Niveles de Investigación

Niveles de Investigación
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Niveles de Investigación Dr. José Supo

1 Tema 1: TIPOS DE ESTUDIOS EN INVESTIGACIÓN EXPLORATORIO
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.

1 Tema 1: TIPOS DE ESTUDIOS EN INVESTIGACIÓN EXPLORATORIO
Adaptado de: Supo, J. 1 EXPLORATORIO ¿Qué es un estudio 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. ¿Qué condiciones o características debe cumplir un estudio exploratorio? 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.

2 Tema 1: TIPOS DE ESTUDIOS EN INVESTIGACIÓN DESCRIPTIVO
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.

2 Tema 1: TIPOS DE ESTUDIOS EN INVESTIGACIÓN DESCRIPTIVO
Adaptado de: Supo, J. 2 DESCRIPTIVO ¿Qué es un estudio descriptivo? ¿Cuál es su objetivo? 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. ¿Qué condiciones o características debe cumplir un estudio descriptivo? 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.

RELACIONAL/COMPARACIÓN
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

RELACIONAL/COMPARACIÓN
Tema 1: TIPOS DE ESTUDIOS EN INVESTIGACIÓN Adaptado de: Supo, J. 3 RELACIONAL/COMPARACIÓN ¿Qué es un estudio correlacional? ¿Cuál es su objetivo? 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) ¿Qué condiciones o características debe cumplir un estudio correlacional? 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

4 Tema 1: TIPOS DE ESTUDIOS EN INVESTIGACIÓN EXPLICATIVO
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.

4 Tema 1: TIPOS DE ESTUDIOS EN INVESTIGACIÓN EXPLICATIVO
Adaptado de: Supo, J. 4 EXPLICATIVO ¿Qué es un estudio explicativo? ¿Cuál es su objetivo? 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) ¿Qué condiciones o características debe cumplir un estudio explicativo? 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 causa-efecto)

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

Hipótesis SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad Hipótesis Dr. José Supo

Tema 2: HIPÓTESIS Definición
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

Hipótesis Estadísticas
Tema 2: HIPÓTESIS Adaptado de: Supo, J. Hipótesis Estadísticas (De trabajo)

Tema 2: HIPÓTESIS ¿Qué es una hipótesis de investigación o trabajo?
Adaptado de: Supo, J. ¿Qué es una hipótesis de investigación o trabajo? La hipótesis de investigación o de 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 ¿Qué es una hipótesis nula?
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 ¿Qué es una hipótesis alternativa?
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 ¿Qué es una hipótesis de trabajo?
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

Hipótesis Según el Nivel de Investigación
Tema 2: HIPÓTESIS Adaptado de: Supo, J. Hipótesis Según el Nivel de Investigación Dr. José Supo

Hipótesis según el nivel Investigativo
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 Ejercicio
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.

Definición de Hipótesis
Tema 2: HIPÓTESIS Adaptado de: Supo, J. Definición de Hipótesis ¿Qué es la definición conceptual de una hipótesis? ¿Qué es la definición operacional de una hipótesis? La definición conceptual de una hipótesis se refiere a definirla de acuerdo a la literatura especializada. La definición operacional se refiere a definirla de tal manera que indique de que manera se puede medir.

TEMA 3: Variables SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad TEMA 3: Variables Dr. José Supo

Tema 3: VARIABLES ¿Qué es una variable?
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 ¿Qué es una variable cuantitativa?
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 ¿Qué es una variable dependiente?
Adaptado de: Supo, J. ¿Qué es una variable dependiente? ¿Qué es una variable independiente? 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. 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 ¿Qué es una variable activa o experimental?
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 A qué se refiere el nivel de medición nominal?
Adaptado de: Supo, J. A qué se refiere el nivel de medición nominal? (Ejemplo) La escala de medida nominal tiene como fin nombrar y categorizar con el 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 ¿A qué se refiere el nivel de medición ordinal?
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 ¿A qué se refiere el nivel de medición intervalar?
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 ¿A qué se refiere el nivel de medición de razón?
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

TEMA 4: Diseño de Investigación
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 investigación? El diseño es el plan o estrategia que se desarrolla para obtener la información que se requiere para una investigación. Su objetivo es analizar la certeza de la hipótesis.

