Investigaci

1
Investigación en educación
Ps. Mg. Víctor Cabrera Vistoso
2
El diseño de la investigación

• Con las hipótesis definidas se concibe la manera
  práctica de responder a las preguntas. Se hace el
  diseño, (plan o estrategia) de la investigación.
  Hay investigación experimental y no
  experimental.
• El experimento requiere la manipulación de una
  acción para analizar sus posibles efectos.
• La variable independiente se manipula, la
  dependiente se mide para ver si varía o no.
• Si se expone a un grupo a la presencia de la
  variable independiente y al otro no, el primero
  se llama grupo experimental y el segundo grupo de
  control.

3
Diseño Experimental

• Un experimento aplica un estímulo a un individuo
  o grupo de individuos y ve el efecto de ese
  estímulo en alguna(s) variable(s) del
  comportamiento de estos. La observación se puede
  realizar en condiciones de mayor o menor
  control.
• Se deduce que un estímulo afectó cuando
  observamos diferencias en las variables que
  serían supuestamente las afectadas entre un grupo
  al que se le administró dicho estímulo y uno al
  que no se le administró, siendo ambos iguales en
  todo excepto en esto último.
• La asignación al azar es el método preferible
  para lograr que los grupos del experimento sean
  comparables.

4
Validez Interna y Externa

• Los grupos que se comparen deben ser iguales en
  todo menos en el estímulo experimental. Se debe
  controlar la influencia de otras variables
  extrañas en las variables dependientes.
  (Purificación de la relación X---Y)
• La validez interna refiere a la confianza que
  tenemos sobre los resultados. Elimina
  explicaciones rivales.
• Lograr la validez interna (mantener equivalentes
  a los grupos controlando la fuente de
  invalidez)es el objetivo metodológico y principal
  de todo experimento.
• Una vez que se consigue se busca la validez
  externa o sea la posibilidad de generalizar los
  resultados a la población no experimental.

5
Fuentes de Invalidez

• Fuentes que invalidan internamente el
  experimento
• Historia eventos que ocurren durante el
  experimento y afectan la variable dependiente.
• Maduración procesos internos de los
  participantes por el paso del tiempo que afectan
  resultados (Cansancio).
• Inestabilidadpoca o nula confiabilidad en la
  mediciones.
• Administración de pruebas que afectan las
  puntuaciones de pruebas subsecuentes.
• Instrumentación o cambios en los instrumentos de
  medición o en los observadores participantes.

6
Fuentes de Invalidez

• La regresión estadística o valores extremos en
  una prueba que tienden al promedio en otras
  mediciones.
• La selección que al elegir sujetos genera grupos
  no equiparables.
• La mortalidad experimental al perder
  participantes entre los grupos que se
  comparan.
• Interacción entre selección y maduración, que
  hace que la selección de origen a diferentes
  tasas de maduración.
• Otras Interacciones entre las fuentes de
  invalidación.

7
El Control y la Validez

• El control y la validez interna se logra con
• 1) Varios grupos de comparación. (2 mínimo) y
  
• 2) Equivalencia de los grupos en todo excepto
  la manipulación de las variables independientes.
• Con un solo grupo no hay certeza que resultados
  se deban al estímulo experimental o a otras
  razones.
• Los grupos (no los individuos) deben ser
  inicialmente equivalentes (sexo, edad,etc). La
  equivalencia inicial se logra asignando sujetos
  al azar. La técnica de emparejamiento no es la
  ideal.
• Los grupos debe ser equivalentes durante todo el
  experimento (instrucciones, entrevistadores,
  etc).Los instrumentos de medición deben ser
  iguales y aplicados de la misma manera.

8
Simbología en el Diseño

• R asignación al azar
• G grupos de sujetos
• X Tratamiento, estímulo, condición experimental
• O Una medición a los sujetos de un grupo
• - Ausencia de estímulo
• RG1 O X O
• Asignación Medición
  Administración Medición
• Azar sujetos Previa
  Estímulo Posterior
• Grupo 1

9
Pre Experimento

• El pre-experimento tiene un grado de control
  mínimo.
• Aplica tratamiento y luego una medición para
  observar el nivel del grupo en la variable G
  X O
• No hay manipulación de la variable independiente
  (no hay niveles de ella, no se explica como se
  afecta)
• No hay control previo del nivel de la variable
  dependiente ni grupo de comparación.
• No controla las fuentes de invalidez interna.
• Si se hace una pre-prueba se agrega un punto de
  referencia G O1 X O2
• No son adecuados para establecer relaciones entre
  variables y puede ser para prueba piloto
  (explorar).

10
Otros Diseños

• Diseño con post prueba y grupo de control
• RG1 X O 1 RG2 - O2
• Si O1O2 no hubo efecto significativo del
  tratamiento experimental. Suele usarse la prueba
  estadística t para grupos correlacionados.
• Si no hay grupo de control se llama diseño con
  grupos aleatorizados y post prueba unicamente
  RG1 X O1
• Diseño con pre-prueba-post prueba y grupo de
  control
• RG1 O1 X1 O2
• RG2 O3 X2 O4 RG3 O5 - O6
• En este caso O1, O3 y O5 puede ser el
  conocimiento sobre un tema, X1 un video didactico
  , X2 lecura de folleto y O2 04 y 06 el
  conocimiento sobre el mismo tema anterior.

11
Las Comparaciones

• RG1 O1 X1 O2
• RG2 O3 X2 O4 RG3 O5 - O6
• Las posibles comparaciones son a) Pre-pruebas
  entre sí, b) post-pruebas entre sí, c) el puntaje
  ganancia de cada grupo ej. O1 vs 02 d) el puntaje
  ganancia de los grupos entre sí.
• Esto puede dar por ejemplo efectos de los
  tratamientos experimentales pero diferentes, o
  que sólo uno o ninguno tenga efectos etc.

12
Pruebas Estadísticas

• Para comparar entre pre-pruebas y entre las dos
  post pruebas se usa la prueba t para grupos
  correlacionados.
• Igual para analizar el puntaje ganancia de cada
  grupo O1 vs O2 y O3 vsO4
• Análisis de varianza (ANOVA) para grupos
  relacionados si se comparan simultáneamente las
  cuatro pruebas.
• Cuando se quiere analizar efectos en el largo
  plazo se adoptan diseños con varias post pruebas.
  (Diseños de series de tiempo o cronológicas que
  toman de un individuo u otro ente muchas
  observaciones)

13
Estudios Factoriales

• Los experimentos pueden incorporar más de una
  sola variable independiente.
• Los diseños factoriales manipulan dos o más
  variables independientes e incluyen dos o más
  niveles de presencia en cada una de las variables
  independientes.
• Un ejemplo de diseño factorial de 2 X 2 sería
  método de enseñanza (tradicional oral y por
  video) y sexo (masculino-femenino).
• Permiten evaluar los efectos de cada variable
  independiente sobre la dependiente por separado y
  los efectos de las variables independientes
  conjuntamente.

