Aproximacin a la Estadstica desde las ciencias sociales.

1

APROXIMACIN A LA ESTADSTICA
DESDE LAS CIENCIAS SOCIALES.



Carrasco Arroyo, Salvador
Dpto. Economa Aplicada
Universidad de Valencia





1. APROXIMACIN A LAS CIENCIAS SOCIALES

El desarrollo de la Ciencia moderna ha supuesto una permanente carrera por fijar
unas fronteras claras, explcitas y detectables entre el conocimiento cientfico y el que no
lo es. El conocimiento cientfico es, en nuestra opinin, una parte de la produccin
simblica de una sociedad. Las Ciencias Sociales, histricamente han tenido que
sobredemostrar con frecuencia su cientificidad y es a partir de ese proceso cuando
surgen las cuestiones sobre cules son las finalidades de las ciencias en general, y de las
ciencias sociales en particular, as como si existe un nico mtodo cientfico o si por el
contrario ste es particular de cada campo de conocimiento.

Podemos establecer dos grupos de ciencias atendiendo a si su objeto de
conocimiento guarda o no alguna relacin con la realidad (fsica o social). De ello surge
la dicotoma entre Ciencias Factuales o Empricas, cuyo objeto de conocimiento es algn
segmento de la realidad, y las Ciencias Formales, cuyo campo de actividad son entes
formales, ideas, pero en ningn caso cosas o procesos reales.

Puede decirse, que las ciencias fcticas o empricas estn formadas por
conjuntos de ideas organizadas sistemticamente, conjuntos que deben adaptarse lo
mximo posible a la realidad que sirve de referencia. En este sentido las ciencias sociales
son un subgrupo de ciencias fcticas, aquellas que se ocupan de las parcelas de la
realidad relacionadas con el hombre como ser social. Por tanto, su mbito de referencia
es la realidad social en sus distintas manifestaciones, los fenmenos sociales. As pues, el
mbito de conocimiento de las ciencias sociales es el plano humano-social de la realidad
que est formado por personas fsicas o jurdicas que interactan y realizan actividades
inmersas en un escenario.

La investigacin es una actividad humana orientada a la descripcin,
comprensin, explicacin y transformacin de la realidad social a travs de un plan de
indagacin sistemtica. La investigacin social suele iniciarse con la identificacin de un
problema y la delimitacin de unos objetivos que reflejan las intenciones del investigador.
Aproximacin a la Estadstica desde las ciencias sociales. 2

El problema a investigar puede surgir como fruto del inters o curiosidad del investigador
por un fenmeno social observado.

Los problemas de investigacin no suelen encontrarse aislados y definidos en la
realidad social, por lo que el investigador tiene que a partir de la observacin de la
realidad identificar los problemas, reformularlos hasta que puedan ser investigados. El
investigador selecciona tras consulta del marco terico existente la metodologa ms
adecuada y lleva a cabo la aplicacin del protocolo de investigacin a travs de las
tcnicas de obtencin de informacin y recoge los datos necesarios para analizarlos con
el fin de: explorar, comprender, interpretar o explicar el fenmeno objeto de estudio.

Los cientficos sociales han visto el mundo social desde diferentes perspectivas
han utilizado diversos modelos de investigacin y han recogido la informacin a travs de
mltiples tcnicas. Esta diversidad de tcnicas obedece a cuestiones planteadas desde
la filosofa de la ciencia. Durante el ltimo cuarto de siglo las discusiones metodolgicas se
han centrado en la critica de la metodologa cientfica (emprico-analtica) utilizada en
las Ciencias Sociales y en las nuevas vas metodolgicas que han ido emergiendo. Los
cambios y avances que continuamente tienen lugar en las ciencias sociales , obligan a
una constante actualizacin y revisin terminolgica, as adoptamos los trminos de
emprico-analtica, constructivista y sociocritica. De entre ellas, la metodologa emprico-
analtica suele orientarse al contraste de hiptesis, siendo su centro de inters la
construccin de conocimiento terico para describir, explicar, predecir y en lo posible,
controlar los fenmenos sociales. En general, su mbito de aplicacin queda reducido a
fenmenos observables susceptibles de medicin, control experimental y anlisis
estadstico.

La observacin sistemtica, la medida, el experimento y la construccin de
teoras son aspectos clave de esta metodologa, junto con el papel que tiene la
estadstica en la contrastacin de hiptesis. En esta metodologa la cuantificacin es una
consecuencia directa de la medida, que por definicin genera datos cuantitativos y
exige un anlisis de los mismos utilizando modelos estadsticos, en su pretensin de llegar a
generalizaciones de carcter probabilstico.

2. ECONOMA Y ESTADSTICA.

La Economa es probablemente una de las ms relevantes dentro de las ciencias
sociales , esta ciencia ha alcanzado mediante el recurso al lenguaje formal y al aparato
matemtico el nivel de abstraccin suficiente para: formular hiptesis concretas y deducir
a partir de ellas proposiciones que se consideran contrastables. Ahora bien, esta visin
absolutamente complaciente del estado o cualidad cientfica de la Economa no est, sin
embargo, libre de crtica.

Son muchas las definiciones de esta disciplina, pero desde nuestro punto de vista
se pueden detectar dos perspectivas con implicaciones distintas: la primera perspectiva
tiene que ver con la definicin de L.Robbins (Robbins, L. 1935), cuando expresaba que
en la economa pura examinamos la implicacin de la existencia de medios escasos con
Aproximacin a la Estadstica desde las ciencias sociales. 3

usos alternativos. Una segunda aproximacin podra referirse a todas aquellas
actividades humanas y relaciones sociales encaminadas a la produccin y distribucin de
bienes y servicios con el fin de alcanzar un cierto nivel de bienestar de los miembros de la
sociedad.

La segunda definicin de la economa tiene una visin ms instrumental ya que.
El problema econmico es sencillamente el proceso de procurar el bienestar material de
la sociedad. En trminos ms sencillos, la economa es el estudio de cmo el hombre se
gana su sustento diario (Heilbroner, 1988). A su vez, dicho problema se concreta en,
sobrevivir y progresar de manera que se mejoren esos niveles de bienestar.

La adopcin de esa concepcin instrumentalista de la economa va
acompaada del supuesto de que lo econmico es mensurable y que esta
mensurabilidad (cardinal y ordinal) lo es en trminos monetarios y a precios de mercado,
y por tanto, excluidos de la realidad (y tambin, lgicamente, del anlisis econmico)
otros modos de evaluar los objetos y fenmenos econmicos que no se expresen en
dinero y a travs de los mecanismos de una economa de mercado. La prediccin por lo
cuantitativo conduce incluso a establecer la barrera entre lo que es cientfico y lo que no
lo es
1
, es decir, entre lo que forma parte de la Economa y lo que queda excluido. Para
apreciarlo cabe discernir entre tres usos posibles de que pueden ser objeto las
mencionadas tcnicas economtricas. A saber: la contrastacin emprica de hiptesis y
teoras, la correcta cuantificacin de las relaciones econmicas y, finalmente la
prediccin cuantitativa, el pronstico del futuro (Thurow,1988).

Por otro lado, si disponer de una definicin de cualquier disciplina, que resulte a la
vez suficiente, concisa y operativa, no es tarea fcil, en el caso de la Estadstica la
cuestin se complica an ms. Es evidente la importancia que tiene y ha tenido la
Estadstica en el desarrollo de muchas reas del saber cientfico. Esta circunstancia
supone una seria dificultad a la hora de acotar las caractersticas de la estadstica como
ciencia independiente. Podemos encontrar aplicaciones de esta disciplina en los ms
variados campos de la actividad humana (Economa, Medicina, Ingeniera, Fsica,
Qumica, Psicologa, Literatura, Agricultura, etc.). La Estadstica ha llegado a ser lo que es
gracias al uso que de ella han ido haciendo las diferentes ramas del conocimiento y del
saber, convirtindose en un instrumento metodolgico de las dems ciencias.

Si contemplamos la Estadstica desde el punto de vista sustancial vemos que los
adjetivos de formal y factual podran serle aplicados, al ocuparse tanto del mundo de las
ideas como de los hechos. De igual forma, desde el punto de vista del mtodo nos
enfrentamos con una disyuntiva similar, dado que la disciplina podra ser catalogada
como teortica (al emplear algoritmos deductivos) y como experimental (al servirse
tambin de procedimientos inductivos).


1
Llegando incluso a identificar los mtodos cuantitativos con los enunciados de hecho y los
cualitativos con los enunciados de valor (Katouzian, 1982).
Aproximacin a la Estadstica desde las ciencias sociales. 4

La Estadstica es para Newbold (1998) ..lo que hacen los estadsticos, no sin
apostillar: ...Lo que llama la atencin es la diversidad de problemas en los que se ven
envueltos los estadsticos.., sealando algunos de los problemas genricos en los que se
ve envuelto el estadstico: sacar conclusiones de la informacin numrica, manejar la
incertidumbre, muestrear la poblacin, analizar relaciones, predecir, tomar decisiones en
entornos de incertidumbre, etc.

Por otro lado, es fcil encontrar definiciones no tan extremas como las de
Newbold, definiciones que no estn libres de las inclinaciones que los distintos autores
sienten hacia las concepciones filosficas que los inspiran, con lo que las definiciones
disponibles estn orientadas hacia una u otra de las posibles categorizaciones de la
ciencia. As, hemos optado por ofrecer y comentar slo algunas, de entre las muchsimas
existentes, que, bajo nuestro punto de vista, aclaran algn aspecto destacable de la
disciplina.

