Asignatura: Metodología de la Investigación

V Ciclo de Estudios Semestre Académico 2020-II

Tarea S11: "Análisis de la información"

Integrantes

- Farroñán Zapata Fabricio Alejandro 72811983

:
- Torres Cabanillas Christhopher 77211078
:

GRUPO: S30

Docente

Dr. Ricardo Sanchez Peña

Chiclayo –
Perú 2020
 1. ¿Cuáles son los pasos que se debe seguir para realizar un
análisis de datos cuantitativo?
Los pasos a seguir de manera secuencial son los siguientes:

1. Seleccionar el programa estadístico para el análisis de datos.

2. Ejecutar el programa: SPSS, Minitab, SAS, STATS.

3. Explorar los datos:

 Analizarlos.

 Visualizarlos por variable del estudio.

4. Se evalúa la confiabilidad y validez del o de los

instrumentos escogidos.

5. Se lleva a cabo análisis estadístico descriptivo de cada variable

del estudio.

6. Se realizan análisis estadísticos inferenciales respecto a las

hipótesis planteadas: Analizando mediante pruebas estadísticas
las hipótesis planteadas (análisis estadístico inferencial).

7. Se efectúan análisis adicionales.

8. Se preparan los resultados para presentarlos: Tablas,

gráficas, cuadros, figuras.
2. ¿Cómo se puede describir los datos, valores o puntuaciones obtenidas
de la variable o variables de estudio? (Estadística Descriptiva)
Una vez que se han recogido los valores que toman las variables de nuestro
estudio (datos), procederemos al análisis descriptivo de los mismos. Para
variables categóricas, como el sexo o el estadiaje, se quiere conocer el número
de casos en cada una de las categorías, reflejando habitualmente el porcentaje
que representan del total, y expresándolo en una tabla de frecuencias.
Para variables numéricas, en las que puede haber un gran número de valores
observados distintos, se ha de optar por un método de análisis distinto,
respondiendo a las siguientes preguntas:
a. ¿Alrededor de qué valor se agrupan los datos?
b. Supuesto que se agrupan alrededor de un número, ¿cómo lo hacen?
¿muy concentrados? ¿muy dispersos?

a. Medidas de tendencia central

Las medidas de centralización vienen a responder a la primera pregunta. La
medida más evidente que podemos calcular para describir un conjunto de
observaciones numéricas es su valor medio. La media no es más que la suma
de todos los valores de una variable dividida entre el número total de datos de
los que se dispone.
Como ejemplo, consideremos 10 pacientes de edades 21 años, 32, 15, 59, 60,
61, 64, 60, 71, y 80. La media de edad de estos sujetos será de:

Más formalmente, si denotamos por (X 1, X2,...,Xn) los n datos que tenemos

recogidos de la variable en cuestión, el valor medio vendrá dado por:

Otra medida de tendencia central que se utiliza habitualmente es la mediana.

Es la observación equidistante de los extremos.
La mediana del ejemplo anterior sería el valor que deja a la mitad de los datos
por encima de dicho valor y a la otra mitad por debajo. Si ordenamos los datos
de mayor a menor observamos la secuencia:
15, 21, 32, 59, 60, 60,61, 64, 71, 80.
Como quiera que en este ejemplo el número de observaciones es par (10
individuos), los dos valores que se encuentran en el medio son 60 y 60. Si
realizamos el cálculo de la media de estos dos valores nos dará a su vez 60,
que es el valor de la mediana.
Si la media y la mediana son iguales, la distribución de la variable es simétrica.
La media es muy sensible a la variación de las puntuaciones. Sin embargo, la
mediana es menos sensible a dichos cambios.
Por último, otra medida de tendencia central, no tan usual como las anteriores,
es la moda, siendo éste el valor de la variable que presenta una mayor
frecuencia.
En el ejemplo anterior el valor que más se repite es 60, que es la moda

b. Medidas de dispersión
Tal y como se adelantaba antes, otro aspecto a tener en cuenta al describir
datos continuos es la dispersión de los mismos. Existen distintas formas de
cuantificar esa variabilidad. De todas ellas, la varianza (S2) de los datos es la
más utilizada. Es la media de los cuadrados de las diferencias entre cada valor
de la variable y la media aritmética de la distribución.
Esta varianza muestral se obtiene como la suma de las de las diferencias de
cuadrados y por tanto tiene como unidades de medida el cuadrado de las
unidades de medida en que se mide la variable estudiada.
En el ejemplo anterior la varianza sería:

x
S 2=

La desviación típica (S) es la raíz cuadrada de la varianza. Expresa la

dispersión de la distribución y se expresa en las mismas unidades de medida
de la variable. La desviación típica es la medida de dispersión más utilizada en
estadística.

