Академический Документы
Профессиональный Документы
Культура Документы
Revista Iberoamericana
Universidad Católica de Valencia
Interdisciplinar de Métodos, 3 53-59 ISSN 1888-8550
Valencia “San Vicente Mártir” (España)
Modelización y Simulación
J. L. González-Santander † y G. Martín†
† Departamento de Ciencias Experimentales y Matemáticas. Facultad de Ciencias Experimentales. Universidad Católica de Valencia, Valencia.
martinez.gonzalez@ucv.s y german.martin@ucv.es
Abstract
We evaluate the approach which usually justifies how much has to be subtracted for every incorrect answer in a
multiple choice test. We have developed a calculation which takes into account the possibility to blank answer some
questions, which is not possible with the usual approach. We show that when the number of questions tends to
infinity, both approaches are asymptotically equivalent.
RESUMEN
Se trata de evaluar la aproximación del enfoque que habitualmente se utiliza para justificar cuánto ha de restar cada
respuesta incorrecta en la calificación de un examen tipo test multi-respuesta. Se ha desarrollado un cálculo que tiene
en cuenta la posibilidad de contestar preguntas en blanco, lo cual no es posible con el enfoque habitual. Se comprueba
que cuando el número de preguntas tiende a infinito, ambos enfoques son asintóticamente equivalentes.
Modelo simplificado 1 −1 1 1 n −1
E (ci ) = 1⋅ + 1 − = 1 − . (2)
n α n n α
Esperanza y varianza en un examen aleatorio sin preguntas en
blanco La calificación C para un examen sería la suma de las calificaciones
obtenidas en todas las preguntas, proporcionada a la puntuación
Supongamos que tenemos un examen tipo test con N preguntas, máxima del examen, que llamaremos Cmax. Es decir,
y n opciones de respuesta por pregunta (n ≠ 1). Sea ci la calificación
N
de la i-ésima pregunta, siendo i ∈ {1, 2,..., N } . Supongamos que cada Cmax
pregunta acertada contabiliza 1 punto y cada pregunta fallada –1/α
C=
N
∑ c . (3)
i=1
i
puntos. Es decir,
1 si acierta. A partir de (3), el valor esperado para la calificación de un examen
ci =
sería entonces,
−1 α si falla.
k
Pasint ( C − µ ≤ kσ ) = erf = q, (14)
2
1 n −1
E (ci ) = 1 − = 0. (7)
n n −1
Al despejar k, se obtiene,
La varianza de la variable aleatoria ci vendrá dada por la siguiente Crítica al enfoque simplificado
relación,
Hasta el momento no se ha considerado la posibilidad de que el
examinado deje preguntas en blanco, lo que resulta razonable si
1 1
2 se desconoce la respuesta. Para poder analizar el problema bajo la
2 1
Var (ci ) = 1
− E (ci ) + − − E (ci ) 1 − . (8) posibilidad de dejar preguntas en blanco, sería necesario conocer p(ci
n α n = 0), lo cual depende de los conocimientos que tenga el alumno. Para
sortear esta dificultad, debemos plantear el problema de otra manera.
Teniendo en cuenta lo obtenido en (6) y (7) se obtiene,
modelo exacto
1
Var (ci ) = . (9) Exámenes con preguntas acertadas, falladas y en blanco
n −1
Parece razonable asumir la hipótesis de independencia de las variables Supongamos un examen tipo test, con N preguntas y n opciones
ci, ya que se supone que las respuestas son al azar, por lo que, por pregunta. Supongamos que en el examen se producen m aciertos, t
fallos y b respuestas en blanco. Entonces,
2 2 2
Cmax N
Cmax Cmax N = m + t + b. (16)
Var (C ) =
N2
∑ Var (c ) =
i =1
i
N
Var (ci ) =
N (n −1)
. (10)
Según (16), la calificación de un examen sólo depende de m y t,
puesto que N es conocido y fijo. En consecuencia se tendrá,
Intervalos de confianza asintóticos
tmax = N – m. (23)
*
VR nm representa las variaciones con repetición de m elementos for-
mando grupos de n. Para obtener el número mínimo de respuestas incorrectas, tmin, que
tiene un examen con una clasificación inferior a C0,
Si Nb es el número de exámenes con b preguntas en blanco, Nm
el número de exámenes con m preguntas acertadas y b en blanco, y C(m, t) < C0,
Nt el número de exámenes con t preguntas incorrectas, entonces el
número de exámenes con m aciertos, t fallos y b respuestas en blanco, podemos usar (17),
que llamamos Nb,m,t, será,
Cmax t
N N − b m − < C0 ,
(n −1) . (19)
t
N b , m ,t = N b ⋅ N m ⋅ N t = N α
b
m que despejando se obtiene,
N N − b N! ( N − b)! Por otro lado, tanto tmin como tmax dependen del número de respuestas
=
b
m b !( N − b )! m !( N − b − m)! acertadas m. Podemos usar este hecho para determinar el número
N! ( N − m)! máximo de respuestas acertadas mmax, pues se ha de cumplir que,
=
b!( N − m)! m!( N − b − m)!
tmin(mmax) = tmax(mmax),
N! ( N − m)!
=
m!( N − m)! b ! ( N b −
− m)! es decir,
N − m −t t
N! ( N − m)!