Como punto de arranque partiremos la definicin de Kendall y Stuart (1977),
quienes conciben a la Estadstica como una rama del mtodo cientfico al definirla con
las siguientes palabras: La Estadstica es la rama del mtodo cientfico que se ocupa de
los datos obtenidos contando o midiendo las propiedades de las poblaciones de los
fenmenos naturales, definicin que matiza la realizada por Kendall (1968) en un trabajo
anterior, cuando afirm: la estadstica es la matriz de toda ciencia experimental y, por
consiguiente, una rama del mtodo cientfico, si no el Mtodo Cientfico por excelencia.

Ambas definiciones, enfatizan el carcter instrumental de la Estadstica en la
investigacin cientfica, al menos en lo referente a las ramas experimentales, y ponen de
manifiesto el carcter metodolgico de la Estadstica, al ser el instrumento que permite
examinar las proposiciones tericas a la luz de los hechos del mundo observable. En tal
sentido debera entenderse la frase de Mood y Gaybill (1978) cuando afirman que la
Estadstica es la tecnologa del mtodo cientfico.

La concepcin popular de la Estadstica como columnas de datos o grficos
recoge, sin embargo, solamente un aspecto del trabajo estadstico, quizs su aspecto
menos formal, consistente en compilar, organizar, presentar y analizar informacin,
generalmente de ndole cuantitativo. Esta faceta, primigenia en el desarrollo histrico de
la Estadstica, suele denominarse Estadstica Descriptiva. Ahora bien, los desarrollos ms
importantes de la Estadstica se fundamentan en las deducciones derivadas de la Teora
Matemtica de la Probabilidad, la cual parte de los axiomas de Kolmogorov y utiliza
resultados y desarrollos de otras ramas matemticas. Esta parte, denominada Estadstica
Matemtica, comprendera la parte ms formal de la Estadstica que se fundira con la
Estadstica Descriptiva en la denominada Estadstica Inferencial, constituida por un cuerpo
de tcnicas diseadas para resolver problemas de colectivos a partir del estudio de una
fraccin o muestra, convenientemente elegida, de los mismos. En este sentido, Fernndez
de Trocniz (1982) afirma: El estudio de las propiedades generales de las probabilidades
y sus distribuciones es objeto de la Teora de las Probabilidades. La Estadstica de la
Inferencia o Teora de las Muestras utiliza los medios que la Teora de las Probabilidades
pone a su alcance, y establece las teoras de estimacin y contrastes que permiten hacer
Aproximacin a la Estadstica desde las ciencias sociales. 5

inferencias sobre los colectivos a partir de la informacin contenida en las muestras.... De
modo que, a pesar de que el carcter instrumental de la Estadstica es muy importante,
no debe olvidarse a la Estadstica como ciencia formal, dado que es este aspecto el que
la dota de slidos cimientos y posibilita su utilizacin por otras disciplinas de forma rigurosa.

Por tanto, se puede concluir que el mtodo bsico de la Estadstica es el propio
de las ciencias formales, es decir, el lgico-deductivo; aunque, debido al estrecho vnculo
que mantiene con el mundo emprico, la heurstica de la disciplina viene determinada en
gran medida por la Estadstica Aplicada. Es precisamente del contacto con otras
ciencias, en su calidad de instrumento de las mismas, de donde surgen con frecuencia
innovaciones estadsticas, que una vez desarrolladas, validadas e incorporadas a la
Teora, pueden ser aplicadas en otras disciplinas. En este sentido Box (1990) seala que
los mayores avances en la Ciencia, y en la Ciencia Estadstica en particular,
generalmente ocurren como resultado de la interaccin entre teora y prctica.

Continuando con la revisin de las definiciones ms significativas de la Estadstica
que se encuentran en la literatura, debemos referirnos ahora a aqullas que ponen el
nfasis en el objeto -ms que en mtodo- de la disciplina. El objeto de la Estadstica
puede ser definido como la elaboracin de principios y mtodos que contribuyan a la
toma de decisiones en ambientes no especificados, o incluso, generalizando algo ms,
como el estudio de la propia toma de decisiones en situaciones inciertas.

La incertidumbre es consecuencia directa de la informacin incompleta que
caracteriza las situaciones del mundo real, informacin incompleta que puede provenir
de errores de medicin, de inaccesibilidad a la informacin completa o de la prctica
imposibilidad de determinar cuales son los factores relevantes que intervienen en cada
problema. Por tanto, la obtencin de informacin se convierte en otro de los aspectos
destacables de la investigacin estadstica. En este sentido, destaca la interpretacin de
DeGroot (1970), cuando afirma que: La ciencia estadstica se ocupa del desarrollo de
teoras y tcnicas apropiadas para realizar inferencias bajo condiciones de incertidumbre
e ignorancia parcial que necesariamente existen en una amplia gama de actividades. La
prctica estadstica corriente depende fundamentalmente de la formulacin de modelos
probabilsticos de diversos sistemas fsicos, de mtodos de recogida y anlisis de datos
numricos y del diseo de experimentos eficientes e informativos.

El elemento que posibilita la medicin de la incertidumbre es la probabilidad. Este
concepto aparece para proporcionar una medida de la incertidumbre que comporta un
fenmeno o experimento aleatorio. La probabilidad permite pasar de la descripcin a la
inferencia al dar una medida de la incertidumbre, pudiendo as fundamentar las decisiones
que se toman.

En sntesis, podemos sealar que la Estadstica es una ciencia, fundamentada en
la Teora Matemtica de la Probabilidad, que se ocupa de elaborar teoras y tcnicas
destinadas a la recogida, transformacin y clasificacin de informacin, y a la toma de
decisiones en situaciones de desconocimiento, incertidumbre o ignorancia.
Aproximacin a la Estadstica desde las ciencias sociales. 6

Sin embargo, como decamos, la Estadstica es una materia de suma importancia
para el investigador al margen del cual sea su especialidad. Esta relacin de vnculo tiene
una doble direccin: por una lado, la Estadstica es un instrumento bsico para la
investigacin econmica y social aplicada, y por otro, las necesidades de la ciencia
econmica y su teorizacin han impulsado el desarrollo de numerosas tcnicas, modelos
y conceptos estadsticos que, posteriormente, se han aplicado en otros campos.

Desde la ptica del economista, la Estadstica puede ser utilizada de dos modos,
segn el tipo de actividad a que se dedique: por un lado, la aplicacin estadstica es un
proceso de investigacin cientfica econmica (bien sea sta terica o aplicada), y por
otra parte, su aplicacin en la prctica econmica, esto es, prioritariamente en la gestin.

La elaboracin de una ciencia econmica seria, capacitada para ofrecer
explicaciones que contribuyan a mejorar el conocimiento de los fenmenos econmicos
reales presupone, en primer lugar, contar con un conocimiento suficientemente profundo
de esta realidad. Con preferencia, la manifestacin de los fenmenos se determina
mediante su cuantificacin. Es en el primer estadio de la investigacin, en la fijacin del
objeto, cuando la Estadstica entra a formar parte del instrumental requerido por el
economista investigador. En una fase posterior, una vez existe una teora formulada,
capaz de explicar los hechos, la Estadstica proporciona las tcnicas que permiten
contrastar empricamente las hiptesis y predicciones que la teora presupone mediante
la Inferencia Estadstica.

Esta dependencia del mtodo estadstico por parte de la Economa para
establecer sus teoras y validarlas es general de las Ciencias Sociales, ya que estudiando
el mundo social o econmico, en el que resulta imposible la realizacin de experimentos
cruciales para la consolidacin emprica de las teoras, para su falsacin o para su
establecimiento, el cientfico social o el economista debe recurrir a la observacin ms
que a la prueba; a la recoleccin de datos y a su anlisis ms que a la experimentacin
controlada; y, en este contexto, necesita de la Estadstica para modelizar la realidad que
observa y poder comprenderla utilizando mtodos estadsticos. Desde esta perspectiva la
Estadstica cumple dos cometidos importantes: por un lado, suministrar informaciones
acerca del mundo real que sean operativas tanto para facilitar la elaboracin terica
como para la descripcin e interpretacin de la realidad en el marco de una teora; y,
por otro, validar las teoras mediante contrastacin de las hiptesis.

Los economistas no slo emplean la Estadstica como un instrumento que le sirve
para analizar problemas, formarse ideas de la realidad y tomar decisiones. Este empleo
cada vez superior de estadsticas por los agentes econmicos es lgico, dada la
tendencia creciente a basar las decisiones empresariales en fundamentos lo ms
cientficos y objetivos posibles. La Estadstica aporta, por un lado, los instrumentos e
informaciones adecuados para el conocimiento de la realidad en que operan las
empresas y, por otro, dota a sus gestores de instrumentos para la toma de decisiones
ptimas en ambientes de incertidumbre.


Aproximacin a la Estadstica desde las ciencias sociales. 7

3. UNA HISTORIA DE LA ESTADSTICA.


Para conocer una disciplina es imprescindible indagar sobre su origen y evolucin,
as se expresa Daniel Pea (1992)cuando dice: el conocimiento de la historia de una
disciplina es importante, al menos en tres aspectos: el primero, para entender su estado
actual de desarrollo y la relacin entre sus partes; el segundo para comprender su
terminologa, ya que el nombre de una tcnica o de un mtodo est siempre asociado a
sus orgenes histricos; y el tercero, para prever su desarrollo futuro.

La Ciencia Estadstica nace de la confluencia de dos corrientes conceptuales: La
Estadstica, como actividad consistente en reunir un conjunto de datos concernientes al
conocimiento de los Estados o sociedades humanas, y la Teora de la Probabilidad. Su
consolidacin en la disciplina que hoy manejamos esta estructurada en base a tres
etapas: en un primera, aparece la "Estadstica" que cuantifica los hechos sociales,
polticos o econmicos; en una segunda, donde se estudia el origen del Calculo o Teora
de la probabilidad y, finalmente una tercera, que integra ambas disciplinas apareciendo
lo que denominaremos mas tarde como estadstica inferencial. Su evolucin transcurre a
travs de dos periodos cuyo punto de inflexin lo marca el siglo XX. El primero de ellos,
abarca desde los orgenes mas remotos hasta principios del siglo XX y esta caracterizado
por las dos primeras etapas, Estadstica como Ciencia del Estado y el calculo de
Probabilidades. El segundo, se desarrolla a lo largo del siglo XX consolidando la estadstica
matemtica o teora de la estadstica como la estadstica moderna.


