1

Herramientas estadsticas para quienes se inician en la

investigacin psicolgica

Autor: Schmidt, Vanina
*
y Maglio, Ana Laura
**



Introduccin

La presente ficha fue pensada a partir de las dificultades y prejuicios
observados en los alumnos de grado de la Facultad de Psicologa de la U.B.A.,
respecto de la Estadstica aplicada a la Psicologa. La ficha comienza
intentando desterrar prejuicios y preconceptos que suelen tener los alumnos de
grado respecto de la investigacin en Psicologa, para luego pasar a revisar
herramientas concretas de la Estadstica. Al finalizar la lectura, el alumno podr
realizar los siguientes anlisis:

1- Distribucin de Frecuencias
2- Medidas de Posicin
3- Medidas de Tendencia Central
4- Medidas de Variabilidad
5-Asimetra
6-Curtosis
7-Puntuaciones Tpicas
8-Puntuaciones derivadas
9- Prueba X2
10- Pruebas de Diferencias entre medias
11-Correlacin biserial paramtrica



*
Doctora U.B.A. Facultad de Psicologa. Prof. Adj. Regular. Facultad de Psicologa.
U.B.A. Investigadora CONICET.
**
Licenciada en Psicologa. U.B.A. Becaria Doctoral CONICET.
Agradecimientos: Al Lic. Facundo Abal y a la Lic. Nadia Messoulam, por su colaboracin en la
elaboracin de la ficha Integrando conceptos, sobre la cual se ha basado, en parte, la
presente.
2
1- La investigacin cientfica, ms all de los preconceptos y prejuicios

Trminos tales como estadstica, metodologa, investigacin, medicin y
psicometra suelen provocar en el alumno de Psicologa rechazo, escepticismo,
prejuicios, malestar y, en el mejor de los casos, curiosidad.
Hay alumnos que piensan que la investigacin cientfica es algo ajeno a
la realidad cotidiana. Consideran que slo se hace investigacin en centros
altamente especializados y que quienes se dedican a esta actividad son
personas de edad avanzada, con un talento especial, una inteligencia
privilegiada o una trayectoria propia de una pelcula de ciencia ficcin. Sin
embargo, en Ciencias Sociales y de la Conducta se abordan tpicos tales
como: frustracin y su relacin con la agresin, conductas de riesgo de
contagio del HIV, influencia de los medios masivos de comunicacin en la
opinin pblica, desnutricin infantil y desarrollo cognitivo, trabajo y abuso de
sustancias psicoactivas, optimismo como factor protector, y otros tantos temas
que forman parte de nuestra vida cotidiana. Es decir que la investigacin
aborda temas de la vida cotidiana.
Asimismo, los investigadores son personas de carne y hueso que
se dedican a generar y transmitir conocimientos a otros que, a su vez, utilizan
(al menos es lo deseable) ese cuerpo de conocimientos en diferentes reas de
aplicacin: laboral, forense, clnica, etc. En nuestra vida cotidiana y desde que
nacemos, abundan los ejemplos de nuestro afn por investigar. As que
investigar es una tarea cotidiana. Claro que la investigacin cientfica tiene
caractersticas particulares. Kerlinger (1975, p. 11) la define como: Un tipo de
investigacin sistemtica, controlada, emprica y crtica, de proposiciones
hipotticas sobre las presumidas relaciones entre fenmenos naturales. En
nuestra cultura este tipo de conocimientos goza de mucho prestigio y confianza
por parte de la sociedad. La investigacin es el trabajo de estas personas
trabajo maravilloso, privilegiado por lo entretenido, cambiante, desafiante
pero trabajo al fin.
Toda investigacin cientfica implica un gran esfuerzo de imaginacin y
creatividad. La crtica, la incertidumbre, el disenso, la duda, la pregunta
constante, la flexibilidad y capacidad de adaptacin son los insumos bsicos
del investigador. En ciencia, no existen respuestas definitivas, y ello
3
simplemente porque no existen preguntas finales (Bunge, 1987, p.55). Slo
cree que la ciencia es pobre en concepto e imgenes, y que la investigacin
cientfica carece de poesa, quien tiene pobres informaciones acerca de la vida
de la ciencia (Bunge, 1987, p. 102). Dedicarse a investigar es divertido!
Unos conocidos metodlogos afirman que la investigacin cientfica es
la herramienta por excelencia para conocer lo que nos rodea y su carcter es
universal (Hernndez-Sampieri, Fernndez-Collado y Baptista-Lucio, 1998, p.
27). Estos autores citan a Carl Sagan (1978, p.6) -prestigioso cientfico que
deslumbraba al mundo hace tiempo atrs con la serie Cosmos- quien, al hablar
de posibles contactos con extraterrestres, sostena:

Si es posible, pues, comunicarse, sabemos ya de qu tratarn las
primeras comunicaciones: tratarn sobre la nica cosa que las dos
civilizaciones tienen de modo seguro en comn, a saber, la
ciencia. Podra ser que el inters mayor fuera comunicar
informacin sobre su msica, por ejemplo, o sobre convenciones
sociales; pero las primeras comunicaciones logradas sern de
hecho cientficas.

