SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Niveles de
Investigación
Dr. José Supo
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
1
EXPLORATORIO
Se plantean cuando no existe un cuerpo teórico
abundante que ilumine el estudio de un fenómeno
observado; y los resultados que se obtengan sean un
aporte al reconocimiento e identificación de los
problemas.
No hay preguntas que conduzcan a problemas
precisos, se exploran áreas problemáticas. Se
trata de una descripción y análisis teórico; por lo
que no se requiere de manejo estadístico.
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
1
¿Qué es un estudio
exploratorio?
¿Qué condiciones o
características debe cumplir
un estudio exploratorio?
EXPLORATORIO
Un estudio exploratorio se usa cuando un tema de
investigación ha sido escasamente estudiado,
existen muchas dudas de él o no se ha abordado
antes.
Los estudios exploratorios:
•Parten de un tema de investigación general y el
cual no ha sido profundizado.
•El método de sistematización de obtención de la
información puede ser a partir de observación
directa o indirecta.
•Implica una amplia revisión de la literatura
existente del tema.
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
2
DESCRIPTIVO
Describe fenómenos sociales o clínicos en una
circunstancia temporal y geográfica determinada. Desde
el punto de vista cognoscitivo su finalidad es describir y
desde el punto de vista estadístico su propósito estimar
parámetros.
La estadística descriptiva consiste en estimar
frecuencias y/o promedios y otras medidas
univariadas. Ejm. los estudios de frecuencia de
la enfermedad: Incidencia y Prevalencia.
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
2
¿Qué es un estudio descriptivo?
¿Cuál es su objetivo?
¿Qué condiciones o
características debe cumplir un
estudio descriptivo?
DESCRIPTIVO
Un estudio descriptivo se usa cuando se tiene como
objetivo describir situaciones o eventos que han sido
investigados previamente. En este tipo de estudio ya
existe una selección de variables (a diferencia de los
exploratorios), las cuales se miden de manera aislada e
independiente y de esta misma manera se presentan sus
resultados.
Los estudios descriptivos:
•Se centran en descripciones de eventos y situaciones.
•Se busca identificar problemas o justificar condiciones
actuales.
•A partir de sus resultados existen elementos para hacer
comparaciones o evaluaciones descriptivas.
•NO se busca encontrar relaciones, probar hipótesis o
hacer predicciones.
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
3
RELACIONAL/COMPARACIÓN
No son estudios de causa y efecto; porque las pruebas
estadísticas solo demuestran dependencia entre
diferentes eventos; aquí podemos encontrar los estudios
de asociación sin relación de dependencia; y las
correlaciones espurias.
Dr. José Supo
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
3
¿Qué es un estudio
correlacional? ¿Cuál es su
objetivo?
¿Qué condiciones o
características debe cumplir
un estudio correlacional?
RELACIONAL/COMPARACIÓN
Un estudio correlacional se usa para saber el grado
de relación entre 2 o más variables (se conoce
cómo se comporta una variable a través del
comportamiento de otras)
Los estudios correlacionales:
•Permiten la medición de 2 o más variables
•Explican relaciones y prueban hipótesis
•Muestran poco nivel de control de la Variable
Independiente
•Existe la posibilidad de encontrar modelos
correlacionales poco válidos
•NO muestran o prueban una relación causa-efecto
Dr. José Supo
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
4
EXPLICATIVO
Su finalidad es explicar el comportamiento de una
variable en función de otra(s); aquí se plantea una
relación de causa-efecto, y tiene que cumplir otros
criterios de causalidad (Bradford Hill); requiere de control
tanto metodológico como estadístico.
La estadística multivariada; tiene por finalidad
descartar asociaciones aleatorias, casuales o
espurias entre la variable independiente y
dependiente. Ejm. Chi 2 de Mantel - Haenszel.
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
4
¿Qué es un estudio
explicativo? ¿Cuál es su
objetivo?
¿Qué condiciones o
características debe
cumplir un estudio
explicativo?
EXPLICATIVO
Los estudios explicativos se usan para
explicar porqué ocurre un fenómeno y en qué
condiciones (implica la exploración, la
descripción y la correlación de lo investigado)
En los estudios explicativos:
Se explica, comprende e interpreta el porqué
ocurre un fenómeno, en qué condiciones y
responde a la pregunta de por qué están
correlacionadas 2 o más variables
independientes (hay una explicación causaefecto)
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
4
¿Qué es un estudio
explicativo? ¿Cuál es su
objetivo?
¿Qué condiciones o
características debe
cumplir un estudio
explicativo?
EXPLICATIVO
Los estudios explicativos se usan para
explicar porqué ocurre un fenómeno y en qué
condiciones (implica la exploración, la
descripción y la correlación de lo investigado)
En los estudios explicativos:
Se explica, comprende e interpreta el porqué
ocurre un fenómeno, en qué condiciones y
responde a la pregunta de por qué están
correlacionadas 2 o más variables
independientes (hay una explicación causaefecto)
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
EJERCICIO 1
La investigación titulada “Opinión de estudiantes sobre el uso
de las Tecnologías de Información y Comunicación (TICs) en
un curso universitario” tiene como propósito conocer la opinión
de los estudiantes de un curso universitario que tomaron un
curso en línea.
Para este propósito, después de haberles impartido el curso,
se les administró una encuesta de opinión para conocer los
índices de aceptación del curso en general y los principales
métodos usados en éste.
Tema 1: TIPOS DE ESTUDIOS EN
INVESTIGACIÓN
Adaptado de: Supo, J.
EJERCICIO 2
En un estudio se realizó una evaluación de los niveles de
ansiedad en 60 estudiantes de quinto año de primaria con la
intención de saber si existe una asociación entre esta
problemática y el rendimiento escolar (promedio general) que
tuvieron en el ciclo escolar 2010-2011.
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Hipótesis
Dr. José Supo
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Definición
Son conjeturas que plantea el investigador; afirmaciones aun
no demostradas y que nacen de la experiencia o de la
deducción luego del análisis de los antecedentes investigativos .
Deben referirse a una situación real, en términos
comprensibles, precisos, concretos y deben estar relacionadas
con técnicas disponibles para probarlas.
Dr. José Supo
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
¿Qué es una hipótesis?
¿Qué requisitos deben
cumplir?
Una Hipótesis es una proposición tentativa, la cual no es
todavía verificada pero si probable, acerca de la relación
existente entre 2 o más variables. (En el proceso de
investigación, debe derivarse del planteamiento del
problema y los objetivos).
Los requisitos que deben cumplir las hipótesis son las
siguientes:
-Se refieren a una situación real
-Las variables que contiene deben ser comprensibles,
precisas y concretas (observables y medibles)
-La relación entre las variables debe ser clara y verosímil
-Las hipótesis deben estar relacionadas con técnicas para
probarlas
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis Estadísticas
(De trabajo)
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
¿Qué es una hipótesis de La hipótesis de investigación o de
investigación o trabajo? trabajo es una propuesta tentativa acerca
de un problema planteado y que al final
del proceso de investigación puede ser
confirmada o rechazada
Ejemplos:
Hi (de trabajo): “La percepción de
similitud en las creencias (VI) provoca
MAYOR atracción física entre las personas
(VD)”.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
¿Qué es una hipótesis
nula?
Las hipótesis nulas son proposiciones que
sirven para refutar o negar lo que afirma
la hipótesis de investigación (Ho)
Ejemplos:
Ho (nula): “La percepción de similitud en
las creencias (VI) NO provoca mayor
atracción física entre las personas (VD)”.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
¿Qué es una hipótesis
alternativa?
Las hipótesis alternativas son posibilidades
alternativas ante las hipótesis de investigación y
nula. Ofrecen otra descripción, explicaciones
distintas a las que proporcionan los ya
mencionados tipos de hipótesis, estas sólo pueden
formularse cuando efectivamente hay otras
posibilidades adicionales a las hipótesis de
investigación y nula.
Ejemplos:
H2 (alternativa): “La percepción de similitud en las
creencias (VI) provoca MENOR atracción física
entre las personas (VD)”.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
¿Qué es una hipótesis
de trabajo?
¿Cuáles son sus
elementos?
¿Qué condiciones
debe cumplir?
Una hipótesis de trabajo es una propuesta tentativa
acerca de un problema planteado y que al final del
proceso de investigación puede ser confirmada o
rechazada
Sus elementos son:
-Unidades de análisis (sujetos, grupos, objetos, etc.)
-Variables (ejemplo, niveles de depresión, tipos de
tratamiento, etc.)
-Enlaces lógicos (por ej. Si A, entonces B)
Las principales condiciones que debe cumplir son las
siguientes:
-Ser clara y fácilmente comprensible
-Plantear una relación susceptible de comprobarse
empíricamente
-Mostrar una conexión con logros teóricos anteriores
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis Según el
Nivel de Investigación
Dr. José Supo
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
EXPLORATORIA
Los estudios exploratorios no contienen
hipótesis, porque no se puede presuponer
sobre algo que apenas se comienza a conocer.
Su función es precisamente generar hipótesis.
Dr. José Supo
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
DESCRIPTIVA
¿Qué es una hipótesis
descriptiva?
¿Cuáles son sus
elementos?
¿Qué condiciones debe
cumplir?
3.3 Las hipótesis descriptivas proponen
o describen el valor de las variables (por
lo general son de 1 sola variable).
Por ej., “la ansiedad será elevada”, “la
participación disminuirá con respecto al
curso pasado” “por lo menos un 70% de
los estudiantes aprobarán el curso”
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
RELACIONAL
Las hipótesis relacionales o empíricas son afirmaciones
respecto a las relaciones entre dos o más variables sin
fundamento, porque nacen de la observación y la experiencia,
siempre deben estar sujetas a comprobación empírica.