3.1. Estadstica como Ciencia del Estado

La Estadstica entendida como una actividad de recuento o recoleccin de
datos para proporcionar informacin a los Estados o sociedades humanas, tiene su origen
cuando estos se organizaron. Podramos afirmar que la estadstica surgi en pocas muy
remotas. Su historia empieza posiblemente en la isla de Cerdea, donde existen
monumentos prehistricos en cuyas piedras se encontraban muescas que previsiblemente
permitan contar el ganado cazado.

Su existencia se deba a las necesidades de los Gobiernos o sociedades por
conocer hechos polticos, sociales o econmicos: Sus dominios, riqueza, sus producciones,
las personas que habitaban en los mismos y en principio con fines econmicos,
demogrficos y fiscales. Aquellas incipientes tcnicas se conoce como estadstica
descriptiva, caracterizada por sus facetas de recogida de informacin, recuento,
descripcin y anlisis de dicha informacin.

Las referencias a estas actividades de recogida de datos o de recuento son
numerosas y entre ellas se pueden citar algunos ejemplos
2
tales como:

2
Ver Escuder (1987), Gutirrez (1982), Fernndez-Abascal et al. (1994), Pea (1991) entre
otros.
Aproximacin a la Estadstica desde las ciencias sociales. 8


En el mundo antiguo, los gobiernos por motivos militares, fiscales y administrativos ordenan el
empadronamiento de su poblacin o censos de produccin y de personas.
En China, Confucio cita la confeccin de un censo para las producciones agrcola,
industrial y comercial, en el ao 2238 antes de la Era Cristiana.
En Egipto, los censos y catastros llegaron a poseer carcter institucional y las estadsticas
tuvieron una relevancia social de gran magnitud.
En Israel, en el libro Nmeros, se habla de un censo de personas realizado por Moiss.
En Roma, estas recolecciones fueron tan destacables que hasta se implantaron censores. Se
pueden citar a Servio Tulio, quien en el ao 335 a. de C. instituy la obligacin de acudir a
las fiestas de aldeas o ciudades y depositar cada ciudadano una moneda, distinta para
hombres, mujeres o nios. El recuento de monedas proporcionaba el nmero de habitantes
de cada clase. Se hicieron tambin varios censos con fines militares, fiscales y de
avituallamiento e incluso, segn Tcito, el emperador Augusto realiz un balance de las
riquezas del imperio. Este emperador, en el ao 577 orden un censo de la poblacin por su
conexin con la cristiandad.

Por su parte, en la Edad Media merece destacada atencin la aparicin de lo
que posteriormente sern las estadsticas industriales. Los Estados recogieron informacin
sobre la poblacin y riqueza que existan en sus dominios. Estos censos (censos romanos,
los inventarios de Carlomagno sobre sus posesiones, etc.) pueden considerarse
precedentes de la institucionalizacin de la recogida de datos demogrficos y
econmicos de los Estados modernos, principalmente por razones fiscales.

Con el nacimiento del Estado Moderno en el renacimento resurge La
elaboracin de censos y recoleccin de datos ecnomicos-sociales con el desarrollo de
la Contabilidad, las Matemticas, las operaciones comerciales y. As, en el siglo XIII y en la
Repblica de Venecia, se realizaron las denominadas Relaciones, un conjunto de datos
que puede compararse a los actuales Anuarios de Comercio Exterior. Tambin en Italia,
Sansovino, Botero y Arity se consideran exponentes de lo que posteriormente ser la
denominada Aritmtica Poltica. Esta Aritmtica Poltica, que es una concepcin de
Estadstica de carcter eminentemente descriptivo, evolucion durante los siglos XVII Y
XVIII tomando un carcter ms cuantitativo.

A principios del siglo XVII, la familia Elzevir, en los Pases Bajos, publica, en 60
volmenes, una especie de enciclopedia de los estados. Dicha enciclopedia inclua
informacin sobre la Economa y el Comercio de los Estados y se considera como el
primer precedente del Statesman's Yearbook. Se da as el primer paso en el cambio de
aplicacin de la Estadstica hacia aspectos ms amplios de la sociedad, aquellos
relacionados a las actividades econmicas y comerciales sin fines tributarios.

En el siglo XVII, con el cambio de mentalidad, abandonando la teologa para la
explicacin de muchos tipos de fenmenos, nacen algunos incipientes conceptos
estadsticos bsicos basados en tres corrientes. Por un lado, la escuela estadstica-
descriptiva y la escuela aritmtica-poltica y por otro, el Clculo de Probabilidad,
constituyendo as los antecedentes de los mtodos estadsticos modernos. Tales corrientes
son la:

Aproximacin a la Estadstica desde las ciencias sociales. 9

1. Escuela estadstica-descriptiva o descriptiva-histrica.

En Alemania, el tratado de Westfalia (1648) impone la necesidad de una
disciplina prctica y jurdica. Su objetivo era la descripcin de los Estados o
"Staadenkunde", de ah el nombre de esta escuela como descriptiva. Algunos autores
opinan que fue fundada por Herman Corning (1606-1681); otros que conjuntamente por
ste y por Vito de Seckendorff. El tratado de Seckendorf de 1660 es un ejemplo inspirado
por esta escuela. Dado que la escuela alemana fue su mximo representante, tambin se
conoce a esta corriente conceptual por este nombre. La labor de Corning fue
continuada, en el XVIII, por su discpulo Godofredo Achenwall (1719-1772), quien realiz
una descripcin ms sistemtica de las tablas numricas. ste asign el trmino
Estadstica
3
(1748) a una nueva disciplina contemplada como una ciencia independiente
al servicio del Estado y que, ms tarde, se consolid como disciplina universitaria. Por ello,
se le atribuye como creador de la denominacin "Estadstica" y tambin se conoce a esta
escuela como "Escuela Universitaria".

2. Escuela inglesa o aritmtica-poltica.

En Inglaterra, la escuela aritmtica-poltica, adems de los objetivos de la escuela
alemana se plante por primera vez la bsqueda de las leyes cuantitativas que rigen los
fenmenos objeto de estudio. J ohn Graunt, un exitoso comerciante y William Petty,
mdico, ambos ingleses, pueden considerarse como fundadores de esta escuela. La
procedencia de sus creadores da lugar a una de sus denominaciones.

A principios del siglo XVII, Inglaterra fue asolada por una de las ms graves pestes
(1603) dando lugar a recuentos semanales de bautismos y entierros, los cuales fueron ms
regulares que los previos. As, una recopilacin de datos sistematizados estaba disponible
desde comienzos de dicho siglo para ser analizados. J ohn Graunt (1620-1674) fue la
primera persona que realiz inferencias a partir de datos demogrficos, en concreto, llev
a cabo estimaciones de la poblacin de Londres y otros anlisis demogrficos relevantes
que se encuentran recopilados en su obra Natural and Political Observations mentioned in
a following Index, and made upon the Bilis of Mortality, publicada en 1662. Sus anlisis
estn desvinculados del concepto de probabilidad.

Por su parte, William Petty (1623-1687) realiz una revisin de la obra de Graunt
que public en un artculo "Review of Graunt (1662)" en 1966. Sigui desarrollando sus
investigaciones en la misma lnea que Graunt, escribiendo de manera amplia -
principalmente ensayos- sobre lo que denomin "Poltica Aritmtica", de ah que se le
atribuya como fundador de esta escuela. Este autor sugiri a la Nacin la creacin de
una oficina central de estadstica que recogiese datos sobre la misma.

Debido a los trabajos de Graunt y Petty, se elaboran los primeros censos de
poblacin oficiales, tanto a finales del siglo XVII como durante el siglo XVIII. En Europa, el

3
No obstante, dicho trmino haba sido, previamente utilizado por el historiador G. Ghiline
en 1589, segn Gutirrez (1982).
Aproximacin a la Estadstica desde las ciencias sociales. 10

primer censo se realiz en Irlanda en 1703 y, en Espaa, las primeras manifestaciones,
propiamente dichas, suelen situarse a mediados del siglo XVIII con el Catastro realizado
por el Marqus de la Ensenada de 1748 con el Censo de 1787 impulsado por el Conde
de Florindablanca. A comienzos del siglo XIX, la mayora de los pases europeos recogen
informacin oficial mediante censos de datos econmicos, demogrficos, climticos, etc.
Paralelamente, surgen las Agencias Oficiales de Estadstica y en 1834 se cre en Londres
la Royal Society, seguida en 1839 de la American Statistical Association.

3.2. Clculo de probabilidades.

Esta corriente se desarroll, en principio, de manera independiente a las dos
vertientes conceptuales anteriormente citadas -la escuela descriptiva y la aritmtico
poltica-. El antecedente ms lejano en el tiempo se sita en los juegos de azar. Se sabe
que desde tiempos muy antiguos, el hombre ha jugado con instrumentos primitivos -tales
como tabas, astrgalos y dados-, utilizando tambin mecanismos de azar con fines
adivinatorios Sin embargo, sorprendentemente, no parece que los griegos, los romanos o
los pueblos de la Europa medieval llegaran a tener un claro concepto de las leyes del
azar. Adicionalmente, como viene a decir Hacking (1995), se advierten dos aspectos
distintos en las anticipaciones de la teora de las probabilidades: Los problemas
combinatorios y los problemas sobre juegos repetidos.