14
Validez Externa

• La validez externa refiere a que tan
  generalizables son los resultados a otros
  sujetos. Hay fuentes de invalidez
• El efecto de interacción entre pruebas (sujetos
  son afectados en su reacción a la variable
  experimental por la pre prueba).
• Errores de selección que al elegir personas con
  ciertas características el tratamiento produzca
  un efecto que no se daría en otras personas sin
  esas características.
• La artificialidad de las condiciones
  experimentales que vuelven atípica la
  experiencia.
• La interferencia de tratamientos múltiples si no
  tienen efectos reversibles.
• Imposibilidad de replicar los experimentos en
  otras condiciones.

15
Estudio de Campo

• En el experimento el efecto (la variancia) de las
  variables independientes influyentes posibles no
  pertinentes al problema se mantiene reducida en
  un mínimo.
• El estudio de campo se hace en una situación
  realista en la que una o más variables
  independientes son manipuladas por el
  experimentador en condiciones tan controladas
  como lo permite la situación.
• La diferencia es el grado en que el ambiente es
  natural para los sujetos. Los experimentos tienen
  más control que los estudios de campo pero estos
  tienen más validez externa.

16
Cuasi- Experimentos

• En los cuasi experimentos no se asignan los
  sujetos a grupos experimentales sino que se
  trabaja con grupos intactos (formados aparte del
  experimento ej. habitantes de una zona de la
  ciudad) G X O (falta la R junto a la G de
  la asignación aleatoria de sujetos)
• Alcanzan validez interna en la medida en que
  demuestran la equivalencia inicial de los grupos
  participantes y la equivalencia en el proceso de
  experimentación.
• Los experimentos verdaderos constituyen estudios
  explicativos, los pre-experimentos son
  exploratorios y descriptivos y los
  cuasi-experimentos son correlacionales aunque
  pueden llegar a ser explicativos.

17
EJEMPLO

• Hipótesis Los pacientes que reciban mayor
  retroalimentación de sus médicos de cómo se están
  comportando en el tratamiento prescrito,
  obedecerán más a dicho tratamiento.
• Se toman dos grupos de pacientes. Un grupo recibe
  retroalimentación sobre su conducta en el
  tratamiento (G1) y el otro grupo no (G2).
• G1 X O1 G2 - O2
• Se evalúa la obediencia o apego al tratamiento.
• Si el resultado es O1gtO2 deducimos que la
  hipótesis fue confirmada. Pero podría ser que la
  mayor sensibilidad de G1 se deba a que lee más
  sobre su problema. No hay certeza si grupos no
  son inicialmente equivalentes.

18
Pasos Comunes a Seguir

• Decidir las variables independientes y
  dependientes.
• Elegir niveles de manipulación de var.
  independientes y convertir concepto en
  operaciones prácticas (tratamiento experimental)
• Desarrollar instrumento para medir las variables
  dependientes.
• Seleccionar la muestra de personas.
• Reclutar sujetos del experimento (o
  cuasi-experimento)
• Seleccionar diseño apropiado para muestras,
  hipótesis, objetivos y preguntas de
  investigación.
• Planear actividad de los sujetos, dividirlos al
  azar o analizar propiedades de grupos intactos.
• Aplicar pre-pruebas, los tratamientos y las
  post-pruebas.

19
Investigación no Experimental

• Se realiza sin manipular variables y sin
  asignación al azar. Los sujetos ya pertenecían a
  un grupo dado.
• Se observan fenómenos tal y como se dan en su
  contexto natural para después analizarlos. No
  hay estímulos a los cuales se expongan los
  sujetos del estudio.
• No se construye ninguna situación sino que se
  observan situaciones existentes no provocadas
  intencionalmente
• Es investigación sistemática y empírica en la que
  las variables independientes no se manipulan
  porque ya han sucedido.
• Experimento Hacer enojar intencionalmente a una
  persona para ver sus reacciones. No experimental
  Ver las reacciones de esa persona cuando llega
  enojada.

20
Diseños Transeccionales

• Los Diseños no experimentales se clasifican en
  transeccionales (ver el nivel de una variable o
  la relación entre varias en un punto del tiempo)
  y longitudinales (como evolucionan o cambian
  variables o sus relaciones)
• Los transeccionales o transversales recolectan
  datos en un sólo momento. Ej. Investigar el
  número de empleados, desempleados y subempleados
  en un momento dado.
• Se dividen en descriptivos y correlacionales/caus
  ales.
• Los descriptivos indagan los valores de una o más
  variables (Ej. Nivel de empleo en 3 ciudades)
• Los correlacionales/causales describen relaciones
  entre dos o más variables ej. (relación entre
  urbanización y analfabetismo para ver que
  variables mediatizan esa relación.)

21
Diseños Longitudinales

• Los diseños longitudinales juntan datos a través
  del tiempo en períodos especificados, infieren
  sobre al cambio, sus determinantes y
  consecuencias. Por ej. como evolucionan los
  niveles de empleo durante cinco años en una
  ciudad.
• Sonde tendencia, de evolución de grupo (cohort)
  y diseños panel.
• Los de tendencia analizan cambios en el tiempo en
  variables o sus relaciones en una población. Ej.
  cambio de actitud hacia el aborto anualmente por
  10 años.
• Los de grupos analizan cambios en
  sub-poblaciones. Ej. Actitudes hacia el aborto en
  Argentinos nacidos en 1983.
• Los de panel similares a los anteriores pero el
  mismo grupo de sujeto es medido en todos los
  momentos. Ej. analizar la evolución de enfermos
  de cancer de mama cada 6 meses en 2 años.
• Hipótesis son de diferencia de grupos,
  correlacionales y causales.

22
Experimental Vs No experimental

• Menor control
• No manipula variables
• Observan lo dado.
• Las variables independientes son realistas y
  genera más validez externa

• Mayor control
• Manipula variables
• Se replican facilmente
• Las variables independientes son menos realistas

23
Resumen Diseño No Experimental

• La investigación no experimental no manipula
  variables, se basa en realidades que ya
  ocurrieron sin intervención del investigador.
  
• Es un enfoque retrospectivo. Observa variables en
  su contexto natural.
• Estudia variables en un momento del tiempo en
  forma descriptiva o correlacional/causal o las
  estudia a lo largo del tiempo en tendencias y
  evolución dentro de grupos.
• El tipo de diseño a elegir está condicionado por
  el problema, el contexto, el tipo de estudio y
  las hipótesis.

24
RESUMEN SEGUNDA PARTE

• La investigación puede ser experimental o no
  experimental. En el primer caso se manipula la
  variable independiente y se mide la dependiente
  controlando las fuentes de invalidez. La validez
  interna refiere a la confianza en los resultados
  y la externa a su posible generalización. Cuando
  la manipulación es de varias variables
  independientes de varios niveles cada uno el
  estudio es factorial. El pre-experimento no
  manipula la variable independiente. El
  cuasi-experimento utiliza grupos intactos. El
  diseño no experimental observa escenarios
  existentes no provocados intencionalmente. Pueden
  ser transeccionales que a su vez se dividen en
  descriptivos y correlacionales/causales o
  longitudinales de tendencia, de evolución de
  grupo y diseño panel.