La investigacin cientfica ha logrado desarrollos impensados hasta hace
poco tiempo; no slo es el fundamento de la tecnologa que est dando una
fisonoma inconfundible a nuestra cultura material, sino que sorprenden a diario
los avances en biologa, qumica, neurologa, medicina, astronoma, fsica,
economa, sociologa, antropologa, psicologa, etc. (Bunge, 1987). Por
supuesto, no podemos pretender que la investigacin cientfica provea
respuestas a todos los interrogantes de la humanidad. Adems, a la vez que la
ciencia ha encontrado soluciones a una variedad de problemas, algunos
descubrimientos han sido utilizados de modo tal que han generado una serie
de otros problemas a los cuales la ciencia an no puede dar respuesta. Bunge
(1987, p.36) afirma que la ciencia es valiosa como herramienta para dominar
la naturaleza y remodelar la sociedad; es valiosa en s misma, como clase para
la inteligencia del mundo y del yo; y es eficaz en el enriquecimiento, la
disciplina y la liberacin de nuestra mente. Es evidente que no hemos
alcanzado muchas de estas utilidades. Podramos pensar que ello se debe a
que la ciencia an tiene un largo camino por recorrer o, tal vez, a que alguna de
4
ellas no sea el camino de la ciencia. Por supuesto, ste y otros interesantes
temas relativos a la investigacin cientfica no se agotan en unas pocas lneas.
En el presente texto, se ha reducido al mximo la referencia a
discusiones epistemolgicas y cuestiones metodolgicas, para acentuar
aspectos estadsticos tiles a los fines de llevar a cabo los primeros anlisis
estadsticos de una investigacin. Si bien estas herramientas son comnmente
utilizadas en la investigacin con enfoque cuantitativo, no son exclusivas de
este enfoque y bien pueden utilizarse en la investigacin cualitativa.
Cules son los temas que hemos privilegiado y, por lo tanto,
incorporado al texto?
A partir del interrogante de investigacin en torno a un tema
adecuadamente delimitado, se pone en marcha el proceso de investigacin
(cualitativo, cuantitativo o mixto), el cual implica definir el diseo de
investigacin, las hiptesis (en los estudios cuantitativos) y supuestos (en los
estudios cualitativos), las estrategias para recabar informacin sobre la
temtica a indagar, el procesamiento de los mismos y la presentacin de
resultados y las conclusiones a las que se arribe.
Con demasiada frecuencia, se observa que quienes no tienen en claro el
tipo de estudio que estn realizando, violan supuestos y requisitos
fundamentales a la hora de analizar los datos y realizar inferencias, invalidando
las conclusiones de la investigacin. Por ejemplo, en un estudio con
adolescentes se concluye que los conflictos familiares son un factor
predisponente de consumo de drogas (Shilts, 1991; citado en Patton, 1995).
Pero el tipo de estudio (correlacional) y, por lo tanto, el diseo, las hiptesis, y
los procedimientos de recoleccin y anlisis de datos realizados (bsicamente,
anlisis de asociacin entre variables) en el mencionado trabajo, slo permite
concluir que existe una fuerte relacin entre conflicto familiar y uso de drogas
(sin poder indagar si el conflicto aumenta la probabilidad de uso o, por el
contrario, el uso aumenta la probabilidad de conflicto familiar). De all que sea
importante tener en claro estas cuestiones antes de pasar al anlisis de datos.
En la ltima etapa de la investigacin analizamos los datos recolectados,
para lo cual muchas veces recurriendo a las extraordinarias herramientas que
nos provee la Estadstica. Por medio de ella, podemos ordenar, resumir,
analizar, describir, explicar, predecir, descubrir nuevas relaciones, tomar
5
decisiones y presentar los resultados de manera comprensible y organizada. La
estadstica permite comprender el pasado y el presente, y estimar el futuro.
Son conocidas en nuestro medio acadmico las crticas y prejuicios que causa
la estadstica al estudiante de Psicologa.
Hay alumnos que piensan que la estadstica es poco til en nuestra
disciplina o que slo sirve a los fines de distorsionar informacin. Cierta vez, un
alumno justific esta opinin diciendo que la estadstica engaa pues sostiene,
por ejemplo, que en promedio los argentinos tienen 2 autos por familia, pero lo
que no dice es que algunas familias tienen 4 y otras familias ningn auto. Este
es un ejemplo de un mal uso de la estadstica, ya que al no acompaar la
informacin que provee la media (promedio aritmtico) con la que provee el
desvo estndar, se cometen errores de interpretacin. En todo caso, no es la
estadstica la que desinforma, distorsiona o engaa, sino el (mal) uso que
hacemos de ella. El uso de tcnicas estadsticas debe hacerse con los
conocimientos necesarios, con rigor y cautela. A decir de Cortada de Kohan
(1994, p. 15), con la proliferacin de paquetes de programas estadsticos e
invalorados equipos de computacin, se ha extendido en forma alarmante el
mal uso de tcnicas estadsticas. Y, por mal uso entiendo la no adecuacin del
procedimiento empleado al problema que se trata de dilucidar (...).
Es por esta razn, que antes de decidir qu anlisis estadsticos
llevaremos a cabo, es necesario conocer el objetivo y las hiptesis de
investigacin, los instrumentos utilizados, el nivel de medicin de la variable y
el comportamiento de los datos (qu funcin subyace a las observaciones
registradas?, se distribuyen los datos normalmente?), as como las
caractersticas de las tcnicas estadsticas que se utilicen, sus alcances y
limitaciones. Por ejemplo, es muy comn en las investigaciones psicolgicas
utilizar como medida resumen la media, pero (como veremos ms adelante) la
misma pierde representatividad frente a ciertas distribuciones. Tambin se
suelen utilizar anlisis de varianza, anlisis de regresin o anlisis
discriminante cuando no estn dadas las condiciones estadsticas para su uso,
violando de esta manera supuestos de aplicacin fundamentales.
Pero cuando se hace un correcto uso de la estadstica es posible
extraer conclusiones vlidas y efectuar decisiones lgicas, basadas en dichos
anlisis. Utilizamos la estadstica para estudiar aquellos fenmenos en los que
6
tenemos una gran cantidad de observaciones y cuya aparicin se rige por las
leyes del azar o aleatorias. La aplicacin de la estadstica tiene lugar porque los
fenmenos de algunas ciencias no se dan siempre iguales entre s
exactamente, sino que presentan variaciones. Estas pequeas diferencias son
debidas a una serie de causas tan numerosos y complejas que no podemos
determinarlas por separado y que las incluimos dentro del nombre comn de
azar (Cortada de Kohan, 1994, p. 23).
No slo utilizamos la estadstica en las distintas disciplinas cientficas.
En nuestra vida cotidiana, continuamente basamos nuestras decisiones en
clculos estadsticos: cuando vamos al supermercado, calculamos, aunque sea
de modo aproximado, el consumo promedio de cada producto de modo tal de
no comprar ni de ms ni de menos; consultamos el pronstico del tiempo y nos
basamos en la probabilidad de lluvias, para planificar un fin de semana al aire
libre; estimamos la cantidad de horas que debemos estudiar para un examen,
en funcin de la cantidad y complejidad de temas a preparar. Si observamos el
peridico del domingo pasado, vemos que en varios artculos se recurre a la
estadstica para organizar, analizar y presentar la informacin. La estadstica,
en definitiva, se ha vuelto una herramienta indispensable para desenvolvernos
en nuestra cultura.
Hay psiclogos que creen que no utilizan ni necesitan utilizar la
estadstica. Sin embargo, sentencian que determinado paciente muestra un
comportamiento atpico, excntrico, anormal o fuera de los parmetros
esperables para su edad, condicin social o intelectual. Sin saberlo, estn
utilizando conceptos estadsticos al comparar las caractersticas de un paciente
con las caractersticas de la mayora de los sujetos del grupo al que el paciente
pertenece. Creen que no utilizan la medicin, porque no obtienen un ndice
numrico de una entrevista libre o semi-estructurada, pero necesariamente, en
algn momento, clasifican u ordenan la informacin y establecen diagnsticos
diferenciales (por ejemplo: neurosis, perversin, psicosis). Realizan
apreciaciones del tipo el sujeto est ms angustiado en estas ltimas
semanas, ha aumentado su motivacin, lo cual implica que existe una
variable (por ejemplo, angustia) que se presenta en distintos grados y, por lo
tanto, puede ordenarse. A pesar de no asignar nmeros a estos estados o
niveles de las variables, realizan operaciones propias de las escalas de
7
medicin nominal y ordinal (Stevens, 1951). No podemos desconocer los
aportes de la estadstica a nuestra disciplina! Al menos, cuando se hace un
buen uso de ella.
Esta ficha pretende ser una gua para realizar anlisis estadsticos
bsicos. Incluye un anexo con ejercicios prcticos. Esperamos que la misma
sea de utilidad y acompae al alumno en los primeros pasos de su formacin
como investigador.

2- Qu es la Estadstica?
La Estadstica es una manera de pensar y tratar cierta problemtica que
la realidad plantea, de una forma ms elaborada, objetiva y exacta que lo que
hace el pensamiento intuitivo y subjetivo, dando criterios de decisin cuando
prevalecen condiciones de indeterminacin (Cortada de Kohan, 1994). Es parte
del mtodo cientfico y tiene por objeto: la recoleccin, organizacin, el anlisis,
la interpretacin y la presentacin de datos.
La mayor aplicacin de la estadstica en cualquier campo se basa en la
posibilidad de observaciones repetidas o de experimentos hechos en
condiciones esencialmente iguales. Sin embargo, siempre que se repiten las
observaciones y aun cuando se tomen las mayores precauciones para unificar
las condiciones, los resultados varan. Cuando las observaciones, a pesar de
hacerlas en condiciones muy similares, dan resultados diferentes existe una
inseguridad vinculada con la observacin de un objeto o fenmeno. Este hecho
nos lleva al problema central de la estadstica que es en cierto sentido la teora
sobre la variabilidad de las observaciones, es decir, el estudio de la tendencia
de los resultados a que varen cuando las observaciones se hacen en
condiciones idnticas, desde el punto de vista del observador. Por esta razn,
se suele definir a la estadstica como la aplicacin de mtodos para evaluar el
grado en que el azar contribuye en las mediciones (Cortada de Kohan, 1994).

Qu permite la Estadstica?
Recolectar, analizar, interpretar, describir y explicar fenmenos.
Organizar y resumir la informacin en forma de tablas, cuadros y
grficos.
Detectar algn modelo o patrn de comportamiento de los datos.
8
Realizar inferencias de una poblacin a partir de los datos obtenidos de
una muestra o parte de esa poblacin.
Comparar una o ms caractersticas (variables) entre dos poblaciones.
Investigar si dos o ms caractersticas o variables de una poblacin
estn relacionadas entre s o si, por el contrario, son independientes.
Realizar una toma de decisiones ms efectiva.

Lo que no permite la Estadstica
Hay que tener en cuenta que la estadstica no tiene el poder de
descubrir hechos nuevos ni de suministrar conclusiones absolutas, vlidas, sin
restricciones. La respuesta es en trminos de probabilidad, jams en trminos
de certeza. Lo que permite es someter las hiptesis a ensayos objetivos,
independientes de la apreciacin subjetiva del experimentador.