Parece ser que la combinatoria elemental era conocida por los rabes y por los
matemticos del Renacimiento, pero como rama del lgebra ms que en su contexto
probabilstico. Sin embargo, el concepto de azar era bastante familiar, especialmente en
el juego, que se extendi considerablemente, a pesar de los constantes obstculos
puestos por la Iglesia y el Estado. Era lgico que surgieran algunas ideas primitivas acerca
de la frecuencia relativa de un acontecimiento, pero la teora del azar tard
extraordinariamente en aparecer. Los primeros pasos en esa direccin se dieron en los
siglos XV y XVI. Italianos como Cardano, Galilei, Paccioli o Tartaglia comienzan a
desarrollar conceptos tales como el experimento aleatorio, espacio muestral, regularidad
estadstica, etc.

El famoso matemtico, mdico, fsico, astrlogo y, adems, jugador, Gerolamo
Cardano (1501-1576), de origen italiano, fue el primero en dejar un manuscrito en el que
se formula explcitamente el concepto de leyes de azar. En su obra Liber de Laudo (que
no fue impresa hasta 1663) abord diversos problemas combinatorios, destacando en ella
un primer acercamiento a la ley de los grandes nmeros. Utiliz tambin, en algn
problema, la regla de la multiplicacin para probabilidades, aunque slo para el caso de
sucesos independientes y la regla de la adicin, para sucesos disjuntos. El problema de los
puntos fue tratado, junto a Cardano, por otros autores como Galilei, Tartaglia y Fray Luca
Paccioli.

Por su parte, el matemtico, fsico y astrnomo, Galileo Galilei (1564-1642),
mediante la observacin y el estudio de la naturaleza, hace progresos en la Teora de la
Probabilidad y dej un fragmento que demuestra que comprendi claramente, el
mtodo de calcular cmo se podra tener xito en el lanzamiento de unos dados.
Aproximacin a la Estadstica desde las ciencias sociales. 11


La opinin generalizada propone que el germen de una primera teora
matemtica de las probabilidades habra que buscarlas en la sociedad francesa de
mediados del siglo XVII, en la correspondencia entre los matemticos Pascal (1623-1662) y
Pierre de Fermat (1601-1665). El origen de estas investigaciones se encuentra en un
problema de juego planteado por un jugador francs, el caballero de Mer, a Pascal en
1654. Se trata de repartir el dinero apostado en un juego de azar interrumpido antes de la
victoria de uno de los jugadores, es decir, se trata de medir lo que cada jugador puede
esperar del azar en las partidas futuras. La solucin de Pascal, y sobre todo la de Fermat,
se relaciona con el anlisis combinatorio, cuyas primeras herramientas estaban en va de
elaboracin. En la correspondencia que sostuvieron, aparece el nombre de geometra
del azar para este tipo de problemas, as como el concepto de esperanza matemtica.

Simultneamente, un nuevo escenario: Holanda y un nuevo contribuidor:
Huygens. El matemtico holands Christian Huygens (1620-1699) escribi un libro sobre
juegos de azar. Esta obra -publicada en latn Ratiociniis in a J eae J udo, en Exercitionum
Mathematicorum y que data de 1657 -se considera el primer libro impreso sobre
probabilidad (Seneta. 1983). Segn Hacking (1995), este autor, en una visita a Pars,
escuch las soluciones planteadas por Pascal y Fermat que eran pblicamente difundidas
y conocidas en el entorno de la poca; otros autores dicen que se bas en la difusin de
su correspondencia. En cualquier caso, en los intercambios de ideas entre ambos
personajes se bas para realizar su obra, en la que incluy aportaciones propias de
incipientes conceptos tales como esperanza matemtica, vida probable, vida media y
muestreo con o sin reemplazamiento. Aplic la Teora de Probabilidad a la demografa,
elaborando una curva de mortalidad bajo la suposicin de una tasa de mortalidad
uniforme, a partir de las cifras de Graunt, para aplicarla al clculo de anualidades.

A mediados del siglo XVII surge la figura del matemtico suizo J akob Bernouilli
(1654-1705). ste, gracias a su formacin filosfica junto a su gran intuicin matemtica,
pudo enfrentarse a los problemas conceptuales que aparecen en las aplicaciones del
Clculo de Probabilidades. Su obra clave, el gran tratado sobre Probabilidad, Arts
Conjectand
4
consta de cuatro partes. Las tres primeras estn en la lnea de sus
antecesores, principalmente en la de Huygens, aunque tambin desarroll nuevos
mtodos combinatorios y aplic los mismos a nuevos problemas. Pero es en la parte
cuarta donde expuso una teora que revoluciona el Clculo de Probabilidades en dos
sentidos: Aportando, por un lado, la concepcin subjetivista de la probabilidad -como el
grado de creencia que se tiene de que ocurra un suceso- y, por otro lado, la primera
demostracin rigurosa de la ley dbil de los grandes nmeros, que denomin Teorema
ureo.

Paralelamente a estos trabajos, el francs emigrado a Londres, Abraham de
Moivre (1667-1754) publica en Gran Bretaa varias ediciones de su obra Doctrine of
Chances en 1756. En sus tratados, este matemtico-fsico, defini conceptos tales como

4
El Arte de la Conjetura obra pstuma publicada por su sobrino Nicols Bemouilli (1687-
1759).
Aproximacin a la Estadstica desde las ciencias sociales. 12

la probabilidad, la esperanza matemtica, la independencia de sucesos, la probabilidad
condicionada y se establece la regla de adicin.

Durante el siglo XVIII el clculo de probabilidades se extiende a problemas fsicos
y actuariales (seguros martimos). El factor principal, impulsor de su desarrollo durante este
perodo, fue el conjunto de problemas de astronoma y fsica, que surgieron ligados a la
contrastacin emprica de la teora del matemtico, filsofo y astrnomo ingls Sir Isaac
Newton (1642-1727). A lo largo del siglo XVIII y parte del siglo XIX, la investigacin en fsica
y astronoma estaba dirigida por el paradigma de Newton. Estas investigaciones iban a ser
de importancia fundamental en el desarrollo de la estadstica como bien seala Pea
(1983) "... Bernoulli, Simpson, Lagrange, Laplace y Gauss realizan sus aportaciones
probando y contrastando el paradigma de Newton, principalmente en Astronoma".

A principios del XVIII en el Reino Unido, la figura ms controvertida de este
perodo: Thomas Bayes (1702-1761) con su famoso artculo An Essay towards Solving a
Problem in the Doctrine of Chances -publicado por su amigo Richard Price en 1763 tras su
muerte- ha sido objeto de debates sobre los fundamentos de la Inferencia Estadstica. En
este artculo se aporta un enfoque probabilstico del razonamiento inductivo, usando las
probabilidades observadas de acontecimientos para comparar cmo de admisibles son
las hiptesis que podran explicarlos. En el teorema que lleva su nombre se basar la
futura corriente bayesiana de inferencia estadstica.

Pero, las contribuciones sealadas hasta ahora slo suponen el inicio del Clculo
de Probabilidades, pues es a partir del siglo XIX cuando comienza una nueva etapa que
servir para consolidar los conceptos y llegar al estado I actual de esta materia. Durante
el siglo XIX aparecen dos corrientes importantes constituidas por los matemticos
franceses y la escuela rusa:

Corriente francesa

Se abre con una obra capital, considerada la mayor contribucin de esta poca,
Theorie Analytique des Probabilits del matemtico Pierre Simon de Laplace (1749-1827),
publicada en 1812. En ella se encuentra la llamada definicin clsica de probabilidad -
como el cociente entre el nmero de casos favorables al suceso y el total de casos
posibles, supuestos igualmente verosmiles; concepto que permaneci hasta principios
de este siglo. Adems, analiz el poder matemtico de transformaciones como la funcin
generatriz de momentos, propuso la funcin caracterstica y aport una primera versin
del teorema central del lmite para una suma de variables aleatorias independientes (que
demostrar formalmente Liapunov en 1901). Tambin, desarroll la ley normal para
describir la variabilidad de los errores de medida, plante el problema de predecir los
valores de una variable a partir de los de otras relacionadas con ella y formul y estim el
primer modelo estadstico explicativo.

Pertenecientes a este mismo perodo y miembros de la misma escuela francesa
son Simen D. Poisson, A. Cauchy, J . Bienaym, A. Cournot y J . Bertrand. Los trabajos del
matemtico Simen Denis Poisson (1781-1840) son, en gran parte, continuacin de los de
Aproximacin a la Estadstica desde las ciencias sociales. 13

J . Bernouilli, De Moivre y Laplace. Aport el modelo de distribucin de probabilidad que
lleva su nombre -Distribucin de Poisson- y su relacin con el modelo binomial. Adems,
aport una versin del teorema central del lmite para una suma de variables
independientes no idnticamente distribuidas. Destaca su obra Recherches sur la
Probabilit des J ugements en Matiere Criminalle et en Matiere Civile, Prcedes des
Regles Gnrales du Calcul des Probabilits (1837) en la que aborda problemas de
contexto social.

Por su parte, el matemtico francs y barn Agustin-Louis Cauchy (1789-1857)
demostr el teorema central, de forma rigurosa, en el contexto de los mnimos cuadrados
y haciendo uso de la funcin caracterstica. Otras contribuciones son las de J ules de
Bienaym (1796-1878), estadstico y matemtico francs, que aport la desigualdad de
Bienaym-Chebyshev; Antoine Cournot (1801-1877), matemtico, economista y filsofo
francs, ofreci una visin frecuencia lista de la probabilidad y J oseph Bertrand (1822-
1900), matemtico francs, que escribi un manual de texto tal y como actualmente se
concibe.