25
Selección de la Muestra

• La muestra es un sub-grupo de la población.
• Hay que definir la unidad de ánálisis o quienes
  van a ser medidos (personas, organizaciones,
  periódicos etc.)
• Luego se definen las características de la
  población o parámetros muestrales en contenido,
  lugar y tiempo (ej enfermos de cáncer de la
  ciudad X sin tratamiento).
• Hay muestras probabilísticas y no
  probabilísticas.
• En la probabilística todos los elementos de la
  población tienen la misma posibilidad de ser
  elegidos. En la segunda, la elección de elementos
  depende del investigador .
• Que tipo de muestra se elige depende de los
  objetivos del estudio, del esquema de
  investigación y de la contribución que se piensa
  hacer.

26
Muestra Probabilística

• En la muestra probabilística puede medirse el
  tamaño del error en la predicción.
• El principal objetivo de una muestra
  probabilística es reducir al mínimo este error
  llamado error estándar que dependerá del número
  de elementos muestreados.
• Es esencial en diseños por encuestas que buscan
  estimaciones de variables medidas con
  instrumentos de medición y analizados con pruebas
  estadísticas.
• Los valores muestrales serán parecidos a los de
  la población
• La precisión de dichos estimados depende del
  error en el muestreo.

27
Tamaño de la Muestra

• Se establece el error estándar (ej.0.05 o 0.01)
  o sea se sugiere que de 100 casos 95 o 99 veces
  el estimado sea correcto y que su valor se sitúe
  en un intervalo de confianza que comprenda el
  valor del parámetro poblacional.
• El tamaño de la muestra se determina en dos pasos
  
• 1) Se saca el tamaño provisional de la muestra
  dividiendo la varianza de la muestra/varianza de
  la población. La varianza de la población es el
  cuadrado del error estándar y la varianza de la
  muestra S p (1-p).
• 2) Se ajusta la muestra provisional (n) si se
  conoce el tamaño de la población (N) de forma tal
  que n n/ 1n/N
• Luego se decide como y de donde seleccionar los
  sujetos de la muestra del tamaño n

28
Muestra Estratificada y Por Racimo

• La muestra es estratificada si se la divide en
  estratos o categorías en que se divide la
  población y que son relevantes para los objetivos
  del estudio.
• Se divide a la población en sub poblaciones
  (estratos) y se selecciona una muestra para cada
  estrato.
• Aumenta precisión en la muestra pues se usan
  diferentes tamaños de muestra para cada estrato a
  fin de reducir la varianza de cada unidad de la
  media muestral.
• El muestreo por racimos se hace cuando las
  unidades de análisis se encuentran encerradas en
  determinados lugares físicos o geográficos (ej.
  niños en colegios).
• Unidad de análisis indica quienes serán
  medidos.La unidad muestral el racimo por el cual
  se llega a la unidad de análisis

29
Selección Aleatoria Muestra Probabilística

• Los elementos de una muestra probabilística
  siempre se eligen aleatoriamente (ej. tabla de
  números random o elección sistemática) para
  asegurar que cada elemento tenga la misma
  probabilidad de ser elegido.
• Todo procedimiento de selección depende de
  listados, sea existentes o construidos ad hoc.
• Listados pueden ser la guía telefónica, lista de
  escuelas oficiales etc.
• Cuando no hay listas se usan otros marcos con
  descripciones del material (archivos, mapas)

30
Muestras no Probabilísticas (dirigidas)

• Las muestras no probabilísticas (dirigidas)
  dependen del criterio del investigador para la
  elección de los sujetos u objetos de estudio.
• Selecciona casos típicos con la esperanza que
  sean representativos (para muestra basta un
  botón). Los elementos no tienen la misma
  posibilidad de ser elegidos.
• Es informal y un poco arbitraria. No se puede
  calcular con precisión el error estándar (nivel
  de confianza con que se hace una estimación).
• Pueden ser 1) muestras con sujetos voluntarios 2)
  muestras de expertos (estudios exploratorios), 3)
  muestras de sujetos tipo o estudios de casos
  (estudios cualitativos y motivacionales) y 4)
  muestreo por cuotas (estudios de opinión y
  mercadotecnia).
• Las muestras dirigidas son válidas en cuanto a
  que un determinado diseño de investigación así lo
  requiere, pero los resultados no son
  generalizables a una población sino apenas a la
  muestra en sí o muestras similares.

31
Normalidad y Probabilidad

• El teorema central del límite sugiere que una
  muestra de más de cien casos, será una muestra
  con una distribución normal en sus
  características.
• Distinguir normalidad de probabilidad.
• La normalidad es necesaria para efectuar pruebas
  estadísticas (inferenciales).
• Lo segundo es requisito indispensable para hacer
  inferencias correctas sobre una población.

32
Recolección de Datos

• Seleccionado el diseño apropiado y la muestra
  adecuada al problema e hipótesis el próximo paso
  es recolectar los datos sobre las variables
  seleccionadas.
• Hay que seleccionar primero un instrumento de
  medición o desarrollar uno válido y confiable.
• Aplicar el instrumento en la medición.
• Preparar las mediciones obtenidas o sea codificar
  los datos.

33
Medición de Conceptos Abstractos

• Medir significa asignar números a objetos (cosas
  que pueden verse o tocarse) y eventos (resultado,
  consecuencia o producto) de acuerdo con reglas.
• En ciencias sociales varios de los fenómenos que
  son medidos no pueden caracterizarse como objetos
  o eventos porque son muy abstractos para ello
  (ej. disonancia cognitiva, alienación, PBI,
  credibilidad).
• Por eso es mejor definir medición como la
  vinculación de conceptos abstractos con
  indicadores empíricos.
• Esto se hace con un plan organizado para
  clasificar y cuantificar los datos disponibles
  (indicadores) en términos del concepto que el
  investigador tiene en mente

34
Valores Observables de Conceptos Abstractos

• El centro de atención es la respuesta observable.
• El interés se sitúa en el concepto subyacente no
  observable que es representado por la respuesta.
• Los registros del instrumento de medición
  representan valores observables de conceptos
  abstractos.
• Un instrumento adecuado es el que registra los
  datos observables que representan bien los
  conceptos o variables que el investigador tiene
  en mente.
• No hay medición perfecta. Es imposible
  representar fielmente ciertas variables
  (ej.motivación) pero hay que acercarse lo más
  posible a la representación fiel de las variables
  a observar.

35
Confiabilidad y Validez del Instrumento

• La confiabilidad del instrumento significa que su
  aplicación repetida al mismo sujeto u objeto
  produce iguales resultados.
• La validez refiere al grado en que un instrumento
  realmente mide la variable que se pretende medir
  (ej. si se quiere medir inteligencia que mida
  inteligencia y no memoria)
• La validez responde a la pregunta Se esta
  midiendo lo que se cree que está midiendo?.
• La validez refiere a evidencia relacionada con el
  contenido, con el criterio y con el constructo.

36
La Validez de Contenido

• La validez de contenido del instrumento de
  medición refiere al dominio específico de
  contenido de lo que se mide.
• El instrumento debe contener representados a
  todos los ítems del dominio de contenido de las
  variables a medir.
• Una prueba de conocimiento sobre canciones de los
  Beatles no tendrá validez si sólo incluye
  canciones de un par de sus discos o una prueba de
  operaciones aritméticas no tendrá validez de
  contenido si sólo incluye problemas de resta y
  excluye la suma.

