Está en la página 1de 6

Análisis de Datos en Psicología I / 9 créditos /Troncal

Titulación en la que se imparte/ Curso /Cuatrimestre/año académico:


PSICOLOGÍA1ªAnual2005-2006
Profesores:
Ernesto Juan Darias Morales
Horario de Clases:
Teóricas:1er Semestre:Grupo A:Jueves de 13:00-14:00 Viernes de 12:00-13:00Grupo B:Jueves 20:00-21:00 Viernes 19:00-20:002º Semestre:Grupo A:Jueves
13:00-14:00 Viernes 12:00-13:00Grupo B:Jueves: 20:00-21:00 Viernes: 19:00-20:00Prácticas:1er Semestre:Grupo A1Viernes 13:00 - 14:00Grupo A2Viernes 13:00
- 14:00Grupo A3Viernes 13:00 - 14:00Grupo B1Viernes 17:00 - 18:00Grupo B2Viernes 17:00 - 18:00Grupo B3Viernes 17:00 - 18:002º Semestre:Grupo A1Viernes
10:00 - 11:00Grupo A2Jueves 08:00 - 09:00Grupo A3Jueves 10:00 - 11:00Grupo B1Jueves 15:00 - 16:00Grupo B2Jueves 15:00 - 16:00Grupo B3Jueves 15:00 -
16:00
Aulas asignada y ubicación:
Horas teóricas: Aula 0.4, aulario de Guajara Horas prácticas: Aulas 0.1, 0.2, 0.3 y 0.7 aulario de
Guajara
Horario de Tutorías:
*Las horas de tutorías actualizadas estarán expuestas en el tablón de anuncios del área
Ubicación del despacho:
Edificio Departamental Facultad de Psicología Ernesto Juan Darias Morales: A4-20
Teléfono del despacho: 922317571
Presentación:
Dentro de la Licenciatura de Psicología, la materia se divide en dos asignaturas troncales,
etiquetadas consecutivamente con el nombre de Análisis de Datos en Psicología. El énfasis, en la
asignatura que nos ocupa está en la vertiente de los componentes formativos frente a los
informativos. Por todo ello, se pretende que el alumno, al finalizar la primera parte de Análisis de
Datos, tenga en su haber el conocimiento y uso correcto de las técnicas estadísticas, concibiéndolas
como herramientas puestas al servicio del desarrollo de la Psicología, mediante su aplicación al
análisis de investigaciones y casos prácticos en la disciplina. Hay que decir sin embargo, que no se
trata de lograr una formación puramente técnica y recetaria, más bien al contrario, pretendemos
promover de una forma clara y disciplinada el razonamiento lógico deductivo e inductivo que está
patente en todo proceso de modelización matemática, permitiendo, además, dotar al alumno de una
base sólida para la adquisición de los instrumentos analíticos, que le permita comprender la
complejidad de la conducta humana a través de la comprensión e interpretación de los resultados
obtenidos en las investigaciones realizadas en este campo, aproximando esta interpretación a la
realidad psicológica.
Objetivos:
Objetivos generales: que el alumno 1. Al finalizar el programa, domine unas técnicas
de análisis concretas, lo que, además de ser útil por sí mismo, sentará las
bases para la comprensión de otras no directamente contempladas en el
programa. 2. Entienda el significado de los conceptos que se manejan en la
modelización matemática de la realidad, y consiga traducir de un lenguaje a
otro. 3. Adquiera el lenguaje matemático - estadístico de la Psicología científica.
4. Conozca en profundidad la lógica subyacente a la inferencia estadística, sus
limitaciones y las nuevas perspectivas que permitirán una mayor formalización
de los conocimientos psicológicos. 5. Elimine los prejuicios asociados a las
matemáticas que, como sabemos, constituyen una de las mayores dificultades
con las que nos encontramos a la hora de enseñar Análisis de Datos. 6. Capte la
lógica y la intuición subyacentes a los modelos formales. 7. Maneje con soltura
el vocabulario estadístico básico y lo aplique con un sentido más próximo a la
modelización. 8. onozca la aplicabilidad de las técnicas de modelización que
serán abordadas, comprendiendo sus limitaciones a través de sus supuestos y
la posibilidad de utilizar estrategias de resolución mediante estimaciones
alternativas para adaptar la técnica a posibles problemas. 9. Hacerle llegar un
pensamiento que implica una visión más cercana a la realidad; tal pensamiento
se obtiene cuando los análisis que se efectúan, tanto descriptivos como
inferenciales, contemplan la realidad compleja. 10. Capte la lógica y la intuición
subyacentes a los modelos multivariados y sea capaz de comprender tanto sus
limitaciones como sus posibilidades de cara a la modelización matemática de
los conocimientos psicológicos.