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.

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) pre-experimentales; b) cuasiexperimentales; c) experimentales puros.

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 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)

Adaptado de: Supo, J. ¿Qué son los diseños cuasi-experimentales? ¿Cuáles son los tipos de diseño cuasi-experimentales? 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)

Adaptado de: Supo, J. ¿Qué es un diseño pre-experimental? ¿Cuáles son los tipos de Diseño Pre-Experimental? Los diseños pre-experimentales son diseños de un solo grupo donde el grado de control es mínimo. Los principales tipos son: a) Estudios de caso con una sola medición G---X---O b) Diseño de pre-prueba/pos-prueba con un solo grupo G---O1---X---O2 G= grupo X= tratamiento (VI) O= test o medición (VD)

Adaptado de: Supo, J. ¿Qué son los diseños no experimentales? ¿Qué son los diseños no experimentales transaccionales o transversales? ¿Qué son los diseños no experimentales longitudinales o evolutivos? 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. En los diseños transversales o transaccionales se recopilan datos en un momento único (pueden ser exploratorios, descriptivos, correlacionales o causales). En los diseños longitudinales o evolutivos se recopilan datos en diferentes momentos a lo largo de un período determinado de tiempo.

TEMA 5: Muestreo SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad TEMA 5: Muestreo Dr. José Supo

HIPÓTESIS H0: Hipótesis Nulas:
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 ¿Qué es el 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? ¿Cómo se realiza un muestreo probabilístico estratificado? ¿Cómo se realiza un muestreo probabilístico por racimos o conglomerados? El muestreo probabilístico aleatorio se realiza mediante un sorteo o tabla de números. El muestreo probabilístico estratificado se realiza a partir de una división de la población en estratos o categorías. El muestreo probabilístico por racimos o conglomerados se realiza a partir de 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

H1: Hipótesis Alternas:
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

5 SEMINARIOS DE INVESTIGACIÓN PREDICTIVO
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

6 SEMINARIOS DE INVESTIGACIÓN APLICATIVO
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

Medición de la Variables
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Escalas de Medición de la Variables Dr. José Supo

Tipos de Investigación
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Tipos de Investigación Dr. José Supo

Según la intervención del investigador
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Según la intervención del investigador 1 OBSERVACIONAL No existe intervención del investigador; los datos reflejan la evolución natural de los eventos, ajena a la voluntad del investigador. EXPERIMENTAL Siempre son prospectivos, longitudinales, analíticos y de nivel investigativo “explicativo” (causa – efecto); además de ser “controlados”. Dr. José Supo

Según la planificación de la toma de datos
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Según la planificación de la toma de datos 2 PROSPECTIVO Los datos necesarios para el estudio son recogidos a propósito de la investigación (primarios). Por lo que, posee control del sesgo de medición. RETROSPECTIVO 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

Según el número de ocasiones en que mide la variable de estudio
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Según el número de ocasiones en que mide la variable de estudio 3 TRANSVERSAL Todas las variables son medidas en una sola ocasión; por ello de realizar comparaciones, se trata de muestras independientes. LONGITUDINAL 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

Diseños de Investigación
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Diseños de Investigación Dr. José Supo

2 SEMINARIOS DE INVESTIGACIÓN EXPERIMENTALES
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

Las variables según su relación
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 Introducción
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

Variable Independiente
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 Variable Dependiente
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 Variable de Confusión
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 Variable Intermedia
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 Variable de Control
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 método-lógicamente mediante los criterios de exclusión. Dr. José Supo

Formulación del Problema
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Formulación del Problema Dr. José Supo

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 Variables
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 Unidades de Estudio
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 Diseño del Estudio
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 Ubicación Espacial
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 Ubicación Temporal
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

Nivel de Significancia
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Nivel de Significancia Dr. José Supo