- Estadstica descriptiva
Se denomina estadstica descriptiva al conjunto de procedimientos
estadsticos que sirven para organizar y resumir conjuntos de datos numricos.
Algunos datos pueden organizarse en una distribucin de frecuencias.
Tambin pueden utilizarse diversos tipos de grficas para describir datos. Los
promedios especializados (que sern explicados posteriormente), como la
media, mediana o moda, pueden calcularse para describir el valor central de un
grupo de datos numricos.

- Estadstica inferencial
A partir de los datos obtenidos de manera descriptiva, se pueden realizar
procedimientos estadsticos que dan lugar a la estadstica inferencial. Tales
procedimientos sirven para deducir o inferir algo acerca de un conjunto de
datos numricos (poblacin), seleccionando un grupo menor de ellos (muestra).
Existen ciertos riesgos relacionados con el empleo de resultados de las
muestras para deducir algo acerca de una poblacin desconocida. Por ejemplo,
cinco exmenes seleccionados al azar entre todos los exmenes de los
alumnos de una comisin de la materia Psicomtricas, pueden ser excelentes.
Podra concluirse a partir de esta muestra que todos los exmenes fueron
excelentes. Pero existe la probabilidad de que esta ltima afirmacin sea falsa.
9
Hay una serie de anlisis que se realizan a los fines de evaluar los riesgos de
tomar una decisin incorrecta.

3- Distribucin de frecuencias
La distribucin de frecuencias es el agrupamiento de datos en categoras
que muestran el nmero de observaciones de cada categora mutuamente
excluyente. Cumple con tres funciones: proporciona una reorganizacin y
ordenacin racional de los datos recogidos, ofrece la informacin necesaria
para hacer representaciones grficas y facilita los clculos necesarios para
obtener los estadsticos muestrales (Botella, Len y San Martn, 1993).
Frecuencia absoluta (ni): nmero de veces que se repite el valor en la
muestra.
Frecuencia absoluta acumulada (na): nmero de veces que se repite en
la muestra determinado valor o cualquier otro inferior.
Frecuencia relativa (pi): cociente entre la frecuencia absoluta de ese
valor y el tamao de la muestra. La suma es igual a 1. Pi = ni / n
Frecuencia relativa acumulada (pa): cociente entre su frecuencia
absoluta acumulada y el tamao de la muestra. Pa= na / n
Frecuencia porcentual (Pi%): expresa la frecuencia relativa en
porcentajes. Pi% = Pi .100
Frecuencia porcentual acumulada (Pa%): expresa la frecuencia relativa
acumulada en porcentajes. Pa% = Pa .100

A continuacin se presenta como ejemplo de los distintos tipos de frecuencia,
una tabla correspondiente a una caracterstica sociodemogrfica (edad) de una
muestra de estudiantes de la Prov. de Bs. As.

Edad ni na pi pa Pi% Pa%
12 - 14 97 97 0.393 0.393 39.3 39.3
15 - 17 131 228 0.530 0.923 53.0 92.3
18 - 20 19 247 0.077 1 7.7 100
Total (n) 247 1 100%


10
4- Modelo de distribucin Normal

Muchas variables cuantitativas continuas tienen distribuciones que se
asemejan a la normal lo suficiente como para trabajar como si fueran
normales, sin cometer grandes errores. Ejemplo: estatura, peso, cociente
intelectual, etc. La caracterstica principal de este modelo es que existe un valor
central en torno al cual se concentran la mayor parte de los individuos, y que
cuanto ms se alejan los valores de la media ms difcil es encontrar individuos
que adopten esos valores. Entonces, el modo como se presentan las
frecuencias grafican una campana que:
- Es simtrica con respecto a su valor central (all coinciden media,
mediana y moda)
- Es asinttica, por mucho que se extienda nunca llega a tocar los ejes
de las abscisas.
- Se construye a partir de dos parmetros: (1) la media poblacional y (2)
el desvo poblacional. Segn los valores que ellos adopten, se podr
concebir una familia de curvas normales.
Se suelen considerar tres reas bajo la curva normal:
- Aproximadamente 68 % del rea bajo la curva normal est dentro de
1 desviacin estndar respecto de la media.
- Aproximadamente 95 % del rea bajo la curva normal est dentro de
2 desviaciones estndares respecto de la media.
- Aproximadamente 99 % del rea bajo la curva normal est dentro de
3 desviaciones estndares respecto de la media.
Grficamente, la forma que adopta una curva normal es la siguiente:

11

Extrado de ar.geocities.com/sitiomartos/04_Varios/Future...

Por ejemplo, si el valor medio en un test de rendimiento cognitivo (que posee
una distribucin normal) es 19 y la desviacin estndar es 1.2, se dir que
aproximadamente el 68 % obtuvo puntajes entre 17.8 y 20.2, el 95 %, entre
16.6 y 21.4, y el 99 %, entre 15.4 y 22.6. Por ejemplo, la escala de CI de
Wechsler posee un valor medio de 100 y una desviacin tpica de 15. Por lo
tanto, se podr afirmar que aproximadamente el 68% de las observaciones
oscilar entre 85 y 115, mientras que el 95% lo har entre 70 y 130, y el 99%,
entre 55 y 145 puntos.

5- Estandarizacin para la distribucin normal (o distribucin normal
estndar)
La distribucin de una variable emprica como la estatura, ha
demostrado tener una distribucin normal luego de una investigacin
consistente en medir a una muestra importante de individuos. A diferencia de la
estatura, la inteligencia no se basa en una investigacin que la mida y luego
descubra las propiedades de su distribucin. De hecho, se supone que antes
de crear una prueba de inteligencia, sta, por ser una cualidad humana, es
probable que se distribuya normalmente. Mientras que la estatura es una
distribucin normal que ocurre naturalmente, las pruebas de inteligencia (y
otras) se construyen para producirla (Coolican, Garca Mulsa y Gomez Lopez,
1997, p.235). Muchas pruebas se adaptan hasta que la evaluacin de una
gran muestra produzca una distribucin de puntuaciones que se aproxime muy
12
cercanamente a la distribucin normal. Esto permitir ejecutar algunas
estimaciones estadsticas extremadamente poderosas (Coolican, Garca
Mulsa y Gomez Lopez, 1997, p.169-170).

6- Medidas de posicin
Las medidas de posicin son ndices diseados para revelar la situacin
de una puntuacin con respecto a un grupo, utilizando a ste como marco de
referencia (Botella, Len y San Martn, 1993, p. 83).
Si un conjunto de datos ordenados (por ejemplo, de menor a mayor) es
dividido en cuatro partes iguales, obtenemos la medida de posicin
denominada cuartil; si dividimos a ese mismo conjunto en 10 partes iguales,
obtenemos los deciles; y si se divide la distribucin en 100 secciones iguales,
obtenemos 99 valores llamados percentiles (stos ltimos, son ampliamente
utilizados en la
Evaluacin Psicolgica con instrumentos psicomtricos).
Si la variable se distribuye normalmente, las distancias entre los
percentiles intermedios sern menores que las distancias entre percentiles
extremos. Esta propiedad permite que muchas pruebas utilicen puntajes
percentilares para considerar los parmetros de normalidad.
Si disponemos de esos 99 valores podremos hacer valoraciones
relativas de las puntuaciones individuales expresndolas como el porcentaje de
puntajes inferiores a ella. Por ejemplo: si en un examen de la materia
Psicomtricas un alumno obtiene un puntaje percentilar P = 90
(correspondiente a la calificacin de 8), es porque ha superado con esa
calificacin al 90 % de sus pares. Otro ejemplo: dos nios han obtenido un
puntaje bruto PB = 20 en la prueba de
Matrices Progresivas (Escala Coloreada) de Raven. Sin embargo, uno
de ellos (6 aos y 8 meses) obtuvo un P = 90 y el otro (9 aos y 2 meses), un P
= 25. Es claro que el primer nio ha tenido un mejor desempeo en esta
prueba porque ha superado al 90% de su grupo de referencia, mientras que el
segundo nio slo ha superado al 25%. La prueba de ansiedad ISRA interpreta
como ansiedad severa toda puntuacin que supere el percentil 75. Esto
significa que una persona que supera este puntaje pertenecer al 25% de la
poblacin con mayores valores de la variable.
13
Para identificar el percentil correspondiente a determinado valor de la
variable, basta con acudir a la columna de Frecuencia porcentual acumulada
(Pa%) de la distribucin de frecuencia. Si no se dispone de Pa%, se debe
acudir a la columna de Frecuencia relativa acumulada (pa) y calcular la
expresin 100 x pa correspondiente a ese valor. Recordemos que pa es el
cociente entre la
Frecuencia absoluta acumulada (na) y el tamao de la muestra (Pa = na
/ n). Por ello, si no se ha calculado pa, pero se dispone de na, entonces se
deber calcular:
100 x (na / n).

