la siguiente funcin de densidad:

e -x/
, x > 0
f(x) =
0 x 0

En nuestro caso, asimilamos: = X = 168713 (media aritmtica de la

distribucin o esperanza matemtica de la misma), con lo que:

x
1 -
f(x) = e 168'713
168'713

As pues, si se trata, por ejemplo, de saber la probabilidad de encontrar, en

el colectivo de superdotados analizado, un individuo de CI mximo inferior a
160, el problema estriba entonces en calcular la integral definida:
-x
160 e 168'713 t = x/168'713
F(x < 160) = 135 168 '713
dx =
dx = 168'713 dt
=

(haciendo el correspondiente cambio de variable)

=
0 ' 95

0 '80
[ ]
e - t dt = - e - t
0 ' 95
0 '80 = -e - 0'95 + e - 0'80 = 0 '44933 0 '38674 = 0 '06259 = 6 '3 %

resultado ste que diverge algo del que se deduce de la tabla de la figura anterior
A-2.1, donde correspondera el 68%, como se puede comprobar. De hecho, la
determinacin del grado de exactitud del ajuste de la distribucin anterior a la
distribucin terica exponencial se habra de contrastar mediante un test de
hiptesis 2 con (k-1) grados de libertad, siendo k el nmero de pares de clase
comparados. En nuestro caso, tendramos que:
xi
-
168'713
e 5'93
ei = n = x i / 168 ' 713 ;
168'713 e

Obviamente, el valor del estadgrafo es:

317
EJEMPLOS PRCTICOS

(n i e i ) 2
8
=2

i =1 ei

que resulta ser elevado e inapropiado, habida cuenta del carcter descendente de
esta distribucin terica de probabilidad, que no se corresponde con la realidad
del caso prctico cuya resolucin nos ocupa, con lo que, la discrepancia entre los
valores tericos (propios de la distribucin exponencial) y los reales es bastante
grande, y hara falta buscar una distribucin mejor, circunstancia que excede las
pretensiones de nuestro problema, ya que 2095 (5 g.l.) = 1107, en el caso de
escoger una regin crtica del 5%.

6. Correccin por agrupamiento en "clases"

Veamos, por ltimo, que por haberse realizado, en este ejemplo prctico,
un agrupamiento en clases o intervalos de amplitud: c = 5 de los valores de la
variable psicolgica analizada (coeficientes intelectuales de los individuos
componentes del colectivo de superdotados analizado), procede aplicar la
correccin de Sheppard para la determinacin de la desviacin tpica ms
ajustada de los datos del problema. Esto es:

c2 52
c2 = 2 = 168 '44 2 168 '32 2 = 38'33 = m2 (varianza corregida)
12 12

c = 38'33 = 6 '19 (desviacin tpica corregida),

que lgicamente, resultan ser de alguna menor cuanta que en la primera

determinacin efectuada. Ello podra obligar a una ligera revisin de los clculos
anteriores en los que se haya hecho intervenir a la expresada medida de la
dispersin, por el colectivo, de los valores de la variable psicolgica estudiada
CI. Como consecuencia de estas correcciones, se tendra tambin un coeficiente
de asimetra corregido de:

m3 47'2652
g1 corregido = 3
= = 0'20 , que resulta ser algo superior
( m2 corregido) ( 38'33) 3
al obtenido anteriormente.

Del mismo modo, obsrvese que el valor del momento central de 4 orden
sin corregir es: m4 = 4.8345243. Practicando ahora la correccin Sheppard
pertinente, que puede verse con mayor extensin en el ejemplo siguiente, se tiene
que:

m4 corregido = m4 ()c2m2 + (7/240) c4 =

= 4.8345243 (5)2(4045) + (7/240)(5)4 =
= 4.8345243 505625 + 182292 = 4.3471285

318
 ANEXO 2

As mismo, por lo que se refiere al coeficiente de curtosis corregido, se

tendr que:

g2 corregido = a4 corregido 3 =

m 4 corregido 4 .347 '1285

2
3= 3 = 2 '96 3'00 = 0 '04
( m 2 corregido) 38 '33 2

En cualquier caso, la restriccin que se impone para poder emplear este

tipo de correccin es el hecho que slo se puede aplicar para variables continuas,
donde las colas de la distribucin en ambas direcciones van a cero, como es el
caso de la que nos ocupa. Sin embargo, su inconveniencia estriba en que la
correccin puede modificar substancialmente algunos resultados, lo que conlleva
a cometer otro error, habindose generado mucha polmica entre los expertos
sobre cundo usar la correccin explicitada.

319
 EJEMPLOS PRCTICOS

II. SEGUNDO PROBLEMA

El presente ejercicio est adaptado del libro clsico de Murray R. Spiegel
titulado Teora y problemas de Estadstica. Ed. McGraw-Hill. Mxico, 1969,
citado en la bibliografa.

La tabla de la figura siguiente A-2.13. muestra las marcas de clase y

las frecuencias simples del cociente de inteligencia (CI) de 480 alumnos de
una cierta escuela elemental, obtenido mediante un test WISC (Wechsler
Intelligence Scale for Children). Se trata de hallar: (a) las medias aritmtica
y cuadrtica. (b) la desviacin tpica o standard y la varianza mediante los
mtodos clave. (c) los coeficientes de uniformidad psicolgica. (d) Otras
medidas centrales y de dispersin de la variable psicolgica. (e)
Comprobacin Charlier y correccin Sheppard de los apartados anteriores
(a) y (b). (f) porcentaje de estudiantes del problema cuyos cocientes de
inteligencia caen dentro de los intervalos: X s , X 2 s , X 3 s . (g)
Convertir los CI en referencias tipificadas y construir un grfico de
frecuencias relativas de la variable normalizada. (h) Hallar los momentos
para los datos agrupados, aplicando la comprobacin Charlier y la
correccin Sheppard. (i) Calcular la asimetra y la curtosis de esta
distribucin, aplicando las correspondientes correcciones Sheppard.

Marcas de clase 70 74 78 82 86 90 94 98 102 106 110 114 118 122 126

(Xi)
Frecuencias (f) 4 9 16 28 45 66 85 72 54 38 27 18 11 5 2

FIG. A-2.13. Marcas de clase y frecuencias simples

Solucin:

El cociente de inteligencia, como se sabe, viene dado por: (C.I.) = edad

mental/edad cronolgica, y est expresado como porcentaje. Por ejemplo, un
nio de 8 aos que, de acuerdo con ciertos procedimientos poblacionales tiene
una mentalidad equivalente a la de un nio de 10 aos, tendr un C.I. = 10/8 =
125 = 125% o simplemente 125, puesto que el porcentaje se sobreentiende.

Por lo que se refiere al nmero de clases, en este caso, y en base a la

frmula de Sturgess, deberan haberse considerado, orientativamente:

k = 1 + 33 log10 480 = 985 10 clases,

habiendo considerado, sin embargo, k = 15 clases.

320
 ANEXO 2

Para hallar cmodamente la media aritmtica y la desviacin tpica de los

cocientes de inteligencia, el trabajo puede ordenarse como indica la tabla de la
figura siguiente:

Li Xi u f fu fu2 Ni Ni
68-72 70 -6 4 -24 144 4 476
72-76 74 -5 9 -45 225 13 467
76-80 78 -4 16 -64 256 29 451
80-84 82 -3 28 -84 252 57 423
84-88 86 -2 45 -90 180 102 378
88-92 90 -1 66 -66 66 168 312
92-96 A94 0 85 0 0 253 227
96-100 98 1 72 72 72 325 155
100-104 102 2 54 108 216 379 101
104-108 106 3 38 114 342 417 63
108-112 110 4 27 108 432 444 36
112-116 114 5 18 90 450 462 18
116-120 118 6 11 66 396 473 7
120-124 122 7 5 35 245 478 2
124-128 126 8 2 16 128 480 0
N = f = 480 fu = 236 fu = 3.404
2

FIG. A-2.14. Frecuencias ordinarias y acumuladas de la distribucin de cocientes intelectuales

(a) X = A + c u = A + c
fu = 94 + 4 236 = 95'97
N 480
fu fu
2 2 2

= 4 3.404 236 = 4 6'8499 = 10'47

2
(b) s = c u u = c
2
N
N 480 480

, y un valor de la varianza de: s2 = 10960.