37
La Validez de Criterio

• La validez de criterio establece la validez de un
  instrumento de medición comparándola con algún
  criterio externo.
• Es un estándar. Por ej. un exámen sobre manejo de
  aviones, mostrando la exactitud con que el examen
  predice que tan bien un grupo de pilotos puede
  operar un aeroplano.
• Si el criterio se fija en el presente se habla de
  validez concurrente (preferencias del electorado
  por partidos contendientes unos días antes de la
  elección).
• Si el criterio se fija en el futuro se habla de
  validez predictiva (resultados de una prueba de
  capacidad administrativa de gerentes
  comparandolos con los resultados del futuro
  desempeño)

38
Validez de Constructo (Concepto)

• La validez de constructo (concepto) refiere al
  grado en que una medición se relaciona
  consistentemente con otras mediciones de acuerdo
  con hipótesis derivadas teóricamente referidas a
  los conceptos medidos.
• Ej. Teoría (investigaciones hechas) encontraron
  que A correlaciona positivamente con B,C y D y
  negativamente con W. Si el instrumento mide
  realmente A sus resultados deben correlacionarse
  positivamente con los resultados obtenidos en las
  mediciones de B,C,D y negativamente con los
  resultados de W.
• Ej. Al medir motivación laboral se mide
  persistencia (tiempo adicional que trabaja
  alguien al terminar su horario.
• Hay que especificar 1) Una relación teórica entre
  conceptos desde el marco teórico. La validez de
  constructo se vincula con la teoría. 2)
  Correlacionar ambos conceptos y analizar la
  correlación. 3) Interpretar la evidencia empírica
  de acuerdo con el nivel en que clarifica la
  validez de concepto de una medición en
  particular.

39
Validez y Confiabilidad

• La validez total del instrumento de medición se
  hace sobre la base de los tres tipos de evidencia
  (contenido, criterio y constructo)
• Mayor la validez, mayor la aproximación de la
  representación a la variable que se pretende
  medir.
• Un instrumento puede ser confiable pero no válido
  cuando genera resultados consistentes pero no
  mide lo que se pretende.
• Los instrumentos pueden ser afectados en su
  confiabilidad y validez por 1) la improvisación
  2) el desarrollo en culturas, grupos y tiempos
  distintos 3) su falta de adaptación a las
  personas a las que se aplica (ej. no empatía por
  lenguaje elevado para niños) 4) por las
  condiciones en que se aplica el instrumento
  (cuestionario largo, tedioso, en la puerta de
  calle con ruido etc.) 5) aspectos mecánicos (no
  comprender instrucciones, falta de espacio para
  contestar, no se lee bien lo que dice etc.
• En la práctica es imposible la medición perfecta.

40
Cálculo de la Confiabilidad

• La medición se conceptualiza X t
  e donde X son los valores observados t son los
  valores verdaderos y e es el grado de error de la
  medición.
• El error se mide calculando la confiabilidad y la
  validez.
• El coeficiente de confiabilidad puedo oscilar
  entre 0 y 1. Los procedimientos utilizados para
  medir la confiabilidad son
• Medida de Estabilidad aplica un mismo instrumento
  dos o mas veces a un mismo grupo después de
  cierto período. Si la correlación de los
  resultados de las diferentes aplicaciones es
  altamente positiva, el instrumento se considera
  confiable.
• Método de formas alternativas o paralelas aplica
  versiones equivalentes del instrumento (no el
  mismo). La correlación debe ser
  significativamente positiva.
• Método de mitades Se aplica una sóla medición
  pero se dividen en dos los items. Los valores
  deben correlacionar fuerte
• Coeficientes de cronbach y coeficiente KR-20

41
Cálculo de la Validez

• Para revisar la validez de contenido hay que
  mirar primero como usaron otros investigadores la
  variable.
• Sobre esa base se elabora un universo de items
  posibles para medir la variable y sus
  dimensiones.
• Se consulta luego investigadores familiarizados
  con la variable para ver si el universo es
  exhaustivo.
• Se seleccionan los items y una muestra
  probabilística de ellos.
• Se administran los items, se correlacionan las
  puntuaciones entre sí y se hacen estimaciones
  estadísticas para ver si la muestra es
  representativa.
• La validez de criterio se estima correlacionando
  su medición con el criterio
• La validez de constructo se hace mediante
  programas estadísticos de análisis de factores.

42
Construcción del Instrumento

• Listar las variables. Revisar su definición
  conceptual y comprender su significadoRevisar
  como han sido definidas operacionalmente las
  variables
• Comparar instrumentos, su confiabilidad,
  validez, sujetos a los que se aplicó, facilidad
  de administración, veces que medición resultó
  exitosa
• Elegir el instrumento favorecido y adaptarlo al
  contexto propio
• Indicar nivel de medición de cada variable 1)
  Nominal sin jerarquía ej, sexo m o f. Puede
  incluir variables dicotómicas ej escuela publica
  o privada a la asiste.2) Ordinal hay categorías
  y jerarquía. Ej. mayor puntaje a una profesión
  que a otra. 3) Medición por intérvalos Hay
  jerarquía entre categorías e intérvalos iguales
  en la medición ej.escala de 0 a 10. 4) Medición
  de razón (el cero de la escala es real o sea no
  existe la propiedad. Nivel medición afecta prueba
  estadística seleccionada
• Indicar codificación de datos (valor númerico que
  los represente). Ej. masculino 1 y femenino 0
• Prueba piloto del instrumento,ajuste y mejora.

43
Instrumentos Disponibles Escala de Likert

• Escalas para medir actitudes que tienen dirección
  (positiva o negativa) e intensidad (alta o baja).
• La escala de Likert presenta items en forma de
  afirmaciones o juicios (ej. la DGI informa bien a
  los contribuyentes) ante los cuales se pide la
  reacción de los sujetos (muy de acuerdo, de
  acuerdo, en desacuerdo etc.). Cada afirmación
  tiene el mismo peso en la escala. El número de
  juicios debe ser el mismo para todas las
  afirmaciones.
• Todas las afirmaciones (items) miden la actitud
  hacia un único concepto subyacente (ej. la DGI).
  Si se miden actitudes hacia varios objetos se
  requiere una escala por cada objeto.
• Cada frase tiene un puntaje y se suman sus
  valores por lo que se trata de una escala
  aditiva. (Ej. desde una actitud muy desfavorable
  hasta una actitud muy favorable)
• Suponiendo una encuesta con 8 afirmaciones y 5
  opciones cada una con un valor de 1 a 5, el
  mínimo posible es 8 y el máximo 40.
• La escala de Likert se aplica autoadministradamen
  te o por entrevista.