Corriente rusa

Durante el siglo XIX la otra corriente fue representada por la escuela rusa,
integrada por un conjunto de matemticos que dieron un fuerte impulso al Clculo de
Probabilidades. Buniakovsky (1846) y Ostrogradsky -formados en Pars y en contacto con
Laplace, Cauchy y Poisson- realizaron las aportaciones iniciales. Motivado por ellos,
Chebyshev funda la Escuela de San Petersburgo. ste ltimo, en su obra Des Valeurs
Moyennes (1867) present la desigualdad que lleva su nombre (Chebyshev-Bienaym) y
demostr formalmente la ley de los grandes nmeros de Poisson. Son discpulos suyos
Markov, que contribuy decisivamente a la teora de los procesos estocsticos, y
Liapunov, que logr demostrar de forma rigurosa el teorema central del lmite para la
suma de variables aleatorias independientes no idnticamente distribuidas, en
condiciones generales.

Con el siglo XX llega la axiomatizacin del concepto de probabilidad, basada en
el espacio probabilstico, a partir de lo cual se definen las variables aleatorias como
funciones medibles sobre el espacio de sucesos. Sergei Bernstein, Richard Von Mises y Emil
Borel destacan en la primera etapa. Sin embargo, ser la axiomatizacin realizada por A.
N. Kolmogorov (1903-1987), en su obra Grundbegrffe der Wahrschenlchketsrechung
(1933), la actualmente aceptada. Este enfoque se basa en la Teora de la Medida,
desarrollada previamente por E. Borel (1871-1956) y H. Lebesgue (1875-1941).

3.3. La Estadstica Matemtica

La confluencia entre la Estadstica, en su sentido tradicional, y la Teora de la
Probabilidad surgi la Estadstica Moderna o Estadstica Matemtica. A este respecto, se
considera que el primer acercamiento entre sus creadores fue realizado por el
Aproximacin a la Estadstica desde las ciencias sociales. 14

matemtico belga Adolphe Quetelet
5
(1796-1874}, a quien Schumpeter (1971) considera
como el fundador de la Estadstica Moderna. Sus trabajos, La Methode Statistique (1848) y
Sur I'Home et le dveloppement de ses facults (1835) representan los primeros pasos
hacia la aplicacin de la probabilidad para la medicin de la incertidumbre en las
Ciencias Sociales. Utiliz la distribucin normal con datos de tipo social y biolgico,
aportando el concepto de "hombre medio" y de "ajuste de distribuciones". A pesar de tal
contribucin, la fusin entre ambas es an muy precaria y sern las aportaciones del
mundo anglosajn las que sientan las bases de la Estadstica Moderna. Al igual que en el
desarrollo y consolidacin de la Teora de la Probabilidad fue decisiva la influencia de
Newton, en los comienzos de la Estadstica Matemtica son las teoras de C. R. Darwin
(1809-1882) las que jugaron un papel decisivo. As se aprecia como, en las ltimas
dcadas del siglo XIX, aparece un conjunto de trabajos que se encuadran dentro de esta
corriente investigadora tales como los estudios de Galton, Edgeworth y Pearson. Autores
como Stigler (1986) opinan que la labor conjunta de estas figuras, que destacan -por
separado- en otros campos del conocimiento: antropologa, economa y filosofa de la
ciencia, sienta las bases de la Estadstica actual.

Con Francis Galton (1822-1911) se inicia, de manera definitiva, la utilizacin de la
Estadstica en las ciencias experimentales. Fue el primero en resaltar la necesidad de
acudir a mtodos estadsticos para contrastar la teora de Darwin. En su trabajo principal
Natural ln heritance -publicado en 1889- estudia exhaustivamente la distribucin normal y
ofrece dos aportaciones fundamentales: la regresin y la teora de la correlacin. Fue
quien introdujo el concepto de lnea de regresin, la tcnica que utiliz para realizar la
comparacin de las estaturas de padres e hijos. Tambin ocasion la entrada del uso de
los percentiles en la Estadstica. Galton fue un hombre de profunda curiosidad intelectual
que contribuy notablemente en los estudios de herencia, de la psicologa, de la
antropologa, de la meteorologa y de la estadstica. La importancia de Galton radica no
slo en su nuevo enfoque del problema de la dependencia estadstica, sino tambin en
su influencia directa sobre Edgeworth, Weldon y Pearson, entre otros. El primer
departamento de Estadstica, en el sentido actual de la palabra, fue patrocinado por
Galton y llev su nombre. Asimismo, la fundacin de la revista Biomtrica fue posible
gracias a su generoso apoyo econmico.

En esta fase de apogeo de la Estadstica Matemtica, no se puede olvidar la
figura de Francis Ysidro Edgeworth (1845-1926). Este economista irlands, a raz de su
amistad con Galton, intuy el potencial de la obra de ste ltimo y apreci la utilidad de
la estadstica en la investigacin social y econmica. En Correlated Averages (1892)
aplica y generaliza los conceptos de correlacin y regresin. Sus trabajos en mltiples
campos (curvas de frecuencia, anlisis de la varianza, nmeros ndices, series temporales,
etc.) le han valido una merecida posicin en la historia de esta ciencia.


5
Aunque existieron precedentes de esta fusin en los trabajos de Cotes (1722), Mayer
(1750), Boscov (1755) en Astronoma, de Simpson (1756) en la distribucin de los errores, o los de
Gauss (1755) y Legendre (1805) en relacin al mtodo de los mnimos cuadrados en problemas de
relaciones lineales.
Aproximacin a la Estadstica desde las ciencias sociales. 15

Aunque los trabajos de Galton tuvieron influencia sobre Edgeworth, fue el zologo
Walter Weldon (1860-1906) quien los acept plenamente y comenz estudiar la
aplicacin de los mtodos estadsticos a la biologa animal. Para ello, busc la
colaboracin del matemtico y filsofo Karl Pearson, quin realiz una labor esencial para
la difusin de los nuevos mtodos. Sin duda, la gran figura de estos tiempos es Karl Pearson
(1857-1936) cuyas principales contribuciones a la Estadstica de la poca fueron el estudio
de las distribuciones bidimensionales, los trabajos dedicados al anlisis de la regresin y
correlacin y el uso de la distribucin ji-dos para pruebas de bondad de ajuste. Adems,
Pearson dedic una gran parte de sus esfuerzos a la publicacin de las tablas estadsticas
que permitieron la utilizacin prctica de los nuevos mtodos, con lo que contribuy
decisivamente a su rpida difusin.

Discpulos de Pearson fueron Yule y Gosset: A George Udni Yule (1871-1951) se
debe el inicio del anlisis multivariante, la distribucin binomial negativa y sus estudios
sobre series temporales y procesos estocsticos. William Sealy Gosset (1876-1937) -ms
conocido con el seudnimo de Student- se interes por la distribucin exacta de los
estadsticos en el muestreo para el caso de muestras pequeas gracias a los obstculos
de tipo econmico que suponan la aplicacin de los mtodos desarrollados por Pearson
para el caso de muestras grandes. Para abordar este problema, aplic, por primera vez,
el Mtodo de Montecarlo simulando el proceso de obtener muestras de una distribucin
normal, obteniendo la distribucin t para el estudio de muestras pequeas. Dicha
distribucin se public con el nombre de Distribucin t de Student. Fuera de Inglaterra
tambin se producen otros avances: En Francia por parte de Borel, Frchet, Poincar; en
Italia por Gini y en Rusia por Chuprov y Romanovsky.

En las primeras dcadas del siglo actual se estaba creando una disciplina. Como
indica Stigler (1986), hasta 1900 muchas mentes trabajaban por separado en el campo de
la estadstica, mientras que a partir, aproximadamente, de esa fecha se puede identificar
a un nutrido grupo de estadsticos trabajando sobre la materia estadstica. Puede decirse
que en los primeros aos de este siglo, la Estadstica, en su concepcin moderna, haba
comenzado su andadura. En la dcada de los aos veinte se consolida lo que hoy se
conoce como Inferencia Estadstica Clsica. Los trabajos de Fisher, Neyman y Pearson
configuran la teora de estimacin por intervalos y de verificacin de hiptesis.

A partir de 1912 y durante aproximadamente una dcada, los avances de la
Estadstica fueron, en gran medida, monopolizados por Fisher, el discpulo de Pearson de
ms renombre. Sus contribuciones han sido numerosas y de gran importancia. La poca
de la Teora de las Distribuciones Muestrales comienza con Sir Ronald Aylemer Fisher (1890-
1962), que logr sistematizar la ideas sobre la teora de la estimacin, introduciendo
conceptos tales como estimador, eficiencia en la estimacin y puso de manifiesto la
aplicabilidad del mtodo de mxima verosimilitud en la construccin de estimadores
adecuados. Sus aportaciones a la teora de la estimacin y verificacin, al diseo de
experimentos, a la distribucin del coeficiente de correlacin, los coeficientes de
regresin, de correlacin mltiple y del estadstico F para muestras procedentes de
poblaciones normales, al anlisis de la varianza y a los mtodos multivariantes, lo
convierten en una figura clave. Pea (1983) considera que en su obra fundamental,
Aproximacin a la Estadstica desde las ciencias sociales. 16

Statistical Methods for Research Workers (1925), aparece el cuerpo metodolgico bsico
de lo que constituye la Estadstica actual. Esto es, el problema de elegir un modelo a partir
de datos empricos, la deduccin matemtica de sus propiedades, la estimacin de los
parmetros y la validez final del modelo mediante un contraste de hiptesis (Pea, 1983).
Otras figuras relevantes durante esta poca son los discpulos y colegas de Fisher, Bartlett y
Cochran. Tambin destacan Finney, Irwin y Yates.