Solamente buscan concordancia entre hechos y generan la
necesidad de plantear hipótesis explicativas.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
RELACIONAL
¿Qué es una
hipótesis
correlacional?
¿Cuáles son sus
elementos?
¿Qué condiciones
debe cumplir?
Las hipótesis correlacionales especifican la relación entre dos o más variables.
Las hipótesis correlacionales se simbolizan de la siguiente manera:
XY
Ejemplo:
-Hi: “A mayor autoestima, menor temor de logro”. La hipótesis indica que
cuando una aumenta la otra disminuye y viceversa.
Las hipótesis correlacionales no sólo pueden establecer que dos o más variables
se encuentran relacionadas, sino cómo están asociadas. Alcanzan el nivel
predictivo y parcialmente explicativo. Se establece que hay relación entre las
variables y se dice cómo es esa relación (qué dirección sigue).
Correlación bivariada = Cuando se correlacionan dos variables.
Correlación múltiple = Cuando se correlacionan varias variables.
Nota. En hipótesis de correlación NO es importante el orden en que coloquemos
las variables (ninguna antecede a la otra; no hay relación de causalidad). El
orden de los factores (variables) no altera el producto (la hipótesis). En la
correlación NO se habla de variables independientes y dependientes.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
COMPARACIÓN
¿Qué es una hipótesis
de comparación o
diferencia de grupos?
¿Cuáles son sus
elementos?
¿Qué condiciones
debe cumplir?
Las hipótesis de comparación o diferencias de grupos establecen
diferencias entre la comparación de grupos específicos (la
dirección se basa en la teoría)
La hipótesis de diferencia de grupos se puede establecer como
direccional o no direccional. La direccional especifica la
naturaleza de la relación o la diferencia pronosticada. Por ej.: “Los
niños que tienen un alto Coeficiente Intelectual manifestarán más
ansiedad en el salón de clase que los niños que tienen menor
Coeficiente Intelectual”. La no direccional establece que existe
relación o diferencia pero no especifica la naturaleza del hallazgo
que se espera. Por ej.: “Existe diferencia entre el aprendizaje de
lenguas extranjeras obtenido en mujeres y hombres”.
NOTA: esta cualidad direccional o no, también aplica en las
hipótesis correlacionales
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
EXPLICATIVA
¿Qué es una
hipótesis causal?
¿Cuáles son sus
elementos?
¿Qué condiciones
debe cumplir?
Las hipótesis causales establecen relaciones de causa-efecto y cómo
se dan.
Correlación y causalidad son conceptos asociados pero distintos. Dos
variables pueden estar correlacionadas sin que ello implique que una
es causa de la otra. Para poder establecer causalidad, antes debe
haberse demostrado que hay correlación. Además, la causa debe
ocurrir antes que el efecto ( los cambios en la causa deben provocar
cambios en el efecto). A las supuestas causas se les conoce como
variables independientes y a los efectos como variables
dependientes. Solamente se puede hablar de variables
independientes y dependientes cuando se formulan hipótesis causales
o hipótesis de la diferencia de grupos, siempre y cuando en estas
últimas se explique cuál es la causa de la diferencia hipotetizada.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
EXPLICATIVA
Tipos
Tipos: Hipótesis causal bivariada: “La percepción de similitud en
las creencias (VI) provoca mayor atracción física entre las
personas(VD)”. Aquí se plantea una relación entre una variable
independiente y otra dependiente.
Hipótesis causal multivariada. Aquí se plantea una relación entre
varias variables independientes y una dependiente. O una
independiente y varias dependientes: “La cohesión(VI1) y la
centralidad (VI2) en un grupo sometido a una dinámica y el tipo de
liderazgo(VI3) que se ejerza dentro del grupo, determinan la
efectividad de éste para alcanzar sus metas primarias(VD)”.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Ejercicio
•Identifica la hipótesis de tu artículo de investigación y escribe cuál
sería la hipótesis de trabajo y la hipótesis nula.
•En la hipótesis de trabajo señala cuáles serían sus principales
componentes.
•Identifica qué tipo de hipótesis es de acuerdo al tipo de
investigación (justifica tu respuesta)
•Menciona cuál sería la definición operacional de la hipótesis o de
qué manera se medirán o cuantificarán las variables que están
presentes en dicha investigación.
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Definición de Hipótesis
¿Qué es la definición
conceptual de una
hipótesis?
La definición conceptual de una
hipótesis se refiere a definirla de
acuerdo a la literatura especializada.
¿Qué es la definición
operacional de una
hipótesis?
La definición operacional se refiere a
definirla de tal manera que indique de
que manera se puede medir.
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
TEMA 3:
Variables
Dr. José Supo
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿Qué es una
variable?
Una variable es una propiedad que
puede variar y cuya variación es
susceptible de medirse.
Ejemplos de variable: método de
enseñanza, aprovechamiento
escolar, edad, género, inteligencia,
motivación, ingreso económico,
violencia, etc.
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿Qué es una variable
cuantitativa?
¿Qué es una variable
cualitativa?
Una variable cuantitativa es aquella
que tiene magnitud: puede medirse; es
continua: puede tomar cualquier valor
numérico (por ej., estatura); y es
discreta: establece categorías en
términos de números enteros (por ej.,
número de sujetos que asistieron a un
evento).
Una variable cualitativa NO presenta
una cualidad de magnitud, se incluye en
categorías.
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿Qué es una variable
dependiente?
Una variable dependiente es la que varía a
partir de la acción o manipulación realizada a
la variable independiente. Es la variable que
queremos explicar.
¿Qué es una variable
independiente?
La variable independiente se establece como
control o como susceptible de ser manipulada
por el investigador. Se pretende descubrir
cómo influye en la variable dependiente.
Cuando se manipula se considera como una
variable atributiva y cuando no es
manipulada se considera una variable activa.
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿Qué es una variable
dependiente?
Una variable dependiente es la que varía a
partir de la acción o manipulación realizada a
la variable independiente. Es la variable que
queremos explicar.
¿Qué es una variable
independiente?
La variable independiente se establece como
control o como susceptible de ser manipulada
por el investigador. Se pretende descubrir
cómo influye en la variable dependiente.
Cuando se manipula se considera como una
variable atributiva y cuando no es
manipulada se considera una variable activa.
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿Qué es una variable
activa o experimental?
¿Qué es una variable
atributiva?
¿Qué es una variable
extraña?
Una variable activa o experimental es aquella
que es susceptible de manipulación directa por
parte del experimentador (por ej., el tipo de
tratamiento psicológico)
Una variable atributiva es aquella que muestra
una característica o atributo de los sujetos que
NO puede ser manipulada (por ej., el género)
Una variable extraña es aquella que NO está
relacionada con la investigación (se puede
controlar, manteniendo constantes la condición
experimental/reexperimental). (por ejemplo, los
hábitos de lectura en la familia, con respecto al
nivel de rendimiento escolar en una población)
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿Qué es una variable
activa o experimental?
¿Qué es una variable
atributiva?
¿Qué es una variable
extraña?
Una variable activa o experimental es aquella
que es susceptible de manipulación directa por
parte del experimentador (por ej., el tipo de
tratamiento psicológico)
Una variable atributiva es aquella que muestra
una característica o atributo de los sujetos que
NO puede ser manipulada (por ej., el género)
Una variable extraña es aquella que NO está
relacionada con la investigación (se puede
controlar, manteniendo constantes la condición
experimental/reexperimental). (por ejemplo, los
hábitos de lectura en la familia, con respecto al
nivel de rendimiento escolar en una población)
Tema 3: VARIABLES
Adaptado de: Supo, J.
A qué se refiere el nivel La escala de medida nominal tiene
de medición nominal? como fin nombrar y categorizar con el
(Ejemplo)
fin de distinguir, puede considerarse la
escala de nivel más bajo (las categorías
NO indican orden ni jerarquía). Se trata
de agrupar objetos en clases. Las
categorías únicamente reflejan
diferencias en la variable.
Ejemplo:
sexo: 1=Femenino; 2=Masculino
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿A qué se refiere el
nivel de medición
ordinal?
(Ejemplo)
La escala ordinal presenta varias categorías
que mantienen un orden de mayor a menor,
las etiquetas de las categorías indican
jerarquía. Estas escalas, recurren a la
propiedad de «orden» de los números. Las
medidas ordinales tienen imprecisas
diferencias entre valores consecutivos, pero
un orden interpretable para sus valores.
Ejemplo: Posición jerárquica de una
empresa: 10=presidente; 9= vicepresidente;
8= director general; 7= gerente de área; 6=
subgerente; 5= jefe; 4= empleado
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿A qué se refiere
el nivel de
medición
intervalar?
(Ejemplo)
En la escala de intervalos además del orden o la
jerarquía entre categorías, se establecen intervalos
iguales en la medición, por lo que permite determinar
la magnitud de los intervalos (distancia) entre todos los
elementos de la escala.; está caracterizada por una
unidad de medida común y constante. Es importante
destacar que el punto cero en las escalas de intervalos
iguales es arbitrario, y no refleja en ningún momento
ausencia de la magnitud que estamos midiendo (por ej.,
las mediciones de coeficiente intelectual o temperatura
en grados Celsius).
Ejemplo: una prueba de matemáticas: si Ana resolvió
10 problemas, Laura 20 y Abigail 30, la distancia entre
Ana y Laura, es la misma que entre Laura y Abigail.
Tema 3: VARIABLES
Adaptado de: Supo, J.
¿A qué se refiere el nivel
de medición de razón?
(Ejemplo)
La escala de coeficientes o Razones es el
nivel de medida más elevado y se diferencia
de las escalas de intervalos iguales
únicamente por poseer un punto cero propio
como origen (además de tener las otras
propiedades: períodos iguales entre las
categorías, etc.); es decir que el valor cero es
real y absoluto (significa ausencia de la
magnitud que estamos midiendo).