44
Diferencial Semántico-Cuestionarios

• El diferencial semántico califica al objeto de
  actitud en un conjunto de adjetivos bipolares ej.
  justo-injusto fuerte-débil caro-barato
• Entre cada par de adjetivos se presentan opciones
  ej. muy, bastante, regular, bastante y muy) y el
  sujeto elige la que refleja su actitud.
• La escala final se califica igual a la de Likert
  sumando las puntuaciones obtenidas. Los
  resultados pueden ordenarse en una tabla
• Los cuestionarios son un conjunto de preguntas
  cerradas (o con respuestas delimitadas) o
  abiertas respecto de las variables a medir.
• Para codificar preguntas abiertas se selecciona
  un determinado número de cuestionarios por
  muestreo. Se observa la frecuencia con que
  aparece cada respuesta, se eligen las que tienen
  mayor frecuencia (patrones generales),se
  clasifican en temas o rubros de acuerdo a un
  criterio lógico, se le da un título a cada tema y
  se asigna un código a cada patrón general de
  respuesta

45
Análisis de Contenido

• Es una técnica para analizar la comunicación de
  una manera objetiva, sistemática y cuantitativa.
• Sirve para conocer actitudes de un grupo mediante
  análisis de sus discursos, analizar la
  personalidad de alguien evaluando sus escritos,
  describir tendencias en el contenido de la
  comunicación, develar diferencias en el mismo,
  comparar mensajes, auditar el contenido, medir la
  claridad de los mensajes, identificar
  intenciones, mensajes ocultos, revelar centros de
  interés, reflejar actitudes, valores etc
• Se hace codificando las características
  relevantes del contenido del mensaje, para eso
  hay que definir el universo, las unidades de
  análisis y las categorías de análisis.

46
Universo, Unidades de Análisis, y Categorías

• El Universo puede ser la obra de un autor, las
  emisiones de un noticiario televisivo durante un
  mes etc.
• Las unidades de análisis constituyen segmentos
  del contenido de los mensajes. Pueden ser
  palabras, el tema, el item (programa, libro) el
  personaje, las medidas de espacio tiempo.
• Las categorías son las casillas o cajones en las
  cuales son clasificadas las unidades de análisis.
  Ej. un discurso puede ser optimista, pesimista,
  liberal, conservador. Un personaje puede ser
  bueno o malo.
• Las categorías pueden ser de asuntos (el tópico),
  de dirección (a favor, en contra, nacionalista,
  etc.) de valores (creencias, intereses) de
  receptores (a quien va dirigido) físicas (sección
  y página de prensa, horario en TV etc.)
• Las categorías deben ser exhaustivas, mutuamente
  excluyentes, derivarse del marco teórico y de una
  evaluación de la situación.

47
Pasos en el Análisis de contenido

• Definir el universo y sacar una muestra
  representativa
• Definir las unidades de análisis
• Definir las categorías que presenten a las
  variables
• Seleccionar las personas que codificarán
• Elaborar hojas de codificación
• Entrenar a los codificadores
• Calcular confiabilidad de los codificadores
• Codificar y contar las frecuencias de repetición
  de las categorías.
• Obtener totales para cada categoría
• Realizar los análisis estadísticos apropiados

48
Observación

• Es el registro sistemático, válido y confiable de
  comportamientos o conductas manifiestas. Es una
  forma de observación del contenido de
  comunicaciones. Puede ser participante o no.
• La ventaja es que son técnicas de medición no
  obstructivas, aceptan material no estructurado y
  puede trabajar grandes volúmenes de datos.
• Se debe definir el universo de eventos o
  conductas a observar, extraer una muestra,
  definir las unidades de observación y las
  categorías de observación.(Las subcategorías
  pueden ser escalas del tipo likert o diferencial
  semántico).
• Se selecciona a los observadores, se elige el
  medio de observación, se elaboran las hojas
  codificadoras, se entrenan los codificadores y se
  calcula su confiabilidad.
• Se codifica, se obtienen los totales y se hacen
  los análisis

49
Sesiones en Profundidad

• Las sesiones en profundidad son otro método de
  recolectar datos.
• Se reúne a un grupo de personas y se trabaja con
  éste en relación a las variables de la
  investigación.
• Se define el tipo de personas. Se detectan ese
  tipo de personas y se las invita a las sesión.
• Se lleva a cabo la reunión creando clima de
  confianza (rapport).
• Se elabora el reporte de sesión.
• Se codifica y se hace el análisis
  correspondiente

50
Resumen Tercera Parte

• La selección de la muestra depende de los
  objetivos y el tipo de investigación. Cuando es
  probabilística, se puede medir el error en la
  predicción, no así en la muestra dirigida. Hay
  muestras estratificadas y por racimos. La
  recolección de datos se hace con instrumentos que
  deben ser confiables y válidos. Cuando se miden
  conceptos abstractos, estos se vinculan con
  indicadores empíricos. La validez debe ser de
  contenido, de criterio y de concepto. Entre los
  instrumentos disponibles están las escalas
  (Likert, semántica diferencial) los
  cuestionarios, el análisis de contenido, la
  observación, las sesiones en profundidad, y otros
  como las pruebas estandarizadas y los archivos.

51
Análisis de los Datos

• Con los datos codificados en una matriz se
  analizan.
• Los análisis dependen de tres factores el nivel
  de medición de las variables (nominal,ordinal,por
  intérvalos), la formulación de las hipótesis y el
  interés del investigador.
• Se busca describir los datos y luego relacionar
  las variables.
• Los principales análisis son estadística
  descriptiva para las variables tomadas
  individualmente, puntuaciones Z, razones y
  tasas, cálculos y razonamientos de estadística
  inferencial, pruebas paramétricas, pruebas no
  paramétricas, análisis multivariados.
• Para describir cada variable se distribuyen las
  frecuencias o sea se establece el conjunto de
  puntuaciones ordenadas en sus respectivas
  categorías. Luego se pueden agregar las
  frecuencias relativas (porcentajes de casos en
  cada categoría) y las acumuladas (lo que se va
  acumulando en cada categoría) que también pueden
  expresarse en porcentajes. Las distribuciones
  pueden presentarse en histogramas o gráficas.

52
Medidas de Tendencia Central

• Las medidas de tendencia central son puntos en
  una distribución.
• Son la moda, la mediana y la media. El nivel de
  medición de la variable determina cuál es la
  medida de tendencia apropiada.
• La moda (categoría más frecuente) va con
  cualquier nivel de medición
• La mediana (distribuye la distribución por la
  mitad) se usa con mediciones ordinales, por
  intérvalo y de razón. No tiene sentido con
  variables nominales porque no tienen jerarquía.
  No hay noción de encima o debajo. Es útil cuando
  hay valores extremos en la distribución, ya que
  no es sensible a estos.
• La media es el promedio aritmético de una
  distribución y se aplica a mediciones por
  intérvalos o de razón. No tiene sentido en
  variables medidas en nivel nominal u ordinal. Es
  sensible a valores extremos.
• Para calcular la media en una distribución de
  frecuencias, se saca el punto medio de cada
  intérvalo, se lo multiplica por la frecuencia que
  le corresponde. Se suman los resultados y se lo
  divide por el número total de frecuencias.