Debe tenerse en cuenta que la media cuadrtica tendr un valor de:

2
C = s 2 + X = 109 '60 + 95 '97 2 = 96 '54 .

Conociendo los valores de la media aritmtica y la desviacin tpica,

tambin podramos intentar el ajuste de la variable psicolgica CI a una
distribucin normal. En este caso, la distribucin terica de los cocientes
intelectuales de los alumnos constituyentes del colectivo analizado vendra dada
por la funcin de densidad normal:

( x 95 '97 ) 2

y = (1 / 10'47 2 ) e 219 ' 2

,

321
EJEMPLOS PRCTICOS

aunque habra que comprobar la bondad de dicho ajuste mediante el empleo del
test 2, tal como hemos realizado en el ejercicio anterior.

(c) El recorrido o rango entre los valores extremos de la variable psicolgica

de esta distribucin de frecuencias vendr dado por: R = 128 68 = 60, y
el recorrido relativo ser:

R = R / X = 60/9597 = 0625, con un coeficiente de apertura de:

Cap = x15/x1 = 126/70 = 18,

mientras que el coeficiente de variacin de Pearson, ser:

s 10 '47
CV = 100 = 100 = 10 '91 % .
X 95'97

Obsrvese que, en este caso, al configurar la tabla de la figura A-2.14

hemos ampliado el rango o recorrido artificiosamente, resultando en todos los
casos intervalos de clase de la misma amplitud (ci = 4), incluyendo los intervalos
extremos. De hecho, el recorrido o rango existente entre las marcas de clase
extremas vendra dado por:

R = 126 70 = 56, y el recorrido relativo valdra, entonces:

R = R / X = 56 / 9597 = 0584.

En este segundo ejemplo, como puede observarse, la dispersin de los CI

por el colectivo analizado resulta mayor que en el caso anterior, por lo que la
medida de la uniformidad psicolgica ser menor, as:

CU1 = 100 (1 CV) = 100 (1 01091) = 8909%

CU2 = 100 (1 068 CV) = 100 (1 068 01091) = 9258%
CU3 = 100 (1 127 CV) = 100 (1 127 01091) = 8614%
CU4 = 100 (1 080 CV) = 100 (1 080 01091) = 9127%

Veamos, por ltimo, que el coeficiente de uniformidad psicolgica

medio ofrecer un valor de:

CU = 100 (1 092 CV) = 100 (1 092 01091) = 8996%

La representacin grfica de los valores de los diferentes coeficientes de

uniformidad hallados, a los que hemos aadido el CU5 que se calcula ms
adelante, en definitiva, ser la siguiente:

322
 ANEXO 2

COEFICIENTES DE UNIFORMIDAD (%)

94

92

90

88 %

86

84

82
CU1 CU2 CU3 CU4 CU5 CU Medio

FIG. A-2.15. Valores de los diferentes coeficientes de uniformidad

(d) Como la frecuencia absoluta acumulada ascendente Ni = 480/2 = 240 se

encuentra en el intervalo de clase 92-96, en l se encuentra tambin la mediana o
segundo cuartil de esta distribucin de frecuencias, con lo que:

240 168
Me = Q2 = 92 + 4 = 9539 .
85

Las medias que venimos estudiando (aritmtica, geomtrica, cuadrtica y

armnica) constituyen medidas de posicin central que representan el conjunto
de valores observados de la distribucin psicolgica, equilibrando los ms
elevados, los intermedios y los ms bajos, ya que en su cmputo intervienen
todos ellos. El problema que tienen estas medias es que resultan sensibles a los
valores extremos y cuando existe mucha dispersin son poco representativas del
conjunto de observaciones; de ah la conveniencia de calcular tambin la
mediana que, en vez de equilibrar los valores de la variable psicolgica analizada
para determinar el centro de gravedad de la distribucin, equilibra las frecuencias
observadas a ambos lados de la misma.

Desde el punto de vista geomtrico, la mediana es el valor de la abscisa

(X) que corresponde a la vertical u ordenada (Y) que divide la representacin
grfica de la funcin de densidad en dos partes de igual rea, dejando a su
izquierda el mismo nmero de frecuencias que a su derecha. Este promedio
seala tambin el punto de interseccin de los diagramas acumulativos
ascendente y descendente, que se deducen de la tabla inicial del problema, como
puede verse a continuacin:

323
EJEMPLOS PRCTICOS

DIAGRAMAS ACUMULATIVOS ASCENDENTE Y

DESCENDENTE

600 600
Frecuencias absolutas

500 500
acumuladas (Ni)

400 400
Ni-
300 300
Punto de corte (95'39, 240) Ni+
200 200
100 100
0 0
68 72 76 80 84 88 92 96 100 104 108 112 116 120 124 128

Marcas de clase (CI)

FIG. A-2.16. Diagramas acumulativos ascendente y descendente de los cocientes intelectuales

Del mismo modo se tendr:

120 102
-Primer cuartil: Q1 = 88 + 4 = 8909
66

360 325
-Tercer cuartil: Q3 = 100 + 4 = 10259
54

Es decir, entre el alumnado analizado, la mitad tiene un CI inferior a

9539, la cuarta parte un CI inferior a 8909, y el intervalo 8909 CI 10259
comprende el 50% de los alumnos.

Con todo ello, tambin, definiremos los siguientes parmetros:

72
- Moda: Mo = 92 + 4 = 9409
66 + 72

-Recorrido intercuartlico: Q3 Q1 = 10259 8909 = 135

-Recorrido semi-intercuartlico:

Q 3 Q1 13 '5
= = 007, y tambin:
Q 3 + Q 1 102 '59 + 89 '09

324
 ANEXO 2

Q1 89 '09
CU5 = 100 = 100 = 09319 = 9319%.
Q3 102 '59

(e) Comprobacin Charlier y correccin Sheppard

Mediante la comprobacin Charlier, se verifican los clculos de (a) la

media aritmtica y (b) la desviacin tpica del problema que nos ocupa.

Para hacer la comprobacin pedida, se aaden las columnas de la tabla de

la figura A-2.17 a las de la tabla de la figura A-2.14, con la excepcin de la
columna 2 que se repite aqu por conveniencia.

Comprobacin de (a):
f(u + 1) = 716, de la tabla de la figura A-2.17.
fu + N = 236 + 480 = 716 de la tabla de la figura A-2.14.
Esto suministra la comprobacin de la media aritmtica.

Comprobacin de (b):
f(u + 1)2 = 4.356, de la tabla de la figura A-2.17.
fu2 + 2fu + N = 3.404 + 2(236) + 480 = 4.356 de la tabla de la figura A-2.14.
Esto suministra la comprobacin de la desviacin tpica o standard.

u+1 f f(u + 1) f(u + 1)2

-5 4 -20 100
-4 9 -36 144
-3 16 -48 144
-2 28 -56 112
-1 45 -45 45
0 66 0 0
1 85 85 85
2 72 144 288
3 54 162 486
4 38 152 608
5 27 135 675
6 18 108 648
7 11 77 539
8 5 40 320
9 2 18 162
N = f = 480 f(u + 1) = 716 f(u + 1)2 = 4.356
FIG. A-2.17. Tabla auxiliar de clculo (I)

Comprobacin Sheppard para la varianza:

325
EJEMPLOS PRCTICOS

s2 = 10960, c = 4. Varianza corregida = s2 (c2/12) = 10960 (42/12) = 10827.

Desviacin tpica corregida = 108 '27 = 10 '41

(f) Mediante el empleo de las propiedades de la desviacin tpica, se trata de

determinar el porcentaje de estudiantes del problema cuyos cocientes de
inteligencia caigan dentro de los intervalos: (1) X s , (2) X 2 s , (3) X 3 s .

