ESTADISTICA ESPAO^A

Vol. 31, Nm. 122, 1990, pgs. 461 a 501

La Estadstica en Psicologa
por
CARMEN SANTISTEBAN REQUENA
Dpto. Metodologa de las Ciencias del Comportamiento
Universidad Complutense. 28023 Madrid

1. INTRODUCCION

Son muchos y variados los programas que bajo las denominaciones de

Estadstica para Psiclogos, Psicoestadstica o de Psicologa Materntica,
se imparten en las Facultades de Psicologa de la Universidad Espaola, as
como la distribucin de sus enseanzas en los distintos cursos de la
licenciatura. No obstante, se puede decir que, en general, las enseanzas de
la Estadstica bsica estn situadas en los dos primeros cursos de la
carrera. Estos conocimientos bsicos se ven ampliados y con mayor pro-
fundidad, en los planes de estudio de algunas Universidades, en disciplinas
situadas en cursos posteriores, o bien, por exigencias de programa, en
aquellas otras disciplinas que necesitan de la Metodologa Matemtico-
Estadstica para tratar adecuadamente algunos de sus temas.

En una primera aproximacin se puede decir que las enseanzas comien-

zan por un primer curso de Estadstica Descriptiva y de Clculo de Probabi-
lidades, incluyendo aquellos temas ms elementales que los alumnos traen,
o deberan de traer, como bagaje de conocimientos y requisito previo para
iniciar sus estudios universitarios. Una amplia introduccin a la Estadstica
inferencial se suele impartir en un segundo curso.

La introduccin al anlisis de la Varianza y al Diseo de Experimentos, se

suele hacer en el contexto de la disciplina, que se suele impartir en tercer
curso, denominada como "Psicologa Experimental"'. Esta disciplina no
siempre est a cargo de los profesores de Metodologa sino que, en al-
gunas Universidades, se encuadra en el rea de conocimientos de la Psi-
cologa Bsica en la que su eje y centro se dicen ser los contenidos
^fi^ f_Sf ^[^I^T1( ^^ f:^P^titlf ^

psicolgicos y no las metodologas asociadas a la Estdstica y al Diseo

Experimental.

Estadstica Descriptiva, Introduccin al Clculo de Probabilidades y Esta-

dstica Inferencial, de cuyos contenidos haremos una exposicin ms deta-
11ada, san rnaterias comunes en los dos primeros cursos de la licenciatura.
Tcnicas de Anlisis Multivariante, Teora de la Decisin, Anlisis de Datos,
Teora de ia lnformacin, de 1a Deteccin de Seales, etc., son disciplinas o
rr^aterias que solamente se imparten en algunas Universidades.

2. P R 4 G RAMAS

Los contenidos de los programas en los estudios de Psicologa suelen

responder, de forma ms o menos pormenorizada, a los siguientes:

2.1. Estadistica Descriptiva

Tablas y gr^ficos.
Estadsticos de posicin y dispersin.
Distribuciones de frecuencias.
Correlacin lineal simple y regresin lineal simple.

2.2. Probabilidad
En los cursos de Psicologa, an en los programas ms elementales, se
dan las bases probabilsticas de la Teora de la Probabilidad frecuentista,
como generadora de modelos que permten medir la informacin que se
tiene de los fenmenos aieatorios. La justificacin para la enseanza de
estos temas es la de que en el campo de lo psicolgico, los fenmenos
aleatoros predominan sustanciaimente sobre los deterministas, en parte
debido a las tcnicas requeridas para la observacin y, en parte, a que es
prcticamente imposible identificar y controlar todos los factores que inter-
vienen en un fenmeno psquico.

Los contenidos de los programas suelen responder a los de los siguientes

epgrafes:

Concepto de probabilidad.
Probabilidades condicionadas y Teorema de Bayes. Suc^sos indepen-
dientes.
Variables aleatorias. Funciones de probabilidad y de distribucin.
Valor esperado. Varianza y covarianza.
Estudio de algunas distribuciones de probabilidad.
 t ^^ t ^T ^^r^i^1 tc ^-^ E ^ t^S^c ^ c ^t ^^c ^i +, 4 (^ 3

En estos programas, el punto de vista frecuentista de la probabilidad, a

partir de la axiomtica de Kolmogorov, no se v ampliado con los de otras
teoras de la probabilidad y sus conceptos asociados (probabilidad compa-
rativa, lgica, subjetiva, etc.).