53
Medidas de Variabilidad

• Indican dispersión de los datos en la escala de
  medición y responden a la pregunta dónde están
  diseminados los valores obtenidos?
• Las medidas de tendencia central son valores en
  una distribución y las medidas de variabilidad
  son intérvalos, designan distancias o un número
  de unidades en la escala de medición. Son el
  rango, la desviación estándar y la varianza.
• El rango es la diferencia entre la puntuación
  mayor y la menor. Se calcula puntuación mayor
  menos puntuación menor. Mayor el rango, mayor la
  dispersión de los datos en una distribución.
• El desvio estándar es el promedio de desviación
  de las puntuaciones con respecto a la media. Se
  expresa en unidades originales de medición de la
  distribución. Se interpreta en relación a la
  media. Mayor la dispersión de los datos alrededor
  de la media mayor la desviación estándar. Se
  calcula sumando todos los cuadrados de la
  desviación de cada puntuación respecto a la media
  dividida por el número total de puntuaciones. A
  esa división se le saca raíz cuadrada.

54
Medidas de Variabilidad

• Para datos agrupados en una distribución de
  frecuencias se obtiene la media con la fórmula de
  datos agrupados. Se eleva esa media al cuadrado.
  Se multiplica la columna de puntos medios
  multiplicados por sus frecuencias por los puntos
  medios (fx2). Se suman los valores y se divide
  el total por el número de frecuencias. Se le
  resta el promedio al cuadrado y al resultado se
  le saca raíz cuadrada.
• S Raiz cuadrada de ((la sumatoria de fx2/N) -
  X2)
• La desviación estádar se interpreta como cuanto
  se desvía en promedio de la media un conjunto de
  puntuaciones
• Sólo se usa en variables medidas por intérvalos o
  de razón.
• La varianza es el desvío estándar elevado al
  cuadrado.
• Las medidas de tendencia central y las de
  variabilidad se interpretan en conjunto no
  aisladamente.

55
Asimetría y Curtosis

• La asimetría y la curtosis son otras medidas de
  estadística descriptiva para analizar la
  distribución de frecuencias en términos de
  probabilidad y visualizar su grado de dispersión.
  Requieren medición por intérvalo.
• La asimetría es una estadística para conocer
  cuánto se parece la distribución a una
  distribución teórica llamada curva normal.
• Constituye un indicador del lado de la curva
  donde se agrupan las frecuencias. Si es positiva,
  habrá más valores agrupados hacia la izquierda de
  la curva o por debajo de la media, y si es
  positiva a la derecha o por encima de la media.
• La curtosis es un indicador de lo plana o
  picuda que es una curva. Cuando es cero
  significa que se trata de una curva normal. Si es
  positiva la curva es más levantada o picuda. Si
  es negativa es más plana.
• Las frecuencias y las estadísticas descriptivas
  son para cada variable.

56
Puntuaciones Z

• Las puntuaciones Z son las transformaciones de
  los valores obtenidos para analizar su distancia
  respecto a la media en unidades de desviación
  estándar (s). (Son un elemento descriptivo
  adicional)
• Indica la dirección y grado en que un valor
  individual obtenido se aleja de la media en una
  escala de unidades de desviación estándar.
• Es el método usado comúnmente para estandarizar
  la escala de una variable medida en un nivel por
  intervalos. Z X -X media/s ej. si el valor es
  50 y la media 60 y el desvio estandar 10 resulta
  que Z 50 - 60 / 10 -1 o sea el valor 50 está
  a un desvío por debajo de la media de la
  distribución.
• La estandarización permite comparar puntuaciones
  de dos distribuciones diferentes (por ejemplo una
  distribución obtenida en una preprueba y en una
  postprueba) o mediciones de distintas pruebas o
  escalas aplicadas a los mismos sujetos.
• La distribucion Z tiene media cero (0) y una
  desviación estándar de 1.

57
Tasas y Razones

• Una razón es la relación entre dos categorías por
  ej. masculino (60)/femenino(30) 2
• Una tasa es la relación entre el número de casos,
  frecuencias o eventos de una categoría y el
  número total de observaciones multiplicada por un
  múltiplo de 10, generalmente 100 o 1000
• Por ej. (Número de nacidos vivos en el país/
  número de habitantes en el país) X 1000

58
Inferencia De la Muestra al Universo

• La investigación pretende generalizar los
  resultados de la muestra al universo. La
  estadística inferencial se usa para probar
  hipótesis y estimar parámetros.
• Una hipótesis en el contexto de la estadística
  inferencial es una proposición respecto a uno o
  varios parámetros. La prueba de hipótesis
  determina si la hipótesis es congruente con los
  datos obtenidos en la muestra. Si es congruente
  se retiene como un valor aceptable del
  parámetro.
• Para entender la prueba de hipótesis hay que
  revisar el concepto de distribución muestral y el
  de nivel de significancia.

59
Distribución Muestral

• Una distribución muestral es un conjunto de
  valores sobre una estadística calculada de todas
  las muestras posibles de determinado tamaño. Se
  saca el tamaño representativo de la muestra ej.
  512 y luego se sacan varias muestras de ese
  tamaño. Con las medias extraídas de las medias se
  hace una distribución de las medias. Comúnmente
  se saca una sola muestra.
• La cuestión es que han cerca está nuestra media
  de la distribución muestral . (Si está cerca
  podremos tener una estimación precisa de la media
  poblacional que es prácticamente el mismo que el
  de la distribución muestral.
• El teorema central del límite especifica que la
  distribución muestral tiene una media igual a la
  de la población, y una varianza igual a la
  varianza de la población dividida por el tamaño
  de muestra.

60
Nivel de Significancia (Valor de certeza fijado
a priori)

• La probabilidad de que un evento ocurra oscila
  entre 0 y 1.Aplicando el concepto de probabilidad
  a la distribución muestral podemos tomar el área
  de esta como 1. Cualquier área entre dos puntos
  de la distribución corresponderá a la
  probabilidad de la distribución.
• Para probar hipótesis inferenciales respecto a la
  media, el investigador debe evaluar si es alta o
  baja la probabilidad de que la media de la
  muestra esté cerca de la media de la distribución
  muestral. Si es alta se generalizará a la
  población, si es baja no.
• El nivel de significancia o nivel alfa es un
  nivel de la probabilidad de equivocarse y se fija
  antes de probar hipótesis inferenciales.
• La estadística de la muestra obtenida se analiza
  sobre que porcentaje tiene de confianza en que
  dicho valor se acerque al valor de la
  distribución muestral (valor del parámetro de la
  población).
• Hay dos niveles convenidos 0.5 o sea que hay 95
  de seguridad para generalizar sin equivocarse y
  sólo 5 en contra o 0.1 o 99 de seguridad

61
Distribución Muestral y Nivel de Significancia

• El nivel de significancia se expresa en términos
  de probabilidad (0.05 y 0.01) y la distribución
  muestral se expresa como probabilidad (el área
  total de ésta es 1).
• El nivel de significancia se toma como un área
  bajo la distribución muestral. Representa áreas
  de riesgo o confianza en la distribución
  muestral.
• La distribución muestral es una distribución de
  valores Z. Los valores Z son distancias que
  indican áreas bajo la distribución normal (áreas
  de probabilidad).
• El área de riesgo es tomada como el área de
  rechazo de la hipótesis y el área de confianza
  como el área de aceptación de la misma.
• La hipótesis es sobre el parámetro poblacional

62
Procedimiento

• Sobre bases firmes (revisión literatura e
  información disponible) establecer una hipótesis
  sobre el parámetro poblacional.
• Definir el nivel de significancia. (Ej.0.05)
• Recolectar datos en una muestra representativa.
• Estimar desvío estándar de la distribución
  muestral de la media mediante la fórmula s / raíz
  cuadrada de n donde s es el desvío estándar de
  la muestra y n el tamaño de la muestra.
• Transformar la media de la muestra en una
  puntuación Z
• Buscar en la tabla bajo la curva normal aquella
  puntuación Z que deje 2,5 por encima de ella
  que es 1.96
• Comparar la media de la muestra transformada a
  valor Z con el valor 1.96, si es menor aceptar la
  hipótesis y si es mayor rechazarla.