Los otros pilares bsicos de la Estadstica Terica actual fueron J erzey Neyman
(1894-1982) y Egon Sharpe Pearson (1895-1980), quienes, en un conjunto de artculos
publicados en torno a los aos cuarenta, clarifican la teora de los contrastes estadsticos -
introducen la idea de hiptesis alternativa, marcando las diferencias entre la estimacin
de parmetros y el contraste de hiptesis-, separan los tipos de error, definen la potencia
de un test y proponen el test de la razn de verosimilitud.

Todos estos avances producidos en los aos 30, 40 Y 50 establecen el ncleo de la
hoy llamada Inferencia Estadstica Clsica, que es la base de la Estadstica Matemtica
actual. Durante estos aos, y a partir de ellos, se genera una notable produccin
estadstica. Por un lado, se ha continuado trabajando en campos ya abiertos, como es el
caso de la teora de distribuciones, del muestreo, del anlisis de la regresin, etc. Por otro
lado, se iniciaron nuevos campos tales como el anlisis secuencial, la teora de la
decisin, las tcnicas multivariantes, el anlisis de las series temporales, los mtodos no
para mtricos, la estadstica bayesiana, las tcnicas para el control de calidad o el
anlisis exploratorio.

Los trabajos realizados por Neyman, junto a la Teora de J uegos y la Teora de la
Utilidad legadas por J . Von Neuman (1903-1957), le sirvieron de punto de partida a A.
Wald (1902-1950) para sentar las bases de la Teora de la Decisin. Este nuevo enfoque, a
cuya expansin contribuyeron los trabajos de A. Wald recogidos en Statistical Decision
Functions
6
en 1950, ha tenido una gran repercusin en los ltimos cuarenta aos. Casi
todos los problemas de la inferencia estadstica, y otros nuevos, se han reformulados en
trminos de esta teora. Posteriormente, Savage extiende los resultados de Wald al
introducir las probabilidades subjetivas y las funciones de utilidad, sentando las bases de
la moderna Estadstica Bayesiana, cuyas races histricas se encuentra en el teorema de
Bayes de ah su denominacin.

En la Estadstica Bayesiana, que en los ltimos cincuenta aos ha experimentado
un enorme desarrollo, han incidido los planteamientos matemticos y filosficos
contenidos en los trabajos, sobre Teora de J uegos, de Borel, Von Neuman y Morgenstern,
y sobre Probabilidad subjetiva de Ramsey y De Finetti. Ms tarde, este nuevo enfoque ha
sido desarrollado por estadsticos de la talla de l. J . Good, H. J effreys, D. V. Lindley o L.
Savage, entre otros. La versin bayesiana de la Estadstica tiene, al igual que la clsica, un
sentido bsicamente inferencial, en el que los conceptos de verosimilitud y suficiencia
siguen manteniendo una importancia considerable. La diferencia fundamental entre

6
DeGroot (1988) califica esta obra como el primer manual en presentar la base matemtica
de la Teora de la Decisin escrita por la misma persona que la haba desarrollado en su mayor parte.
Aproximacin a la Estadstica desde las ciencias sociales. 17

ambos mtodos reside en los elementos aportados por la realidad a las tcnicas
inferenciales.

En el campo de Tcnicas de Muestreo, cabe resaltar a Neyman por un trabajo
sobre el muestreo en poblaciones finitas y por ser el pionero en el estudio de la tcnica del
muestreo doble que utiliza una muestra preliminar para estimar el tamao de los estratos.
En el estudio de Muestreo Estratificado y Sistemtico, nombres como Cochram y Madow
merecen especial atencin. As como Hansen y Hurwitz, quienes en 1942, introdujeron el
muestreo por conglomerados.
Wald estudi por primera vez el muestreo de tipo secuencial. Los tests de tipo
secuencial creados por l son muy utilizados en Control de Calidad. En su obra publicada
en 1950, introduce la Teora de la Decisin, por lo cual es considerado como uno de los
pioneros de la misma. Su colaboracin tuvo una fuerte incidencia en la teora estadstica
de postguerra, en Teora de J uegos y Teora de la Decisin

En el campo del Anlisis Multivariante, a partir de las aportaciones de Samuel
Stanley Wilks (1906-1964) -verificacin de hiptesis multivariantes-, Hotteling -anlisis de
componentes principales y de correlaciones cannicas-, Fisher -discriminacin y
clasificacin- y de Mahalanobis -distancias generalizadas-, se han desarrollado tcnicas
de creciente complejidad, de forma que la aplicacin de algunas de ellas -ciertos
procedimientos de clustering o de escalado multivariante- no ha sido posible hasta
disponer de medios informticos.

El anlisis de Series Temporales, esencial en Economa Cuantitativa, ha
experimentado un gran desarrollo a partir de los trabajos de Yule en 1930 -procesos
autorregresivos-. Una obra de gran repercusin en este campo ha sido Time Series
Analysis, Forecasting and Control de Box and J enkins publicada en 1970. En este campo,
otras aportaciones importantes son la del anlisis espectral, los modelos de interaccin y
filtrado, y la modelizacin multivariante, realizadas por autores como Harvey, Granger o
Newbold, entre otros. Pero, sobre todo, es destacado por algunos autores, entre ellos
Baxter (1990), que en algunas ramas de la Estadstica el futuro vendr condicionado por el
papel predominante de los ordenadores y de la informtica, tal es el caso de la
modelizacin paramtrica, que podr utilizar procedimientos ms complejos, flexibles y
sofisticados, como consecuencia de los avances en computacin.

Por otra parte, en los ltimos aos, despus de un largo perodo de
axiomatizacin y matematizacin, los investigadores estadsticos han vuelto su mirada
hacia la base de la Estadstica, los datos. La publicacin en 1977 de la obra Exploratory
Data Analysis de J . W. Tukey supone el reconocimiento de la importancia de los datos
dentro del mtodo estadstico. En ella se incorporan nuevas tcnicas grficas y analticas
para el estudio previo de los datos. Tambin en este mbito, los mtodos basados en
simulacin con ordenador parece que sern la va para establecer una conexin entre la
Estadstica de base descriptiva y la de base probabilstica.

Se observa, pues, como este siglo se puede calificar como un siglo capital en la
hstoria de la Estadstica, debido fundamentalmente a la retroalimentacin de la misma
Aproximacin a la Estadstica desde las ciencias sociales. 18

con otras ciencias y con la realidad. La Estadstica es aplicada a la investigacin de las
diversas parcelas de la realidad y esta realidad ha supuesto una generacin de nuevas
ideas y perfeccionamientos de los mtodos estadsticos. Por ello, parece razonable pensar
que el futuro de esta disciplina vendr condicionado, como ha sucedido con su
evolucin hasta el presente, por la necesidad de resolver los problemas prcticos que se
vayan planteando.

Si difcil era efectuar una revisin de las principales aportaciones de la estadstica
a lo largo del presente siglo, tarea ardua es la de pronosticar su evolucin en un futuro. A
pesar de ello se pueden encontrar autores que expresan algunas consideraciones al
respecto, entre ellos cabe citar a Pea (1986) quien enumera algunas metodologas que
se desarrollaran en el futuro tales como:

Tcnicas exploratorias multivariantes para sintetizar la informacin de los grandes bancos de
datos de acceso generalizado.
Mtodos ms generales y flexibles de estimacin.
Mtodos de evaluacin de la incertidumbre, sobre todo en lo que se refiere al modelo de
eleccin.
Prediccin de series multivariantes.
Metodologas para meta-anlisis que permitan combinar informacin con distinto grado de
precisin.


4. METODOLOGA DE LA ESTADSTICA

Aunque entre los cientficos se observan discrepancias respecto a la forma en
que la Ciencia Estadstica se concibe, no existe ninguna divergencia en considerar a la
Estadstica como ciencia instrumental cuyo campo de aplicacin incluye entre otras a las
ciencias sociales. As Kendall y Stuart (1977), definen la Estadstica como Una rama del
mtodo cientfico que se ocupa de los datos obtenidos contando o midiendo las
propiedades de los fenmenos naturales. Para Kendall (1968), la Estadstica es el mtodo
cientfico por excelencia.

Atendiendo al carcter instrumental de la Estadstica, sta proporciona
herramientas para la toma de decisiones cuando prevalecen condiciones de
incertidumbre en cualquier campo del saber. Pero este carcter instrumental no implica
que la Estadstica no sea una ciencia formal.

A continuacin nos ocupamos del mtodo de investigacin, de adquisicin de
conocimientos, en la Estadstica. El carcter dual de esta disciplina, de ciencia formal y
de ciencia aplicada, junto a su carcter instrumental, confieren a su metodologa unas
caractersticas especiales. Segn algunos autores, las corrientes metodolgicas
principales que han llegado a nuestros das son dos: el mtodo inductivo, asociado a las
ciencias empricas, y el deductivo, asociado a las formales. Algunas ciencias particulares
participan de ambos mtodos, como es el caso de la Estadstica, la cual presenta un
doble perfil: De ciencia aplicada y ciencia formal. En este sentido, el mtodo estadstico
se ha descrito como un proceso circular que implica una interaccin cerrada y continua
Aproximacin a la Estadstica desde las ciencias sociales. 19

entre intuicin y observacin as Box (1976) seala que el avance del conocimiento en
Estadstica surge de un bucle que se retroalimenta, y cuyos extremos son la Teora y la
Prctica. Ello supone que la Estadstica incorpore elementos del razonamiento deductivo
en una de las fases del ciclo, construccin de teoras y modelos, y en otra de las fases
utilice elementos del mtodo inductivo -formulacin de hiptesis que son consecuencia
de la observacin de la realidad objeto de estudio-. Asimismo, destaca la opinin de R. A.
Fisher, uno de los ms grandes estadsticos de este siglo, cuando afirma que el anlisis
estadstico de un conjunto de datos es semejante en su lgica a la alternancia de
mtodos inductivos y deductivos tpica de todas las ciencias. Una hiptesis es concebida
y definida con toda la exactitud necesaria; sus consecuencias lgicas se derivan
mediante un argumento deductivo; estas consecuencias se comparan con las
observaciones disponibles; si stas estn completamente de acuerdo con las
deducciones, la hiptesis es aceptada al menos hasta que se disponga de observaciones
nuevas y ms rigurosas.