Ejemplo: número de minutos viendo la TV o
usando el Internet; número de hijos, ventas de
un producto, ingreso, etc.
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
TEMA 4:
Diseño de
Investigación
Dr. José Supo
Tema 4: Diseños de Investigación
Adaptado de: Supo, J.
Qué es un diseño de El diseño es el plan o estrategia
investigación?
que se desarrolla para obtener la
información que se requiere para
una investigación. Su objetivo es
analizar la certeza de la hipótesis.
Tema 4: Diseños de Investigación
Adaptado de: Supo, J.
¿Qué es un
diseño
experimental?
Los diseños experimentales son aquellos estudios
en el que se manipulan intencionalmente una o
más variables independientes (supuestas causas),
para analizar las consecuencias que la
manipulación tiene sobre una o más variables
dependientes (supuestos efectos), dentro de una
situación control.
Tema 4: Diseños de Investigación
Adaptado de: Supo, J.
¿Cuáles son las
características de
los diseños
experimentales?
¿Cuáles son los
tipos de Diseño
Experimental?
Las características principales es que contienen: a) un
grupo de control o de comparación (es posible llevar a
cabo la investigación con un solo grupo, proporcionando
todos los tratamientos a los mismos sujetos, y también es
posible tener tres o más grupos); b) se manipula de
manera activa (intencional) la variable independiente; c)
se basa en la aleatorización, es decir, se asigna al azar a
los sujetos a los grupos con el fin de garantizar su
equivalencia (en ocasiones, esto no es posible, debido a
que los grupos están ya constituidos o no es posible
realizar la asignación al azar).
Los tipos de diseño experimental son: a) preexperimentales; b) cuasiexperimentales; c) experimentales
puros.
Tema 4: Diseños de Investigación
Adaptado de: Supo, J.
¿Cuáles son los
tipos de diseños
experimentales
puros?
Los principales tipos son:
a) Con posprueba únicamente y grupos de control G1-----X1----O1
G2----X2----O2
(X2=sin tratamiento)
b) Con preprueba/posprueba y grupo de control G1---O1---X1---O2
G2---O3---X2---O4
(X2=sin tratamiento)
c) 4 grupos de Solomon
G1---O1---X1---O2
G2---O3---X2---O4 (X2=sin tratamiento)
G3---O5---X3---O6 (O5=sin test o medición)
G4---O7---X4---O8 (O7=sin test; X4= sin tratamiento)
G= grupo X= tratamiento (VI)
O= test o medición (VD)
Tema 4: Diseños de Investigación
Adaptado de: Supo, J.
¿Qué son los
diseños cuasiexperimentales?
¿Cuáles son los
tipos de diseño
cuasiexperimentales?
Los diseños cuasi-experimentales NO hay asignación aleatoria ni
emparejamiento, la muestra se elige de grupos ya formados antes del
tratamiento. En estos diseños falta un grupo control o el control es
incompleto en los grupos observados.
Los principales tipos son:
a) Series cronológicas: G-O1-O2-O3-X-O4-O5-O6
b) Muestras cronológicas: G-X1-O1-X0-O2-X1-O3-X0-O4 (X0= sin
tratamiento)
c) 2 o más grupos con pretest y postest G1-O1-X1-O2
G2-O2-X0-O2 (X0= sin tratamiento)
d) 2 con solo postest
G1-X1-O2
G1-X0-O2 (X0= sin tratamiento)
G= grupo X= tratamiento (VI)
O= test o medición (VD)
Tema 4: Diseños de Investigación
Adaptado de: Supo, J.
¿Qué es un diseño Los diseños pre-experimentales son diseños de un solo grupo
pre-experimental? donde el grado de control es mínimo.
¿Cuáles son los
Los principales tipos son:
tipos de Diseño
a) Estudios de caso con una sola medición G---X---O
Pre-Experimental? b) Diseño de pre-prueba/pos-prueba con un solo grupo
G---O1---X---O2
G= grupo
(VD)
X= tratamiento (VI)
O= test o medición
Tema 4: Diseños de Investigación
Adaptado de: Supo, J.
¿Qué son los diseños no
experimentales?
En los diseños no experimentales NO hay una
manipulación deliberada de variables, sólo se
observan los fenómenos en su ambiente laboral y
luego se analizan.
¿Qué son los diseños no
experimentales
transaccionales o
transversales?
En los diseños transversales o transaccionales se
recopilan datos en un momento único (pueden ser
exploratorios, descriptivos, correlacionales o
causales).
¿Qué son los diseños no
En los diseños longitudinales o evolutivos se
experimentales longitudinales recopilan datos en diferentes momentos a lo largo
o evolutivos?
de un período determinado de tiempo.
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
TEMA 5:
Muestreo
Dr. José Supo
HIPÓTESIS
Adaptado de: Supo, J.
H0: Hipótesis Nulas:
Niegan lo que afirman las hipótesis de investigación y existen tantas
hipótesis nulas como hipótesis de investigación. Es a la Nula a la que
se le rechaza o no se le rechaza:
 Si el p-valor es menor a 0.05; rechazamos Ho por lo tanto
concluimos en que hipótesis alterna es verdadera.
 Si el p-valor no es menor a 0.05; no rechazamos Ho; sin embargo
esto no significa que debemos aceptarla; sino que, simplemente
no hemos podido rechazarla.
Dr. José Supo
TEMA 5: MUESTREO
Adaptado de: Supo, J.
¿Qué es el
muestreo?
El muestreo es la técnica para
la selección de una muestra a
partir de una población.
Dr. José Supo
TEMA 5: MUESTREO
Adaptado de: Supo, J.
¿Cuáles son las
características de los dos
principales tipos de
muestreo?
(Probabilístico y No
probabilístico)
El muestreo probabilístico requiere
determinar el tamaño de la muestra y
seleccionar elementos muestrales (todas
con la misma probabilidades de ser
elegidos).
El muestreo no probabilístico se basa en
una selección informal y arbitraria de los
sujetos, donde no todos tienen la misma
posibilidad de ser elegidos (depende de la
decisión del investigador).
Dr. José Supo
TEMA 5: MUESTREO
Adaptado de: Supo, J.
¿Cómo se realiza un
muestreo probabilístico
aleatorio?
El muestreo probabilístico aleatorio se
realiza mediante un sorteo o tabla de
números.
¿Cómo se realiza un
muestreo probabilístico
estratificado?
El muestreo probabilístico estratificado se
realiza a partir de una división de la
población en estratos o categorías.
¿Cómo se realiza un
El muestreo probabilístico por racimos o
muestreo probabilístico por conglomerados se realiza a partir de
racimos o conglomerados? seleccionar los racimos (lugares geográficos
o físicos) donde se encuentran los sujetos y
posteriormente seleccionarlos al azar,
TEMA 5: MUESTREO
Adaptado de: Supo, J.
¿Cómo se realiza un
muestreo No probabilístico
de sujetos voluntarios?
¿Cómo se realiza un
muestreo No probabilístico
de sujetos tipo?
¿Cómo se realiza un
muestreo No probabilístico
de muestra de expertos?
¿Cómo se realiza un
muestreo No probabilístico
de muestra por cuotas
El muestreo NO probabilístico de sujetos
voluntarios se usa con individuos que deciden
participar en el estudio.
El muestreo NO probabilístico de sujetos tipo
se usa con los sujetos que cubren con ciertas
características fijadas por el investigador.
El muestreo NO probabilístico de muestra de
expertos se usa cuando es necesario la opinión
de sujetos expertos.
El muestreo NO probabilístico de muestra
por cuotas se basa en fijar determinadas
proporciones de sujetos o “cuotas” según
variables demográficas.
Dr. José Supo
HIPÓTESIS
Adaptado de: Supo, J.
H1: Hipótesis Alternas:
Esta hipótesis se da por verdadera cuando rechazamos la hipótesis de
trabajo (Ho) o cuando por alguna razón no podemos aceptar la nula.
En el ritual de la significancia, procedemos a establecer las hipótesis
estadísticas comenzando por al del investigador (H1) y luego la Nula
(Ho); para proceder a trabajar con la Nula. El investigador procede a
rechazar la Nula (Ho); para quedarse con la Alterna (H1), que es su
planteamiento original; siendo que puede cometer un, entonces la
estadística consiste en calcular ese error al tomar tal decisión. Ese es
el p-valor
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
5
PREDICTIVO
Se encarga de la estimación probabilística de eventos generalmente
adversos, como puede ser las complicaciones de la enfermedad, la
mortalidad, etc. La línea investigativa debe haber pasado previamente por
los otros niveles.
Se aplican un conjunto de técnicas estadísticas.
Ejm. La validación de una prueba diagnóstica
requiere: Alfa de Cronbach, Índice Kappa,
ANOVA, Curvas ROC.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
6
APLICATIVO
Plantea resolver problemas de la vida cotidiana o a controlar situaciones
prácticas. Puede ser programática o no programática, de manera que
enmarca a la innovación técnica, artesanal e industrial como la propiamente
científica.
Las técnicas estadísticas apuntan a evaluar el
éxito de la intervención, como medidas de
impacto sobre los principales indicadores de
salud: tasas, coberturas, rendimiento, etc.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Escalas de
Medición de la
Variables
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Tipos de
Investigación
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1
Según la intervención del
investigador
OBSERVACIONAL
EXPERIMENTAL
No existe intervención del
investigador; los datos reflejan la
evolución natural de los eventos,
ajena a la voluntad del investigador.
Siempre son prospectivos,
longitudinales, analíticos y de nivel
investigativo “explicativo” (causa –
efecto); además de ser “controlados”.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2
Según la planificación de la
toma de datos
PROSPECTIVO
RETROSPECTIVO
Los datos necesarios para el estudio
son recogidos a propósito de la
investigación (primarios). Por lo que,
posee control del sesgo de medición.
