Unidad 1

La estadística es la ciencia que se encarga de recolectar datos, organizarlos, analizarlos y

realizar inferencias acerca de las observaciones hechas sobre un conjunto de personas,
objetos, procesos y fenómenos.

Esta ciencia, cuenta con una unidad de análisis, que son aquellos objetos de los cuales se
desea obtener información.

o La población o universo es el conjunto de unidades de análisis. En general, este

conjunto, comparte alguna o varias características en común. La población de individuos
son todos los individuos que comparten cierta característica; la población de
observaciones son todos los valores de variables que puede tomar una observación.

o La MUESTRA es una parte o un subconjunto de unidad de análisis de una población

dada. Es así, que la muestra de individuos es un grupo o subconjunto de la población de
individuos.

ESTADÍSTICA DESCRIPTIVA

Es un conjunto de técnicas para resumir y trasmitir información cuantitativa. Sirve para

analizar las características de una población y a descubrir las regularidades
existentes dentro de un conjunto de datos .

Una variable es una propiedad o cualidad de los individuos de una población. Las
modalidades son cada una de las formas en las que se presenta una característica. Las
variables presentan distintas modalidades (dos o más) entre los individuos. Si presenta una
única modalidad es una constante.

Operacionalizacion= Proceso de medición = Valor a la variable = Variable estadísitica

La operacionalización de un constructo es lo que permite asignar sin ambigüedad un valor

a la variable a través de un proceso de medición. En la operacionalización de una variable
se indica detalladamente los procedimientos a usar para obtener el valor de la variable que
corresponde a cada individuo.

Al operacionalizar una variable, se obtiene una variable estadística que es una

representación, a través de números u otros símbolos, de una variable. Se obtiene mediante
algún procedimiento de medición.

CLASIFICACIONES DE VARIABLES:

§ Cualitativas: Sus valores designan atributos. EJ: Soltero o Casado. Indican si los valores
son iguales o diferentes en la característica de interés.

§ Cuasicuantitativa: A partir de esta variable se puede establecer un orden de valores o

jerarquía. EJ: Nivel de ansiedad: Bajo, Medio, Alto.

§ Cuantitativas: Expresan cantidades numéricas. Indica cantidad.

§ Cuantitativas discretas: Sus valores son puntos aislados y todo valor tiene un consecutivo.
No puede existir un valor entre ellos. Son números enteros. EJ: Cantidad de intentos de
suicidio de un paciente (Puede haber sido 1, 2 o 3; pero no 1,5)

§ Cuantitativas continuas: Puede tomar cualquier calor dentro de un intervalo numérico al

menos teóricamente. Pueden ser números decimales. EJ: Tiempo invertido en realizar un
test de inteligencia (Puede ser una hora, treina minutos y sesenta y dos segundos)

Niveles de medición---------------------------------------------------------------

Homorfismo: Es necesario que la relación de valores se respete siempre.

§ NIVEL NOMINAL: Designa atributos. La relación entre los valores es de igualdad o

diferencia. Ej.: Diagnóstico clínico.

§ NIVEL ORDINAL: Establece un orden o jerarquía entre los valores. Permite saber que
algo es mayor o menor a otra cosa. Ej: Escala de grado de satisfacción.

§ NIVEL INTERVALAR: Incluye unidad de medida. Incluye la posibilidad de determinar la

distancia entre dos valores. El cero no indica la ausencia de la característica, es arbitrario.
Por ejemplo: puntajes de test psicológico.

§ NIVEL DE RAZÓN O COCIENTE: Incluye unidad de medida. Permite establecer

proposiciones. El cero es absoluto e indica la ausencia de la característica.

ESTADÍSTICA INFERENCIAL

Sirve para hacer inferencias, generalizaciones y extrapolaciones de un conjunto de datos a

un conjunto mayor.