(1) X s = 95 '97 10 '47 da un intervalo de 855 a 1064.

El nmero de cocientes de inteligencia en este intervalo es:

88 85'5 106'4 104
(45) + 66 + 85 + 72 + 54 + (38) = 339
4 4
Porcentaje pedido: (339/480) x 100 = 706%.

(2) X 2 s = 95 '97 2 (10 '47 ) da el intervalo de 750 a 1169.

El nmero de cocientes de inteligencia en este intervalo es:

76 75'0 116'9 116

(9) + 16 + 28 + 45 + 66 + 85 + 72 + 54 + 38 + 27 + 18 + (11) = 451
4 4

Porcentaje pedido: (451/480) x 100 = 940%.

(3) X 3 s = 95 '97 3 (10 '47 ) da el intervalo de 646 a 1274.

El nmero de cocientes de inteligencia en este intervalo es:

128 127 '4
480 ( 2) = 479 '7 480
4
Porcentaje pedido: (4797/480) x 100 = 999% o prcticamente 100%.

Los porcentajes obtenidos de (1), (2) y (3) estn bastante de acuerdo con
aquellos que cabra esperarse de una distribucin normal para los mismos
intervalos, es decir, 6827%, 9545% y 9973%, respectivamente, tal como
hemos visto en el anexo n: 1.

Advirtase que no se ha empleado la correccin Sheppard efectuada

anteriormente para la desviacin tpica. Si se emplease en este caso los resultados
an se acercaran ms a los esperados. Tambin estos resultados pueden
obtenerse mediante la tabla de la figura A-2.18.

326
 ANEXO 2

(g) Se trata ahora de convertir los C.I. en referencias tipificadas y construir un

grfico de frecuencias relativas de la variable normalizada.

El trabajo de conversin en referencias tipificadas puede ordenarse tal

como se indica en la tabla de la FIG. A-2.18. En esta tabla se han aadido, para
utilizar posteriormente, las marcas de clase de C.I. 66 y 130 que tienen
frecuencia cero.

Tampoco se ha utilizado la correccin Sheppard para la desviacin tpica.

Las referencias corregidas en este caso son prcticamente las mismas que las
dadas aqu para la precisin indicada, teniendo en cuenta que, para simplificar los
clculos: X 960, s 105.

La tabla resultante es la siguiente:

FIG. A-2.18. Tabla para la tipificacin

El grfico de frecuencias relativas de la variable normalizada z (polgono

de frecuencias relativas) se muestra en la figura siguiente A-2.19. El eje
horizontal o de abscisas se mide en unidades de desviacin tpica s. Advirtase
que la distribucin que nos ocupa es moderadamente asimtrica y ligeramente
sesgada a la derecha. En efecto:

327
EJEMPLOS PRCTICOS

FIG. A-2.19. Grfico de frecuencias relativas de la variable tipificada

(h) Se pide, ahora, hallar: (a) m1, (b) m2, (c) m3, (d) m4, (e) m1, (f) m2, (g)
2 3
m3, (h) m4, (i) X , (j) s, (k) X y (l) X para la distribucin de nuestro
problema.

Los momentos potenciales pedidos son medidas obtenidas a partir de todos

los datos de una variable estadstica psicolgica y sus frecuencias absolutas.
Estas medidas caracterizan a las distribuciones de frecuencias de tal forma que si
los momentos coinciden en dos distribuciones, diremos que son iguales, siendo
tanto ms semejantes cuanto mayor sea el nmero de momentos que coinciden.

Para ello, elaboraremos la siguiente tabla:

Xi u f fu fu2 fu3 fu4

70 -6 4 -24 144 -864 5.184
74 -5 9 -45 225 -1.125 5.625
78 -4 16 -64 256 -1.024 4.096
82 -3 28 -84 252 -756 2.268
86 -2 45 -90 180 -360 720
90 -1 66 -66 66 -66 66
94(A) 0 85 0 0 0 0
98 1 72 72 72 72 72
102 2 54 108 216 432 864
106 3 38 114 342 1.026 3.078
110 4 27 108 432 1.728 6.912
114 5 18 90 450 2.250 11.250
118 6 11 66 396 2.376 14.256
122 7 5 35 245 1.715 12.005
126 8 2 16 128 1.024 8.192
N = f = 480 fu = 236 fu = 3.404 fu = 6.428 fu = 74.588
2 3 4

FIG. A-2.20. Tabla auxiliar de clculo (II)

328
 ANEXO 2

Los momentos ordinarios son los siguientes:

(a) m1 = c
fu = (4) 236 = 1'9667 (9597 94)
N 480
2
2
fu 3.404
(b) m2 = c = ( 4) 2 = 113 '4667
N 480
3
fu 3 6 .428
(c) m3 = c = ( 4) 3 = 857 '0667
N 480
4
fu 4 74 .588
(d) m4 = c = ( 4) 4 = 39 .780 '2667
N 480

Los momentos respecto a la media aritmtica o centrales, son los

siguientes:

(e) m1 = 0, por la 1 propiedad de la media aritmtica

(f) m2 = m2 m12 = 1134667 (19667)2 = 1095988 10960 (varianza

sin corregir)

(g) m3 = m3 3m1m2 + 2m13 = 8570667 3(19667)(1134667) +

2(19667)3 = 2028158

(h) m4 = m4 4m1m3 + 6m12m2 3m14 = 35.6272853

El resto de especificaciones es el siguiente:

(i) X = ( A + d ) = A + m1 ' = A + c
fu = 94 + 1'9667 95'97
N

(j) s = m 2 = 109 '5988 = 1047 (sin corregir)

2
X = ( A + d ) 2 = ( A 2 + 2 Ad + d 2 ) = A 2 + 2 Ad + d 2 = A 2 + 2 Am 1 '+ m 2 ' =
(k)
= (94) 2 + 2(94 )(1'9667 ) + 113'4667 = 9.319 '2063, 9.319
con cuatro cifras significativas.

3
X = ( A + d ) 3 = ( A 3 + 3 A 2 d + 3 Ad 2 + d 3 ) = A 3 + 3 A 2 d + 3 Ad 2 + d 3 =
(l)
= A 3 + 3 A 2 m1 '+3 Am 2 '+ m3 ' = 915 .571'9597 , 915.572
con seis cifras significativas.

329
EJEMPLOS PRCTICOS

Por otra parte, la comprobacin Charlier, en el clculo de momentos por el

mtodo clave, utiliza las siguientes identidades:

f(u +1) = fu + N
f(u +1)2 = fu2 + 2fu + N
f(u +1)3 = fu3 + 3fu2 + 3fu + N
f(u +1)4 = fu4 + 4fu3 + 6fu2 + 4fu + N

Para realizar la comprobacin pedida aadimos las siguientes columnas a

las del problema que nos ocupa, con la excepcin de la columna 2, que se repite
aqu por conveniencia. As:

u+1 f f(u + 1) f(u+1)2 f(u+1)3 f(u+1)4

-5 4 -20 100 -500 2.500
-4 9 -36 144 -576 2.304
-3 16 -48 144 -432 1.296
-2 28 -56 112 -224 448
-1 45 -45 45 -45 45
0 66 0 0 0 0
1 85 85 85 85 85
2 72 144 288 576 1.152
3 54 162 486 1.458 4.374
4 38 152 608 2.432 9.728
5 27 135 675 3.375 16.875
6 18 108 648 3.888 23.328
7 11 77 539 3.773 26.411
8 5 40 320 2.560 20.480
9 2 18 162 1.458 13.122
N = f = 480 f(u + 1) = f(u + 1)2 = f(u + 1)3 = f(u + 1)4 =
716 4.356 17.828 122.148

FIG. A-2.21. Tabla auxiliar de clculo (III)