No se suele hacer un estudio detallado del "espacio de probabilidades"',

que es el soporte terico de toda experiencia aleatoria.

En los estudios sobre la independencia de las variables aleatorias, los

conceptos se tratan de forma casi intuitiva o muy elemental, Este trata-
miento est muy alejado de los temas planteados en el problema del
comportamiento de sumas de variables aleatorias independientes, el Teore-
ma Central del Lmite. Resultados bsicos como el Teorema de Borel-
Cantelli, del producto de esperanzas matemticas, el problema de la con-
vergencia (ley fuerte) y el de la estabilidad no tienen cabida, ni en los
programas, ni en los textos de Estadstica dirigidos a psiclogos.

No proponemos que se realice un estudio detallado de estos temas, pero

si queremos hacer notar que el desconocimiento de los mencionados pro-
blemas asintticos en Clculo de Probabilidades, conduce a muchos equ-
vocos en las aplicaciones en las que estn involucrados estos conceptos.

En cuanto a las distribuciones de probabilidad, se suelen estudiar las

distribuciones binomial y de Poisson entre las discretas, y la distribucin
normal entre las continuas; si bien, en algunos programas se encuentran
referencias acerca de las distribuciones hipergeomtrica y multinomial. No
se estudian distribuciones de corriente aparicin en los problemas y mode-
los psicolgicos como son la exponencial, garnma y logartimico-normal,
entre otras.

Otras distribuciones tales como la t de Student, Ji-cuadrado de Pearson y

F de Fisher-Snedecor, se suelen incluir en los programas en el captulo
general dedicado al estudio de las distribuciones de probabilidad. Creemos,
sin embargo, que estas distribuciones deben estudiarse separadamente, o
bien, hacer patente que estas distribuciones no se adoptan como modelos
para variables observables, sino que aparecen como distribuciones asocia-
das a los procesos de muestreo, cumpliendo por lo tanto objetivos distintos
de los que cubren las distribuciones probabilsticas anteriormente mencio-
nadas.

EI estudio de todas las distribuciones indicadas debe hacerse en los

cursos bsicos, dejando para los de especialidad la ley hipergeomtrica,
entre las discretas, gamma y logartmico-normal, entre las contnuas.

Como grupo de distribuciones diferenciado de los bsicos de probabili-

dad, por sus especiales caractersticas muestrales, deben estudiarse en
-^h-^ E ^ r ^[)^ti T ^c ^ E ti^^ ^ ^c ^[ ^

ciertas especialidades la distribucin beta y tambin' la distribucin de

Dirichlet, como distribucin k-variante anloga a la beta, bsica en la teora
de probabilidad de los estadsticos ordenados.

EI creciente uso de las tcnicas multivariantes en todas las reas de

estudia de la psicologa, hace imprescindible el estudio de la distribucin
normal multivariante, las de Wishart y sus relacionadas, entre las que se
incluye la h de Wilks.

2.3. Estadstica Inferencial

Los programas de estadstica responden a una exposicin de las tcnicas
que se derivan de la concepcin frecuentista adoptada para el estudio de la
probabilidad.
EI enfoque clsico dado a las enseanzas de la Estadstica en Psicologa
se justifica porque, a pesar del desarrollo de nuevas tendencias, ei enfoque
dado a la mayor parte de los traba ^ os estadsticos prcticos hace que stos
se puedan encuadrar dentro de las ideas y mtodos de Neyman, Pearson y
Fisher. Por otra parte, las tesis ms frecuentes acerca de los problemas no
se conciben sin las ideas generales de la Inferencia Clsica.
Los programas ms completos suelen estar compuestos por los siguien-
tes contenidos:

Introduccin al muestreo.
Estimacin de parmetros: puntual y mediante intervalos de confianza.
Introduccin a los contrastes paramtricos de hiptesis.
Contrastes de medias, varianzas proporciones y coeficientes de corre-
lacin y regresin.
Pruebas de independencia y de bondad de ajuste.
Introduccin al Anlisis de la Varianza y de la Covarianza.
Algunas tcnicas no paramtricas.