Objetivos específicos:
Bloque I: Introducción Modelos. Que el alumno entienda qué supone la
modelización en general y la modelización estadística en particular. Análisis de
datos. Introducir el papel que juega el Análisis de Datos en el entorno de la
investigación en Psicología. Diferencia entre Estadística Descriptiva y
Estadística Inferencial. Conceptos previos. Que el alumno adquiera los conceptos
de cuantificación, sepa distinguir entre las distintas escalas de medida y sus
características, diferencie entre constante y variable, así como entre los
distintos tipos de variables.
Bloque II: Estadística Descriptiva Introducción a la Estadística Descriptiva. Organizar
adecuadamente datos, tanto en forma de distribución de frecuencias, como de
forma gráfica. Índices de tendencia central y posición Describir los datos de la
muestra a través de los índices de tendencia central y de posición. Propiedades
más importantes. Modelizar los datos a través del sujeto ideal. Índices de dispersión
Completar la descripción de los datos a través de los índices de dispersión. La
adecuación de los datos al sujeto ideal. Concepto y dificultades de las
puntuaciones directas. Concepto de puntuación diferencial, ventajas que
conlleva su utilización. Concepto de puntuación típica, propiedades y utilización
de las mismas. Concepto de puntuación tipificada y marcos de aplicación de la
misma. Índices de forma Describir la distribución en cuanto apuntamiento y
asimetría: una forma de evaluar la representatividad de los índices de
tendencia central y dispersión.
Bloque III: Teoría de la Probabilidad Introducción a la probabilidad Entender las bases
de la Teoría de la Probabilidad, así como los conceptos y leyes elementales.
Funciones de densidad y de distribución de probabilidad Entender y distinguir los
conceptos de función de probabilidad, función de distribución y función de
densidad. Presentar y manejar las funciones de distribución más relevantes:
Binomial, Poisson, normal, t de Student, F de Fisher y ?2. Entender los
conceptos de Esperanza Matemática y Varianza esperada.
Bloque IV: Estadística Inferencial Estimación de parámetros Entender los conceptos
básicos previos necesarios como población, muestra, estadístico, parámetro.
Comprender la distribución muestral de un estadístico y el Teorema Central del
Límite. Presentar el concepto de estimación de parámetros. Introducir los
diferentes métodos de estimación de parámetros. Presentar las propiedades
que se exigen de un estimador. Aprender a estimar parámetros, por los
procedimientos de estimación puntual y por intervalos. Introducir el muestreo
aleatorio simple. Clasificar y caracterizar los métodos de muestreo más
habituales. Contraste de hipótesis: Aspectos generales Conceptos de hipótesis
científica e hipótesis estadística. Establecer hipótesis nula e hipótesis
alternativa y entender la lógica del contraste de hipótesis. Establecer y
diferenciar hipótesis de una y dos colas. Entender el concepto y la lógica del
error tipo I, error tipo II y probabilidad asociada. Entender el concepto de
potencia de una prueba. Comprender los supuestos de los contrastes
paramétricos. Contrastes de hipótesis y determinación de intervalos de confianza acerca de
algunos parámetros Que el alumno aprenda a realizar contrastes de hipótesis
acerca de una y dos medias y dos varianzas, así como de una y dos
proporciones bajo diferentes supuestos, evaluando el tamaño del efecto y la
potencia de la prueba. Entender las críticas a los contrastes de hipótesis.
Violación de los supuestos de los contrastes paramétricos Que el alumno sepa detectar
la violación de los supuestos básicos y evaluar sus consecuencias.
Bloque V: Construcción de un Modelo Estocástico Introducción a la modelización desde el
Análisis de Datos Retomar el concepto de modelización, en especial la
modelización estadística en la investigación en Psicología. Entender el Modelo
Lineal General Univariado, sus principales características y supuestos. Que el
alumno entienda el Modelo Lineal Univariado Generalizado, lo que son modelos
esencialmente no lineales y modelos no lineales linealizables. Conocer las
principales técnicas de transformación. Conocer la posibilidad de modelizar con
variables categóricas a través de otros modelos de regresión (Logit, Probit,...).