Los datos se recogen de registros
donde el investigador no tuvo
participación (secundarios). No
podemos dar fe de la exactitud de
las mediciones.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3
Según el número de ocasiones en que
mide la variable de estudio
TRANSVERSAL
LONGITUDINAL
Todas las variables son medidas en
una sola ocasión; por ello de
realizar comparaciones, se trata de
muestras independientes.
La variable de estudio es medida en dos
o más ocasiones; por ello, de realizar
comparaciones (antes – después) son
entre muestras relacionadas.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Diseños de
Investigación
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2
EXPERIMENTALES
Requiere de dos condiciones básicas: intervención y asignación aleatoria.
Siendo de nivel investigativo explicativo tienen control metodológico.
 Pre-experimento: La intervención sobre las unidades de estudio, no es
apropósito de la investigación; sino que obedece a las necesidades
terapéuticas del sujeto.
 Cuasi-experimento: Cuando no hay grupo control, no es posible realizar la
asignación aleatoria de los sujetos, puesto que no se puede dejar sin
tratamiento a los pacientes.
 Experimento verdadero: Cumple con la asignación aleatoria e intervención.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Las variables
según su relación
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Introducción
Esta clasificación de las variables se fundamenta en la búsqueda de
obtener explicación causal que puede ser observacional o
experimental y correspondiente al nivel investigativo explicativo.
Su estructura responde a la necesidad de realizar el control
metodológico y/o estadístico de la relación causa-efecto.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Variable Independiente
Es aquella cuya existencia es
autónoma, no depende de otra, más
bien de ella depende otras, representa
los factores que constituirán la causa,
siendo
que
previamente
ha
demostrado ser factor de riesgo para
el problema que se estudia.
En este sistema de variables se plantea
solamente una variable independiente
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Variable Dependiente
En este sistema de variables
representa a la variable de interés o
variable de estudio, es la que para su
existencia
y
desenvolvimiento
depende de otra independiente, su
modo de ser, está condicionada por
otros aspectos de la realidad.
Es la que mide o describe el
problema que se estudia.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Variable de Confusión
Su participación puede intensificar o
antagonizar la relación aparente
entre el problema y una posible
causa, creando confusión en el
investigador.
Su influencia se da tanto sobre la
variable independiente como en la
dependiente.
Su control se debe realizar mediante
análisis estratificado.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Variable Intermedia
Esta variable aparece de manera
incalculada durante el proceso de
una observación o inesperada
dentro de un experimento, entre el
factor causal y el efecto.
Ocurre cuando no ha habido una
buena elección de los factores de
riesgo.
El procedimiento más idóneo para
su neutralizar su participación es el
análisis multivariado.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Variable de Control
Es una variable con una fuerte
influencia
sobre
la
variable
dependiente, pero ningún efecto
reconocido
sobre
la
variable
independiente
Habitualmente se reconoce su
participación en el momento de la
planeación.
Su control se realiza métodológicamente mediante los criterios de
exclusión.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Formulación del
Problema
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Introducción
Se trata de sintetizar la cuestión proyectada a
investigar, generalmente a través de un
interrogante.
Los problemas de Investigación se formulan con los
5 componentes a continuación:
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Variables
Debe mencionarse al menos la variable de estudio;
pueden también mencionarse todas las variables
involucradas; o cuando las variables son muy
numerosas suele usarse términos que resuman de
manera lógica un grupo de variables.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Unidades de Estudio
Unidades
de
observación,
unidades
experimentales, unidades de análisis. Reciben
distintos nombres según el diseño de la
investigación; y deben mencionarse, aunque a
veces su presencia en el enunciado resulta
implícita.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Diseño del Estudio
Propósito estadístico, Especificidad, etc. Es muy
variable de acuerdo a la investigación; es
importante utilizar términos que den por aludido el
diseño de la investigación, el nivel investigativo, el
tipo de estudio, etc.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Ubicación Espacial
Es ineludible cuando se tratan de estudios
descriptivos y se encuentra relacionado con el
tamaño de la muestra; siendo que los fenómenos
varían de un lugar a otro; se debe especificar sobre
que población se realizará la inferencia estadística.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Ubicación Temporal
Al igual que en el criterio espacial, se requiere
especificarlo cuando el fenómeno varía según el
tiempo. En los estudios descriptivos sobre
poblaciones infinitas o desconocidas habitualmente
se encuentra relacionado con el muestreo
accidental.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Nivel de
Significancia
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Introducción
Al plantear un estudio sobre una población, idealmente
debemos estudiar a todos los individuos que la conforman;
pero no siempre podemos acceder a todos, entonces
tenemos que escoger una muestra; sin embargo los
resultados obtenidos de esta manera nunca serán
exactamente iguales, a los que se obtendrían de estudiar a
toda la población; es decir, siempre va a haber un margen de
error.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Nivel de Significancia
Antes de realizar el estudio debemos plantearnos; que
proporción de error estamos dispuestos a aceptar para dar
por válido nuestro resultado. El error es el objetivo principal
del estudio. El análisis estadístico consiste en calcular la
probabilidad de cometer este error y esperamos que sea
menor al planteado preliminarmente como nivel
significancia.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Nivel de confianza
Es la confianza que debemos alcanzar para generalizar el
resultado de una muestra hacia toda la población. Es el
complemento del nivel de significancia; es la confianza que
tenemos, de que la conclusión a la que hemos llegado es
cierta. Una probabilidad elevada nos da la tranquilidad de
que lo que hemos calculado es cercano a lo real y no debida
al azar
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Niveles convenidos
a) α = 5%. Existe 5% (0.05) de probabilidad de equivocarse
y 95% (0.95) de confianza.
b) α = 1%. Existe 1% (0.01) de probabilidad de equivocarse
y 99% (0.99) de confianza.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Definición de términos
El error tipo I: Ocurre cuando afirmamos la hipótesis del
investigador, siendo que es falsa. Por lo tanto, es un juicio de
valor equivocado.
El p-valor: Es la probabilidad de equivocarse al aceptar
nuestra hipótesis del investigador como verdadera; es decir
la probabilidad de cometer un error tipo I.
El nivel de significancia: Es la máxima probabilidad de error
que estamos dispuestos aceptar para dar como válida
nuestra hipótesis del investigador.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Ritual de la
Significancia
Estadística
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1.
Formulación de Hipótesis
Consiste en traducir la hipótesis metodológica en una
hipótesis estadística de acuerdo al siguiente sistema:
Ho: Hipótesis nula ó hipótesis de trabajo
H1: Hipótesis alterna ó hipótesis del investigador
El primer paso es colocar la hipótesis del investigador como
Hipótesis Alterna (H1) y formular la Hipótesis Nula (Ho) que
viene a ser la negación de la alterna. Se precisa este artificio
porque es a la Hipótesis Nula a la que se le somete a
contraste.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2.
Establecer el nivel de significancia
El nivel de significancia denotado por la letra griega alfa es la
probabilidad de rechazar la hipótesis nula cuando es
verdadera a lo cual se le denomina error de tipo I.
Según Fisher, el nivel de significación estadística equivale a la
magnitud del error que se está dispuesto a correr de
rechazar una hipótesis nula verdadera.
Para la mayoría de los propósitos, el nivel de significación
previamente establecido suele ser de 0.05.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. Elección de la prueba estadística
El estadístico de prueba elegido está intrínsecamente
relacionado con el objetivo estadístico correspondiente para
su nivel investigativo; para esto debemos considerar la
naturaleza de las variables y el comportamiento de los datos
que corresponde a su distribución para los de naturaleza
cuantitativa y las frecuencias esperadas para los de
naturaleza cualitativa.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4.
Toma de la decisión
Luego de desarrollar la prueba estadística elegida se toma
una decisión en función a la regla previamente establecida
según las que se acepta o se rechaza la hipótesis nula para
lo cual es imprescindible determinar el Valor critico, que es
un número que divide la región de aceptación y la región de
rechazo, según el valor de la probabilidad que se haya
adoptado como nivel de significación estadística.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
5.
Interpretación del p-valor
Este último paso en el ritual de la significancia estadística no
fue planteado originalmente por Fisher, pero cobra vital
importancia con la aparición de los software estadísticos que
nos calculan directamente el p-valor, el cual cuantifica el
error tipo I y nos ayuda a tomar una decisión de rechazo a la
hipótesis nula (Ho) cuando es menor al nivel de significancia
y de no rechazo cuando su valor es mayor al alfa planteado.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Error Tipo
I y II
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Al establecer un criterio de decisión sobre la hipótesis
nula, el investigador puede ponderar los errores que
podría cometer en su decisión sobre la hipótesis nula.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Una primer forma de error (se conoce como el error tipo I) consiste
en rechazar una hipótesis nula verdadera, es decir, descartar el azar
como explicación cuando los resultados podrían explicarse
razonablemente con base en el mismo. Este es el error que comete
el investigador que ve más lo que hay en los datos; es decir, el
investigador concluye en que existe una relación real o verdadera
entre las variables independiente y dependiente de la investigación,
cuando en realidad la relación observada se puede explicar
razonablemente como resultado del azar.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
El llamado error tipo I es el error del investigador que se apresura a
concluir a favor de su hipótesis de investigación. Fisher no habló de
ningún otro error, pues la prueba de la hipótesis nula para él no era
otra cosa que un freno a la tendencia natural de un investigador a
creer que hipótesis ha sido confirmada por el simple hecho de que
los resultados de la investigación siguen la misma dirección de la
hipótesis. En la estrategia de Fisher, sólo hay un error posible:
rechazar una hipótesis nula verdadera.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Una segunda forma de error (se conoce como el error tipo II),
introducida por Egon Pearson y Jerzy Neyman consiste en no
rechazar una hipótesis nula falsa, es decir, no descartar el azar aun
cuando éste no constituye una explicación razonable de los datos.