= NC0
m!( N − m)! t !( N − m − t )! α mmax − + 1 = N − mmax . (25)
C
max
N N − m
= .
m t Como N y mmax son números enteros, la relación (25) se puede
escribir de la siguiente forma,
Por tanto, de (20) se deduce que dado un examen con N preguntas y
n opciones de respuesta, debido a la relación (16), tenemos dos grados NC0
de libertad, uno en m y otro en t. α mmax − + 1 − N + mmax = 0,
C max
Número de exámenes hasta cierta nota es decir,
mmin = 0. (22)
donde el número m de respuestas acertadas tiene que ser también un Por tanto,
número entero no negativo. Finalmente, usando las relaciones (22),
(23), (24) y (26), podemos escribir como, 1 0
N N −m N − m
lim P (C < 0 ) = lim ∑ m ∑ (n −1)
t
(n + 1)
N
N →∞ N →∞
m =0 t =∞ t (32)
mmax
N N −m N − m
= ∑ ∑ (n −1) .
t
N C0 (27) = 0.
m =0 m t = tmin t
Por otro lado, cuando C0 > 0, a partir de (24) y (26) resulta que,
Cálculo de probabilidades
lim mmax = ∞,
N →∞
Suponiendo que todas las respuestas posibles a un cierto examen lim tmin = 0.
tipo test sean equiprobables, entonces, de acuerdo con (18) y (27), N →∞
(n + 1)
N
N C0 N N − m t =0 t
mmax tmax
1 N →∞ N →∞
m =0
P (C < C0 ) = ∑m ∑ (n −1) . (28)
t
=
(n + 1)
N
Np m =0 t = tmin t
Desarrollando el sumatorio interno mediante el binomio de Newton,
Como es habitual, si F es la función de distribución de la variable se obtiene,
aleatoria C, entonces,
1 ∞
N
lim P (C < 0 ) = lim ∑ m n N −m
. (34)
(n + 1)
N
F (C0 ) = P (C < C0 ).
N →∞ N →∞
m =0
De este modo, tendremos que, Obsérvese que como el inverso del factorial de un número negativo
es 0, la serie dada en (34) se corta en m = N,
P (C0 ≤ C < C1 ) = P (C < C1 ) − P (C < C0 )
(29) 1 N
N
= F (C1 ) − F (C0 ). lim P (C < 0 ) = lim ∑ m n N −m
(n + 1)
N →∞ N →∞ N
m =0
(35)
(n + 1)
N
Como C es una variable discreta, la diferencia mínima entre dos
calificaciones ε viene dada por, = lim = 1.
(n + 1)
N →∞ N
Cmax
ε = C (m, t ) − C (m, t + 1) = . (30)
Nα donde se ha aplicado de nuevo el binomio de Newton.
lim tmin = ∞.
N →∞
Tomando límites en (37) cuando N → ∞, y teniendo en cuenta (32), lo que resulta aceptable, ya que para toda distribución simétrica
respecto a C = 0, se cumple que,
C
lim P (C = 0 ) = lim P C < max . (38) 1
N →∞ N →∞
Nα Fsim (C = 0 ) = .
2
La relación (38) indica que,
Como la distribución de F es normal (asintóticamente), es simétrica,
C y por tanto,
C0 = lim max = 0.
N →∞ Nα
1
lim F (C = 0 ) = .
N →∞ 2
Por tanto, según (24) y (26),
N + 1
lim mmax = lim = ∞. (40)
N →∞ α + 1
N →∞
lim P (C = 0 ) = lim (N ,α ),
N →∞ N →∞
en donde se ha definido,
N +1
α +1
1
N N −m
N − m
(N ,α ) = ∑ m ∑ (n −1) .
t
(41) Figura 2. Función de distribución de F(C), para N = 100, 500,
(n + 1)
N
m =0 t = α m t 1000, n = 4 y α = n – 1.
lim P (C < 0 ) = 0,
N →∞
0 diverja del valor 1/2. Esto quiere decir que el parámetro α que hace La desviación típica σ, según (10), es,
que la distribución F sea asintóticamente simétrica, es el que elimina la
sobrenota por acierto al azar. 2
Cmax
σ= ≈ 0.57735,
Evaluación del modelo exacto N (n −1)
En esta sección se evalúa en qué medida la aproximación a y según el ajuste sería realizado a los datos del cálculo exacto,
la normal es una buena aproximación cuando N toma valores
grandes. En la figura 4 se ha obtenido el ajuste de la distribución 1
de probabilidad de la variable C a una curva gaussiana, tomando σ fit = ≈ 0.583294,
2a
N = 100, n = 4, Cmax = 10 y α = n – 1. Nótese que la calificación
mínima en un examen consiste en tener todas las respuestas incorrectas, que otra vez debe ser considerado como muy bueno.
es decir, Tomando un nivel de confianza q = 95%, según (15), el parámetro
k resulta ser,
Cmax 10 k = 2 erf −1 (0.95 ) ≈ 1.95996.
Cmin = − =− .
3 3
Por tanto, el intervalo de confianza al 95% vendría dado por,
En esta misma figura 4 se observa que el ajuste es mucho mejor para
calificaciones positivas que negativas, existiendo una cierta asimetría en (– kα, kα) = (– 1,13159, 1,13159). (44)
la distribución de los puntos del cálculo exacto.
Según el cálculo exacto (29), la probabilidad de que la calificación
C esté en el intervalo de confianza (44) resulta ser ligeramente mayor
que 0,95,
Pasint ( C ≤ kα ) q
r= =
P (−kα ≤ C < kα ) P (− kα ≤ C < kα )
1 C2
f fit (C ) = = exp (aC + b ),
2
exp − 2 (43)
σ fit 2π 2σ fit
tenemos que,
a ≈ – 1,46959,
b ≈ – 5,72123.
R2 ≈ 0,988722.