El modelo estocástico más simple: Recta de regresión Entender el concepto de relación
lineal. Saber hacer una distribución conjunta de dos variables y las
representaciones gráficas adecuadas. Entender el concepto de la regresión
como modelo matemático de la relación lineal entre dos variables. Determinar
las ecuaciones lineales de la Regresión Simple. Estimar de los coeficientes de la
regresión mediante mínimos cuadrados. Entender las diferencias entre
parámetros de regresión en puntuaciones directas, diferenciales y típicas.
Adecuación del modelo a los datos: Índices de asociación Entender y aprender a calcular
la covarianza de dos variables y saber cuáles son sus propiedades e
interpretación. Entender y aprender a calcular el coeficiente de correlación de
Pearson, saber cuáles son sus propiedades y cómo es su interpretación. Saber
cuáles son los factores que pueden distorsionar el coeficiente de correlación y
tener en cuenta las consideraciones acerca de la causalidad. Realizar las
transformaciones pertinentes del coeficiente de correlación mediante la z de
Fisher. Calcular e interpretar adecuadamente el coeficiente de determinación,
tanto desde la visión de ajuste del modelo, como desde la descomposición de
la varianza de la variable criterio. Generalización del modelo: Inferencia en la
correlación y Regresión Simple. Distinguir entre los enfoques del Modelo Lineal
como medio para la explicación y para la predicción. Que el alumno sepa
cuáles son los supuestos sobre los que descansa el Modelo Lineal General.
Determinar la significación de rxy y ?, así como sus intervalos de confianza.
Saber realizar un contraste de hipótesis acerca de dos coeficientes de
correlación bajo distintos supuestos. Determinar la potencia de la prueba de
significación del coeficiente de correlación. Violaciones de los supuestos del Modelo
Lineal Que el alumno realice las representaciones gráficas pertinentes para el
estudio del cumplimiento de los supuestos. Saber valorar las consecuencias y
detectar el incumplimiento de los supuestos. Conocer los métodos básicos para
corregir dichas violaciones.
Bloque VI: Regresión Múltiple Regresión Múltiple: Dos variables Predictoras Que el
alumno estime e interprete los parámetros del modelo bivariado. Calcular e
interpretar los coeficientes de correlación múltiple, de determinación,
correlación parcial y semiparcial. Entender la descomposición de la varianza
total de la variable criterio, así como detectar e interpretar patrones de
asociación entre las variables. Regresión Múltiple: k variables predictoras Que el
alumno sepa cuáles son los problemas para la generalización del modelo:
Multicolinealidad, singularidad, tolerancia y la relación entre el número de
sujetos y el número de variables. Detectar la violación de los supuestos de
aplicación de la estimación por mínimos cuadrados. Determinar la significación
y los intervalos de confianza de los coeficientes de la regresión, de la
correlación múltiple, la correlación parcial y semiparcial. Discriminar entre
predicción media y predicción individual a través del modelo de regresión y
calcular los intervalos pertinentes. Calcular la Potencia de la prueba de
significación del coeficiente de correlación múltiple. Conocer y diferenciar las
distintas estrategias para el análisis.
Contenidos:
Bloque I: Introducción 1. Conceptos básicos 1.1. El papel del Análisis de Datos en Psicología 1.2. Clasificación de escala de
medida 1.2.1. Escala nominal 1.2.2. Escala ordinal 1.2.3. Escala de intervalos 1.2.4. Escala de razón 1.3. Tipos de variables 1.3.1.
Variables cualitativas y cuasicuantitativas 1.3.2. Variables cuantitativas discretas y continuas Bloque II: Estadística Descriptiva 2.
Organización de los datos 2.1. Introducción 2.2. Distribución de frecuencias 2.3. Representaciones gráficas 3. Índices descriptivos
3.1. Medidas de posición: cuantiles 3.1.1. Percentiles 3.1.2. Deciles 3.1.3. Cuartiles 3.2. Medidas de tendencia central 3.2.1. Moda
3.2.2. Mediana 3.2.3. Media 3.2.4. Comparación entre índices de tendencia central 3.3. Medidas de dispersión 3.3.1. Amplitud total
o rango 3.3.2. Amplitud semiintercuartil (A. S. I) 3.3.3. Desviación típica 3.3.4. Transformación de puntuaciones 3.4. Medidas de
forma 3.4.1. Asimetría 3.4.2. Apuntamiento Bloque III: Teoría de la Probabilidad 4. Introducción a la Probabilidad 4.1. Conceptos
de probabilidad 4.1.1. Experimento aleatorio 4.1.2. Ensayo 4.1.3. Espacio Muestral 4.1.4. Sucesos y su clasificación 4.1.5. Axiomas
4.1.6. Asignación de probabilidades 4.2. Leyes de la Probabilidad 4.2.1. Probabilidad total 4.2.2. Probabilidad condicional 4.2.3.