Este es el error que comete el investigador que ve menos que lo
que hay en los datos; por miedo a rechazar incorrectamente el azar,
el investigador puede exponerse al riesgo de pasar por alto una
relación real o verdadera entre las variables de su investigación.
Fueron Pearson y Neyman los que, al introducir un segundo tipo de
error, bautizaron como error tipo uno al error de que había hablado
Fisher.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Según Fisher, el nivel de significación estadística equivale a la
magnitud del riesgo que está dispuesto a correr el investigador, de
cometer el error de rechazar una hipótesis nula verdadera (el
llamado error tipo I). Para la mayoría de los propósitos, el nivel de
significación previamente establecido suele ser de 0.05, aunque en
áreas de investigación más rigurosas se trabaja con un nivel de
significación de 0.01. Suponiendo que se trabaja con un nivel de
significación de 0.05, se rechazaría la hipótesis nula siempre que la
probabilidad de explicar los resultados obtenidos en una
investigación como si fueran obra del azar sea igual o menor que
0.05.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
En la perspectiva de Pearson y Neyman, para establecer el nivel de
significación estadística habría que atender al impacto de cada tipo
de error en el objetivo del investigador, y a partir de ahí se decidiría
cuál de ellos es preferible minimizar. Pearson y Neyman llamaron
alfa al error tipo I y beta al error tipo II; a partir de este último tipo
de error, introdujeron el concepto de "poder de una prueba
estadística", el cual se refiere a su capacidad para evitar el error
tipo II, y está definido por 1-beta, y en estrecha relación con éste se
ha desarrollado el concepto de "tamaño del efecto" que algunos
han propuesto como sustituto de los valores p en los informes de
investigación científica. (Cohen, 1990, 1994; Kraemer & Thiemann,
1987; Murphy & Myors, 2004).
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Objetivo Estadístico
Nivel Investigativo Relacional
Variable Categórica
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1. COMPARAR (Grupos)
Es el objetivo estadístico más básico del análisis bivariado; aunque algunos
autores piensan que es univariado, porque habitualmente involucra un solo
evento aleatorio (diseños ecológicos), donde los grupos se construyen
previamente a la ejecución del estudio; sin embargo, su análisis involucra a dos
variables y por ello corresponde al nivel investigativo relacional. Su finalidad es
identificar las diferencias entre los grupos participantes.
La prueba de hipótesis se realiza con el estadístico: Chi cuadrado de
Homogeneidad.
Ho: Las proporciones de los grupos no son diferentes.
H1: Las proporciones de los grupos son diferentes.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2. COMPARAR (Antes-Después)
Es la comparación de un mismo grupo antes y después de una intervención o de
un acontecimiento; la idea de hacer dos medidas sobre el mismo grupo, es
verificar los cambios producidos entre una medida y otra; donde las variaciones
pueden adjudicarse a la intervención o al periodo de seguimiento; por ello
corresponden a estudios longitudinales. Estas comparaciones siempre son de
individuo a individuo.
La prueba de hipótesis se realiza con el estadístico: Chi cuadrado de
McNemar.
Ho: No existe diferencia entre las dos medidas.
H1: Existe diferencia entre las dos medidas.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. ASOCIAR (Categorías)
Solamente la comparación de una variable dicotómica en dos grupos nos puede
llevar a la asociación; y aunque se puede identificar en las tablas 2 x 2, debemos
hacer una medida asociación. Para asociar hay que definir los factores de interés
en ambas variables; y es que habitualmente la asociación involucra dos eventos
aleatorios. Desde el punto de vista epidemiológico tenemos dos medidas de
asociación relevantes: Riesgo Relativo y el Odds Ratio.
La prueba de hipótesis se realiza con el estadístico: Chi cuadrado de
Independencia.
Ho: Existe independencia entre los dos eventos (variables).
H1: Existe dependencia entre los dos eventos (variables).
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4. CONCORDAR
Es una medida de acuerdo entre dos observaciones donde el requisito
fundamental es que se trata de un solo grupo y los resultados de la observación
tienen las mismas opciones. Tenemos dos casos frecuentes: Cuando las
observaciones corresponde a diferentes observadores y cuando las
observaciones corresponden a diferentes instrumentos. En este caso el
estadístico, es también un índice de concordancia.
La prueba de hipótesis se realiza con el estadístico: Índice Kappa de
Cohen.
Ho: No existe concordancia entre las dos observaciones.
H1: Existe concordancia entre las dos observaciones.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Objetivo Estadístico
Nivel Investigativo Relacional
Variable Numérica
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1. COMPARAR (Grupos)
Su finalidad es identificar las diferencias entre los grupos participantes; se puede
comparar dos o más grupos y habitualmente estos grupos se construyen en la
etapa de planificación del estudio. La comparación inicial es a dos colas; pero
debe complementarse con un test de una sola cola. Cuando se comparan mas de
dos grupos, debe realizarse una prueba post Hoc, con la finalidad de detectarse
diferencias entre cada uno de los grupos.
La prueba de hipótesis se realiza con el estadístico: t de Student para
muestras independientes.
Ho: Los promedios de los grupos no son diferentes.
H1: Los promedios de los grupos son diferentes.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2. COMPARAR (Antes-Después)
Siempre corresponde a estudios individuales, es la comparación de un mismo
grupo antes y después de una intervención o de un acontecimiento; la idea de
hacer dos medidas sobre el mismo grupo, es detectar cambios entre una medida
y otra; donde las variaciones pueden adjudicarse a la intervención o al periodo
de seguimiento; por ello corresponden a estudios longitudinales. La hipótesis
habitualmente es de una sola cola.
La prueba de hipótesis se realiza con el estadístico: t de Student para
muestras relacionadas.
Ho: No existe variación entre las medidas antes y después de la intervención.
H1: Existe variación entre las medidas antes y después de la intervención.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. CORRELACIONAR (Unidades)
Se puede correlacionar las unidades de dos variables, incluso de diferente
dimensión, para ello hay que definir las unidades en ambas variables; que
habitualmente esta involucra dos eventos aleatorios. La correlación puede
significar el primer paso para la asociación, muy útil cuando se realiza minería de
datos. Ejm.: Correlacionar los niveles séricos de sodio con los valores de presión
arterial en un grupo de pacientes hospitalizados.
La prueba de hipótesis se realiza con el estadístico: Correlación R de Pearson.
Ho: Existe independencia entre las dos variables.
H1: Existe dependencia entre las dos variables.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4. CORRELACIONAR (Como valor predictivo)
Aquí se tiene por descontado la presencia de correlación; por lo que su fin es
medir el grado de correlación. Desde el punto de vista de la evaluación de
pruebas diagnósticas se utiliza la correlación para evaluar el valor predictivo de
una variable sobre la otra. Ej. Hallar el valor predictivo del ponderado fetal recién
nacidos a término. En general para la validación de instrumentos se puede
utilizar para calcular el Alfa de Cronbach: Correlación Ítem-Total
La prueba estadística es el Índice Correlación R de Pearson ó el R2
Ho: No existe correlación entre las dos medidas.
H1: Existe correlación entre las dos medidas.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Objetivo
Comparativo
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1. EXPLORATORIO
Aquí agrupamos a las comparaciones sin métodos estadísticos, siendo
que la investigación cualitativa no hace uso de las herramientas
estadísticas, el principal diseño encontrado aquí son las comparaciones
múltiples enmarcadas en los diseños comunitarios o ecológicos.
Como ejemplo podemos mencionar la comparación de las costumbres a
la hora del parto en la Región Quechua y Aymara.
Comparación por juicio de expertos en la validación cualitativa de un
instrumento. La comparación cualitativa es una opinión.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2. DESCRIPTIVO
Las comparaciones descriptivas ocurren cuando evaluamos dos
poblaciones en los estudios comunitarios o ecológicos, en este caso no
se requiere aplicar pruebas estadísticas puesto que precisamente
estamos estudiando a la población y no hay inferencia estadística.
La comparación del rendimiento académico de dos estudiantes al
momento de la graduación tampoco requiere de pruebas de hipótesis
sino solamente de ver quién es el que tiene el mayor promedio.
El objetivo estadístico describir según las variables epidemiológicas es el
primer punto de partida para la verdadera comparación.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. RELACIONAL
Recordemos que el contraste de independencia entre dos variables responde
a tres modelos matemáticos:
- Modelo con los totales marginales de ambos factores fijos (modelo I)
- Modelo con los totales marginales de uno de los factores fijos (modelo II)
- Modelo con el total muestral fijo (modelo III)
Pues bien el objetivo comparativo a nivel bivariado (nivel relacional)
corresponde al modelo II con un factor fijo y uno aleatorio.
Dependiendo de la naturaleza de la variable se elegirá un determinado
estadístico. La comparación puede ser de grupos independientes o de
muestras relacionadas.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4. EXPLICATIVO
La finalidad de este nivel es descartar asociaciones aleatorias, casuales o
espurias sobre todo cuando hacemos análisis comparativo estratificado
cuando queremos realizar el control estadístico en un estudio
observacional, ésta es la función del test de Mantel-Haenszel.
A nivel experimental podemos plantear objetivos comparativos de
grupo aleatorizados; como por ejemplo comparar el efecto sobre la
variable efecto en el grupo experimental y el grupo blanco, hablando de
estudios epidemiológicos.
Dentro de los experimentos verdaderos la factorización de las causas
también corresponde al objetivo comparativo.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
5. PREDICTIVO
Podemos comparar el valor predictivo de dos procedimientos
diagnósticos o de dos formas de evaluar una variable predictiva; por
ejemplo podemos comparar la eficiencia diagnóstica de dos métodos de
detección de una enfermedad.
En otro momento podemos comparar el pronóstico de la enfermedad o
del tiempo de supervivencia de dos tratamientos en pacientes con
cáncer. Incluso hay técnicas comparativas para el análisis de
supervivencia de Kaplan-Meier.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Validez de
un Estudio
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Un estudio es válido si sus resultados corresponden a la verdad.