_________________________ Otros conceptos ________________________

§ El parámetro poblacional es una propiedad descriptiva de una población. Generalmente

el parámetro es desconocido y el principal interés del investigador es conocer su valor.
El estadístico es una propiedad descriptiva de una muestra. Su valor en general se puede
calcular a partir de la información que la muestra provee.

El estimador es un estadístico que se utiliza para conocer aproximadamente el valor de un

parámetro desconocido.

Unidad 2

ORGANIZACIÓN DE DATOS Y DISTRIBUCIÓN DE FRECUENCIAS

Las distribuciones de frecuencias son agrupaciones de los datos en tablas o gráficos, para
organizarlos de formas resumidas y ordenadas. Las frecuencias absolutas, expresan la
cantidad de veces que se repite una determinada modalidad. A partir de esta, se puede
calcular la frecuencia relativa, que es la frecuencia absoluta dividida por el total de los datos,
y la frecuencia porcentual, que es la frecuencia relativa multiplicada por 100. Estas dos
últimas frecuencias, informan acerca del peso de cada valor de la variable en el conjunto de
observaciones.

La frecuencia absoluta acumulada es la cantidad de observaciones acumuladas hasta

determinada modalidad de la variable, y se usa para determinar cuántas observaciones son
menores o iguales a cierto valor.

Los gráficos se utilizan para interpretar fácilmente los datos de las distribuciones de
frecuencias.
Unidad 3: resúmenes estadísticos

Los resúmenes estadísticos dan una idea del comportamiento de los datos en una muestra,
resumiendo la información contenida en las observaciones.

Medidas de posición:

Sirven para entender cómo se sitúa una puntuación con respecto a su grupo de referencia,
indicando qué porcentajes de la muestra quedan por debajo de un valor determinado de la
variable. Centiles, Cuartiles (3 valores que dividen en 4 partes a la distribución). El valor k,
que es un rango percentilar que indica cual es el porcentaje de las observaciones que es
superado por un valor de la variable.

Medidas de tendencia central

Resumen en un solo valor de la variable, la tendencia general que se observa en la

distribución. La moda es el valor que más se repite en la distribución. La mediana es el
valor central de la distribución. La media es el promedio de los valores de la distribución,
que se obtiene sumando cada una de las puntuaciones y dividiéndolas por el total de
observaciones.

Medidas de variación:

Indican el grado de dispersión que se presenta en la distribución de frecuencias. Cuando

mayor es la distancia entre la puntuación y su media, mayor es la dispersión de ese valor.
Cuando la distancia es menor, quiere decir que la variación es menor, y que cierta
puntuación es mas representativa con respecto a los valores de la muestra.

El rango es una de las formas mas sencillas de calcular la variación de una muestra;
consiste en sacar la diferencia del valor mayor de la distribución y del menor. Sin embargo,
esta medida solo contempla los valores extremos, volviéndose menos representativa con
respecto a la dispersión del total de la muestra.

La varianza es otro índice de variabilidad. Sirve para comparar el grado de dispersión de

dos o mas conjuntos de valores en una misma variable. Se obtiene elevando al cuadrado
las distancias de una puntuación respecto de su media, y dividiéndolas por n, es decir, por
el total de las observaciones.

El desvío típico es un índice que deriva de la varianza. Es una forma más sencilla de
interpretar los datos. Se calcula sacando la raíz cuadrada de la varianza.

Medidas de variación relativas:

Cuando se presentan dos grupos de datos con medias muy diferentes, es posible utilizar el
índice de coeficiente de variación, que es una medida de variabilidad relativa. Se calcula
dividiendo el desvió típico por la media y multiplicando la división por 100.

Las medidas de asimetría y curtosis son otra forma de describir y comparar distribuciones
de frecuencias. Estas ayudan a entender las diferencias entre los grupos. El grado de
asimetría hace referencia al grado en que los datos se reparten equilibradamente por
encima o por debajo de la tendencia central. Los datos pueden presentar asimetría
negativa, que implica que haya mayor cantidad de datos por encima de la media; asimetría
positiva, donde hay mayor concentración de datos inferiores a la media, o pueden
comportarse de forma simétrica, donde la moda y la media estarán en el mismo punto.