As, pues, en referencia al mtodo estadstico, como proceso sistemtico y
organizado de la investigacin cientfica, muchos son los autores y docentes que opinan
que emplea un razonamiento deductivo-inductivo interactivo. El esquema descrito debe
ser lo suficientemente flexible como para permitimos el reconocimiento de los errores
inherentes a la teora inicial, de modo que no corra el riesgo de idealizar el modelo
propuesto.

El carcter dual de la Estadstica, reflejado en la dualidad de su mtodo, ha
llevado a que algunos autores la hayan considerado como una ciencia matemtica,
mientras que para otros se trata de una herramienta en la investigacin cientfica
(Bradley, 1982) y Kish (1978) consideran que la Estadstica slo existe en la interaccin con
los datos empricos, al tiempo que no tiene un campo propio donde encontrar esos datos.
Posiblemente este tipo de afirmaciones, un tanto tajantes, se deba, en gran parte, a que
la distribucin de investigadores en esta disciplina sea bimodal: existe una gran
concentracin de investigadores muy especializados en aspectos tericos y otro gran
nmero de ellos dedicados a tareas aplicadas, con un vaco de comunicacin entre unos
y otros.

En lo que se refiere a la Estadstica como instrumento, su papel central en el
campo cientfico (produccin de datos, descripcin, diseo de experimentos y muestras,
estimacin, verificacin, prediccin, anlisis de series, teora de la decisin, etc.) es cada
vez ms importante, lo que ha dado lugar al nacimiento de ramas especializadas
(Biometra, Sociometra, Econometra, ) de forma que sus lmites se difuminan, lo que,
como seala Neter (1986), es una caracterstica positiva si se tiene en cuenta que, en
gran medida, los desarrollos de la Estadstica han tenido lugar como consecuencia de la
interaccin con otras ciencias, lo que ha proporcionado el impulso necesario para el
desarrollo de nuevas tcnicas. En este aspecto, nuestra disciplina es una valiossima
ayuda en la contrastacin y validacin de teoras, incluso para fijar los lmites de la misma,
pero no puede utilizarse para la formulacin de las teoras.

Aproximacin a la Estadstica desde las ciencias sociales. 20

El punto de partida de una investigacin estadstica es, en sentido amplio, la
consideracin de una situacin real en ambiente de incertidumbre. De su observacin se
extraen los aspectos fundamentales, los cuales se formalizan para construir un modelo
general que recoja la naturaleza del objeto de investigacin, pero dado el contexto de
incertidumbre, el anterior modelo hay que mantenerlo en trminos probabilsticos.
Posteriormente, la contrastacin del modelo con la realidad conduce a aceptar,
modificar, reelaborar o sustituir el modelo. Respecto al modelo, para su construccin se
parte de unos principios bsicos, de algn modo extrados de la realidad a partir de la
experiencia, y sobre la base de un proceso deductivo se elabora un entramado lgico
formal que ayuda a construir el modelo. El principal problema que plantea ese camino
hacia la esquematizacin de lo real es el paso de la experiencia al sistema axiomtico o
de principios bsicos. Los dos enfoques ms importantes, sobre esta cuestin, son: el de los
conductivistas y el de los falsacionistas. Para los primeros, el trnsito se lleva a cabo
mediante la generalizacin de experiencias particulares. Y para los segundos debe ser
mediante la falsacin o contrastacin de las conclusiones extradas de ciertos principios
intuidos, como se recoja la conexin entre axiomas y realidad.

Por regla general todo proceso de anlisis estadstico puede diferenciarse tres
fases perfectamente estructuradas que un investigador ha de seguir. En la primera, se
recoger la informacin a travs de los datos observados y que proporcionar
informacin sobre el objeto de estudio. En la segunda fase, se propondr el modelo de
probabilidad en funcin de la informacin que se haya desprendido de las observaciones
y en la tercera y ltima fase se efectuar un proceso de validacin del modelo.

Los objetivos y las tcnicas ms utilizadas, en cada fase son:

Fase Descriptiva.

En esta primera fase se recoge toda la informacin disponible a travs de la
observacin de los datos. El conjunto de estas observaciones es lo que denominamos
muestra, y sobre la que posteriormente se realizar el anlisis. La eleccin de las
observaciones que constituirn la muestra va a ser muy importante. El diseo muestral
resultante, debe garantizar que la muestra sea representativa de la poblacin, as como
evitar errores o anomalas en los datos seleccionados.

Dada la importancia de la representatividad de la muestra, la Teora de Diseo
de Muestras ha desarrollado distintas tcnicas para adecuarlas al problema a tratar.
Habitualmente en la prctica se utiliza una tcnica de fcil aplicacin, como es el
procedimiento de muestreo aleatorio simple. En l se considera que todas las
componentes de la muestra tienen la misma probabilidad de ser escogidas y adems se
garantiza la existencia de independencia y equidistribucin entre las variables
observadas.

No obstante existen problemas en los que para poder abordarlos, se exige que el
proceso de muestreo sea otro al anteriormente mencionado. Es el objetivo del estudio el
que debe determinar el proceso de seleccin muestral para la obtencin de la muestra.
Aproximacin a la Estadstica desde las ciencias sociales. 21

De este proceso depende en gran parte que las conclusiones sobre el anlisis de las
observaciones sean coherentes con la realidad que se estudia. Debe tenerse presente
que el diseo muestral y el anlisis de los datos estn estrechamente relacionados. Un
buen diseo debe ir acompaado del consecuente anlisis de los datos muestrales pues
de lo contrario las conclusiones sern poco fiables. Si se realiza un anlisis exhaustivo sobre
datos muestrales no representativos, de nada servirn los resultados que se obtengan.

Un problema al que puede enfrentarse el investigador es cuando no puede
decidir el diseo muestral, no puede participar en la obtencin de la muestra ni garantizar
su aleatoriedad. En tal caso, el estadstico ha de aceptar los datos tal y como estn.
Generalmente deber admitir que los datos constituyen una muestra aleatoria y tratar de
localizar las observaciones aberrantes o "outliers" para eliminar distorsiones sobre la
realidad.

Seleccionada la muestra y considerados todos los posibles problemas que hemos
mencionado, se procede al anlisis descriptivo de los datos escogidos. Esta informacin
recogida permitir al estudioso continuar el anlisis hasta modelizar la realidad o bien
otras veces puede ser esta fase la nica objeto de estudio.

Fase de Anlisis.

Una vez recogida la informacin en la etapa anterior, se intenta especificar un
modelo que explique la realidad de forma adecuada. Generalmente cuando se propone
un modelo, se pretende que cumpla dos condiciones: describir la realidad y evitar una
excesiva complejidad en su composicin estructural. A veces resultar complicado que
se cumplan ambas condiciones ya que a menudo, elevar la fidelidad implica introducir
hiptesis que complican el anlisis. El estadstico deber flexibilizar los modelos para poder
tratarlos matemticamente con mayor facilidad. A su vez exigir que los resultados sean
coherentes. Con ayuda de la Inferencia Estadstica, el investigador aplica tcnicas que le
permiten realizar conclusiones lgicas con los datos observados.

Una primera forma de abordar el problema que se estudia consiste en determinar
la distribucin de probabilidad del modelo generador de datos que se supone
perfectamente conocida a excepcin del valor de algn parmetro. Con la informacin
disponible sobre las observaciones muestrales, el investigador tratar de obtener el valor
de esos parmetros desconocidos : necesarios para especificar completamente la
distribucin poblacional. De este proceso a travs del cual se estiman los valores de los
parmetros desconocidos, se encarga la Inferencia Paramtrica.

Es posible que el investigador no pueda establecer ninguna hiptesis I sobre el
modelo generador. En tal caso necesitar realizar inferencias sobre I toda la distribucin
de probabilidad muestral. De las tcnicas estadsticas necesarias para abordar el estudio
segn este planteamiento se encarga la Inferencia no Paramtrica. La Inferencia
Paramtrica aborda la estimacin de los parmetros desconocidos del modelo,
puntualmente mediante la bsqueda de propiedades deseables y a travs de intervalos
Aproximacin a la Estadstica desde las ciencias sociales. 22

de confianza, estableciendo garantas de que el verdadero valor del parmetro oscilar
entre dos posibles cantidades (mnima y mxima).

A la Inferencia no Paramtrica le corresponde entre otros aspectos, plantear la
distribucin de probabilidad ms adecuada a los datos disponibles, establecer relaciones
entre las observaciones o estudiar caractersticas de inters.

Un investigador puede tomar dos caminos diferentes cuando pretende proponer
un modelo para la estructura poblacional objeto de estudio. Estos dos caminos se
corresponden con dos concepciones diferentes de la Estadstica. La clsica, en la que
slo se utiliza la informacin proporcionada por los datos observados y la bayesiana,
donde se incorpora, adems, la opinin del investigador sobre el problema. El
componente subjetivo se considera, por tanto, una fuente de informacin en la Inferencia
Bayesiana. En un anlisis bayesiano, la informacin subjetiva del investigador se introduce
a travs de un modelo probabilstico que refleje sus opiniones.