63
El Intervalo de Confianza

• Otro procedimiento inferencial es construir un
  intervalo donde se localiza un parámetro. En vez
  de probar una hipótesis sobre la media
  poblacional, se busca un intervalo donde se
  ubique dicha media. Esto requiere un nivel de
  confianza que es al intervalo de confianza lo que
  el nivel de significancia es a la prueba de
  hipótesis. Es una probabilidad dada de que un
  parámetro esté en un intervalo.
• Si la probabilidad es 0.95 tenemos un 95 de
  probabilidad a favor de que el parámetro se
  localice en el intervalo estimado contra 5 de
  elegir un intervalo equivocado. Estos niveles de
  confianza se expresan en unidades de desviación
  estándar.
• Se usa la tabla de áreas bajo la curva normal, y
  se selecciona el valor Z del nivel de confianza
  seleccionada. Luego se aplica la fórmula
  Intervalo de confianza estadística de la
  muestra - (puntuación Z X Desvío estándar de
  la distribución muestral)
• Ej. si Z 0.95 1.96 si 0.99 2.58 Si la media
  es 2.9 y el desvío 0.0679 entonces 2,9 - (1.96)
  (0.0679 2.9 - (0.133) la media está entre
  2.767 y 3.033 con 95 de probabilidades de no
  errar.

64
Errores al Realizar Inferencias

• Los resultados posibles al probar hipótesis son
• Aceptar una Hipótesis verdadera. (decisión
  correcta)
• Rechazar una Hipótesis falsa (decisión correcta)
• Aceptar una H. falsa (error tipo II o error beta)
• Rechazar una H. verdadera (error tipo I o error
  alfa)
• Los dos errores son indeseables y su posibilidad
  se reduce mediante
• Muestras representavas probabilísticas,
  inspección cuidadosa de los datos, selección de
  las pruebas estadísticas aporpiadas y mayor
  conocimiento de la población.

65
Análisis Paramétricos

• Los supuestos para los análisis paramétricos son
  1) La distribución poblacional de la variable
  dependiente es normal 2) El nivel de
  medición de la variable dependiente es por
  intérvalo o razón 3) Cuando dos o mas
  poblaciones son estudiadas, tienen una varianza
  homogenea (dispersión similar en sus
  distribuciones)
• Las pruebas estadísticas paramétricas más usadas
  son 1) El coeficiente de correlación de
  Pearson y la regresión lineal 2) La prueba
  t 3) La prueba de contraste de la
  diferencia de proporciones 4) El análisis de
  varianza unidireccional (ANOVA) 5) El análisis
  de varianza factorial (ANOVA) 6) El análisis de
  covarianza (ANCOVA)

66
Correlación

• Analiza relación entre dos variables medidas en
  un nivel por intervalos o de razón. Se simboliza
  r. Cuando se lo eleva al cuadrado (r2) el
  resultado indica la varianza de factores comunes.
• Es una hipótesis correlacional del tipo a mayor
  X mayor Y o a mayor X menor Y. Relaciona dos
  variables sin considerar una como independiente y
  otra como dependiente pues no evalúa la
  causalidad.
• El r se calcula a partir de los valores obtenidos
  en una muestra en dos variables. Se relacionan
  valores de una variable con valores de otra en
  los mismos sujetos. El coeficiente varía de -1
  (correlación negativa perfecta) a 1 (positiva
  perfecta) siendo 0 la falta de correlación
• Se indica si el coeficiente es o no significativo
  de la siguiente manera s 0.001 significancia .
  Si s es menor de 0.05 es significativo al nivel
  de 0.05 (95 de confianza que correlación sea
  verdadera y 5 de probabilidad de error).
  (Simboliza p lt0.05 prob.de error menor a 0.05)
• Ej. R 0.214 y s 0.081 Se acepta H nula pues
  r no es significativo ya que 0.081 es mayor que
  0.05 que es el nivel mínimo para aceptar H

67
Regresión Lineal

• Estima el efecto de una variable sobre otra. Está
  asociado con el coeficiente r Se expresa Y a
  bX donde Y es un valor de la variable
  dependiente que se desea predecir, a es la
  ordenada en el origen y b la pendiente.
• La Hipótesis son correlacionales y causales.
• Son dos variables a una se la considera
  independiente y a otra dependiente. Para eso hay
  que tener un sólido sustento teórico.
• El nivel de medición es por intervalo o razón.
• La regresión lineal se determina con base en el
  diagrama de dispersión
• Conociendo la línea y la tendencia se puede
  predecir los valores de una variable conociendo
  los de la otra variable.
• Regresión lineal no es útil con relaciones
  curvilíneas donde tendencia varía, primero es
  ascendente y luego descendente o viceversa.
• Ej. a 1.2 b 0.8 a un valor de 7 en lógica que
  valor corresponde en historia? Y 1.2 0.8 x 7
  6.8

68
Prueba t

• Prueba para evaluar si dos grupos difieren entre
  sí de manera significativa respecto a sus medias.
  Simboliza t
• La H propone que los grupos difieren
  significativamente entre sí y la H nula propone
  que los grupos no difieren significativamente.
• La comparación se realiza sobre una variable. Si
  hay diferentes variables se efectuarán varias
  pruebas t una para cada variable.
• La medición es por intervalos o razón.
• Para saber si valor de t es significativo se
  calculan los grados de libertad(número de maneras
  en que datos pueden variar libremente).
• Esto indica que valor podemos esperar de t
  dependiendo del tamaño de los grupos que se
  comparan. Mayor los grados de libertad que se
  tengan, la distribución t de student se acerca
  más a una distribución normal y si los grados de
  libertad exceden los 120 la distribución normal
  es usada como aproximación adecuada de la
  distribución t

69
Prueba t

• La fórmula de t es la diferencia entre las
  medias de los dos grupos divididos por el error
  estándar de la distribución muestral de la
  diferencia entre medias. Los grados de libertad
  se calculan sumando los dos valores del tamaño de
  los grupos que se comparan menos dos. Gl
  (N1N2)-2
• Calculados el valor de t y los grados de
  libertad se elige el nivel de significancia y se
  compara el valor obtenido contra el valor que le
  correspondería en la tabla respectiva. Si el
  valor calculado es igual o mayor al que aparece
  en la tabla se acepta Hi (investigación). Si es
  menor se acepta la H0
• En la tabla se busca niveles de confianza como
  columnas y los grados de libertad como filas o
  renglones.
• Ej. Se comparan las medias y varianzas de una
  preprueba con una postprueba en dos momentos
  diferentes. N1128 N2119 gl245
• Si t 6.698 para un nivel de confianza de 0.05
  el valor de tabla será para más de 200 grados de
  libertad 1.645. Se acepta la Hi.