Independientemente del tema y los objetivos de un estudio, lo que siempre se
debe perseguir es que el estudio sea válido.
La meta fundamental que todo estudio debe perseguir es la calidad de los datos;
por ello, todo lo que amenace la calidad de la información deberá ser
identificado y corregido.
Los elementos que amenazan esta calidad son: El Error Aleatorio y el Error
Sistemático.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1.
Error Aleatorio
La carencia de error aleatorio se conoce como precisión y se
corresponde con la reducción del error debido al azar.
Para reducir este error el elemento más importante del que
disponemos es incrementar el tamaño de la muestra y con ello
aumentamos la precisión.
Los intervalos de confianza y el error estándar se reducen al
aumentar el tamaño muestral.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2.
Error Sistemático
Se ha generalizado al término validez como la carencia del error
sistemático.
Esta validez tiene dos componentes:
- La validez interna, es la validez de inferencias de los sujetos
estudiados a los sujetos de la población de la cual fueron obtenidos.
- La validez externa o generalización en tanto se aplica a individuos
que están fuera de la población del estudio.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2.1.
La validez interna
La validez interna implica la validez de la inferencia para los propios sujetos de
estudio. Es máxima cuando el estudio minimiza los sesgos.
Se ve amenazada cuando no podemos controlar los dos tipos de sesgos: de
Selección y de Medición.
En un estudio comparativo los sesgos que afectan la validez interna surgen
siempre que los grupos estudiados difieren en más características que la
exposición.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2.2.
La validez externa
Es la generalización de los resultados de un estudio más allá de los
límites de la población considerada en el mismo.
Cuando el universo e incluso el marco muestral es demasiado grande
como para ser estudiado e incluso muestreado; se estudia una
porción deliberada de la población; asumiendo que el conglomerado
seleccionado es lo suficientemente homogéneo con otras
poblaciones como para que los resultados encontrados puedan ser
extrapolados.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Eliminar el error sistemático es utópico y el error aleatorio solo
puede ser anulado estudiando a toda la población.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Población
y
Muestra
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
POBLACION
Conjunto de todos los casos o grupo de unidades (sujetos u objetos de
estudio) con alguna característica común.
Las poblaciones deben situarse claramente en torno a sus características
de contenido, lugar y tiempo. La delimitación de la población que va ser
estudiada y sobre la cual se pretende generalizar los resultados, es un
paso importante en una investigación.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
POBLACION
Si se dispone de una lista de unidades o elementos de muestreo se dice
que es conocida; sino se dispone de tal listado se dice que es
desconocida.
La medición completa de todos los elementos que constituyen la
población constituye el censo, mientras que cuando no podemos
acceder a ella podemos hacer el análisis de una parte de esta.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
MUESTRA
Una muestra representativa debe tener un tamaño mínimo calculado
y responder a una selección parametrada (muestreo probabilístico).
Así podemos conocer la parte de una población que debe examinarse
con la finalidad de hacer inferencias sobre dicha población.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
MUESTRA
El muestreo otorga una probabilidad conocida de integrar la muestra a
cada elemento de la población, y dicha probabilidad no es nula para
ningún elemento.
Unidad de muestreo: Elementos de la población que se van a estudiar.
Cada unidad de estudio pertenece sólo una unidad de muestreo.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
UNIDAD DE ESTUDIO
Conocido también como unidad de análisis, unidad de observación,
unidad experimental, o unidad de población, son cada uno de los
sujetos u objetos de estudio de la población del que hay que obtener
la información
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
PARAMETRO
Es la medida estadística que describe un determinado
aspecto de una población. Los parámetros más usuales en
una investigación son: La media poblacional (µ), la varianza
poblacional (s).
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
ESTADIGRAFO
Es la media estadística que describe un determinado aspecto de una
muestra. Así, la media muestral (x), la varianza muestral (S2), etc.,
son estadígrafos porque se calculan para una muestra.
“Un parámetro es una constante, mientras
que un estadígrafo es una variable.”
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Muestreo
Probabilístico
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1. MUESTREO ALEATORIO SIMPLE
Denominado también muestreo equiprobabilístico, porque si
se selecciona una muestra de tamaño n de una población de N
unidades, cada elemento tiene una probabilidad de inclusión
igual y conocida de n/N.
Ventaja: Se desarrolla en software porque se basa en la teoría estadística.
Desventaja: Precisa un marco muestral o listado de todas las unidades.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2. MUESTREO SISTEMÁTICO
Para determinar una muestra de tamaño n conseguimos una
lista de N elementos, definimos un intervalo de salto k=N/n y
elegimos un número aleatorio entre 1 y k con el que
comenzamos la selección de la muestra.
Ventaja: No es necesario tener un marco muéstral o listado de unidades.
Desventaja: La constante podría asociarse con el fenómeno de interés.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. MUESTREO ALEATORIO ESTRATIFICADO
Como el azar no es una garantía de representatividad, aquí se
pretende asegurar la representación de cada grupo en la
muestra. Cuanto más homogéneos sean los estratos, más
precisas resultarán las estimaciones.
Ventaja: La muestra es homogénea en función a la variable involucrada.
Desventaja: Se debe conocer la distribución en la población de la variable
utilizada para la estratificación.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4. MUESTREO POR CONGLOMERADOS
Denominado también muestreo por clusters aprovecha se
caracterizan porque la variación en cada grupo es menor que
la variación entre grupos lo cual resulta ventajoso en los
estudios comunitarios o poblacionales.
Ventaja: Muy eficiente cuando las unidades están muy dispersas.
Desventaja: Requiere un manejo estadístico mas complejo que el resto.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Sesgos de
Selección
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1. Sesgo de prevalencia o incidencia (de Neymann)
Se produce cuando la condición en estudio determina
pérdida prematura de las unidades de estudio por
ejemplo por fallecimiento.
La exclusión de los pacientes que fallecen determina
este tipo de sesgo. Por ejemplo la duración del
tratamiento del cáncer en nuestro medio es corto
porque se diagnostican en estadios avanzados.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2. Sesgo de admisión (de Berkson)
En un estudio relacional ocurre cuando hay una mala
selección del grupo de estudio y/o control. Ejm. cuando
asociamos el hábito de fumar al cáncer broncogénico.
Los pacientes con diagnóstico de Ca ya han dejado de
fumar; por lo que se observará menor frecuencia de
fumadores en pacientes con este tipo de cáncer.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Sesgos de
Medición
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1. Sesgo de procedimientos
Ocasionalmente el grupo que presenta la variable
dependiente resulta ser más interesante para el
investigador que el grupo que participa como control.
Por esta circunstancia, en el procedimiento de
observación suele ser mas detenido.
En el caso de un estudio en el que exista intervención,
el sujeto del grupo experimental puede verse
beneficiado con una mayor acuciosidad en la
observación.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2. Sesgo de memoria o de información
Frecuente de observar en estudios retrospectivos, en
los cuales se pregunta por antecedente de exposición a
determinadas circunstancias en diferentes períodos de
la vida, existiendo la posibilidad de olvido.
Por ejemplo, exposiciones inadvertidas a diversos
factores y que pueden afectar la medición ya sea por su
omisión absoluta o en la determinación de niveles de
exposición.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. Sesgo por falta de sensibilidad de un instrumento
Si no se cuenta con adecuados métodos de recolección
de la información, es posible que la sensibilidad de los
instrumentos empleados en tales mediciones carezca
de la sensibilidad necesaria para poder detectar la
presencia de la variable en estudio.
Una consecuencia es que encontremos una frecuencia
de la enfermedad inferior a la real.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4. Sesgo de detección
Su ocurrencia se explica por la introducción de
metodologías diagnósticas diferentes a las inicialmente
utilizadas al comienzo de un estudio.
Es conocido que no existe coincidencia absoluta entre
dos instrumentos de medición; por ello los estudios
deben realizarse con un solo instrumento y un solo
observador.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
5. Sesgo de adaptación
En los estudios de intervención (experimentales), a
veces los cuales individuos asignados inicialmente a un
grupo deciden migrar de grupo por preferir un tipo de
intervención por sobre otro.
En un ensayo clínico controlado la ocurrencia de este
tipo de sesgo se neutraliza mediante la asignación
aleatoria de los sujetos y por la presencia del llamado
"doble ciego”.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. Sesgo de no respuesta o efecto del voluntario.
El grado de interés o motivación que pueda tener un
individuo que participa voluntariamente en una
investigación puede diferir sensiblemente en relación
con otros sujetos.
Igualmente, la negativa de algunos sujetos para ser
incluidos en un estudio puede estar dada por
motivaciones sistemáticas experimentadas por ellos.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4. Sesgo de pertenencia (membresía)
Se produce cuando entre los sujetos evaluados se
presentan subgrupos de sujetos que comparten algún
atributo en particular, relacionado positiva o
negativamente con la variable en estudio.
Ejemplo: Nivel de conocimientos sobre signos de
alarma en las gestantes debe excluir a las gestantes que
son profesionales de la salud.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
5. Sesgo del procedimiento de selección
Puede observarse en diseños de investigación
experimentales (ensayos clínicos controlados), en los
cuales no se respeta el principio de aleatoriedad en la
asignación a los grupos de experimentación y de
estudio.
En los pre-experimentos la administración del
medicamento responde a las necesidades terapéuticas
del paciente y no a la del investigador.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Tendencia
Central y Dispersión
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Tendencia Central
Media:
Media aritmética, es la que se obtiene sumando los
datos y dividiéndolos por el número de ellos.
Se aplica por ejemplo para resumir el número de
pacientes promedio que se atiende en un turno.