Al incorporar tanto informacin subjetiva como objetiva, los modelos bayesianos
suelen ser ms complejos de operar. Como contrapartida es posible que al disponer de
mayor informacin los modelos obtenidos se aproximen ms a la realidad. Pese a todo
existe evidencia suficiente de que utilizando las dos concepciones, un investigador puede
llegar a las mismas conclusiones respecto al problema abordado. De todas formas, la
uniformidad de resultados no es lo ms habitual ya que tanto la concepcin
metodolgica, las tcnicas utilizadas en cada caso, como la informacin disponible sern
diferentes. No obstante, si la informacin fuera la misma, los resultados obtenidos por
ambas concepciones deberan ser coincidentes.

Fase de Validacin.

Una vez obtenido el modelo que explique la realidad objeto de estudio, el
investigador ha de comprobar si dicho modelo proporciona resultados coherentes, es
decir si es tericamente aceptable y estadsticamente significativo. La Estadstica
proporciona las tcnicas necesarias para llevar a cabo esta fase. Por ejemplo el contraste
de Hiptesis Paramtrico y No Paramtrico y la Teora de la Decisin se utilizan para este
fin. Es preciso que todas las hiptesis consideradas en el modelo propuesto. se contrasten,
as como la adecuacin de las observaciones al mismo. Si se comprueba que no se ajusta
a la realidad se tendr que reiniciar todo el proceso.

Generalmente el investigador suele utilizar las tcnicas de simulacin para
comprobar si el modelo es o no aceptable. A travs de stas genera valores con el
modelo y comprueba si se aproximan a los observados. Cuando las discrepancias no son
excesivas, se acepta el modelo como vlido. Ahora bien, el estadstico deber ser
cuidadoso en dicha aceptacin ya que podra ocurrir que el modelo slo fuera vlido
para los datos muestrales.

Realizadas todas las contrastaciones, la aceptacin del modelo permitir dar una
explicacin de la realidad que se ha estudiado y que va a servir por ejemplo para dar
Aproximacin a la Estadstica desde las ciencias sociales. 23

predicciones. Concretando ms, la investigacin estadstica se desarrolla utilizando el
ciclo deductivo-inductivo, que siguiendo a Pea Snchez de Rivera (1991) consta de las
siguientes etapas:

Planteamiento del problema: El primer paso de la investigacin es definir los objetivos de
estudio y relacionar este objetivo con los valores numricos de variables observables.
Construccin del modelo estadstico: El tipo de modelo estadstico ms frecuente consiste
en una descomposicin de los valores de la variable de inters en una parte sistemtica
ms una parte aleatoria. Un modelo estadstico es una aproximacin operativa de la
realidad, que tiene en cuenta explcitamente las variables observables presumiblemente
ms importantes, y engloba en la parte aleatoria los efectos del resto. Podemos distinguir
entre modelos extrapolativos, que explican la variabilidad de los datos tomando como
informacin nicamente sus valores pasados, y modelos explicativos, que tienen en cuenta
el efecto de otras variables.
Recogida de la informacin muestral: Una vez construido un modelo del problema tendr
que medir los valores de las variables de inters. Esta recogida de informacin puede
hacerse mediante muestreo o con un diseo de experimentos. El primero consiste en
observar pasivamente una muestra de las variables y anotar sus valores; se utiliza en
modelos extrapolativos. El segundo mtodo, el diseo de experimentos, consiste en fijar los
valores de ciertas variables y observar la respuesta de otras; debe emplearse cuando se
desee construir un modelo explicativo.
Depuracin de la muestra: Antes de utilizar los datos muestrales conviene aplicar tcnicas
estadsticas simples para identificar errores, datos anmalos, etc.
Estimacin de los parmetros: Los modelos estadsticos dependen de ciertas constantes
desconocidas que llamaremos parmetros. La fase de estimacin consiste en utilizar la
informacin disponible para decidir respecto a un valor concreto de estos parmetros as
como cuantificar el posible error en la estimacin.
Contrastes de simplificacin: El objetivo de esta fase es conseguir un modelo tan simple
como sea posible.
Crtica y diagnosis del modelo: Los resultados de las dos etapas anteriores se obtienen
suponiendo que el modelo es correcto. Esta fase investiga la compatibilidad entre la
informacin emprica y el modelo. Si despus de esta fase aceptamos el modelo como
correcto, lo utilizaremos para tomar decisiones o realizar previsiones de la variable. En caso
contrario volveremos a reformular el modelo estadstico, repitiendo el proceso hasta
conseguir un modelo correcto.

Finalmente, de manera amplia y general, se puede decir que la caracterstica
esencial de la investigacin estadstica desde el punto de vista metodolgico es su
participacin del mtodo axiomtico y de las connotaciones empricas que caracterizan
las ciencias, que como toda ciencia factual, trata de reflejar aspectos de la realidad
circundante. En concreto, la Estadstica Econmico-Empresarial usa del mtodo
deductivo para crear teoras y modelos generales, y del mtodo inductivo para estudiar
la realidad o la parte de la realidad que constituye su objeto, es decir, los fenmenos de
azar del mundo empresarial. Este proceso se constituye en un procedimiento de
retroalimentacin para la aceptacin o el rechazo de los modelos planteados.


Referencias:

BAXTER, L. A. (1990): "Futures of Statistics", The American Statistician, Vol. 44, n 2,
Aproximacin a la Estadstica desde las ciencias sociales. 24


BOX, G. E. P. (1976): "Science and Statistics", J ournal of the American Statistical Association,
vol. 71, n 356,

BOX, G.E.P. (1979): Some Problems of Statistics and Everyday Life, J ournal of the
American Statistical Association, n 365.

BOX, G.E.P. (1990): Comment on: Applications in Business and Economic Statistics: Some
Personal Views, Roberts, H.V. Statistical Science, Vol 5-4.

BRADLEY, R. A. (1982): "The Future of Statistics as a Discipline", J ournal of the American
Statistical Association, Vol. 77, n 377,

CRAMER, H. (1968): Mtodos Matemticos de Estadstica. Aguilar. Madrid

CRAMER, H. (1981): "Mathematical Probability and Statistical Inference. Some Personal
Recollections from an Important Phase of Scientific Development", International Statistical
Review, Vol. 49,

DEGROOT, M.H. (1970): Optimal Statistical Decission, McGraw-Hill, New York.

DEGROOT, M.H. (1988): Probabilidad y Estadstica, Addison-Wesley, Mxico.


ESCUDER VALLS, R. (1987): Mtodos Estadsticos Aplicados a la Economa, Ariel,
Barcelona.

FERNANDEZ ABASCAL, H. ; GUIJ ARRO, M.; ROJ O, J . L. Y SANZ, J . A. (1994): Clculo de
Probabilidades y Estadstica, Ariel, Barcelona

FERNANDEZ DE TROCONIZ, A. (1980): Introduccin a la Teora de las Probabilidades.
Estadstica Clsica y Bayesiana. Editado por el Autor. Bilbao

FERNANDEZ DE TROCONIZ, A.. (1982): Probabilidades y Mtodos Estadsticos. Editado por el
Autor, Bilbao.

GUTIRREZ CABRA, S. (1968): "Consideraciones en torno al Concepto de Probabilidad e
Incertidumbre", Estadstica Espaola, n 41

GUTIRREZ CABRA, S. (1982a): "Inferencia Estadstica e Induccin", Estadstica Espaola, n
94,
GUTIRREZ CABRA, S. (1982b): "Origen y Desarrollo de la Estadstica en I los siglos XVII y
XVIII", Estadstica Espaola, n 97,

GUTIRREZ CABRIA, S. (1983a): "Desarrollo de la Inferencia Estadstica .desde sus Comienzos
hasta Principios de este Siglo", Estadstica Espaola, P n 98,

HACKING, I. (1995): El Surgimiento de la Probabilidad, Gedisa, Barcelona.

HEILBRONER, R.L. (1988): La formacin de la sociedad econmica, Fondo de Cultura
Econmica, Mxico.

KENDALL, M. G. (1968): "Francis Ysidro Edgeworth, 1845-1926", Studies n the History of
Probability, Charles Griffin, Londres

Aproximacin a la Estadstica desde las ciencias sociales. 25

KENDALL, M. G. (1968): "Sobre el futuro de la Estadstica. Una segunda visin"
Estadstica Espaola, n 41,

KENDALL, M.G. y STUART, A. (1977) The Advanced Theory of Statistics. Vol I: Distribution
Theory. London and High Wycombe: Charles Griffin & Co. Ltd.

KENDALL, M. G. (1979): "Estadstica. Historia del Mtodo Estadstico", en SILLS, d. (dir.)
Enciclopeda Internacional de las Ciencias Socales, Aguilar, Madrid

KISH, L. (1978): "Chance, Statistics and Statisticians", J ournal of the American Statistical
Association, n 361

KATOUZIAN, H. (1982): Ideologa y mtodo en economa, H. Blume Ediciones, Madrid.

MOOD, A. y GAYBILL, F.A. (1978): Introduccin a la Teora de la Estadstica. Aguilar. Madrid

NETER, J . (1990): "Comment on: Applications in Business and Economic Statistics: Some
Personal Views", Statistical Science, vol. 5, n 4,

NEWBOLD, P. (1998): Estadstica para los Negocios y la Economa, Prentice Hall, Madrid.

PEA SNCHEZ DE RIVERA, D. (1986): Estadstica, Modelos y Mtodos, Alianza, Madrid.

PEA SNCHEZ DE RIVERA, D. (1992) Reflexiones sobre la Enseanza Experimental de la
Estadstica, Estadstica Espaola, n 32.

ROBBINS, L(1935):An Essay on the Nature and Significance of Economic Science.
Macmillan. Londres (fragmento compilado en Kahn F., Hollis, M. Phylosophy and Economic
Theory. Oxford UP. 1979. traducida al castellano en 1986 por FCE-)

THUROW, L. (1988): Corrientes peligrosas. El estado de la ciencia econmica, Fondo de
Cultura Econmica, Mxico.