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

Nivel de Significancia
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 Nivel de confianza
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 Niveles convenidos
El sistema de aprendizaje más efectivo para generar datos de calidad Niveles convenidos α = 5%. Existe 5% (0.05) de probabilidad de equivocarse y 95% (0.95) de confianza. α = 1%. Existe 1% (0.01) de probabilidad de equivocarse y 99% (0.99) de confianza. Dr. José Supo

Definición de términos
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

Ritual de la Significancia Estadística
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Ritual de la Significancia Estadística Dr. José Supo

1. Formulación de Hipótesis
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad 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

2. Establecer el nivel de significancia
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

3. Elección de la prueba estadística
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 4. Toma de la decisión
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

5. Interpretación del p-valor
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

Error Tipo I y II SEMINARIOS DE INVESTIGACIÓN
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

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

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

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

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 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

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

Nivel Investigativo Relacional
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 1. COMPARAR (Grupos)
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

2. COMPARAR (Antes-Después)
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 3. ASOCIAR (Categorías)
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 4. CONCORDAR
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

Nivel Investigativo Relacional
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 1. COMPARAR (Grupos)
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

2. COMPARAR (Antes-Después)
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

3. CORRELACIONAR (Unidades)
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

4. CORRELACIONAR (Como valor predictivo)
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

Objetivo Comparativo SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad Objetivo Comparativo Dr. José Supo

SEMINARIOS DE INVESTIGACIÓN 1. EXPLORATORIO
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 2. DESCRIPTIVO
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 3. RELACIONAL
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 4. EXPLICATIVO
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 5. PREDICTIVO
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

Validez de un Estudio SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad Validez de un Estudio Dr. José Supo

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 1. Error Aleatorio
El sistema de aprendizaje más efectivo para generar datos de calidad 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 2. Error Sistemático
El sistema de aprendizaje más efectivo para generar datos de calidad 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 2.1. La validez interna
El sistema de aprendizaje más efectivo para generar datos de calidad 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 2.2. La validez externa
El sistema de aprendizaje más efectivo para generar datos de calidad 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

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

Población y Muestra SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad Población y Muestra Dr. José Supo

SEMINARIOS DE INVESTIGACIÓN POBLACION
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 POBLACION
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 MUESTRA
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 MUESTRA
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 UNIDAD DE ESTUDIO
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 PARAMETRO
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 ESTADIGRAFO
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

Muestreo Probabilístico
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Muestreo Probabilístico Dr. José Supo

1. MUESTREO ALEATORIO SIMPLE
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 2. MUESTREO SISTEMÁTICO
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

3. MUESTREO ALEATORIO ESTRATIFICADO
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

4. MUESTREO POR CONGLOMERADOS
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

Sesgos de Selección SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad Sesgos de Selección Dr. José Supo

1. Sesgo de prevalencia o incidencia (de Neymann)
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

2. Sesgo de admisión (de Berkson)
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

Sesgos de Medición SEMINARIOS DE INVESTIGACIÓN Dr. José Supo
El sistema de aprendizaje más efectivo para generar datos de calidad Sesgos de Medición Dr. José Supo

1. Sesgo de procedimientos
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

2. Sesgo de memoria o de información
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

3. Sesgo por falta de sensibilidad de un instrumento
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 4. Sesgo de detección
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 5. Sesgo de adaptación
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

3. Sesgo de no respuesta o efecto del voluntario.
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

4. Sesgo de pertenencia (membresía)
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

5. Sesgo del procedimiento de selección
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

Medidas de Tendencia Central y Dispersión
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Medidas de Tendencia Central y Dispersión Dr. José Supo

Medidas de Tendencia Central
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 Medidas de Dispersión Desviación Estándar:
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 Medidas de Dispersión La varianza:
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 Medidas de Dispersión Error típico:
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

Medidas de Posición y de Forma
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Medidas de Posición y de Forma Dr. José Supo

Medidas de Posición: Cuantiles
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 Medidas de Forma
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 Medidas de Forma
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