En cada uno de los siguientes grupos, la primera y la segunda igualdades

se sacan de las tablas anteriormente elaboradas. La igualdad de los resultados de
cada una suministra la comprobacin pedida. Esto es:

f(u +1) = 716

fu + N = 236 + 480 = 716

f(u +1)2 = 4.356

fu2 + 2fu + N = 3.404 + 2(236) + 480 = 4.356

f(u +1)3 = 17.828

fu3 + 3fu2 + 3fu + N = 6.428 + 3(3.404) + 3(236) + 480 = 17.828

330
 ANEXO 2

f(u +1)4 = 122.148

fu4 + 4fu3 + 6fu2 + 4fu + N = 74.588 + 4(6.428) + 6(3.404) + 4(236)
+ 480 = 122.148

Por otra parte, la correspondiente correccin Sheppard ofrece (los

momentos m1 y m3 no necesitan correccin):

m2 corregido = m2 c2/12 = 1095988 42/12 = 1082655 = s2 (varianza

corregida). Con ello, tambin, s = (1082655) = 10405 1041 (desviacin
tpica corregida)

m4 corregido = m4 ()c2m2 + (7/240) c4 =

= 35.6272853 (4)2(1095988) + (7/240)(4)4 =
=34.7579616

(i)
Por lo que se refiere a las restantes caractersticas de la distribucin de la
variable psicolgica CI, veamos que una de la asimetra o sesgo la constituye el
primer coeficiente de asimetra de Pearson, o sea:

X Mo 95 '97 94 '09
P1 = = = 018 ,
s 10 '47

luego se trata de una distribucin prcticamente simtrica.

Tambin podramos calcular aqu, con los datos de que se dispone, el

segundo coeficiente de asimetra de Pearson, o sea:

3( X Me ) 3(95 '97 95 '39 )

P2 = = = 0166 ,
s 10 '47

o bien el coeficiente de sesgo cuartlico, de valor:

Q 3 2Q 2 + Q 1 102 '59 2 95'39 + 89 '09

= = 0067 ,
Q 3 Q1 13'5

cuyos resultados conducen, en todos los casos, a conclusiones similares. Cabe

observar, no obstante, una ligera asimetra o sesgo hacia la derecha
(positivamente) puesto que: P1 > 0, P2 > 0 y adems:

X = 9597 > Me = 9539 > Mo = 9409

Por otra parte, el coeficiente de sesgo de Fisher o coeficiente directo de

asimetra vendr dado por:

331
EJEMPLOS PRCTICOS

m3 m3 202'8158
g1 = 3
= = = 01768 018.
s ( m2 ) 3 ( 109'5988) 3

Si se utilizan las correcciones Sheppard, se tiene:

m3 202'8158
g1 corregido = = = 01800 018
( m2 corregido) 3 ( 108'2655) 3

, con lo cual, la diferencia obtenida resulta inapreciable.

Advirtase que se trata de una distribucin moderadamente sesgada a la

derecha (positivamente), tal como ya se ha dicho.

Por lo que se refiere al apuntamiento o curtosis, veamos que:

m4 m 35 .627 '2853
a4 = 4
= 42 = = 29660 297 ; g2 = a4 3 = -003.
s m2 (109 '5988 ) 2

Si se aplican las correcciones Sheppard, ya explicitadas con anterioridad,

se tiene:

m 4 corregido 34 .757 '9616

a4 corregido = 2
= = 29653 297 ;
( m 2 corregido) (108 '2655 ) 2

Puesto que para una distribucin perfectamente normal se cumple que:

a4 = 3, se deduce que esta distribucin es ligeramente platicrtica o achatada con
respecto a la distribucin normal, es decir, de menor apuntamiento que sta.

332
 ANEXO 2

III. TERCER PROBLEMA

Los tres ejercicios que siguen, como aplicaciones de la distribucin de
probabilidad hipergeomtrica a los problemas psicolgicos, estn adaptados del
libro de Jos M. Casas Snchez y Julin Santos Peas titulado Introduccin a la
Estadstica para Economa y Administracin de Empresas, Ed. Centro de
Estudios Ramn Areces, S.A., Madrid, 1995, citado en la bibliografa.

a) Se sabe, por experiencia, que un grupo de 100 inmigrantes

contiene un 10% de individuos sospechosos. El control fronterizo decide
investigar dos individuos aleatoriamente, y si ninguno de las dos presenta
problemas, entonces acepta el grupo. Definimos la variable aleatoria X como
el nmero de individuos sospechosos en una seleccin aleatoria de dos de
ellos. Obtener la distribucin de probabilidades de la variable aleatoria X,
as como la funcin de distribucin.

Solucin:

El experimento aleatorio de seleccin de dos inmigrantes al azar define los

sucesos elementales siguientes:

L1: Primer individuo sospechoso.

L2: Segundo individuo sospechoso.
L1 : Primer individuo no sospechoso.
L 2 : Segundo individuo no sospechoso.

Al considerar la seleccin conjunta de los dos individuos, el espacio

muestral generado por este experimento aleatorio contiene cuatro sucesos
mutuamente excluyentes y forman un sistema completo de sucesos.

En la tabla de la figura siguiente aparecen los sucesos elementales del

espacio muestral, las correspondientes probabilidades y los valores que puede
tomar la variable aleatoria X. As:

Sucesos Probabilidades Valor de la variable aleatoria X

L1 L2 00091 2
L1 L 2 00909 1
L 1 L2 00909 1
L1 L 2 08091 0
= 10000

FIG. A-2.22. Sucesos elementales, probabilidades de los mismos y valor de la variable aleatoria.

333
EJEMPLOS PRCTICOS

Las probabilidades para cada suceso, segn la regla de multiplicacin de

probabilidades o probabilidad compuesta, seran:

10 9
P ( L 1 L 2 ) = P ( L 1 ) P ( L 2 / L 1 ) = = 0 '0091
100 99
10 90
P ( L 1 L 2 ) = P ( L 1 ) P ( L 2 / L 1 ) = = 0 '0909
100 99
90 10
P ( L 1 L 2 ) = P ( L 1 ) P ( L 2 / L 1 ) = = 0 '0909
100 99
90 89
P ( L 1 L 2 ) = P ( L 1 ) P ( L 2 / L 1 ) = = 0 '8091
100 99

Y consecuentemente las probabilidades con que la variable aleatoria X

toma sus diferentes valores seran:

P1 = P(X = 0) = P(0) = 08091

P2 = P(X = 1) = P(1) = 00909 + 00909 = 01818
P3 = P(X = 2) = P(2) = 00091

La probabilidad de que el control acepte el grupo de los 100 inmigrantes

ser:
P(X = 0) = P(0) = 08091

La distribucin de probabilidad P(x), de la variable aleatoria X aparece en

la tabla de la figura A-2.23, en donde aparecen los diferentes valores x de la
variable aleatoria y sus probabilidades P(x).

Valores de la variable aleatoria x Probabilidades P(x)

0 08091
1 01818
2 00091
10000
FIG. A-2.23. Distribucin de probabilidad de la variable aleatoria X.

Ya que los cuatro sucesos del experimento forman un conjunto

mutuamente excluyente y exhaustivo de sucesos, las probabilidades
correspondientes a estos sucesos suman la unidad.

De hecho, la funcin de probabilidad de una variable aleatoria discreta se

puede expresar de tres maneras:

- Tabular.
- Algebraica o funcional.
- Grfica.

334
 ANEXO 2

La forma tabular consiste en expresar en forma de tabla una lista de los

valores posibles de la variable aleatoria X y las correspondientes probabilidades
P(x), como aparece en la tabla de la figura anterior A-2.23.