Por otro lado, el índice de curtosis puede ser leptocúrtico, platicurtico y mesocúrtico.

Unidad 4: puntuaciones

Las puntuaciones directas Xi (observadas o brutas) resultan insuficientes para interpretar los
datos observados ya que no nos permite saber acerca de la tendencia central del conjunto
de datos del cual proviene esa puntuación directa, ni la variabilidad de tal conjunto de datos.
Una primera forma para poder interpretar cómo se ubica esa puntuación en relación con su
grupo de referencia , es a través de las puntuaciones diferenciales: Se obtienen restando
Xi por su media. Las puntuaciones diferenciales indican si la puntuación es superior, inferior
o igual a la media. Sin embargo, no brinda información acerca de la variabilidad del conjunto
de datos al que pertenece la puntuación directa Xi.

Las puntuaciones típicas (Zi) y las escalas derivadas (Ti) se basan en aplicar
transformaciones de las puntuaciones directas, produciendo otras que, sin perder o
distorsionar la información contenida en las puntuaciones originales, permiten una
interpretación y una comparación más eficiente de las mismas.

Zi permite ubicar la posición de un individuo en relación con su grupo de referencia.

Características de la puntuación típica

Ø Se obtienen dividiendo la puntuación diferencial (puntuación directa menos la media) por

la desviación típica.

Ø Permite medir las distancias a la media con relación a la variabilidad del grupo de
referencia.

Ø Tend. central y variabilidades universales; Media=0 Varianza y Desvío típico= 1

Ø Son adimensionales (independientes de la unidad de medida) por lo que permiten realizar

comparaciones, llevando los resultados a una escala común.

Ø Son útiles para realizar comparaciones entre unidades de distintos grupos (poblaciones o
muestras); entre variables medidas de distintas formas; entre variables distintas.

Algunas de las puntuaciones típicas son negativas y casi todas tienen decimales. Por esa
razón, se han buscado otras puntuaciones que permitan resolver estas dificultades:

Las escalas derivadas (Ti) constituyen una transformación de las Zi en otras equivalentes.
A la puntuación típica se la multiplica por una desviación típica constante y se le suma una
media constante.
Hay algunas escalas derivadas de uso habitual como las puntuaciones T que tiene una
media de 50 y una desviación típica de 10; o las escalas de cociente intelectual (CI) que
tiene una media de 100 y un desvío típico de 15.

Unidad 5: Pearson

El coeficiente de relación de Pearson es un índice que mide la relación lineal, es decir,

que mide la asociación entre dos variables cuantitativas. Puede valer entre -1 y 1, y no tiene
una unidad de medida. El r informa acerca de si las variables se asocian linealmente, pero
dicha asociación no supone causalidad.

En la interpretación de una correlación hay que separar la cuantía y el sentido.

La cuantía se refiere al grado en que la asociación entre dos variables queda bien descripta
con un índice de asociación lineal como r. Un valor de +- 1 indica un grado perfecto de
asociación entre las dos variables. En la medida en que el coeficiente de correlación se
acerca a 0, la relación entre las dos variables será más débil.

El sentido refiere al tipo de relaciones: directa o inversa. La dirección de la relación es

indicada por el signo del coeficiente, un signo + indica una relación directa o positiva, y un
signo – indica una relación inversa o negativa entre las dos variables.

Los GRÁFICOS ASOCIADOS AL COEFICIENTE DE RELACIÓN R DE PEARSON SE

DENOMINAN DIAGRAMAS DE DISPERSIÓN O DISPERSOGRAMAS, y la configuración
de puntos resultante se denomina nube de puntos.