Aunque esta fórmula de la desviación típica muestral es correcta, en la

práctica, la estadística nos interesa para realizar inferencias poblacionales, por
lo que en el denominador se utiliza, en lugar de n, el valor n-1.
Por tanto, la medida que se utiliza es la cuasidesviación típica, dada por:

Aunque en muchos contextos se utiliza el término de desviación típica para

referirse a ambas expresiones.
En los cálculos del ejercicio previo, la desviación típica muestral, que tiene
como denominador n, el valor sería 20.678. A efectos de cálculo lo haremos
como n-1 y el resultado sería 21,79.
El haber cambiado el denominador de n por n-1 está en relación al hecho de
que esta segunda fórmula es una estimación más precisa de la desviación
estándar verdadera de la población y posee las propiedades que necesitamos
para realizar inferencias a la población.
Cuando se quieren señalar valores extremos en una distribución de datos, se
suele utilizar la amplitud como medida de dispersión. La amplitud es la
diferencia entre el valor mayor y el menor de la distribución.
Por ejemplo, utilizando los datos del ejemplo previo tendremos 80-15 =65.
Como medidas de variabilidad más importantes, conviene destacar algunas
características de la varianza y desviación típica:
 Son índices que describen la variabilidad o dispersión y por tanto cuando
los datos están muy alejados de la media, el numerador de sus fórmulas
será grande y la varianza y la desviación típica lo serán.
Al aumentar el tamaño de la muestra, disminuye la varianza y la
desviación típica. Para reducir a la mitad la desviación típica, la muestra
se tiene que multiplicar por 4.
Cuando todos los datos de la distribución son iguales, la varianza y la
desviación típica son iguales a 0.
Para su cálculo se utilizan todos los datos de la distribución; por tanto,
cualquier cambio de valor será detectado.
Otra medida que se suele utilizar es el coeficiente de variación (CV). Es una
medida de dispersión relativa de los datos y se calcula dividiendo la desviación
típica muestral por la media y multiplicando el cociente por 100. Su utilidad
estriba en que nos permite comparar la dispersión o variabilidad de dos o más
grupos. Así, por ejemplo, si tenemos el peso de 5 pacientes (70, 60, 56, 83 y 79
Kg) cuya media es de 69,6 kg. y su desviación típica (s) = 10,44 y la TAS de los
mismos (150, 170, 135, 180 y 195 mmHg) cuya media es de 166 mmHg y su
desviación típica de 21,3. La pregunta sería: ¿qué distribución es más dispersa,
el peso o la tensión arterial? Si comparamos las desviaciones típicas
observamos que la desviación típica de la tensión arterial es mucho mayor; sin
embargo, no podemos comparar dos variables que tienen escalas de medidas
diferentes, por lo que calculamos los coeficientes de variación:

CV de la variable peso =

CV de la variable TAS =

A la vista de los resultados, observamos que la variable peso tiene mayor

dispersión.
Cuando los datos se distribuyen de forma simétrica (y ya hemos dicho que esto
ocurre cuando los valores de su media y mediana están próximos), se usan
para describir esa variable su media y desviación típica. En el caso de
distribuciones asimétricas, la mediana y la amplitud son medidas más
adecuadas. En este caso, se suelen utilizar además los cuartiles y
percentiles.
Los cuartiles y percentiles no son medidas de tendencia central sino medidas
de posición. El percentil es el valor de la variable que indica el porcentaje de
una distribución que es igual o menor a esa cifra.
Así, por ejemplo, el percentil 80 es el valor de la variable que es igual o deja
por debajo de sí al 80% del total de las puntuaciones. Los cuartiles son los
valores de la variable que dejan por debajo de sí el 25%, 50% y el 75% del
total de las
puntuaciones y así tenemos por tanto el primer cuartil (Q1), el segundo (Q2) y
el tercer cuartil (Q3).