La forma algebraica o funcional se presentan cuando es posible escribir

una funcin en la forma de una ecuacin, de tal manera que para cada valor de la
variable aleatoria se pueda obtener su probabilidad. As pues, para el ejemplo a)
que estamos tratando, la forma funcional de la distribucin de probabilidad
sera3:

10 100 10 10 90

x 2 x x 2 x ; x = 0,1,2
P(x ) = P(X = x ) = = .
100 4 .950

2

Otra forma de presentar la funcin de probabilidad sera mediante un

grfico o diagrama de barras, en el que sobre el eje de abscisas llevaramos los
diferentes valores x, de la variable aleatoria X y sobre el eje de ordenadas, las
probabilidades P(x). As pues, para este ejemplo a) tendramos la figura siguiente
A-2.24:

FIG. A-2.24. Funcin de probabilidad de la variable aleatoria X asociada al experimento aleatorio del
presente ejemplo.

Llegados a este punto, una consideracin importante sobre variables

aleatorias discretas y sus distribuciones a realizar es la siguiente: si X es una

3 Esta funcin de probabilidad corresponde a la de una variable aleatoria hipergeomtrica.

335
EJEMPLOS PRCTICOS

variable aleatoria discreta y deseamos determinar la probabilidad de que X sea

mayor o igual que un cierto valor que un cierto valor a y menor o igual que un
valor b, siendo a b, solamente tenemos que sumar las probabilidades
correspondientes a los valores de X comprendidos entre a y b; es decir:

x =b x=b
P (a X b ) = P (X = x ) = P ( x )
x =a x =a

As pues, para el presente ejemplo, se tiene:

x =1
P(0 X < 2) = P(0 X 1) = P ( X = x )
x =0
= P(X = 0) + P(X = 1)

= 08091 + 01818 = 09909

Sea ahora una variable aleatoria X de tipo discreto que toma

un nmero finito o infinito numerable de valores x1, x2, ..., xr y
cuya distribucin de probabilidad es P(x). Se define la funcin de
distribucin acumulativa de la variable aleatoria X, que notaremos
por F(x), como la probabilidad de que la variable aleatoria X tome
valores menores o iguales que x, es decir:

x
F( x ) = P(X x ) = P( x i ) =
xi x
P(X = x )
x i = x1
i

y representa la suma de las probabilidades puntuales, hasta el valor

x inclusive, de la variable aleatoria X.

Para el ejemplo que nos ocupa, la funcin de distribucin F(x) viene dada
en la tabla de la figura siguiente.

Valores de X Funcin de probabilidad Funcin de distribucin

X o densidad F(x) = P(X x)
P(x)
0 08091 F(0) = P(X 0) = 08091
1 01818 F(1) = P(X 1) = 09909
2 00091 F(2) = P(X 2) = 10000
FIG. A-2.25. Funcin de distribucin de la variable aleatoria del ejemplo a)

As pues la funcin de distribucin, para cualquier valor de x, quedara de

la siguiente forma:

336
 ANEXO 2

0 ,x<0
08091 , 0 x < 1
F(x) =
09909 , 1 x < 2
1 ,x2

Se deduce, de la propia definicin, que la funcin de distribucin de una

variable aleatoria discreta es una funcin no decreciente de los valores que toma
la variable aleatoria y tal que verifica:

I. 0 F(x) 1, x.
II. Si xi xj, entonces F(xi) F(xj).

La representacin grfica de la funcin de distribucin viene dada por el

grfico de la figura siguiente:

FIG. A-2.26. Funcin de distribucin de una variable aleatoria discreta.

Vemos pues que una variable aleatoria discreta X, est caracterizada por
su funcin de probabilidad o distribucin de probabilidad P(x) y tambin por su
funcin de distribucin F(x).

337
EJEMPLOS PRCTICOS

b) Una determinada empresa quiere aumentar su plantilla de

vendedores en 20 personas, para lo que inserta un anuncio en prensa y se
presentan 40 personas al proceso de seleccin. Determinar la probabilidad
de que, despus de realizar todas las pruebas psicotcnicas de seleccin y
haber seleccionado, por diferentes mecanismos, a las 20 personas solicitadas,
entre ellas se encuentren las 10 mejores de las 40 personas que se
presentaron.

Solucin:

Sea la variable aleatoria X:

X: nmero de los mejores vendedores entre los 20 seleccionados.

La variable aleatoria X se distribuye segn una distribucin

hipergeomtrica, H(N, N1, n), con:

N = 40 , N1 = 10 y n = 20

Luego teniendo en cuenta la expresin de la correspondiente funcin de

densidad, la probabilidad que nos piden ser:

10 40 10 10 30

10 20 10 10 10 = 30.045 .015 = 0'000218
P ( X = 10) = = 022
40 40 137 .846 .528 .820

20 20

que resulta ser francamente baja.

c) Entre los 60 aspirantes a unas plazas de educadores sociales en

la Administracin autonmica, 40 son mujeres. Si seleccionamos una
muestra aleatoria, sin reemplazamiento, de 20 aspirantes, obtener la
probabilidad de que 10 sean mujeres.

Solucin:

Sea la variable aleatoria X.

X: nmero de mujeres seleccionadas en la muestra de 20 aspirantes.

Esta variable aleatoria X se distribuye segn una distribucin

hipergeomtrica H(N, N1, n), con:

N = 60 , N1 = 40 , n = 20

338
 ANEXO 2

Teniendo en cuenta la expresin de la correspondiente funcin de

densidad, podemos calcular la probabilidad que nos piden, que ser, en este caso:

40 60 40 40 20

10 20 10 10 10 = 847 .660 .528 184 .756 = 0'037
P ( X = 10) = = =
60 60 4.191 .844 .505 .805 .495

20 20

= 37%.

Las tablas que siguen tambin han sido extradas del excelente libro de
Jos M. Casas Snchez y Julin Santos Peas titulado Introduccin a la
Estadstica para Economa y Administracin de Empresas, Ed. Centro de
Estudios Ramn Areces, S.A., Madrid, 1995, citado en la bibliografa.

Tablas de la funcin de probabilidad hipergeomtrica

Esta tabla ofrece la probabilidad de obtener x elementos que pertenezcan a

la primera subpoblacin cuando se toma una muestra aleatoria sin
reemplazamiento o reposicin de tamao n, de la poblacin total. Esto es:

339
EJEMPLOS PRCTICOS

340
 ANEXO 2

341
EJEMPLOS PRCTICOS

342
 ANEXO 2

343
EJEMPLOS PRCTICOS

Tablas de la funcin de distribucin hipergeomtrica

La funcin de distribucin hipergeomtrica viene dada por:

0 , x < mx (0, n - Nq)

Np Nq
x i n i
F( x ) = P(X x ) = , mx (0, n - Nq) x mn (n, Np)
i =0 N

n

1 , x > mn (n, Np)

En esta tabla tenemos los valores correspondientes a la funcin de

distribucin de una H(N, N1, n), para N 10, N1 8 y n 8, es decir:

344
 ANEXO 2

345
EJEMPLOS PRCTICOS

346
 ANEXO 2

347
EJEMPLOS PRCTICOS

348
 ANEXO 2

IV. CUARTO PROBLEMA

Sin entrar en la justificacin terica del procedimiento seguido, que el
lector encontrar en numerosos tratados de Estadstica como algunos de los
relacionados en la bibliografa, vamos a contemplar ahora una muestra de la
utilidad y aplicabilidad a la Psicologa del anlisis de la varianza mediante la
resolucin del siguiente ejercicio.

Se tienen cuatro individuos, obtenindose, despus de diversas

pruebas, los siguientes tiempos de realizacin de un test determinado
expresados en segundos: el primero (1.600, 1.610, 1.650, 1.680, 1.700, 1.720 y
1.800 segundos), el segundo (1.580, 1.640, 1.640, 1.700 y 1.750 segundos), el
tercero (1.460, 1.550, 1.600, 1.620, 1.640, 1.660, 1.740 y 1.820 segundos) y el
cuarto (1.510, 1.520, 1.530, 1.570, 1.600 y 1.680 segundos). Puede aceptarse,
al nivel de significacin del 5%, la hiptesis de que los individuos completan
el test con la misma duracin?.