RELACIÓN LINEAL DIRECTA O POSITIVA :

deberse a dos casos:

1) Las dos variables son independientes. De manera que no están asociadas linealmente

2) Las dos variables estén relacionadas, pero de manera no lineal. De manera que el r de
Pearson no capta esa relación.
Unidad 6: modelo binomial y normal

Modelos teóricos: son una construcción teórica. A partir de una representación

simplificada de la realidad permiten una mejor comprensión de esta, facilitando su análisis e
interpretación y la formulación de conclusiones y predicciones. Al confrontarse con la
realidad observada, el investigador pone a prueba el modelo teórico propuesto, para ver si
explica y predice lo que sucede en la realidad.

Un modelo para una variable es una distribución de frecuencias relativas teóricas.

Estas frecuencias relativas, no se fundamentan en la observación directa, sino que son
postuladas. La experiencia previa justifica los valores propuestos, o es deducida a partir de
ciertas condiciones teóricas. Las F. R. T. se denominan probabilidades.

La probabilidad de un valor de la variable es la proporción de casos que se espera que

ese valor de la variable tenga en una población. Es una medida de la posibilidad de que
dicho valor sea observado.

u Variables dicotómicas: Variables cualitativas que toman dos valores.

Cuando uno habla de un modelo de distribución se refiere a una forma que adquieren los
datos, dependiendo de la variabilidad que presentan. Dependiendo de esa forma, se
pueden derivar probabilidades teóricas de ocurrencias de un evento.

MODELO DE DISTRIBUCIÓN BINOMIAL:

Una distribución binomial es una distribución de probabilidad cuantitativa discreta que

describe el número de éxitos que se pueden observar en una serie de pruebas o ensayos,
donde la variable es dicotómica (es decir que solo se pueden obtener 2 resultados: éxitos o
fracasos) y aleatoria, es decir que son al azar, ya que dependen de eventos cuyos
resultados no se pueden predecir con certeza.

Condiciones necesarias para la aplicación del modelo Binomial

u Estabilidad: la probabilidad de éxito debe permanecer constante en las n observaciones

de la variable dicotómica.

u Independencia: la probabilidad de obtener éxito en una observación no aumenta ni

disminuye si se conoce el resultado de otra observación.

MODELO DE DISTRIBUCIÓN NORMAL:

Es uno de los modelos de distribución más utilizado, que sirve para variables cuantitativas
discretas. Sus parámetros son la media poblacional (mu) y el desvío poblacional (sigma).
Dentro de la psicología hay múltiples variables que se ajustan a este modelo, como el
tiempo de reacción o las medidas de aptitudes.

Los valores en este modelo se distribuyen formando una campana de Gauss, en torno a
un valor central que coincide con los valores de las medidas de tendencia central. La mayor
cantidad de las observaciones se ubican en valores medios, y la menor cantidad se
encuentran por abajo o por encima de los valores de las medidas de tendencia central. Por
eso, a medida que nos alejamos del centro, la probabilidad asociada a observar ese valor
va disminuyendo.

Propiedades:

- Es una distribución simétrica, en donde coinciden las 3 MTC.

- Es asintótica.
- Dentro de la familia de curvas normales, la más importante se denomina distribución
normal unitaria y tiene una media 0 y desviación típica 1
- Los puntos de inflexión se encuentran en los puntos correspondientes a la media
más/menos una desviación típica.

DISTRIBUCIÓN DE LA MEDIA MUESTRAL

La media muestral es una variable, por lo que tiene su propia distribución de probabilidad. Si
somos capaces de saber cuál es esa distribución, entonces podremos calcular las
probabilidades asociadas a los posibles valores de ese estadístico.

Distribución de la media muestral:

● Es una distribución teórica que asigna una probabilidad concreta a cada uno de los
valores que puede tomar la media muestral en todas las muestras del mismo tamaño que es
posible extraer de una determinada población.