70
Prueba de Diferencia de Proporciones

• Prueba sobre una variable para analizar si dos
  proporciones difieren significativamente entre
  sí.
• La variable se mide en intérvalos o razón
  expresada en proporciones o porcentajes.
• Se aplica la formula, se compara con el valor Z
  de la distribución normal que corresponde al
  valor de confianza elegido. Si es igual o mayor
  se acepta la Hi si es menor se rechaza.
• Ej. el de liberales en la ciudad X es mayor que
  la la ciudad Y
• en X 55 para N 410 en Y 48
  para N 301
• Los se transforman en proporciones y se
  calculan q1 y q2 o sea q1 1- 0.55 0.45 q2
  1 -0.48 0.52
• Con a 0.05 1.96 Z por lo tanto z 0.55 - 0.48
  / la raíz cuadrada de ((0.45 x 0.55) / 410 )
  ((0.48 x 0.52) / 301) 1.56
• Como z calculada es menor al nivel alfa expresada
  en valor Z 1.96, se rechaza la Hi y se acepta la
  Ho

71
Análisis de Varianza Unidireccional

• Analiza si más de dos grupos difieren
  significativamente en cuanto a sus medias y
  varianzas (La prueba t se usa para dos grupos)
• La Hipótesis es de diferencia entre los grupos.
  La Hi propone que los grupos difieren
  significativamente entre sí y la Ho propone que
  los grupos no difieren significativamente.
• Hay una variable independiente (categoría) y una
  dependiente (por intérvalos o razón)
• Que la var. ind. sea categórica significa que se
  pueden formar grupos diferentes ej. Religión o
  nivel socioeconómico o antigüedad en la empresa.
• El análisis de varianza unidireccional produce un
  valor conocido coo F basada en una distribución
  muestral F
• Compara variaciones de dos fuentes entre los
  grupos y dentro de los grupos.

72
Varianza Unidireccional

• Si los grupos difieren entre sí, sus valores
  variarán más de lo que puedan variar las
  puntuaciones entre integrantes de un mismo grupo.
• Ej. hay 3 clínicas A,B,C la primera esta
  integrada por los médicos x,y,z la otra por a,b,c
  y la otro por d,e,f.
• Se espera que los integrantes de una clínica se
  parezcan más entre sí (por ej. en su
  comportamiento referido a internación o cirugías)
  que a los miembros de otra clínica. Se espera
  homogeneidad intra clínica y heterogeneidad inter
  clínicas.
• Que pasa si los comportamientos de la clínica A
  se parecen más a los de otra clínica que a los
  integrantes de la suya propia?. Quiere decir que
  no hay diferencia entre las clínicas.
• La razón F indica si las diferencias entre
  grupos son mayores que las diferencias intra
  grupo. Esas diferencias son medidas en términos
  de la varianza. (dispersión sobre la media
  calculada en desviaciones elevadas al cuadrado)

73
Razón F Razón entre Varianzas (división de
medias cuadráticas)

• La razón F es una razón de varianzas o sea divide
  a la media cuadrática entre los grupos
  (numerador) por la media cuadrática dentro de los
  grupos (denominador) F mceg/mcdg
• La media cuadrática implica un promedio de
  varianzas elevadas al cuadrado.
• La media cuadrática entre grupos se obtiene
  calculando la media de los valores de todos los
  grupos (media total). Después se obtiene la
  desviación de la media de cada grupo respecto a
  la media total y se eleva al cuadrado cada
  desviación, después se suman. Finalmente se
  sopesa el número de individuos de cada grupo y la
  media cuadrática se obtiene con base en los
  grados de libertad inter grupales.
• La media cuadrática dentro de los grupos se saca
  primero midiendo el desvío de cada puntuación
  respecto a la media de su grupo, se suma esa
  fuente de variación y se combina para obtner una
  media de la varianza intra grupal tomando en
  cuenta los grados de libertad totales

74

Varianza Unidireccional ( F Significativa)

• Media cuadrática entre grupos Suma de cuadrados
  entre grupos / grados de libertad entre grupos
• Grados de lib. entre grupos K -1 donde K es el
  número de grupos
• La media cuadrática dentro de los grupos suma
  de los cuadrados intragrupo / grados de libertad
  intragrupos
• Grados de lib.intragrupos N - K donde N es
  tamaño de la muestra, la suma individuos de todos
  los grupos y K es el número de grupos
• Cuando F es significativa (valor igual o mayor
  al de la tabla) grupos difieren
  significativamente entre sí. Se acepta la Hi y
  se rechaza la Ho
• Se elige un valor alfa o probabilidad (0.05 o
  0.01). Si es menor a ese nivel es significativo.
  Ver tabla.
• Ej. si F 1.12 y el valor en tabla es 3.15 como
  F calculado es menor se rechaza Hi y se acepta Ho
  o sea los grupos no difiere entre sí.

75
Análisis Factorial de Varianza

• Analiza el efecto de dos o más variables
  independientes sobre una variable dependiente.
• Extiende análisis de varianza unidireccional.
  Incluye más de una variable.
• Evalúa los efectos por separado de cada variable
  independiente y los efectos conjuntos de dos o
  más variables independientes.
• La variable dependiente está medida en intervalos
  y las independientes en cualquier nivel pero
  expresadas de manera categórica.
• Sirve para diseños experimentales factoriales
• Ej., la similitud en valores, la atracción física
  y la retroalimentación positiva son factores que
  inciden en la satisfacción sobre la relación de
  parejas de novios que tienen entre 24 y 32 años.

76
Análisis de Covarianza

• Analiza la relación entre una variable
  dependiente y dos o mas independientes eliminando
  y controlando el efecto de al menos una de estas
  independientes
• Hay tres perspectivas para el análisis de
  covarianza. La perspectiva experimental se
  centra en las diferencias observadas en la
  variable dependiente a través de las categorías
  de la(s)variable (s) independiente(s). ( Se
  intenta controlar la influencia de otras
  variables independientes que no sean categóricas.
  Purifica la relación entre las variables
  independientes y la dependiente controlando el
  efecto de las independientes no categóricas o
  continuas).
• A las variables independientes cuantitativas
  continuas cuya influencia se remueve y controla
  se les denomina covariables
• Aquí el análisis de covarianza se concibe como un
  ajuste en la variable dependiente respecto a
  diferencias en la covariable y luego como una
  evaluación de la relación entre variables
  independientes categóricas y los valores
  ajustados de la variable dependiente.

77
Análisis de Covarianza

• La perspectiva de interés por la covariable
  analiza la relación entre la variable dependiente
  y la covariable (variable cuantitativa continua).
• La influencia que se remueve es la de las
  variables independientes categóricas. Primero se
  controla efecto de estas variables y después se
  analiza el efecto purificado de las
  covariables.
• En la perspectiva de regresión tanto las
  variables independientes categóricas como las
  covariables resultan de interés.
• El análisis de covarianza elimina influencias no
  deseadas sobre la variable dependiente. Elim