Pruebas Estadísticas Paramétricas y no Paramétricas
SEMINARIOS DE INVESTIGACIÓN Pruebas Estadísticas Paramétricas y no Paramétricas Dr. José Supo

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

Variable numérica: Que las variable de estudio (dependiente) esté medida en una escala que sea por lo menos de intervalo. 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 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

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

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

El Coeficiente de Correlación
SEMINARIOS DE INVESTIGACIÓN El Coeficiente de Correlación Dr. José Supo

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 INTERPRETACIÓN
El coeficiente correlación varía entre 0 y 1, pudiendo ser positivo o negativo. INTERPRETACIÓN El valor numérico indica la magnitud de la correlación. Dr. José Supo

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

“El pondera fetal” predice en el 64% de los casos “El peso al nacer”.
SEMINARIOS DE INVESTIGACIÓN 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

Comportamiento de los Datos
SEMINARIOS DE INVESTIGACIÓN Comportamiento de los Datos Dr. José Supo

En variables numéricas
SEMINARIOS DE INVESTIGACIÓN 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

En variables numéricas
SEMINARIOS DE INVESTIGACIÓN 1 En variables numéricas Para elegir una prueba paramétrica los datos debe cumplir: Variable numérica: Que las variable de estudio (dependiente) esté medida en una escala que sea por lo menos de intervalo. 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 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

2 SEMINARIOS DE INVESTIGACIÓN En variables categóricas:
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

2 SEMINARIOS DE INVESTIGACIÓN En variables categóricas:
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

Validación de Instrumentos
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad Validación de Instrumentos Dr. José Supo

VALIDEZ CUALITATIVA + VALIDEZ CUANTITATIVA
SEMINARIOS DE INVESTIGACIÓN El sistema de aprendizaje más efectivo para generar datos de calidad VALIDEZ CUALITATIVA VALIDEZ CUANTITATIVA 1.- Validez de contenido 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 1. VALIDEZ DE CONTENIDO
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

a. Aproximación a la población (Validez de respuesta)
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

b. Juicio de expertos (Validación por jueces)
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

c. Revisión del conocimiento disponible (Validez racional)
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 2. CONSISTENCIA INTERNA (Alfa de Cronbach)
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 3. VALIDEZ DE CONSTRUCTO
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 4. ESTABILIDAD (ANOVA)
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 5. PUNTO DE CORTE (Curvas ROC)
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

Tipos de Datos SEMINARIOS DE INVESTIGACIÓN
Tipos de Datos Dr. José Supo

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

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

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

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

Escala Tipo Likert SEMINARIOS DE INVESTIGACIÓN
Escala Tipo Likert Dr. José Supo

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

La construcción de una escala tipo Likert
SEMINARIOS DE INVESTIGACIÓN 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 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 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 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 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 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 Ventajas Desventajas
Ventajas Desventajas 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. 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

(Índice de consistencia interna)
SEMINARIOS DE INVESTIGACIÓN Alfa de Cronbach (Índice de consistencia interna) Dr. José Supo

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

Existen dos formas de calcularlo: a) Mediante la varianza de los ítems b) Mediante la matriz de correlación α = Alfa de Cronbach K = Número de Ítems Vi = Varianza de cada Ítem Vt = Varianza total Método poco usado N = Número de Ítems p = el promedio de las correlaciones lineales entre cada uno de los ítems. Dr. José Supo

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

Ejemplo: Si tenemos un test de 10 Ítems aplicados en una prueba piloto a 30 sujetos Dr. José Supo

HIPÓTESIS Estructura FUNDAMENTO
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 Estructura DEDUCCIÓN
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

Niveles de Investigación

Presentaciones similares

Presentación del tema: "Niveles de Investigación"— Transcripción de la presentación:

Presentaciones similares

Sobre el proyecto

Feedback

Iniciar la sesión

Autorizarse a través de una red social:

Niveles de Investigación

Presentaciones similares

Presentación del tema: "Niveles de Investigación"— Transcripción de la presentación:

Presentaciones similares

Sobre el proyecto

Feedback