Si tenemos la siguiente distribucin de frecuencias, diremos que el
percentil para el valor 15 es:

Edad ni na pa
12 11 11 0.103
15 70 81 0.757
17 26 107 1
Total 107

P = 100 x pa
P = 100 x 0.757 = 75.7

O bien, si no se dispone de pa:
P = 100 x (na / n)
P = 100 x (81 / 107)
P = 100 x 0.757 = 75.5

Para hallar el percentil en una distribucin de frecuencias agrupadas por
intervalos de clases, se emplea una frmula un tanto ms compleja (Cortada de
Kohan, 1994):


14
P = L + Pi . n na . c
ni

En donde:
L = lmite inferior real del intervalo que contiene al percentil buscado
Pi = porcin que corresponde al percentil buscado. As, si el percentil buscado
es 62, Pi = 0.62
n = nmero de casos
na = frecuencia acumulada hasta ese lmite inferior (es decir, frecuencia
acumulada en el intervalo que precede inmediatamente al intervalo clase que
contiene al percentil buscado)
ni = frecuencia del intervalo que contiene al percentil buscado
c = ancho de la clase en que se encuentra el percentil buscado

7- Medidas de tendencia central
Son medidas muy utilizadas porque refieren a un valor que representa
todos los puntajes logrados por un grupo y como tal da una descripcin concisa
del rendimiento del grupo en su totalidad (Garret, 1979, p.46). Esto nos
permite comparar dos o ms grupos en trminos de rendimiento tpico.

_
- Media Aritmtica X

La media aritmtica es la suma de un conjunto de valores dividido por la
cantidad total de valores.
Propiedades de la Media aritmtica:
Todo conjunto de datos del nivel de intervalo y de nivel de razn
tiene una media.
Al evaluar la media se incluyen todos los valores (se puede
considerar la media como un punto de equilibrio para un conjunto de datos,
pero cuando existen valores extremos la media no representa adecuadamente
los datos).
15
La media aritmtica es la nica medida de tendencia central
donde la suma de las desviaciones (ver Medidas de dispersin) de cualquier
valor con respecto a la media siempre ser cero.

En el caso de trabajar con los valores sin agrupar:
_
X= Xi / n

Cuando tenemos una distribucin de frecuencias, la media es la suma
de los valores observados (Xi), multiplicados por la frecuencia correspondiente
(ni) y dividido por la cantidad de observaciones(n):
_
X = (Xi . ni) / n

La media total de un grupo de puntuaciones puede obtenerse a partir del
conocimiento de las medias parciales y de los tamaos de los subgrupos en
que han sido calculadas (Botella, Len y San Martn, 1993):

_
X t = n1 . X1 + n2 . X2 + n3 . X3 + nk . Xk
n1 + n2 + n3 + nk

- Mediana Mdn
La mediana es aquel valor de la variable por encima y por debajo del
cual existe la misma cantidad de observaciones. Este estadstico debe
entenderse como homlogo al percentil 50.
Propiedades de la Mdn:
Se utiliza con frecuencia cuando la variable es ordinal (aunque
tambin puede ser utilizada en los niveles de intervalo y de razn).
No se ve afectada por valores extremos (tal como ocurre en el
caso de la media)
Puede calcularse para una distribucin de frecuencias de extremo
abierto (si la mediana no se encuentra en una clase de tal extremo).
Cuando tenemos un nmero impar de observaciones sin agrupar, se
toma como mediana el valor central. Ejemplo:

16

n=11 Nmero de orden= n + 1 11 + 1 = 6 Mdn = 8
2 2

1 2 3 4 5 6 7 8 9 10 11
5 6 6 7 7 8 9 9 10 11 12

Cuando tenemos un nmero par de observaciones sin agrupar, se toma como
mediana el valor comprendido entre los dos valores centrales. Ejemplo:

1 2 3 4 5 6 7 8 9 10
23 29 32 33 34 35 38 38 41 43

n=10 Mdn = 34 + 35 = 34,5
2
Para hallar la Mdn en una distribucin de frecuencias agrupadas por intervalos
de clases, se emplea la siguiente frmula (Cortada de Kohan, 1994):

Mdn = L + n/2 na . c
ni

En donde:
L = lmite inferior real del intervalo que contiene a la Mdn
n = nmero de casos
na = frecuencia acumulada hasta ese lmite inferior (es decir, frecuencia
acumulada en el intervalo que precede inmediatamente al intervalo clase que
contiene a la mediana)
ni = frecuencia del intervalo que contiene a la Mdn
c = ancho de la clase en que se encuentra la Mdn
Para el siguiente ejemplo, la Mdn ser:

Intervalos de clase ni na
10-19 2 2
17
20-29 8 10
30-39 20 30
40-49 26 56
50-59 40 96
60-69 30 126
70-79 10 136
80-89 6 142
90-99 2 144

n/2 = 144/2 = 72

Mdn = 49,5 + 72 56 .10
40

Mdn = 49,5 + 16 / 40 .10 = 49,5 + 4 = 53,5

- Moda Mo
La moda (o el modo como tambin se la llama) es el valor de la variable
con mayor frecuencia absoluta. Es decir, es el valor que se presenta con mayor
frecuencia.

Propiedades de la Mo:
Se utiliza frecuentemente cuando se trata de una variable nominal
(aunque puede emplearse en todos los niveles de medicin).
Tiene la ventaja de no verse afectada por valores muy altos o muy
bajos.
Al igual que la mediana, puede utilizarse como medida de
tendencia central para distribuciones de extremos abiertos.
La moda tiene algunas desventajas que hacen que se utilice con menos
frecuencia que la media o la mediana. Para muchos conjuntos de datos, no
existe moda porque ningn valor aparece ms de una vez. Por el contrario,
para algunos conjuntos de datos hay ms de una moda. Supngase que las
edades de un grupo son 22, 26, 27, 27, 31, 35 y 35. Tanto las edades 27 como
35 son modas.
18
Sera cuestionable utilizar las dos modas para representar la tendencia
central de este conjunto de datos de edades.

8- Medidas de Dispersin o Variabilidad
Las medidas de dispersin son ndices que establecen el grado en que
se parecen o se diferencian entre s un conjunto de datos. Una distribucin de
frecuencias ser homognea o poco variable si los datos difieren poco entre s
y, por tanto, se concentran en torno a su promedio. Ser heterognea o muy
variable si los datos se dispersan mucho con respecto al promedio.
Por qu estudiar la dispersin? Existen varias razones para analizar la
dispersin en un conjunto de datos:
- Al aplicar una medida de dispersin es posible evaluar la confiabilidad
del promedio que se est utilizando. Si los valores se concentran en torno a la
media, esta ltima se considera representativa de los datos. Por el contrario,
una dispersin grande indica que la media no es confiable.
- Una medida de dispersin permite apreciar cun dispersas estn dos o
ms distribuciones. Por ejemplo, supngase que un nuevo modelo de
computadora se ensambla en dos plantas de una fbrica: la Planta A y B.
La media aritmtica de la produccin diaria en ambas plantas es 50. Con
base en las dos medias se podr llegar a la conclusin de que las
distribuciones de las producciones diarias son idnticas. Pero si las
dispersiones varan de una muestra a la otra, esta conclusin no es correcta
(por ejemplo, si la produccin en la Planta A vara de 48 a 52 ensambles por
da, mientras que en la Planta B vara de 40 a 60, diremos que en esta
segunda Planta la produccin es ms errtica).

- Amplitud Total (o rango)
El rango es la medida de dispersin ms sencilla. Es la diferencia entre
el valor ms alto y el ms bajo de un conjunto de datos.
Rango = valor ms alto valor ms bajo
Consideremos los siguientes grupos de calificaciones en tres cursos
diferentes A, B y C:
A) 6, 6, 6, 6, 6, 6
B) 5, 6, 7, 8, 7, 3
19
C) 2, 3, 4, 7, 9, 11
Los tres grupos poseen la misma media aritmtica, pero mientras en el
curso A no hay variaciones (todos los alumnos obtuvieron un 6), el curso B
(rango = 5) y C (rango = 9) ha mostrado importantes variaciones, siendo este
ltimo el de mayor variabilidad.