3. ¿Cómo se puede analizar mediante pruebas estadísticas las hipótesis

planteadas? (Estadística Inferencial)
Prueba de hipótesis
Hay dos tipos de análisis estadísticos que pueden realizarse para probar
hipótesis: los análisis paramétricos y los no paramétricos. Cada tipo posee sus
características y presuposiciones que lo sustentan; la elección de qué clase de
análisis efectuar depende de los supuestos. De igual forma, cabe destacar que
en una misma investigación es posible llevar a cabo análisis paramétricos para
algunas hipótesis y variables, y análisis no paramétricos para otras. Asimismo,
como vimos, los análisis a realizar dependen del planteamiento, tipo de
hipótesis y el nivel de medición de las variables que las conforman.

Análisis paramétricos
Para realizar análisis paramétricos debe partirse de los siguientes supuestos:19
1. La distribución poblacional de la variable dependiente es normal: el universo
tiene una distribución normal.
2. El nivel de medición de las variables es por intervalos o razón.
3. Cuando dos o más poblaciones son estudiadas, tienen una varianza
homogénea: las poblaciones en cuestión poseen una dispersión similar en sus
distribuciones.
Ciertamente estos criterios son tal vez demasiado rigurosos y algunos
investigadores sólo basan sus análisis en el tipo de hipótesis y los niveles de
medición de las variables. Esto queda a juicio del lector. En la investigación
académica y cuando quien la realiza es una persona experimentada, sí debe
solicitársele tal rigor.

¿Cuáles son los métodos o las pruebas estadísticas paramétricas más

utilizados?
Existen diversas pruebas paramétricas, pero las más utilizadas son:
Coeficiente de correlación de Pearson y regresión lineal.
Prueba t.
Prueba de contraste de la diferencia de proporciones.
Análisis de varianza unidireccional (ANOVA en un sentido).
Análisis de varianza factorial (ANOVA).
Análisis de covarianza (ANCOVA).
Cada prueba obedece a un tipo de hipótesis de investigación e hipótesis
estadística distinta. Las hipótesis estadísticas se comentan en el capítulo 8 del
centro de recursos en línea.

4. ¿Cuáles son los métodos o las pruebas estadísticas paramétricas y no

paramétricas más utilizadas y qué evalúa cada una?
Las pruebas paramétricas más utilizadas son:
Coeficiente de correlación de Pearson y regresión lineal.
Prueba t.
Prueba de contraste de la diferencia de proporciones.
Análisis de varianza unidireccional (ANOVA en un sentido).
Análisis de varianza factorial (ANOVA).
Las pruebas no paramétricas más utilizadas son:
La chi cuadrada o X2.
Los coeficientes de correlación e independencia para tabulaciones
cruzadas.
Los coeficientes de correlación por rangos ordenados de Spearman y
Kendall.

5. ¿Cuál es el análisis de la información que incluiste en tu plan de trabajo de

investigación? Mencione el software que aplicaras

Para el análisis del proyecto de investigación utilizaremos el programa Google

Forms es un software gratuito de encuestas en línea y herramienta de
cuestionarios que permite a sus usuarios crear encuestas de forma rápida y
sencilla a través de una interfaz de arrastrar y soltar. En términos de diseño,
estas encuestas pueden personalizarse por completo. La herramienta
proporciona información y gráficos de las respuestas en tiempo real. Estos
datos también pueden conectarse con otros productos de Google . ya que
tenemos como objetivo realizar un estudio cuantitativo y cualitativo o
explorativo. En este artículo te mostramos cómo nuestros expertos en
investigación de encuestas analizan los datos cuantitativos (en comparación
con el análisis de los datos cualitativos), desde la observación de las
respuestas y el enfoque en las preguntas de investigación principales y
los objetivos de la encuesta, hasta el procesamiento de los números y la
elaboración de conclusiones.
Bibliografía

1. Hernández Sampieri R. Metodología de la investigación. 6ta edición.

México: McGraw Hill Education; 2014.
2. Sackett, D.L., Haynes, R.B., Guyatt, G.H., Tugwell, P. Epidemiología
clínica. Ciencia básica para la medicina clínica. 2ª ed. Madrid: Médica
Panamericana; 1994.
3. Fletcher RH., Fletcher SW., Wagner E.H. Epidemiología clínica. 2ª ed.
Barcelona: Masson, Williams & Wilkins; 1998.