En estos programas se ofrecen los conceptos ms elementales de la

Inferencia Clsica, cfennminac^o aq^^ c:^ma clsir.a a!a establecida pnr
Fisher, Neyman y Pearson, que adopta como procedimiento para establecer
resultados el punto de vista frecuentista en la probabilidad bsica, sin hacer
mencin a otros mtodos ms recientes como son los de la Teora de la
Decisin y la Inferencia Bayesiana, que son aproximaciones, al problema
general de la Inferencia Estadstica. Tampoco se hacen referencias a otros
mtodos menos relevantes, pero importantes en en desarrollo de la Esta-
dstica Matemtica, como son la Inferencia Estructural, Fiducial, las aproxi-
maciones por Teora de la Informacin y por la Teora General de la
Verosimilitud.
 LA ES"TA[^1STtt'^ E:N F'Sf('t)LOt^I ^^ ^4b 5

Una de las objeciones importantes que se pueden hacer, ms que a los

programas a su forma de impartirlos, es la de que ya que en la raz de la
inferencia clsica estn los problemas muestrales, stos o no se explican
can claridad, o no se insiste en ellos lo suficiente. Esta aseveracin se hace
en base a la experiencia personal, recogida en varias Universidades al
recibir a los estudiantes en la disciplina de Psicometria, impartir cursos
para postgraduados, cursos de doctorado y atender a los profesionales que
acuden en busca de ayuda metodolgica para la realiiacin de sus trabajos.

Estas insuficiencias se evidencian en los estudiantes, y en postgraduados,

al tratar con nociones tales como las de "espacio muestral", y"espacio
paramtrico". As como cuando se entra en consideraciones acerca del
papel de los datos muestrales, como contenedores de la "informacin
acerca del parmetro, o de ios parmetros", o bien ei del "estadstico"
como funcin de la muestra que concentra esa informacin, y que a su vei
es una variable aleatoria cuya distribucin de probabilidad es conocida
como la "distribucin muestral del estadstico".

EI prok^lema de encontrar estimadores ptimas, los mtodos generales

para construirlos y el anlisis de sus caractersticas, segn cada mtodo de
construccin, no creemos que deba ser objeto de estos programas, pero s
debera incluirse en ellos una exposicin que Ileve al conocimiento de las
propiedades de los estimadores y de su significado.
En aquellos programas en los que se abordan los problemas sobre esti-
macin paramtrica, se suele incluir 1a estimacin puntual pero, con excep-
cin del sesgo, en algunos casos, no se suelen mencionar los criterios de
clasificacin de los estirnadores segn su bondad, la consistencia corno
comportamiento asinttico del estimador, la eficiencia por comparacin de
estimadores insesgados en trminos de varianzas muestrales, o bien la
suficiencia, que como tambin expondremos ms adelante, es y ha sido tan
importante para 1a introduccin de los modelos Poissonianos de Rasch
para los tests de lectura, y en general, para la generacin de los modelos
psicomtricos actualmente encuadrados en la Teora de la Respuesta aM
Item.
La estimacin mnimo cuadrtica se estudia indirectamente al tratar de
los temas de regresin y ajuste. Esta forma de presentar el tema queda
asociado en los discentes a un problema de "ajuste lineal" de una nube de
puntos a una recta, pero no se concibe y se encuadra como un mtodo
general de estimacin de parmetros, determinando en qu condiciones el
mtodo de mnimos cuadrados proporciona estimadores de varianza m-
nima.

Un tema que creemos que debe ser includo en 1os programas es el de la

estimacin por rnxima verosimilitud y sus propiedades. Los alumnos de-