- Desviacin media (dm)
Un defecto importante de la amplitud total es que se basa slo en dos
valores, el mayor y el menor, no tomando en consideracin todos los datos. La
desviacin promedio s lo hace. La desviacin promedio es la suma de los
desvos de todos los valores con respecto a la media aritmtica, en valores
absolutos y promediados (Cortada de Kohan, 1994). En valores absolutos
quiere decir que no se tienen en cuenta los signos de los valores
(desviaciones) pues, si se hiciera, tales desviaciones se compensaran
exactamente, y la desviacin media sera cero. Tal medida (cero) es un dato
estadstico intil.
Se calcula:
_
D.M. = /Xi X/
n

Por ejemplo, si tenemos los siguientes valores: 2, 3, 4, 7, 9, 11
Calculamos el nmero de casos y la media aritmtica, que en este caso sera:
_
n = 6 y X = 36/6 = 6



Y calculamos las desviaciones respecto de la media aritmtica para cada valor:
_
X - X =
2 6 = -4
3 6 = -3
4 6 = -2
7 6 = 1
9 6 = 3
11 6 = 5
____
0
20
_
Pero en valor absoluto D.M. = /Xi X/ = 18 = 3
n 6

La desviacin media no se usa con mucha frecuencia, porque al utilizar
valores absolutos no es fcil de manipular algebraicamente. Pero tanto la
variancia como la desviacin estndar se basan en las desviaciones medias.

- Varianza (variancia)
La varianza es el promedio de las desviaciones cuadrticas con respecto
a la media. Es un ndice basado en la idea de que, al elevar al cuadrado las
distancias con respecto a la media antes de hallar su promedio, no suman cero.
Adems los cuadrados son siempre positivos.
Para los datos sin agrupar, la frmula es:
_
S = (Xi X) / n

Para datos agrupados:
_
S = (Xi X).ni / n

Por ejemplo, las edades de los pacientes en el pabelln de aislados en
el Hospital de Clnicas son:
38, 26, 13, 41 y 22

Calculamos el nmero de casos y la media aritmtica:
_
n = 5 y X = 140/5 = 28

Y calculamos las desviaciones cuadrticas (desviaciones elevadas al
cuadrado) respecto de la media aritmtica para cada valor, teniendo en cuenta
que los signos de las desviaciones (+ o -) no se omiten, como se hizo para la
desviacin media:
_
(Xi X) =

(13 28) = 225
(22 28) = 36
(26 28) = 4
21
(38 28) = 100
(41 28) = 169
____
534 (suma de las desviaciones cuadrticas)

As, el promedio de las desviaciones cuadrticas sumadas es:

S = 534 / 5 = 106.8

La varianza de esa poblacin es, entonces, de 106.8.
Al igual que la amplitud total y la desviacin media, la varianza se utiliza
para comparar la dispersin en dos o ms conjuntos de observaciones.

- Desviacin tpica o estndar (sd)
Tanto la amplitud total como la desviacin media son fciles de
interpretar, sin embargo resulta difcil interpretar la varianza para un solo
conjunto de observaciones. La variancia de 106.8 para las edades de los
pacientes no est en trminos de aos, sino ms bien en aos al cuadrado. Por
ello resulta til retomar las unidades de medicin originales. Esto es lo que
hace la desviacin estndar, al calcular la raz cuadrada de la varianza. As, se
establece con mayor precisin una separacin promedio de las distancias de
cada uno de los valores de la variable a la media. Es un mejor descriptor de la
variabilidad y siempre es positiva. En el ejemplo anterior, la raz cuadrada de
106.8 aos es de 10.3.

Coeficiente de variacin V
El coeficiente de variacin sirve para comparar la variabilidad de grupos
cuya media es claramente distinta. Se relativiza la desviacin tpica con
respecto a la media y se expresa como un porcentaje.
CV= S . 100 / X

Por ejemplo, un grupo de nios de 7 aos mide una talla media = 1.3
con una s = 0.05. Por otro lado, sabemos que su peso medio es = 25 con una s
= 2 Kg.
22
La pregunta que nos hacemos es: qu es ms variable: el peso o la
talla? La V para talla ser:

100 x 0.05 = 5 = 3.84
1.3 1.3

La V para peso ser:

100 x 2 = 200 = 8
25 25

Por lo tanto, son ms heterogneos, ms dispersos, en peso que en
talla.
Cuanto mayor es el coeficiente menos representativa es la media. Este
coeficiente tiene el inconveniente de que slo puede ser utilizado con variables
cuantitativas en mediciones de razn o cociente.

9- Medidas de asimetra (o sesgo)
Las medidas de asimetra determinan si las frecuencias se concentran
ms hacia los valores bajos (asimetra positiva) o hacia los valores altos de la
variable (asimetra negativa). Si una distribucin de frecuencias es simtrica, el
sesgo es nulo (es decir, igual a 0). En las distribuciones simtricas, la media,
Mdn y Mo coinciden (caen en el mismo punto de la distribucin). Pero, casi
todas las distribuciones sacadas de datos de la realidad son asimtricas. Lo
que esperamos, para tratar a una distribucin como normal, es que el grado de
asimetra sea lo ms cercano a 0 posible. El coeficiente de asimetra (C.A.) se
encuentra generalmente entre 3 y +3.
La frmula para calcular el sesgo de una distribucin es:
_
C.A. = 3 (X - Mdn)
sd

10- Curtosis
La curtosis se refiere a la altura o aplanamiento del polgono de
frecuencia.
23
Cuando la curva es muy puntiaguda, se la denomina leptocrtica, si es
muy chata, platicrtica, y si es normal, mesocrtica.
La asimetra y la curtosis son medidas independientes, por lo que una
distribucin puede ser simtrica y, por ejemplo, leptocrtica. O, por el contrario,
ser asimtrica y mesocrtica. De cualquier modo, si la distribucin de
frecuencias es cercana a la normal, el sesgo deber tender a 0 y la curva
deber tender a ser mesocrtica.

11- Puntuaciones tpicas o estndar
Las puntuaciones tpicas son muy utilizadas en Psicologa. Se
simbolizan =
z. Estos puntajes z nos permiten establecer distintas comparaciones, a
partir de llevar todos los valores (por ejemplo, puntajes brutos obtenidos por un
grupos de sujetos en un test de Inteligencia) a una escala comn que posee
media = 0 y desvo estndar = 1. Cmo se logra esto? A travs de una
transformacin de los puntajes como si la unidad de medida fuera la desviacin
estndar. No se miden las distancias a la media en trminos absolutos, sino
con relacin a la variabilidad del grupo de referencia.
La frmula que permite transformar los puntajes brutos en puntajes z, es:
_
z = Xi X
S

Las puntuaciones tpicas nos autorizan a (1) comparar distintas
puntuaciones de un mismo sujeto o de sujetos diferentes, (2) hacer
comparaciones entre variables medidas con diferentes escalas, (3) comparar
puntajes obtenidos por distintas variables.
El puntaje z indica el nmero de desviaciones tpicas que esa
observacin se separa de la media del grupo de observaciones. Muchas
puntuaciones tpicas son negativas o con decimales (Botella et al., 1993).
Por ejemplo: deseamos comparar el rendimiento acadmico de dos
estudiantes de psicologa de distintas universidades. El siguiente cuadro
resume los datos:

Universidad 1 Universidad 2
24
Media 6 7.5
Desvo estndar 2.5 2


Sabiendo que ambos estudiantes poseen un promedio de 6.5 en sus
calificaciones, se procede a reemplazar en la frmula:

z
1
= 6.5 6 = 0.2 z
2
= 6.5 7.5 = - 0.5
2.5 2


Los resultados se interpretan teniendo en cuenta que los puntajes z
tienen signo segn estn a la derecha (+) o a la izquierda (-) de la media. As,
mientras el segundo sujeto se encuentra a medio desvo por debajo de la
media (z= - 0,5), el primer sujeto se encuentra por encima de la media a 1/5 de
desvo (z= 0,2). Por lo tanto, el primer sujeto posee mejor rendimiento que el
segundo, si bien ambos tienen el mismo promedio en sus calificaciones.