Teorema de Bayes 4.2.4. Independencia 5. Funciones de Densidad y de Probabilidad 5.1. Variables aleatorias discretas 5.1.1.
Función de probabilidad 5.1.2. Funciones de distribución de probabilidad discretas 5.2. Variables aleatorias continuas 5.2.1. Función
de densidad de probabilidad 5.2.2. Funciones de distribución de probabilidad continuas 5.3. Valores esperados 5.3.1. Esperanza
matemática en variables aleatorias discretas 5.3.2. Esperanza matemática en variables aleatorias continuas 5.3.3. Varianza
esperada 5.3.4. Valores esperados de funciones de distribución de probabilidad Bloque IV: Estadística Inferencial 6. Estimación
de parámetros 6.1. Introducción 6.2. Concepto de distribución muestral 6.2.1. Teorema Central del Límite 6.3. Propiedades de los
estimadores 6.3.1. Carencia de sesgo 6.3.2. Consistencia 6.3.3. Eficiencia 6.3.4. Suficiencia 6.3.5. Eficiencia relativa 6.4.
Procedimientos de estimación de parámetros 6.4.1. Estimación puntual 6.4.2. Estimación por intervalos 6.5. Muestreo 6.5.1.
Muestreo aleatorio simple 6.5.2. Otros tipos de muestreo 7. Contraste de hipótesis: Aspectos generales 7.1. Tipos de hipótesis 7.2.
El contraste de hipótesis estadísticas 7.2.1. Error tipo I: alfa y probabilidad asociada 7.2.2. Error tipo II: beta y potencia de la prueba
7.3. Contrastes de hipótesis acerca de la media 1.1.1. El índice d de tamaño del efecto. Potencia de la prueba 7.4. Contrastes de
hipótesis acerca de la proporción 1.1.2. El índice h de tamaño del efecto. Potencia de la prueba 7.5. Supuestos de los contrastes
de hipótesis 7.5.1. Normalidad 7.5.2. Homogeneidad de las varianzas 7.5.3. Independencia de las puntuaciones 7.5.4. Otros
problemas 7.6. Comentarios acerca de los contrastes de hipótesis Bloque V: Construcción de un Modelo Estocástico 8.
Introducción a la modelización desde el Análisis de Datos 8.1. Concepto de modelo matemático 8.2. Modelo Lineal General 8.2.1.
Concepto de linealidad 8.2.2. Modelo Lineal 8.2.3. Modelo Lineal General 9. El modelo estocástico más simple: Recta de regresión
9.1. Introducción: Concepto de relación lineal 9.1.1. Distribución conjunta de dos variables 9.1.2. Representaciones gráficas 9.2.
Recta de regresión: modelo matemático de la relación lineal entre dos variables 9.2.1. Ecuaciones lineales 9.2.2. Estimación de los
coeficientes de la regresión. Los parámetros del modelo 10. Adecuación del modelo a los datos: Índices de asociación 10.1.
Covarianza de dos variables 10.1.1. Propiedades de la Covarianza 10.1.2. Consideraciones 10.2. Coeficiente de correlación de
Pearson 10.2.1. Propiedades 10.2.2. Consideraciones 10.2.3. Interpretación y factores que pueden distorsionar el coeficiente 10.3.
El coeficiente de correlación de Pearson como medida del grado de ajuste del modelo a los datos: Coeficiente de determinación 11.
Generalización del modelo: Inferencia en la correlación y Regresión Simple. 11.1. El modelo lineal como medio para la explicación
y la predicción 11.2. Determinación de la significación de rxy y ? 11.2.1. Intervalos de confianza 11.2.2. Comparación de
coeficientes Bloque VI: Regresión Múltiple 12. Regresión Múltiple: Dos variables Predictoras 12.1. Introducción y modelo 12.2.
Estimación e interpretación de los parámetros 12.3. Índices de asociación con dos variables independientes 12.3.1. Coeficientes de
correlación múltiple y determinación 12.3.2. Coeficiente de correlación parcial 12.3.3. Coeficiente de correlación semiparcial 12.4.