Otro ejemplo, es el número promedio de controles
prenatales que tiene una gestante.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Tendencia Central
Mediana:
Corresponde al percentil 50%. Es decir, la mediana
divide a la población exactamente en dos.
Por ejemplo el número mediana de hijos en el centro
de salud “X” es dos hijos.
Otro ejemplo es el número mediana de atenciones por
paciente en un consultorio.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Tendencia Central
Moda:
Valor o (valores) que aparece(n) con mayor frecuencia.
Una distribución unimodal tiene una sola moda y una
distribución bimodal tiene dos. Útil como medida
resumen para las variables nominales.
Por ejemplo, el color del uniforme quirúrgico en sala
de operaciones es el verde; por lo tanto es la moda en
colores del uniforme quirúrgico.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Dispersión
Desviación Estándar:
Llamada también desviación típica; es una medida que
informa sobre la media de distancias que tienen los
datos respecto de su media aritmética, expresada en
las mismas unidades que la variable.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Dispersión
La varianza:
Es el valor de la desviación estándar al cuadrado; su
utilidad radica en que su valor es requerido para todos
los procedimientos estadístico.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Dispersión
Error típico:
Llamado también error estándar de la media. Se
refiere a una medida de variabilidad de la media; sirve
para calcular cuan dispersa estaría la media de realizar
un nuevo cálculo.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Posición
y de Forma
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Posición: Cuantiles
Percentiles: Son 99 valores que dividen
en cien partes iguales el conjunto de
datos ordenados. Ejemplo, el percentil
de orden 15 deja por debajo al 15% de
las observaciones, y por encima queda
el 85%.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Posición: Cuantiles
Cuartiles: Son los tres valores que
dividen al conjunto de datos ordenados
en cuatro partes iguales, son un caso
particular de los percentiles. Se
denotan como: Q1 o primer cuartil, Q2
segundo cuartil (la mediana) y Q3
tercer cuartil.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Posición: Cuantiles
Deciles: Son los nueve valores que
dividen al conjunto de datos ordenados
en diez partes iguales, son también un
caso particular de los percentiles.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Forma
Asimetría: una distribución es simétrica cuando su mediana, su moda y su media aritmética
coinciden. Existen varias medidas de la asimetría de una distribución de frecuencias. Una de ellas
es el Coeficiente de Asimetría de Pearson: Su valor es cero cuando la distribución es simétrica,
positivo cuando existe asimetría a la derecha y negativo cuando existe asimetría a la izquierda.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Medidas de Forma
Apuntamiento o Curtosis: la curtosis es una medida de la forma que busca cuantificar la mayor
o menor concentración de frecuencias alrededor de la media y en la zona central de la
distribución. Se mide con el coeficiente de apuntamiento o curtosis: Su valor es cero cuando la
distribución es mesocúrtica, positivo cuando es leptocúrtica y negativo cuando es platicúrtica
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Pruebas Estadísticas
Paramétricas y no
Paramétricas
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Hay dos clases de pruebas estadísticas: Las
paramétricas y las no paramétricas. Las pruebas
paramétricas tienen mayor capacidad para detectar
una relación real o verdadera entre dos variables, si
es que la misma existe. Por ello, exigen que los
datos a los que se aplican, cumplan tres requisitos:
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
1. Variable numérica: Que las variable de estudio (dependiente)
esté medida en una escala que sea por lo menos de intervalo.
2. Normalidad: Que los valores de la variable dependiente sigan
una distribución normal; por lo menos, en la población a la que
pertenece la muestra.
Prueba estadística: Kolmogorov Smirnov
3. Homocedasticidad: Que las varianzas de la variable
dependiente en los grupos que se comparan sean
aproximadamente iguales (homogeneidad de las varianzas).
Prueba estadística: Test de Levene.:
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
 Cuando los datos cumplen con los requisitos indicados, las
pruebas estadísticas paramétricas exhiben su máximo poder.
 Cuando estas pruebas estadísticas se aplican a datos que no
cumplen al menos uno de los requisitos señalados, pierden
parte de su poder.
 Si se puede utilizar una prueba paramétrica y se usa una no
paramétrica hay una pérdida de información.
 Las pruebas estadísticas no paramétricas, no hacen a los datos
ninguna de las exigencias que les hacen las pruebas estadísticas
paramétricas; por eso se les denomina "pruebas estadísticas
libres de distribución".
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
NOTA: McGuigan (1993) y Siegel (1956)
Sostienen que algunas escalas ordinales
pueden ser consideradas por convención como
numéricas y; por lo tanto, podría usarse una
prueba paramétrica. Ejm: El rendimiento
académico
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
El Coeficiente
de Correlación
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La correlación es una prueba de hipótesis que debe ser sometida a
contraste y el coeficiente de correlación cuantifica la correlación entre
dos variables, cuando ésta existe.
El coeficiente r de Pearson, por ser una prueba paramétrica requiere de
variables numéricas con distribución normal; mientras que el coeficiente
de correlación no paramétrica rho de Spearman acepta variables de
libre distribución e incluso ordinales.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
INTERPRETACIÓN
El coeficiente correlación varía entre 0 y 1,
pudiendo ser positivo o negativo.
El valor numérico indica la magnitud de la correlación.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
El signo indica la dirección de la correlación
Correlación directa (+) Signo positivo
 “a mayor X, mayor Y” ó
 “a menor X, menor Y”
Correlación inversa (-) Signo negativo
 “a mayor X, menor Y” ó
 “a menor X, mayor Y”
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Significancia estadística
Solo interpretamos el coeficiente si “p” es menor de 0.05, (Nivel de
significancia).
Se puede indicar la significancia así: r = 0.48 (p<0.05).
Coeficiente de determinación
Cuando el coeficiente se eleva al cuadrado (r2), asume varias interpretaciones
Por ejemplo. La correlación entre “El ponderado fetal” y “El Peso al nacer” es
de 0.80.
r = 0.80
r2 = 0.64
“El pondera fetal” predice en el 64% de los casos “El peso al nacer”.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Comportamiento
de los Datos
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
1
En variables numéricas
Hay dos clases de pruebas estadísticas: Las
paramétricas y las no paramétricas. Las pruebas
paramétricas tienen mayor capacidad para detectar
una relación real o verdadera entre dos variables, si es
que la misma existe.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
1
En variables numéricas
Para elegir una prueba paramétrica los datos debe cumplir:
a.
Variable numérica: Que las variable de estudio (dependiente) esté
medida en una escala que sea por lo menos de intervalo.
b. Normalidad: Que los valores de la variable dependiente sigan una
distribución normal; por lo menos, en la población a la que pertenece la
muestra.
Prueba estadística: Kolmogorov-Smirnov
c.
Homocedasticidad: Que las varianzas de la variable dependiente en los
grupos que se comparan sean aproximadamente iguales (homogeneidad
de las varianzas).
Prueba estadística: Test de Levene.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
2
En variables categóricas:
Tamaño de la muestra y frecuencias esperadas
Si bien las pruebas no paramétricas arrojan valores de probabilidad
más exactos cuando las muestras son pequeñas, su poder es
menos exacto cuando en una tabla de contingencia se observan
valores esperados demasiado pequeños, clásicamente por debajo
de 5. Un artificio matemático es dicotomizar todas nuestras
variables a partir del percentil 50 para evitar este problema. Sobre
todo si se trata de calcular medidas de asociación como el Riesgo
Relativo y el Odds Ratio que solo pueden calcularse en tablas
tetracóricas ó de 2 x 2.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
2
En variables categóricas:
Tamaño de la muestra y frecuencias esperadas
Si aún así no conseguimos elevar la magnitud de los valores
esperados por encima de 5 tendremos que aplicar una corrección
por continuidad denominada Corrección de Yates y en el caso de
que algún valor esperado sea menor a 3 aplicaremos la prueba
exacta de Fisher; con la finalidad de obtener un cálculo de
probabilidad (p-valor) más exacto.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
Validación de
Instrumentos
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
VALIDEZ CUALITATIVA
1.- Validez de contenido
+
VALIDEZ CUANTITATIVA
2.- Consistencia Interna
3.- Validez de Constructo
4.- Estabilidad
5.- Punto de corte
Un instrumento de medición es válido en la medida que sus
resultados representen el concepto medido.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
1. VALIDEZ DE CONTENIDO
Validez de contenido = Validación Cualitativa
Concepto: La validez de contenido intenta evaluar la capacidad del instrumento
para recoger el contenido y el alcance del constructo
Podemos dividirlo en tres fases según el estado actual del conocimiento
1.- Aproximación a la población
2.- Juicio de expertos
3.- Revisión del conocimientos disponible
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
a. Aproximación a la población (Validez de respuesta)
Implica la carencia absoluta del conocimiento del constructo que se
desea medir; así cuando se trata de evaluar las causas de una
situación evidente, pero no existen estudios previos deberemos
consultar a las unidades de estudio.
Ejemplo: ¿Cuál es el uso que le dan los docentes universitarios a las
tecnologías de la información en el proceso de enseñanza
aprendizaje?
No confundir con prueba piloto, la cual tiene por finalidad medir la
confiabilidad del instrumento.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
b.
Juicio de expertos (Validación por jueces)
No existe un determinado número de jueces o expertos, que deben
juzgar, de manera independiente, la “bondad” de los ítems del
instrumento, en términos de relevancia o congruencia de los
reactivos con el universo de contenido.
El autor debe considerar la pertinencia a la hora de elegir los jueces,
siendo que en el momento actual no se cuenta con bibliografía
disponible
La evaluación por jueces debe ser interdisciplinaria,
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
c.
Revisión del conocimiento disponible (Validez racional)
Denominada también como validez racional. Este es el momento de
la validez en que se asegura la mejor representatividad de los ítems
que lo componen, respecto a la totalidad del campo o rasgo objeto
de evaluación.