12- Escalas derivadas
Las escalas derivadas son transformaciones de las puntuaciones tpicas.
Poseen las mismas caractersticas que estas ltimas, pero evitando los
nmeros negativos y decimales. Son transformaciones afines y lineales.
Por ejemplo: el cuestionario de estrs ocupacional (OSI) compara con la
misma escala (llamada escala T) todas las puntuaciones obtenidas por cada
una de sus variables. La escala T es una transformacin lineal de la escala de
las puntuaciones tpicas que adopta una media de 50 y un desvo tpico de 10
puntos.
T = 10 . z + 50

Otro ejemplo: Wechsler utiliza diferentes escalas para cada uno de los
subtests y recurre a los Puntajes Equivalentes para establecer comparaciones.
Estos puntajes son una escala derivada de las puntuaciones tpicas que
adoptan media 10 y desvo estndar de 3 puntos. Tambin, el famoso CI
(cociente intelectual) es una escala derivada, cuya media es 100 y su desvo
estndar de 15 puntos.
25

13- Baremo
El Diccionario de la Real Academia Espaola define baremo como:
cuaderno o tabla de cuentas ajustadas, lista o repertorio de tarifas.
Cuadro gradual establecido convencionalmente para evaluar los mritos
personales, la solvencia de empresas o los daos derivados de accidentes o
enfermedades.
Palabra utilizada por primera vez por el matemtico francs B. F.
Barreme (1640-1703).
Si bien, algunas ideas implicadas en la definicin se asemeja al uso que
se le da a la palabra baremo en evaluacin psicolgica, creemos ms
adecuado definir baremo como: la distribucin de los puntajes transformados
(tpicos o derivados) de modo tal que permiten ubicar a un sujeto en relacin a
su grupo de referencia. Los baremos son puntos de referencia que permiten
comparar las puntuaciones crudas (brutas) de un sujeto con las obtenidas por
su grupo de referencia, otorgndole significado a tales puntuaciones crudas.
Los puntajes transformados que se suelen utilizar para la construccin del
baremo son: z, T, PP, y CI y puntajes equivalentes (cuya media es = 10 y
desvo = 3) (estos ltimos dos puntajes, se utilizan bsicamente, aunque no
exclusivamente, en las Escalas Wechsler de Inteligencia).
Veamos con un ejemplo, la importancia prctica de los baremos en la
evaluacin psicolgica. La seora Gonzlez estaba orgullosa de su hijo
Roberto ya que el nio haba obtenido un CI de 100. La seora pensaba que
100 era una puntuacin perfecta. No saba que en la escala CI, 100 es la
media. La leccin es clara: ninguna puntuacin es significativa cuando se
desconoce la base de su derivacin (Karmel, 1986). Es decir, siempre
debemos tener en claro cul es el marco de referencia de las puntuaciones del
examinado. El baremo sirve a los fines de comunicar informacin significativa
respecto del desempeo de un sujeto en una prueba, al compararlo con un
grupo de sujetos de la misma poblacin. Por ejemplo, podemos decir que un
sujeto posee un nivel de enojo alto, ya que sus puntajes brutos (los puntajes
que ha obtenido en cada escala de una prueba de enojo) equivalen al Puntaje
Percentilar = 90 (supera al 90 % de su grupo de referencia), al puntaje T = 65
26
(recordemos que la media de esta escala es 50 y el desvo es 10) y al puntaje z
= 1.3 (recordemos que, en este caso, la media es 0 y el desvo 1).
Una puntuacin bruta tiene significado slo cuando la referimos al
baremo apropiado. Ya que muchas variables psicolgicas varan en funcin de
variables sociodemogrficas, los baremos suelen dividirse por edad, sexo, nivel
educativo, nivel socio-econmico y regin geogrfica. Por ejemplo, para el test
ISRA se presenta por separado el baremo de varones y mujeres, pues se ha
observado que estas ltimas obtienen puntajes significativamente ms altos
que los varones.
Asimismo, no es posible utilizar el baremo espaol para interpretar los
puntajes en el ISRA de un sujeto argentino, ya que se ha observado que
nuestra poblacin tiende a puntuar ms alto en todas las escalas del ISRA
comparado con poblacin espaola.

14- Cundo utilizar determinado anlisis estadstico?
Hay dos tipos de anlisis que pueden realizarse: anlisis paramtricos y
no paramtricos. Cada tipo posee sus caractersticas y supuestos. Ya hemos
advertido al lector acerca de las consecuencias de utilizar indiscriminada e
irresponsablemente las herramientas estadsticas. En no pocos casos se
registra el uso de pruebas paramtricas (propias de los niveles intervalar y de
cociente o razn), con datos no paramtricos (niveles nominal y ordinal). De
esta manera, se logra estar a la moda pero se violan, o no se verifican, las
condiciones de aplicacin de los anlisis que se realizan.
Por supuesto, no basta con tomar en cuenta el nivel de medicin o el
comportamiento de los valores de las variables a la hora de decidir qu
tcnicas estadsticas emplear, sino que adems resulta necesario examinar el
problema de investigacin, los objetivos, el tipo de estudio y las hiptesis a
contrastar. A continuacin, mencionaremos los supuestos bsicos para las
pruebas paramtricas y para las no paramtricas, y los anlisis ms utilizados
en cada caso. No desarrollamos las tcnicas que se emplean, a excepcin de
prueba ji cuadrada, coeficiente de correlacin y ANOVA por ser stas muy
utilizadas en los anlisis bsicos de toda investigacin.

27
- Pruebas Paramtricas (extrado de Hernndez-Sampieri, Fernndez-Collado
y Baptista-Lucio, 1998).
Para realizar anlisis paramtricos debe partirse de los siguientes
supuestos:
1. La distribucin de los valores de la variable es normal
2. El nivel de medicin de la variable es por intervalos o razn
3. Cuando dos o ms poblaciones son estudiadas tienen una varianza
homognea: las poblaciones en cuestin tienen una dispersin similar en sus
distribuciones.

Las pruebas paramtricas ms utilizadas son:
- Coeficiente de correlacin de Pearson (r)
- Regresin lineal simple y mltiple
- Prueba t de diferencias entre medias
- Prueba de contraste de la diferencia de proporciones
- Anlisis de varianza unidireccional (ANOVA)
- Anlisis de varianza multivariado (MANOVA)
- Anlisis de varianza factorial
- Anlisis de covarianza (ANCOVA)
- Anlisis Discriminante
- Anlisis de senderos (Path-analysis)

- Pruebas No Paramtricas:
Existen tcnicas estadsticas que permiten, por ejemplo, comparar
grupos sin exigir que las variables sigan una determinada ley de probabilidad.
Las pruebas no paramtricas permiten realizar estas comparaciones,
independientemente de la ley de probabilidad que siguen las variables en la
poblacin de origen.
Por otra parte, las pruebas no paramtricas son tiles en el estudio de
datos ordinales (es decir, en los que slo se conoce si un individuo est delante
de otro, pero sin especificar cunto) o nominales. Con datos cuantitativos, las
pruebas no paramtricas se emplean cuando el tamao de los grupos es
pequeo (n inferior a 30). Para muestras grandes las distribuciones de los
valores suelen ser normales y pueden aplicarse las medidas paramtricas
estudiadas.
28
Entonces, para realizar anlisis no paramtricos:
1. No se requiere de presupuestos acerca de la forma de distribucin
poblacional. Aceptan distribuciones no normales.
2. No se requiere necesariamente de variables medidas en un nivel por
intervalos o de razn. Pueden analizarse datos nominales u ordinales.