Descomposición de la varianza total de la variable dependiente. Patrones de asociación 12.4.1. Independencia 12.4.2. Redundancia
12.4.3. Supresión 12.4.4. Método para la detección de los patrones de asociación en la regresión bivariada. 13. Regresión Múltiple:
k variables predictoras 13.1. Introducción y modelo 13.2. Estimación e interpretación de los parámetros 13.3. Generalización del
modelo: Inferencia en la Regresión Múltiple 13.3.1. Multicolinealidad, singularidad y tolerancia 13.3.2. Relación número de sujetos:
número de variables 13.3.3. Violación de los supuestos de aplicación de la estimación por mínimos cuadrados 13.3.4. Significación
e intervalos de confianza 13.3.5. Predicción media y predicción individual Bloque VII: Violaciones de los supuestos del
Modelo Lineal 14. Supuestos del modelo 14.1. Introducción 14.2. Representaciones gráficas 14.3. Supuesto de linealidad 14.4.
Supuesto de homocedasticidad 14.5. Supuesto de independencia 14.6. Otros problemas 14.6.1. Casos extremos (outliers)
Metodología:
Clases teóricas: de los temas que se tratan en la Asignatura: 1º. Breve síntesis que conecte los
contenidos a impartir con los adquiridos en las clases previas, así como con la utilidad práctica que
encierra el mismo. 2º. Esquema de los contenidos a desarrollar en la clase teórica. Si la sesión
coincide con el inicio de un tema, se comenta un esquema previo que indique la estructura general
del mismo. En este punto, se lleva a cabo una presentación y desarrollo del tema, con ejemplos,
explicitando el índice de contenidos, la razón de ser de cada uno de sus apartados, y los objetivos
que se pretende lograr. Esta información permite a los alumnos disponer tanto de una idea global
acerca del tema, como de un esquema donde integrar los contenidos concretos que se irán
desarrollando en la clase progresivamente. 3º. Presentación del núcleo conceptual, apoyado en
medios audiovisuales que permitan agilizar la exposición, así como ejemplificar los aspectos de
interés. En el caso de ejemplos de resolución de problemas nos parece mejor el uso de la pizarra a
modo tradicional, puesto que permite al alumno seguir paso a paso el desarrollo del problema.
Obviamente, durante esta etapa los alumnos pueden interrumpir la clase tantas veces como crean
necesario para plantear sus dudas. Al mismo tiempo, se hace un énfasis especial en que no deben
obsesionarse en tomar apuntes, puesto que ya cuentan con los materiales bibliográficos más
adecuados, donde encontrarán impreso lo que pensaban escribir de puño y letra. 4º. Breve resumen
de la clase impartida y comentario de la bibliografía recomendada para profundizar en el tema. 5º.
Pequeño avance de lo que se verá en la próxima clase, conectando con lo visto tanto en las clases
anteriores, como en la que acaba de finalizar.
Clases prácticas El desarrollo de las clases prácticas tiene lugar paralelamente a las clases teóricas,
siendo su objetivo fundamental la adquisición por parte del alumno de las habilidades necesarias
para aplicar los conocimientos adquiridos a la resolución de problemas surgidos de la investigación
psicológica. Por problemas no entendemos sólo la aplicación del cálculo matemático sobre unos
datos dados, lo que, efectivamente, es adecuado en algunos temas de Análisis de Datos I, sino
también el planteamiento de cuestiones que fuercen al alumno a tomar una decisión de acuerdo
con el caso y los objetivos planteados. En este sentido, aprender a conceptualizar un problema es
tan importante como aprender a utilizar los procedimientos que sirven para resolverlos, y requiere
realizar actividades diferentes de la mera resolución rutinaria de ejercicios. De esta forma, podemos
tener garantías suficientes de que los alumnos han entendido la naturaleza del problema y su
capacidad para aplicar los conceptos expuestos en las clases teóricas. Además, tendrá que hacer un
trabajo.

Evaluación:
Se realizará un examen parcial del primer cuatrimestre en la convocatoria de febrero y un examen
final en la convocatoria de junio, donde se evaluará el segundo o ambos cuatrimestres. La nota
final de la asignatura será la resultante del promedio de las notas obtenidas en el examen de cada
semestre por separado y la del trabajo. La nota media mínima para superar la asignatura es 5. La
nota mínima para promediar es 4,5 quedando liberada de examen en la convocatoria de junio,
septiembre y diciembre. La presentación a la evaluación de uno de los semestres implica la
renuncia a cualquier nota para ese semestre obtenida con anterioridad. Cualquier alumno/a que
desee que sea tenido en consideración la nota de uno de los semestres en convocatorias
posteriores, deberá presentarse al semestre no liberado en la convocatoria de junio. De no
presentarse se considerará que renuncia a la parte liberada y figurará un no presentado en el acta.