Solucin:

A efectos operativos, procede, en primer lugar, la elaboracin de la

siguiente tabla de doble entrada:

Individuos
j 1 2 3 4
i
1 1.600 1.580 1.460 1.510 6.150
2 1.610 1.640 1.550 1.520 6.320
3 1.650 1.640 1.600 1.530 6.420
4 1.680 1.700 1.620 1.570 6.570
5 1.700 1.750 1.640 1.600 6.690
6 1.720 1.660 1.680 5.060
7 1.800 1.740 3.540
8 1.820 1.820
= T.j 11.760 8.310 13.090 9.410 42.570
2
T .j 138.297.600 69.056.100 171.348.100 88.548.100
T2.j / nj 19.756.800 13.811.220 21.418.5125 14.758.0167 69.744.5492

FIG. A-2.27. Tabla auxiliar de clculo.

Los resultados de los clculos intermedios, reflejados en la tabla anterior,

son los siguientes:

349
EJEMPLOS PRCTICOS

T.12
T.1 = 11.760 ; = 19.756.800
7
T.2 2
T.2 = 8.310 ; = 13.811.220
5
T.3 2
T.3 = 13.090 ; = 21.418.5125
8
T.4 2
T.4 = 9.410 ; = 14.758.0167
6
T..2
T.. = 42.570 ; = 69.700.1885
26

Tambin debe tenerse en cuenta que:

4
T. j2
j=1 nj
= 69 .744 .549 '2

4 nj

x
j =1 i =1
2
ij = 69 . 895 . 900

Con esto obtenemos las siguientes medidas de las variaciones:

42 .570 2
- Suma de cuadrados total: SCT = 69.895.900 = 195.7115
26
- Suma de cuadrados entre tratamientos:
42 .570 2
SCTr = 69.744.5492 = 44.3605
26
- Suma de cuadrados del error: SCEr = SCT SCTr = 151.351

El cuadro correspondiente de anlisis de la varianza, en definitiva, quedar

del siguiente modo:

Origen de Suma de Grados de Cuadrado

F
variacin cuadrados libertad medio
Tratamientos 44.3605 3 14.78683
F3,22 = 215
Error 151.3510 22 6.87959
TOTAL 195.7115 25

FIG. A-2.28. Tabla de anlisis de la varianza.

350
 ANEXO 2

Ahora, de las tablas de la distribucin F de Snedecor-Fisher que

reproducimos a continuacin del libro de J. Santos y A. Muoz, citado en la
bibliografa, para un nivel de significacin del 5%, obtenemos que:

F005 = 305

Como 215 < 305, no se rechaza (o se acepta la hiptesis nula) que los
cuatro individuos analizados producen resultados iguales en cuanto al
tiempo empleado por ellos en la cumplimentacin del test.

Distribucin F. Probabilidad 005

351
EJEMPLOS PRCTICOS

Distribucin F. Probabilidad 090

352
 ANEXO 2

Distribucin F. Probabilidad 095

353
EJEMPLOS PRCTICOS

Distribucin F. Probabilidad 0975

354
 BIBLIOGRAFA

BIBLIOGRAFA

1. ALCAIDE INCHAUSTI, ngel (1966): Lecciones de Econometra y

Mtodos estadsticos, Copygraf, Madrid.

2. ALCAIDE INCHAUSTI, A., ARENALES, C. y RODRGUEZ, J. (1987):

Estadstica (Introduccin). Unidades Didcticas. Universidad Nacional de
Educacin a Distancia, Madrid.

3. ANSCOMBE, F. J. y AUMANN, R. J. (1963): A definition of subjetive

probability, Ann. Math. Stat., 34.

4. ASHBY, W. R. (1960): Introduccin a la ciberntica, Nueva Visin,

Buenos Aires.

5. BACHRACH (1965): Psychological research. An introduction (2

edicin), Random House, New York (existe traduccin al castellano:
Cmo investigar en psicologa, Morata, Madrid, 1966).

6. BARTHES, R. (1953): Le dgre zro de lcriture, Seuil, Paris.

7. BAYS, Ramn (1974): Una introduccin al mtodo cientfico en

psicologa, Editorial Fontanella, Barcelona.

8. BERNARD, C. (1865): Introduction a ltude de la mdecine

exprimentale, Garnier-Flammarion, Pars (1966).

9. BINET, A. y SIMON, TH. (1905): Mthodes nouvelles pour le diagnostic

du niveau intellectuel des anormaux, Anne Psychol., 11, pp. 191-244.

10. BORING, E.G. (1950): A History of Experimental Psychology, Appleton-

Century-Crofts, Inc., New York.

11. BREWER, K. (1963) : Decisions under uncertainty: Comment, Quart.

Jour. Econ., 77.

12. BROSS, Irwin D. J. (1958): La decisin estadstica, Ed. Aguilar, Madrid.

355
BIBLIOGRAFA

13. CARNAP, R. (1964): Foundation of logic and mathematics, FODOR y

otros, The structure of language, Prentice Hall, New York.

14. CASAS SNCHEZ, J. M. y SANTOS PEAS, J. (1995): Introduccin a la

estadstica para economa y administracin de empresas, Editorial
Centro de Estudios Ramn Areces (CEURA), Madrid.

15. CATTELL, J. MCK. (1890): Mental tests and measurements, Mind, 15,
pp. 373-380.

16. CATTELL, J. MCK. y FANARD, L. (1896): Physical and mental

measurements of the students of Columbia University, Psycol. Rev. 3,
pp. 618-648.

17. CERD, Enrique (1960): Psicologa aplicada, Editorial Herder,

Barcelona.

18. CHOMSKY, N. (1968): Language and Mind, Harcourt, Brace, World Inc.,
New York.

19. COUFFIGNAL, L. (1966): La cyberntique, PUF, Pars.

20. DAMAS RICO, P. M. (1972): Los diferentes conceptos de probabilidad,

Boletn de la Asociacin Nacional de Ingenieros Agrnomos (ANIA) n:
230, pp.621-631. Madrid.

21. DAVIDSON, D. P., SUPPES, P. y SIEGEL, S. (1957): Decision making:

An experimental Approach, Stanford University Press.

22. DE FINETTI, B. (1937): La prvision: ses lois logiques, ses sources

subjectives, Annal. Institut Henri Poincar, 7.

23. DESBAZEILLE, G. (1969): Ejercicios y problemas de investigacin

operativa, Ediciones ICE, Selecciones de economa de la empresa,
Madrid.

24. ELLSBERG, D. (1961): Risk, Ambiguity and the Savage Axioms, Quart.
Economic, 75.

25. FECHNER, G. T. (1860): Elemente der Psychophysik.

26. FELLNER, W. (1963): Slanted subjective probabilities and

randomisation. A. Replay to H. Raiffa y K. R. Brewer, Quart. Economic,
77.

27. FELLNER, W. (1966): An introduction to probability theory and its

applications.

28. FISHBURN, P. C. (1964): Decisions and Value Theory, J. Wiley.

29. FISHBURN, P. C. (1970): Preference-based definitions of subjective

probability, Ann. Math. Stat., 38.

356
 BIBLIOGRAFA

30. FRAISSE, P. (1967): Lvolution de la psychologie exprimentale, P.

FRAISSE y J. PIAGET (Ed.) : Trait de psychologie exprimentale (tomo
I), Presses Universitaires de France, Paris, pp. 1-72.

31. GALTON, F. (1896): Hereditary genius: an inquiry into its laws and
consequences, Ed.: Macmillan, London.

32. GILBRETH, F. B. (1911): Motion study, Van Nostrand.

33. GMURMAN (1968): Fundamentals of probability theory and

mathematical statistics.

34. GOOD, I. (1950): Probability and the Wrighting of Evidence. Charles

Griffin, London.

35. GUERLAC, H. (1961): Quantification in chemistry, H. WOOLF (Ed.):

Quantification, Bobbs-Merrill, Indianapolis, pp. 64-84.

36. HENDERSON-QUANDT (1962): Microeconomic Theory (A mathematical

approach) (hay traduccin al castellano en Ed. Ariel, Barcelona).