Las pruebas no paramtricas ms utilizadas son:
- La prueba ji cuadrada
- Los coeficientes de correlacin e independencia para tabulaciones
cruzadas
- Los coeficientes de correlacin (por ejemplo, el coeficiente rho de
Spearman es muy utilizado en Psicologa).
- La Prueba U de Mann-Whitney (permite comparar dos muestras
independientes. Ej.: puedo analizar si el nivel de ansiedad es mayor en un
grupo de mujeres que en un grupo de hombres)
- La Prueba H de Kruskal-Wallis (permite comparar dos o ms muestras
independientes. Ej.: puedo analizar si la variable capacidad reflexiva es
diferente en funcin del nivel educativo)
- La Prueba de Wilcoxon o la Prueba de McNemar (permite comparar dos
variables o la misma variable en dos tiempos, para una misma muestra de
casos. Se las suele denominar pruebas de medidas repetidas. A diferencia
de la Prueba del Signo, frecuentemente utilizada, toma en cuenta tanto la
magnitud como la direccin de las diferencias. Ej.: puedo analizar las
diferencias en la variable desesperanza al mismo grupo de sujetos a un
mes y a 6 meses de haber quedado sin empleo)
- La Prueba de Friedman o la Prueba de Kendall (permite comparar dos o
ms variables o la misma variable en dos o ms tiempos, para una misma
muestra de casos. Ej.: puedo averiguar qu predomina ms frente a un
examen: la valoracin de la situacin como amenaza, desafo o irrelevante,
para el mismo grupo de estudiantes)

15- Pruebas No-Paramtricas: Asociacin entre variables categricas.
La prueba j cuadrado ()
Con frecuencia en investigacin se utilizan variables de tipo cualitativo
(nominales u ordinales), mediante las cuales un grupo de individuos se
clasifican en dos o ms categoras mutuamente excluyentes (por ejemplo, ser
de sexo femenino o masculino, presentar un nivel de instruccin primario,
29
secundario o universitario). Las proporciones son una forma habitual de
expresar frecuencias cuando la variable objeto de estudio tiene dos posibles
respuestas, como presentar o no un evento de inters. Cuando lo que se
pretende es comparar dos o ms grupos de sujetos con respecto a una variable
categrica, los resultados se suelen presentar a modo de tablas de doble
entrada que reciben el nombre de tablas de contingencia. As, la situacin ms
simple de comparacin entre dos variables cualitativas es aquella en la que
ambas tienen slo dos posibles opciones de respuesta (es decir, variables
dicotmicas). En esta situacin la tabla de contingencia se reduce a una tabla
dos por dos como la que se presenta a continuacin.

- Tabla de contingencia 2 x 2.
Caracterstica A
Caracterstica B Presente Ausente Total
Presente a b a + b
Ausente c d c + d
Total a + c b + d n


La prueba j cuadrado () permite determinar si dos variables
cualitativas estn o no asociadas. La hiptesis que se busca probar es si las
dos variables son independientes. Para su cmputo es necesario calcular las
frecuencias esperadas (aquellas que deberan haberse observado si la
hiptesis de independencia fuese cierta), y compararlas con las frecuencias
observadas en la realidad.
As, el estadstico 2 mide la diferencia entre el valor que debiera resultar
si las dos variables fuesen independientes y el que se ha observado en la
realidad. Cuanto mayor sea esa diferencia (y, por lo tanto, el valor del
estadstico), mayor ser la relacin entre ambas variables. El hecho de que las
diferencias entre los valores observados y esperados estn elevadas al
cuadrado convierte cualquier diferencia en positiva. El test 2 es as un test no
dirigido (test bilateral), que nos indica si existe o no relacin entre dos variables
pero no en qu sentido se produce tal asociacin (Pita Fernandez y Prtega
Diaz, 2004).
30
La distribucin observada se identifica a partir de un nico parmetro,
que se denomina grados de libertad (gl). A medida que aumentan los grados de
libertad, la distribucin se vuelve ms simtrica.
La frmula para calcular los gl se basa en la cantidad de filas (f) y
columnas (c) que se presentan en la tabla de contingencia.

gl = (f 1) . (c 1)

En una tabla de 2 x 2 la frmula se completa de la siguiente forma:
gl = (2 -1) . (2 1)
gl = 1

Cmo decidimos si apoyamos o rechazamos la hiptesis de
independencia entre las variables estudiadas? A partir del nivel de significacin
que presente el estadstico.
El nivel de significacin () es la probabilidad de que el estadstico 2
sea tan o ms grande que el valor observado, cuando la hiptesis de
independencia de las variables (hiptesis nula) es verdadera.
Se estipula que el nivel de significacin debe ser inferior a .05 para
considerar que existe evidencia a favor de la asociacin entre las variables.
Esto significa que existira menos de un 5% de probabilidades de que se
observen esos valores de forma aleatoria, es decir, si las variables son
independientes. Por lo tanto, cuando es inferior a .05 se concluye que existe
evidencia (con una probabilidad de error inferior al 5%) para asumir que las
variables se encuentran asociadas.
En el siguiente ejemplo se observa una tabla de contingencia y la prueba
j cuadrado para las variables sexo y repitencia del ao escolar en una muestra
de adolescentes de la Pcia. de Bs. As.


Tabla de contingencia

Sexo Total
Varn Mujer
Repitencia S 33 40 73
No 58 109 167
31
Total 91 149 240

Prueba J-Cuadrado

Valor Gl Sig. (2-colas)
Ch-cuadrado de Pearson 2,368 1 0.124


Estos resultados indican que no se observa una asociacin estadsticamente
significativa entre el sexo de los adolescentes y la frecuencia con la que
refirieron haber repetido de ao, por lo que se concluye que estas dos variables
son independientes en esta muestra de sujetos.

dos variables dicotmicas.
16. Pruebas Paramtricas: Comparaciones entre dos grupos
independientes.

La prueba T
La prueba t de Student se utiliza en aquellas variables que cumplen con
los supuestos requeridos por las pruebas paramtricas. Se utiliza para
comparar el puntaje medio de dos grupos independientes para una variable
dada. Por medio de esta prueba se intenta estimar si la diferencia observada
entre el puntaje promedio de estos dos grupos puede deberse a una diferencia
aleatoria (hiptesis nula) por lo que se asumira que no difieren
significativamente. A esta diferencia aleatoria entre medias se lo conoce con el
nombre de error de varianza aleatorio. Si las diferencias observadas son tan
grandes que se considera improbable que sea el resultado del error de
varianza solamente, se rechaza la hiptesis nula y se concluye que los grupos
difieren significativamente con respecto a la variable en cuestin.
Tal como se mencion para la prueba de j cuadrado, se estipula un nivel
de inferior a .05 para rechazar la hiptesis nula (Leary, 1990).
En el siguiente cuadro se observa el resultado de la aplicacin de la
prueba t para comparar el puntaje medio de consumo de alcohol (unidades de
bebida) entre estudiantes varones y mujeres (grupos independientes) de una
muestra de la Pcia. de Bs. As.
Estadsticos segn el Grupo
32

Sexo N Media Desvo Estndar
Error
Estndar de la Media
Varn
94 24,5191 40,77123 4,20523
Consumo de alcohol
segn - Unidades de
Bebida (UB)

Mujer
151 9,9086 21,50822 1,75031


Prueba t para muestras independientes

Prueba t para la igualdad de medias
t gl
Sig. (2-
colas)
Diferencia de
Medias
Error Estndar de
la diferencia
95% Intervalo de
Confianza de la
diferencia



Inferior Superior
Unidades de
Bebida
3,663 243 .001 14,61054 3,98874 6,75362 22,46746


Estos resultados indican que los estudiantes varones presentan un
puntaje medio de consumo de alcohol significativamente superior al reportado
por las estudiantes mujeres.

17 Pruebas paramtricas: Comparaciones entre ms de dos grupos
independientes.

Anlisis de la varianza (ANOVA)
El anlisis de la varianza (ANOVA) de un factor sirve para comparar
varios grupos en una variable cuantitativa. Se trata de una generalizacin de la
prueba t para dos muestras independientes al caso de diseos con ms de dos
muestras.
A la variable categrica (nominal u ordinal) que define a los grupos que
deseamos comparar la llamamos independiente o factor. A la variable
cuantitativa (de intervalo o razn) en la que deseamos comparar a los grupos la
llamamos dependiente.
Si queremos por ejemplo comparar el consumo de alcohol en
adolescentes de 12, 14 y 16 aos, podemos seleccionar sujetos de los tres
grupos de edad (variable independiente), medir el consumo (variable
dependiente) y realizar un anlisis de varianza ANOVA de un factor. El
33
resultado nos indicara si alguno de los grupos difiere significativamente de los
otros con respecto a la variable dependiente.
Como se observa en el siguiente cuadro, el estadstico F es el utilizado
en este tipo de anlisis.
ANOVA

Unidades de Bebida

Suma de
cuadrados gl
Media
cuadrada F Sig.
Entre grupos 1649,581 2 824,791 1,434 .243
Intra grupos 56348,104 98 574,981
Total 57997,685 100


En el ejemplo que presentamos, se observa que los adolescentes de los
tres grupos de edad (12, 14 y 16 aos) no difieren significativamente (sig >
0.05) en el nivel de consumo de alcohol referido.
El estadstico F permite evaluar si existen diferencias entre los grupos,
pero no permite evaluar qu grupo difiere con qu otro grupo. En el caso de
observarse diferencias significativas, es necesario realizar pruebas post hoc
para dar respuesta a esta cuestin.