La Asignatura será evaluada en un examen único para ambas partes, teórica y práctica, en el que
concurren resolución de problemas matemáticos con calculadora, cumplimentación de problemas
incompletos, preguntas cortas teórico-prácticas y/o preguntas tipo test. Para poder presentarse a
cualquier convocatoria de la asignatura será imprescindible la presentación del Carnet de la
Universidad de La Laguna o, en su defecto del Documento Nacional de Identidad. Material opcional
autorizado en las convocatorias: · calculadora · bolígrafo o equivalente · formulario · tabulario
Bibliografía Básica:
Darias (2005). Métodos, diseños, técnicas de investigación y análisis de datos en Psicología
(METODICA 4). Tenerife.
Bibliografía complementaria:
Amón, J. (1984) Estadística para psicólogos. Vol. I y II. Madrid: Pirámide. Ato, M., López, J.J., Hidalgo, M.D. (1996).
Análisis de datos categoriales. En J. Arnau (Ed) Métodos y técnicas avanzadas de análisis de datos en ciencias del
comportamiento. Barcelona: Edicions de la Universitat de Barcelona.
Botella, J. y Barriopedro, M.I. (1994). Problemas y ejercicios en Psicoestadística. Madrid: Pirámide.
Borges, M.A. y Hess, S. (1996). Análisis de Datos I. S/C de Tenerife: Consejería de Educación, Cultura y Deportes.
Botella, J., León, G. y San Martín, R. (1993). Análisis de datos en Psicología I. Madrid: Pirámide. Camacho, J. (2000).
Estadísticacon Spss para Windows. Madrid: Ra-ma.
Carro, J. (1994). Psicoestadística descriptiva. Salamanca: Amarú.
Casas, J.M.; García, C.; Rivera, L.F. y Zamora, A.I. (1998). Problemas de Estadística. Descriptiva, Probabilidad e
Inferencia. Madrid: Pirámide.
Fernández Díaz y cols. (1990). 225 problemas estadísticos aplicados a las Ciencias Sociales. Madrid: Síntesis.
Fernández Díaz y cols. (1990). Resolución de Problemas estadísticos aplicados a las Ciencias Sociales. Madrid:
Síntesis.
Jáñez, L. (1989). Fundamentos de Psicología Matemática. Madrid: Pirámide.
León, O.G. y Montero, I. (1993). Diseño de investigaciones. Madrid: McGraw-Hill. 2ª Edición.
Maciá, M.A.; Lubin, P. y Rubio, P. (1997). Psicología Matemática II (2 y 3). Madrid: UNED. Martínez Arias, M.R.;
Martínez Arias, R. (1995). Psicometría: Teoría de los tests Psicológicos y Educativos. Madrid: Síntesis Psicología.
Martínez-Arias, M.R.; Maciá Antón, M.A. y Pérez Ruy-Díaz, J.A. (1989). Psicología Matemática II. Tomo 2. Madrid:
UNED.
Moore, D.S. (1995). Estadística aplicada básica. Barcelona: Bosch.
Muñiz, J. (1996). Teoría clásica de los tests. Madrid: Pirámide.
Pardo, A. y SanMartín, R. (1994). Análisis de datos en Pscicología II. Madrid: Pirámide.
Ramírez, G., Hess, S. y Hernández, J.A. (1999). Modelo lineal de regresión. Santa Cruz de Tenerife: Resma.
Rius-Díaz, F. y Rivas Moya, T. (1991). Modelos estadísticos para la regresión. Málaga: Secretariado de Publicaciones.
San Martín, R. y cols. (1986). Psicoestadística descriptiva. Madrid: Pirámide
San Martín, R. y cols. (1987). Psicoestadística: Estimación y contraste. Madrid: Pirámide
San Martín, R. y cols. (1989). Psicoestadística: Contrastes paramétricos y no paramétricos. Madrid: Pirámide.
Sarriá, A.; Guárdia, J. y Freixa, M. (1999). Introducción a la Estadística en Psicología. Barcelona: EUB.
Seisdedos, A. y García, I. (1994). Problemas de estadística aplicados a las Ciencias Sociales.
Salamanca: Amarú. Seoane, J.; Rechea, C.; Diges, M.; Martínez, M.R. y Maciá, A. (1994).
Psicología Matemática I. Tomo I. Madrid: Uned.