37. HJEMSLEV, L. (1968) : Prolgomnes une thorie du langage, Minuit,

Paris.

38. KENDALL y STUART (1963): The advanced theory of statistics.

39. KOOPMAN, B.O. (1940): The axioms and Algebra of intuitive Probability.
Ann. Math. Stat. Ser., 2.

40. KYBURG, H. E. y SMOKLER, M. E. (1964): Study in Subjective

Probability, Wiley, New York.

41. LAHY, J. M. (1913): Les conditions psychophysiologiques de laptitude

au travail dactylographique, J. de Physiol. et de Path., pp. 826-835.

42. LUCE, R. D. y SUPPES, P. (1965): Preference, utility and subjective

probability, Handbook of Math. Psychology, Wiley.

43. MARTN SERRANO, M. (1978): Mtodos actuales de investigacin

social. AKAL, Madrid.

44. MOOD (1955): Introduccin a la Teora de la Estadstica.

45. MNSTERBERG, H. (1913): Psychology and industrial efficiency,

Houghton Mifflin Company, Cambridge Riverside.

46. PAVLOV, I. P. (1928): Lectures on conditional reflexes, Livenight, New

York.

47. PUIG ADAM, P. (1950): Ecuaciones diferenciales, Nuevas Grficas,

S.A., Madrid.

357
BIBLIOGRAFA

48. RAIFFA, H. (1961): Risk, ambiguity and the Savage Axiom: a comment,
Quart. Jour. Econ., 75.

49. RAMSEY, P. (1950): Truth and Probability. The Humanities Press.

50. RIBOT, T. (1879) : La psychologie allemande contemporaine..., Librairie

Germer Baillire et Cie, Paris [ENG: (1886) German Psychology of To-
Day, Charles Scribner's Sons, New York]

51. RICHARDSON, H.W. (1973): Economa regional, Ed. Vicens-Vives,

Barcelona.

52. ROBERTS, H. V. (1963): Risk, ambiguity and the Savage axioms: a

comment, Quart. Jour. Econ., 77.

53. RUSSELL, B. (1949): The scientific Outlook, George Allen and Urwin,
London (existe traduccin castellana en La perspectiva cientfica, Ariel
Esplugues de Llobregat, Barcelona, 1969).

54. SANTOS PEAS, J. y MUOZ ALAMILLOS, A. (2003): Ejercicios de

estadstica aplicada, Ediciones Acadmicas, S.A., Madrid.

55. SAVAGE, L. J. (1954): The Foundations of Statistics, Wiley.

56. SCOTT, D. (1964): Measurement structures and linear inequalities, Jour.

M. Psych., 1.

57. SHANNON, C. C. y WEAWER, W. (1949): The Mathematical Theory of

communication, Urbana, University of Illinois Press.

58. SIDMAN (1960): Normal sources of pathological behaviour, Science,

132, pp. 61-68.

59. SKINNER, B. F. (1945): The operational analysis of psychological terms

Psychological Review, 52, pp. 270-277 [reproducido en B. F. Skinner,
Cumulative record (3 edicin), Appleton-Century-Crofts, New York,
1972].

60. SKINNER, B. F. (1956): A case history in scientific method, American

Psychologist, 11, pp. 221-233 [reproducido en Cumulative record (3
edicin), Appleton-Century-Crofts, New York, 1972].

61. SPEARMAN, C. (1904): General intelligence objectively determined and

measured, Amer. J. Psychology, 15.

62. SPIEGEL, MURRAY R. (1969): Teora y problemas de Estadstica, Ed.

McGraw-Hill, Mxico.

63. SPIEGEL, MURRAY R. (1981): Teora y problemas de Probabilidad y

Estadstica, Ed. McGraw-Hill, Mxico.

64. SUPPES, P. y WINET, M. (1955): An Axiomatization of utility based

in the notion of utility differences, Manag. Science.

358
 BIBLIOGRAFA

65. THORNDIKE, E. L. (1927): Measurement and evaluation in Psychology

and Education, Bureau of Publications, New York.

66. UNDERWOOD (1957): Psychological research, Appleton-Century-Crofts,

New York.

67. VILLEGAS, C. (1964): On qualitative probability sigma-algebras, Ann.

Math. Stat.

68. VILLEGAS, C. (1967): On qualitative probability, Ann. Math. Monthly, 74.

69. VON MISES, R. (1926): Probability, Statistics and Truth.

70. WEBER, E. H. (1846): Handwrterbuch Physiol, 3 (2), pp. 481-588.

71. WHITE, D. J. (1970): Decision Theory, University of Manchester.

72. WIENNER, N. (1969): Ciberntica y sociedad, Sudamericana, Buenos

Aires.

73. WUNDT, W. (1874): Grundzge der physiologischen Psychologie.

74. YEZ, I. (1974): Fundamentos matemticos de la Teora de Sistemas,

Teora general de Sistemas. Revista de la Universidad Complutense de
Madrid, Vol. XXIII, n: 89, Enero-Marzo, Madrid, pp. 33-39.

75. YELA, M. (1974): Teora General de Sistemas y Psicologa Teora

general de Sistemas. Revista de la Universidad Complutense de
Madrid, Vol. XXIII, n: 89, Enero-Marzo, Madrid, pp. 81-92.

359
BIBLIOGRAFA

360
 ABREVIATURAS Y SIGLAS

ABREVIATURAS Y SIGLAS

% Porcentaje (tanto por cien)

Tanto por mil
... Puntos suspensivos (etctera)
AA.VV. Autores varios
ADN cido desoxi-ribonucleico
art. Artculo
Aux. Auxiliar (funcin)
Cap Coeficiente de apertura
Cap. Captulo
CC.AA. Comunidades Autnomas
C.E.E. Comunidad Econmica Europea
Cf., Cfr. Confrontar
CI Cociente intelectual
Cd. Cdigo
Coef. Coeficiente
COR Caracterstica operativa del receptor
c.s.q.d. Como se quera demostrar
CU Coeficiente de uniformidad
C.V. Coeficiente de Variacin de Pearson
Det. Determinacin
Dif. Diferencia
DM Desviacin media
Dr. Doctor
E Entrada/s
ed. Editorial
EE.UU. Estados Unidos de Amrica del Norte
eq. Equivalentes
EC Edad cronolgica
EM Edad mental
et al. Et altri
etc. Etctera
F. Frmula
FIG. Figura
g.l. Grados de libertad
ln logaritmo natural o neperiano
log logaritmo
mx. mximo

361
ABREVIATURAS Y SIGLAS

Me Mediana
mn. mnimo
Mo Moda
n. y m. Nacido y muerto
n Nmero
p. = pg. Pgina
p.e. Por ejemplo
pp. = pgs. Pginas
Prof. Profesor
Q Cuartil
R Recorrido o rango
R recorrido relativo
Ref. Referencia
S. Salida/s
S. Sistema o Sistemas
SE Sistema exterior
SF Sistema fsico (psicolgico)
SG Sistema gestor.
s./ss. Siguiente/Siguientes
St. Saint
TGS Teora General de Sistemas
VA Variables de accin
VC Variables esenciales o criterios
VE Variables de entrada o estmulos
VES Variables esenciales o criterios
VI Variables internas o intermedias
VS Variables de salida o respuestas
v.gr. Verbi gratia
Vol. Volumen

362
 INDICE DE FIGURAS

-NDICE DE FIGURAS-

CAPTULO 2
Fig. 2.1. Modelo del sistema psicolgico ............................................................. 47
Fig. 2.2. Diagrama funcional de un modelo.......................................................... 57

CAPTULO 3
Fig. 3.1. Funciones normales de probabilidad de ruido y seal......................... 63
Fig. 3.2. Representacin grfica de un sistema psicolgico.................................... 67
Fig. 3.3. Entradas y salidas de un sistema psicolgico ........................................... 76
Fig. 3.4. Esquema de modelizacin.................................................................. 78
Fig. 3.5. Proceso de control de un S. psicolgico determinado ............................... 79
Fig. 3.6. Sistema psicolgico regulado ................................................................ 79
Fig. 3.7. Sistema ultraestable de Ashby ............................................................... 80
Fig. 3.8. Retroalimentacin o feed-back ........................................................... 80