● El centro de la distribución muestral de x̄ es el mismo que el de la distribución poblacional

de la variable X → μ = μX

● La variabilidad de la distribución muestral de x̄ es menor a la de la variable X: Cuanto más

grande sea el n de la muestra, más se parecerá la media muestral a la poblacional, y por lo
tanto la variabilidad o dispersión de las con respecto a la media poblacional será menor, y
las medias muestrales variarán menos.

● La varianza de la distribución muestral de x̄ es igual a la varianza poblacional de X

dividida por el tamaño de la muestra

● Como la desviación típica es la raíz cuadrada de la varianza, la desviación típica de la

distribución de es igual a la desviación típica poblacional de X dividida por la raíz cuadrada
del tamaño de la muestra → σ = σX / √n

Unidad 7: hipótesis

El contraste de hipótesis es el instrumento estadístico inferencial que permite evaluar a

partir de los datos de una muestra representativa, la veracidad de afirmaciones hechas
sobre una población. Puede ser entendido como un método de toma de decisiones.

No todas las muestras sirven para hacer inferencias, ya que es necesario que sean
representativas de la población.

La HIPÓTESIS CIENTÍFICA es una afirmación referida a una o varias características de

una población. No es directamente evaluable a partir de los datos muestrales, sino que es
necesario transformar esta hipótesis en una hipótesis estadística. La HIPÓTESIS
ESTADÍSTICA es la transformación de una hipótesis científica para que pueda ser
verificable utilizando métodos estadísticos; tiene que ser completamente equivalente a la
original, pero representada para que sea factible analizar los datos muestrales mediante un
método de inferencia estadística y poder determinar su veracidad. La teoría de contraste de
hipótesis hace referencia a dos hipótesis: La hipótesis nula (H0) y la hipótesis alternativa.

● Hipótesis nula (H0): Es la hipótesis que se somete a contraste. Es la única que se puede
rechazar o no rechazar, mantener o corroborar.

● Hipótesis alternativa (H1): Es complementaria con la anterior, en general es la hipótesis

de investigación, la que se quiere comprobar, y así tomar una decisión. Es inexacta, incluye
todo lo que la nula (H0) excluye. A diferencia de la nula, tiene otras opciones (< (unilateral
izquierda), >(unilateral derecho), ≠ (contraste bilateral)), está relacionada con la pregunta
del investigador.

Quien investiga decide sobre la veracidad de una hipótesis o afirmación a nivel de

población, a partir de la información que provee una muestra. Al hacer esto, es posible que
la decisión tomada pueda ser errónea:

• Error de tipo 1: rechazar H0 cuando es verdadera

• Error de tipo 2: aceptar H0 cuando es falsa

Regla de decisión → los contrastes de hipótesis tienen un esquema que permite

determinar si H0 debe ser rechazada o no. Esta regla de decisión depende del estadístico
de prueba de su distribución (indicador numérico que puede ser calculado a partir de la
información de la muestra, que tiene distribución de probabilidad conocida), del tipo de
hipótesis alternativa que se está considerando, y también depende del nivel de significación
o probabilidad de error de tipo 1 que se haya fijado.

Puede fijarse de dos formas:

● Regla de decisión basada en la zona de rechazo: Consiste en la comparación del

estadístico con la ZR, entonces:

- Si el valor del estadístico pertenece a la ZR: se rechaza H0.

- Si el valor del estadístico no pertenece a la ZR: no se rechaza H0.

La ZR es el conjunto de valores del estadístico de prueba que hacen que se decida

rechazar H0. Así como existe una ZR, existe una zona de aceptación, que se define como el
conjunto de valores del estadístico que hacen que se decida no rechazar H0.

● Regla de decisión basada en el valor P: Consiste en la comparación de esta probabilidad

con el nivel de α que el investigador haya fijado a priori, entonces:

- Si el valor de P es menor que α: se rechaza H0.

- Si el valor de P es mayor que α: no se rechaza H0.
- Valor P→ probabilidad de éxito en cada uno de los ensayos de la variable
dicotómica.