18- Qu son los mtodos de anlisis multivariado?
Los mtodos de anlisis multivariado son aquellos en que se analiza la
relacin entre diversas variables independientes y al menos una dependiente.
Son mtodos ms complejos que requieren del uso de computadoras para
efectuar los clculos necesarios (normalmente se ensean a nivel postgrado).
Por ejemplo, el anlisis factorial de varianza (ANOVA de k direcciones) es
una prueba estadstica para evaluar el efecto de dos o ms variables
independientes sobre una variable dependiente. Constituye una extensin del
anlisis de varianza unidireccional, solamente que incluye ms de una variable
independiente. Evala los efectos por separado de cada variable independiente
y los efectos conjuntos de dos o ms variables independientes.

19- Coeficiente de correlacin:
Los anlisis de correlacin son ampliamente utilizados en las
investigaciones psicolgicas, y en la evaluacin psicolgica resultan
34
imprescindibles para calcular ndices de validez y confiabilidad de las tcnicas.
El coeficiente de correlacin nos indica tres cosas fundamentales:
- Si existe o no relacin entre variables
- La fuerza de la relacin
- La direccin que puede tener la relacin
Si existe o no relacin entre las variables estar dado, en parte, por la
fuerza de la asociacin. Un coeficiente muy utilizado en niveles intervalares o
de cociente o razn, cuando las variables analizadas cumplen con los
presupuestos para las pruebas paramtricas, es el coeficiente r de Pearson. El
valor numrico de r va de -1 a 0 y de 0 a +1:
Si r = 0 indica que no existe relacin entre ambas variables.
Cuanto ms se aproxima el valor numrico de r a +1 o a -1,
mayor fuerza tiene la asociacin (ms se ajustan los datos alrededor de
una lnea recta imaginaria).
Las correlaciones halladas entre los datos empricos suelen
considerarse fuertes si pasan 0.70 u 0.80. La direccin, como vimos, puede ser
positiva o negativa:
Correlacin positiva: (+) los puntajes de las variables
aumentan o decrecen en forma conjunta.
Correlacin negativa: (-) indica una relacin inversa entre
variables, cuando uno aumenta el otro disminuye.
El siguiente cuadro muestra el coeficiente de correlacin r de Pearson
entre la variable edad y consumo de alcohol (UB).

Correlaciones


Unidades de
Bebida Edad
Correlacin de Pearson 1 ,194(**)
Sig. (2-colas) ,002
Unidades de
Bebida


N
245 245
Correlacin de Pearson ,194(**) 1
Sig. (2-tcolas) ,002
Edad


N 245 247
** La correlacin es significativa al nivel 0.01 (2-colas).


35
En el caso del ejemplo se observa una correlacin baja positiva entre las
dos variables evaluadas.
Cuando las variables que queremos analizar no cumplen con los
presupuestos requeridos para utilizar pruebas paramtricas, podemos utilizar la
prueba de correlacin no paramtrica rho de Spearman. La informacin que
obtenemos por medio de esta prueba se interpreta de la misma forma que la
detallada para r de Pearson.
A continuacin se presenta el anlisis de correlacin rho de Spearman a
partir del anlisis de los mismos datos recin presentados.





Correlacin

Edad
Unidades
de Bebida
rho de
Spearman
Edad Coeficiente de
Correlacin
1,000 ,236(**)
Sig. (2-colas) . ,000
N 247 245
Unidades de Bebida Coeficiente de
Correlacin
,236(**) 1,000
Sig. (2-colas) ,000 .
N 245 245
** La correlacin es significativa al nivel 0.01 (2-colas).


En este ejemplo se observa que la distribucin de las variables
analizadas puede modificar la fuerza de la asociacin. En este caso, se
modifica levemente el coeficiente de correlacin, pero no el sentido del mismo
ni su nivel de significacin.

Bibliografa consultada para la realizacin de la presente ficha
- Amn, J. (1978) Estadstica para psiclogos 1. Estadstica descriptiva. Madrid:
Ediciones Pirmide.
- Botella, J.; Len, O. & San Martn, R. (1993) Anlisis de Datos en Psicologa I.
Madrid: Ediciones Pirmide.
36
- Botella, J.; San Martn, R.; Len, O. & Barriopedro, M. (2001) Anlisis de
Datos en Psicologa I: Teora y ejercicios. 1 Edicin. Madrid: Ediciones
Pirmide.
- Bunge, M. (1987) La ciencia, su mtodo y filosofa. Bs. As.: Siglo veinte.
- Coolican, H.; Garca Mulsa, M. y Gomez Lopez, E. (1997) Mtodos de
investigacin y estadstica en psicologa. II Edicin. Mxico: El Manual
Moderno.
- Cortada de Kohan, N. (1994) Diseo Estadstico. Para investigadores de las
Ciencias Sociales y de la Conducta Buenos Aires: EUDEBA.
- Domnech Massons, J. M. (1975) Mtodos estadsticos para la investigacin
en ciencias humanas. Barcelona: Editorial Herder.
- Garret, H. E. (1979) Estadstica en Psicologa y Educacin. Bs. As.: Editorial
Paids.
- Hernndez-Sampieri, R.; Fernndez-Collado, C. & Baptista-Lucio, P. (1998).
Metodologa de la investigacin. Mxico: McGraw-Hill.
- Hernndez-Sampieri, R.; Fernndez-Collado, C. & Baptista-Lucio, P. (2008).
Metodologa de la investigacin. Mxico: McGraw-Hill.
- Instituto de Clculo Facultad de Ciencias Exactas y Naturales Universidad
de Buenos Aires (2005). Mtodos para datos categricos. Material de las
clases tericas. U.B.A.
- Karmel, L. (1986) Medicin y evaluacin escolar. Mxico: Trillas.
- Kaufman, A. & Lichtenberger, E. (1999) Claves para la evaluacin con el
WAIS-III. Madrid: TEA Ediciones.
- Kerlinger, F.N. (1975) Investigacin del comportamiento: tcnicas y
metodologa.
1 Edicin. Mxico: Interamericano.
- Lazarus, R. & Folkman, S. (1984) Estrs y procesos cognitivos. Barcelona:
Martnez Roca.
- Leary, M.R. (1990). Introduction to behavioral research methods. CA:
Wadsworth Publishing Company.
- Leibovich de Figueroa, N. & Schufer, M (2002) El malestar y su evaluacin
en diferentes contextos. Buenos Aires: EUDEBA.
- Mason, R.D. & Lind, D.A. (1998) Estadstica para Administracin y Economa.
Mxico: Alfaomega.
37
- Nunnally, J (1970) Introduccin a la Medicin Psicolgica. Buenos Aires:
Editorial
Paids.
- Pardo, A. & San Martn, R. (1998) Anlisis de datos en psicologa II. Madrid:
Ediciones Pirmide.
- Patton, L.H. (1995) Adolescent substance abuse. Risk and Protective Factors.
Pediatric Clinics of North America, 42 (2), p. 283-293.
- Prez Santamara, F.J.; Manzano Arrondo, V. & Fazeli Khalili, H. (1999)
Anlisis de datos en Psicologa. 1 Edicin. Madrid: Pirmide.
- Pita Fernandez, S & Prtega Diaz, S (2004). Metodologa de la investigacin.
Asociacin de variables cualitativas: test de chi-cuadrado.
www.fisterra.com/mbe/investiga/chi/chi.pdf. Consultado: 27-02-09.
- Stevens, S.S. (1951) Handbook of Experimental Psychology. N.Y.: J.J.Wiley
and Sons.
- Stevenson, W. J. (1978) Estadstica para administracin y economa:
conceptos y aplicaciones. Mxico: Harla.