CAPTULO 4
Fig. 4.1. Conexin en serie................................................................................. 86
Fig. 4.2. Conexin en paralelo............................................................................ 87
Fig. 4.3. Conexin en realimentacin .................................................................. 87
Fig. 4.4. Conexin entre el sistema psicolgico y su entorno ................................. 90

CAPTULO 5
Fig. 5.1. Tipos de comunicacin entre los sistemas ............................................... 120
Fig. 5.2. Valores hipotticos de la probabilidad subjetiva del mando ...................... 127

CAPTULO 6
Fig. 6.1. Esquema de la estructura general de control o regulacin ......................... 140
Fig. 6.2. Esquema de control mediante un programa que emana del modelo............ 143
Fig. 6.3. Esquema de un sistema operador que controla mediante una terna (I) ........ 145
Fig. 6.4. Esquema de un sistema operador que controla mediante una terna (II) ....... 146

CAPTULO 7
Fig. 7.1. Aplicacin entre los conjuntos T y ...................................................... 149
Fig. 7.2. Esquematizacin de la ecuacin general ................................................. 151
Fig. 7.3. Tabla de decisiones del problema........................................................... 153
Fig. 7.4. Grafo del sistema psicolgico................................................................ 154
Fig. 7.5. Tabla de estrategias .............................................................................. 155
Fig. 7.6. Grafo compuesto de cinco individuos..................................................... 157
Fig. 7.7. Funcin en escalera decreciente............................................................. 160
Fig. 7.8. Entrada constante de estmulos al sistema psicolgico.............................. 160
Fig. 7.9. Entrada variable de estmulos al sistema psicolgico................................ 161
Fig. 7.10. Salida variable de respuestas del sistema psicolgico con o sin plazo .... 161
Fig. 7.11. Salida variable de respuestas del sistema psicolgico con un plazo ....... 162

363
INDICE DE FIGURAS

CAPTULO 8
Fig. 8.1. Llegada de estmulos a un sistema psicolgico ........................................ 165
Fig. 8.2. Intervalo de tiempo de llegada de estmulos al sistema........................... 167
Fig. 8.3. Esquema de llegadas de estmulos al S. psicolgico (estimulacin
ilimitada) ............................................................................................ 168
Fig. 8.4. Esquema de llegadas poissonianas de estmulos con tasa media por
unidad de tiempo ................................................................................. 174

CAPTULO 9
Fig. 9.1. Serie histrica descendente de observaciones de una variable psicolgica .. 216
Fig. 9.2. Tabla de anlisis factorial...................................................................... 223
Fig. 9.3. Representacin geomtrica de una correlacin vectorial ........................... 225

ANEJO NM. 1
Fig. A1-1. Curva de distribucin normal tipificada .............................................. 237
Fig. A1-2. Curva de distribucin normal sin tipificar ........................................... 239
Fig. A1-3. rea del 6827% ............................................................................... 240
Fig. A1-4. rea del 9545% ............................................................................... 240
Fig. A1-5. rea del 9973% ............................................................................... 240
Fig. A1-6. Diferentes reas bajo la curva de distribucin normal............................ 241
Fig. A1-7. reas bajo la curva normal................................................................. 241
Fig. A1-8. reas bajo la curva normal tipificada de 0 a z....................................... 244
Fig. A1-9. reas bajo la curva normal tipificada de - a z..................................... 245
Fig. A1-10. Ordenadas (y) de la curva normal tipificada en z................................. 246
Fig. A1-11. Frecuencia observada y esperada de la prueba del Chi-cuadrado........... 247
Fig. A1-12. Distribuciones de Chi-cuadrado para diferentes valores de ................ 249
Fig. A1-13. Percentiles de la distribucin 2 de Pearson (I).................................... 253
Fig. A1-14. Percentiles de la distribucin 2 de Pearson (II)................................... 254
Fig. A1-15. Representacin de la probabilidad: a<X<b ......................................... 258
Fig. A1-16. Representacin grfica de la funcin de distribucin ........................... 258
Fig. A1-17. Representacin grfica de la funcin de densidad de distribuciones
(,a).............................................................................................. 262
Fig. A1-18. Representacin grfica de la funcin de densidad de la distribucin
(p,q) .............................................................................................. 271
Fig. A1-19. Coeficientes de uniformidad en funcin del coeficiente de variacin
de Pearson........................................................................................ 287
Fig. A1-20. Relaciones existentes entre los diferentes coeficientes de uniformidad,
para distribuciones psicolgicas aproximadamente normales (I)............. 289
Fig. A1-21. Relaciones existentes entre los diferentes coeficientes de uniformidad,
para distribuciones psicolgicas aproximadamente normales (II) ........... 290

ANEJO NM. 2
Fig. A2-1. Frecuencias de la distribucin de cocientes intelectuales........................ 295
Fig. A2-2. Histograma de rectngulos yuxtapuestos.............................................. 297
Fig. A2-3. Diagrama acumulativo ascendente de los cocientes intelectuales ............ 298
Fig. A2-4. Diagramas acumulativos ascendente y descendente de los cocientes
intelectuales ..................................................................................... 299
Fig. A2-5. rea bajo la curva normal entre los puntos x1 y x2 ................................ 301
Fig. A2-6. Clculos auxiliares de la distribucin de cocientes intelectuales (I) ......... 304

364
 INDICE DE FIGURAS

Fig. A2-7. Valores de los diferentes coeficientes de uniformidad psicolgica .......... 307
Fig. A2-8. Clculos auxiliares de la distribucin de cocientes intelectuales (II)........ 308
Fig. A2-9. Clculos auxiliares para la determinacin de G..................................... 310
Fig. A2-10. Ordenacin creciente de los porcentajes acumulados de cocientes
intelectuales ..................................................................................... 312
Fig. A2-11. Distribucin campaniforme o gaussiana de los CI ............................... 314
Fig. A2-12. Ajuste a una distribucin normal de los CI ......................................... 314
Fig. A2-13. Marcas de clase y frecuencias simples ............................................... 320
Fig. A2-14. Frecuencias ordinarias y acumuladas de la distribucin de cocientes
intelectuales ..................................................................................... 321
Fig. A2-15. Valores de los diferentes coeficientes de uniformidad.......................... 323
Fig. A2-16. Diagramas acumulativos ascendente y descendente de los cocientes
intelectuales ..................................................................................... 324
Fig. A2-17. Tabla auxiliar de clculo (I) .............................................................. 325
Fig. A2-18. Tabla para la tipificacin .................................................................. 327
Fig. A2-19. Grfico de frecuencias relativas de la variable tipificada ...................... 328
Fig. A2-20. Tabla auxiliar de clculo (II)............................................................. 328
Fig. A2-21. Tabla auxiliar de clculo (III) ........................................................... 330
Fig. A2-22. Sucesos elementales, probabilidades de los mismos y valor de la variable
aleatoria........................................................................................... 333
Fig. A2-23. Distribucin de probabilidad de la variable aleatoria X........................ 334
Fig. A2-24. Funcin de probabilidad de la variable aleatoria X asociada al
experimento aleatorio del presente ejemplo ......................................... 335
Fig. A2-25. Funcin de distribucin de la variable aleatoria del ejemplo a) ............. 336
Fig. A2-26. Funcin de distribucin de una variable aleatoria discreta .................... 337
Fig. A2-27. Tabla auxiliar de clculo .................................................................. 349
Fig. A2-28. Tabla de anlisis de la varianza ......................................................... 350

365
INDICE DE FIGURAS

Este libro se termin

de imprimir el da
... en los talleres
de la Cooperativa Grfica
Dertosense de Tortosa.

366