Los constructos que se desean evaluar están mejor definidos cuando
se dispone de literatura ; de manera que los conceptos a medir ya no
son provisionales ni vagos.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
2. CONSISTENCIA INTERNA
(Alfa de Cronbach)
Su valor aumenta cuando las correlaciones ítem – total son
altas, por ello, mejores correlaciones, dan mayor fiabilidad al
instrumento. Se puede decir también que es un índice de
discriminación. El coeficiente de fiabilidad es afectado por la
heterogeneidad de los individuos que contestan la prueba;
cuanto más heterogéneo es el grupo de encuestados, mayor es
el coeficiente de fiabilidad.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
3. VALIDEZ DE CONSTRUCTO
(Rotación de Varimax)
El procedimiento consiste en aplicar el instrumento a dos o
más grupos y ver si discrimina. Para ello hay que contar con
una estructura Factorial del cuestionario.
Por ejemplo en los instrumentos para medir variables
psicológicas no podemos garantizar la existencia de un
constructo psicológico que subyaga y dé sentido y significado a
las puntuaciones del test; por lo mismo que no tenemos una
prueba patrón.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
4. ESTABILIDAD
(ANOVA)
Se refiere a la confianza que se concede a los datos; requiere
de un retest en condiciones similares a la primera evaluación y
está relacionada con la estabilidad o constancia test-retest.
Se trata de ver hasta que punto un conjunto de medidas son
reproducibles en el tiempo, el grado en que las puntuaciones
son estables sería el grado de fiabilidad. Por ello es sinónimo
de estabilidad.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
El sistema de aprendizaje más efectivo para generar datos de calidad
5. PUNTO DE CORTE
(Curvas ROC)
Habitualmente requerimos que el instrumento nos conduzca a
una decisión dicotómica (positivo-negativo) para tratar o no a
alguien; Se realizan trazando un diagrama en el que la
ordenada es la sensibilidad y la abscisa la especificidad. En este
sentido la curva ROC nos muestra en un gráfico todos los pares
sensibilidad-especificidad resultantes de la variación continua
de los puntos de corte en todo el rango de resultados
observados.
Las Curvas de ROC optimizan el punto de corte.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Tipos de
Datos
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Los datos, según su procedencia, pueden subdividirse en
dos grandes grupos: datos primarios y datos secundarios.
Las técnicas de recolección que se emplean en una y otra
situación son bien distintas e incluso dentro de un mismo
diseño utilizamos una y otra forma de información.
Es bueno subrayar, que en toda investigación puede
haber una técnica predominante para la recolección de
datos, pero siempre se complementa con las otras
técnicas.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
1. DATOS PRIMARIOS
Los datos primarios son aquellos que el investigador
obtiene directamente de la realidad, recolectándolos con
sus propios instrumentos. En otras palabras, son los que
el investigador o sus auxiliares recogen por sí mismos, en
contacto con los hechos que se investigan.
Los datos primarios son característicos de los estudios
prospectivos; y los diseños experimentales.
Las técnicas para recolectarlos, incluyen la observación,
entrevista, encuesta y la psicometría.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
2. DATOS SECUNDARIOS
Los datos secundarios, son registros escritos que
proceden también de un contacto con la práctica, pero
que ya han sido recogidos y muchas veces procesados por
otros investigadores. En muchas ocasiones el total o una
parte de los datos requeridos para responder la pregunta
de investigación ya han sido recolectados previamente
por otros investigadores y gozan del suficiente nivel de
pertinencia, objetividad, validez y confiabilidad como
para ser usados en la investigación sin tener que repetir
los procedimientos de recolección directa o indirecta.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
2. DATOS SECUNDARIOS
Estos datos se denominan datos secundarios, en
contraposición a los datos primarios o que son
recolectados por el propio equipo investigador.
Son característicos de los estudios retrospectivos y son
frecuentes en los diseños ecológicos o comunitarios.
Técnicas para recolectarlos: Documentación; Ejm.
Revisión de Historias clínicas, informes operatorios,
reportes de laboratorio, archivos del sistema de salud
pública; registro de muertes maternas, etc.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Escala
Tipo Likert
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La escala de Likert es una escala ordinal y como tal no mide en cuánto es
más favorable o desfavorable una actitud, es decir que si una persona
obtiene una puntuación de 60 puntos en una escala, no significa esto que
su actitud hacia el fenómeno medido sea doble que la de otro individuo
que obtenga 30 puntos, pero sí nos informa que el que obtiene 60 puntos
tiene una actitud más favorable que el que tiene 30, de la misma forma que
sacar 20 puntos en un examen no significa que sepamos el doble de aquel
que saco 10 puntos pero sí indican un rendimiento más alto.
A pesar de esta limitación, la escala Likert tiene la ventaja de que es fácil de
construir y de aplicar, y, además, proporciona una buena base para una
primera ordenación de los individuos en la característica que se mide.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La construcción de una escala tipo Likert
1º) Se recoge una larga serie de ítems relacionados con la actitud que
queremos medir (Aproximación a la población) y se seleccionan,
aquellos que expresan una posición claramente favorable o
desfavorable.
Estos ítems pueden ser elaborados por personas conocedoras del
tema que se pretende medir (Juicio de Expertos) y conocedoras,
así mismo, del colectivo de individuos que responderá a la escala
definitiva. Es conveniente partir de una colección de 100 ítems
para construir una escala de 20 ítems, balanceando la escala con
igual cantidad de enunciados favorables y desfavorables.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La construcción de una escala tipo Likert
2º) Se selecciona un grupo de sujetos similar a
aquél al que piensa aplicarse la escala. Estos
responden, eligiendo en cada ítem la
alternativa que mejor describa su posición
personal.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La construcción de una escala tipo Likert
3º) Las respuestas a cada ítem reciben
puntuaciones más altas cuanto más favorables
son a la actitud, dándose a cada sujeto la suma
total de las puntuaciones obtenidas.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La construcción de una escala tipo Likert
4º) Para asegurar la precisión de la escala, se
seleccionaran el 25 % de los sujetos con
puntuación más alta y el 25 % con
puntuaciones más baja, y se seleccionan los
ítems que discriminan a los sujetos de estos dos
grupos, es decir, aquellos con mayor diferencia
de puntuaciones medias entre ambos grupos.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La construcción de una escala tipo Likert
5º) Para asegurar la confiabilidad (consistencia
interna), se halla la correlación entre la
puntuación total y la puntuación de cada ítem
para todos los individuos, seleccionándose los
ítems con coeficiente más alto.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
La construcción de una escala tipo Likert
6º) Con los criterios anteriores de precisión y
fiabilidad se selecciona el número de ítems
deseado para la escala. Aproximadamente la
mitad de los ítems deben expresar posición
favorable y desfavorable la otra mitad (validez
de constructo).
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Ventajas
A pesar de la ausencia de teoría
justificativa
para
la
"escalabilidad", en la práctica, las
puntuaciones del cuestionario
Likert
proporcionan
con
frecuencia la base para una
primera ordenación de la gente
en la característica que se mide.
Desventajas
Puede obtenerse una misma
puntuación
con
diferentes
combinaciones de ítems, lo que
demuestra
que
la
misma
puntuación
puede
tener
significados
distintos.
(No
obstante, la consistencia interna
tiende a evitarlo).
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Alfa de
Cronbach
(Índice de consistencia interna)
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Si su valor es cercano a la unidad se trata de un
instrumento fiable que hace mediciones estables y
consistentes.
Si su valor está por debajo de 0,8 el instrumento que se está
evaluando presenta una variabilidad heterogénea en sus
ítems y por tanto nos llevará a conclusiones equivocadas.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Existen dos formas de calcularlo:
a) Mediante la varianza de los ítems
α = Alfa de Cronbach
K = Número de Ítems
Vi = Varianza de cada Ítem
Vt = Varianza total
b) Mediante la matriz de correlación
Método poco usado
N = Número de Ítems
p = el promedio de las
correlaciones lineales entre
cada uno de los ítems.
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Requisitos para poder calcular la fiabilidad de un test:
1. Estar formado por un conjunto de ítems que se combinan aditivamente
para hallar una puntuación global (esto es, la puntuaciones se suman y dan
un total que es el que se interpreta).
2. Todos los ítems miden la característica deseada en la misma dirección. Es
decir, los ítems de cada una de las escalas tienen el mismo sentido de
respuesta. Este último no es necesario para el método de la varianza de los
Ítems
Dr. José Supo
SEMINARIOS DE
INVESTIGACIÓN
www.SeminariosDeInvestigacion.com
Ejemplo: Si tenemos un test de 10 Ítems aplicados en una prueba piloto a 30
sujetos
Dr. José Supo
HIPÓTESIS
Adaptado de: Supo, J.
Estructura
FUNDAMENTO
Es lo que nos lleva a sostener la hipótesis planteada.
Las hipótesis relacionales carecen de fundamento
porque nacen de la subjetividad de una
observación; mientras que las hipótesis explicativas
se fundamentan en los antecedentes investigativos.
Dr. José Supo
HIPÓTESIS
Adaptado de: Supo, J.
Estructura
DEDUCCIÓN
Es la hipótesis misma, denominada hipótesis del
investigador; estadísticamente es la hipótesis
alterna y se debe someter a contraste.
Cuando el enunciado se plantea en forma de
interrogante, la hipótesis es la que da respuesta al
enunciado.
Dr. José Supo
Tema 2: HIPÓTESIS
Adaptado de: Supo, J.
Hipótesis según el nivel Investigativo
EXPLICATIVA
Las hipótesis explicativas o racionales son
consideradas como explicaciones tentativas
respecto al problema planteado.
Cumple su función sólo si está relacionada con el
conocimiento existente; nacen del razonamiento
por analogía (Bradford Hill).
Sin antecedentes investigativos no es posible
plantear hipótesis explicativas.
Dr. José Supo
Descargar

Dr. José Supo