RETO 2: Ya tengo el diseño de la investigación, ¿y ahora qué? Preparando los cimientos
y empezando a analizar datos
Recursos obligatorios:
1.PDF: Ya tenemos el diseño de investigación: ¿y ahora qué?
1. Importancia de la planificación previa
a. Antes de recopilar datos, es esencial decidir qué se va a estudiar y cómo.
b. Debe haber coherencia entre diseño y análisis: no sirve recoger “datos por
recoger”.
c. Definir el fenómeno de forma concreta y operativa permite tomar decisiones
claras sobre diseño y análisis.
2. Variables y operativización
a. La información recogida se convierte en variables, que pueden ser cualitativas
(categorías, como género) o cuantitativas (números, como edad o número de
recaídas).
b. Cada variable debe definirse claramente, indicando categorías y códigos en el
caso de variables cualitativas.
c. Ejemplos de variables en un estudio sobre trastorno bipolar:
i. Edad, género, tipo de tratamiento, número de recaídas, tiempo entre
recaídas, convivencia, comorbilidad, práctica deportiva, frecuencia de
deporte, calidad de vida.
3. Relaciones entre variables
a. Algunas variables se predicen o influyen sobre otras.
b. Es importante distinguir variable independiente (influyente) y variable
dependiente (observada).
c. La naturaleza de la variable determina el tipo de análisis estadístico apropiado.
4. Bases de datos y análisis
a. Una vez recogidos los datos, se crean bases de datos con columnas para cada
variable y los valores numéricos correspondientes.
b. Comprender la base de datos es fundamental, incluso si no se crea uno mismo,
para interpretar correctamente los resultados.
5. Selección del análisis estadístico
a. La elección del análisis depende de la naturaleza de las variables.
b. Por ejemplo, no se puede usar un ji cuadrado con variables cuantitativas.
c. Es necesario dominar conceptos de escalas de medida y modelos de
probabilidad para cumplir supuestos de análisis y realizar predicciones.
6. Modelos de probabilidad y predicción
a. Permiten entender la distribución de los datos y predecir la probabilidad de
ciertos resultados.
b. Ej.: distribuciones binomial o normal facilitan estimar rangos de valores
probables en la población y realizar inferencias.
,Conclusión:
Para realizar una investigación cuantitativa rigurosa se requiere:
● Definir claramente el fenómeno y variables.
● Operativizar y codificar las variables.
● Conocer la naturaleza de cada variable y su relación con otras.
● Elegir análisis estadístico adecuado según tipo de variable.
● Comprender los modelos de probabilidad para interpretar y predecir resultados.
2. PDF: Planteamiento de un estudio cuantitativo (variables, tipos y escalas de medida):
1. Definición de variable
1. Una variable es la propiedad medible de un hecho, que puede ser observable
(ej. género) o no observable (constructos, ej. hiperactividad).
2. Cada variable debe definirse operativamente e indicar los valores posibles que
puede tomar (categorías o rangos numéricos).
2. Tipos de variables según su relación entre ellas
1. Variable independiente (VI):
■ Produce cambios en otra variable (la dependiente).
■ Puede ser manipulada por el investigador.
■ Ejemplo: tipo de tratamiento (psicoestimulantes vs relajación) en niños
con TDAH.
2. Variable dependiente (VD):
■ Cambia en función de la variable independiente.
■ Permite estudiar relaciones causales o predictivas.
■ Ejemplo: capacidad de atención sostenida.
3. Tipos de variables según su naturaleza
1. Cualitativas o categóricas: representan propiedades o categorías.
■ Ej.: género (hombre/mujer), clase social (baja/media/alta),
presencia/ausencia de enfermedad.
2. Cuantitativas: representan cantidades numéricas.
■ Discretas: número finito de valores posibles. Ej.: número de hijos.
■ Continuas: número infinito de valores posibles. Ej.: índice de masa
corporal.
4. Escalas de medida
1. Es fundamental indicar cómo se mide cada variable. Las propiedades de las
escalas son acumulables: cada escala superior incluye las propiedades de la
anterior.
2. Nominal: etiquetas o categorías sin orden.
■ Ej.: género, grupo de tratamiento, color preferido.
, 3. Ordinal: categorías que se pueden ordenar.
■ Ej.: grado de motivación (poco, bastante, mucho).
4. Intervalo: categorías ordenadas con diferencias interpretables, pero sin cero
absoluto.
■ Ej.: temperatura (12°C, 16°C, 20°C).
5. Razón: orden, diferencias interpretables y cero absoluto.
■ Ej.: edad (18, 22, 28 años).
■ Permite comparaciones proporcionales y mediciones absolutas.
Conclusión:
● Definir correctamente variables y escalas permite seleccionar análisis estadísticos
adecuados, interpretar resultados y realizar predicciones fiables en investigaciones
cuantitativas.
3. PDF: Probabilidad (capítulo 4):
4.1 Variables aleatorias
Una variable aleatoria (X) es una función que asigna valores numéricos a los resultados de un
espacio muestral, de modo que cada intervalo de números reales corresponde a un suceso del
espacio muestral. Todo espacio muestral se define mediante un modelo o ley de probabilidad,
que asigna a cada valor de la variable la probabilidad de ocurrencia.
Tipos de variables aleatorias
1. Variables aleatorias discretas
○ Tienen un rango finito o contable de valores entre dos puntos cualesquiera.
○ Ejemplos: número de hijos por familia, cigarrillos fumados al día, episodios
depresivos en un ciclo vital.
○ Definición mediante:
■ Función de probabilidad: asigna probabilidad a cada valor específico.
■ Función de distribución: proporciona la probabilidad acumulada hasta un
valor determinado.
○ Modelos comunes: binomial, Poisson, multinomial, hipergeométrica, binomial
negativa, geométrica.
○ El modelo binomial es ampliamente utilizado en ciencias sociales.
2. Variables aleatorias continuas
, ○ Tienen un rango infinito de valores posibles, formando un conjunto continuo.
○ Ejemplos: peso, edad, tiempo de reacción.
○ Definición mediante:
■ Función de densidad: asigna probabilidad a un intervalo de valores, ya
que la probabilidad de un valor exacto es prácticamente cero.
■ Función de distribución: proporciona la probabilidad acumulada hasta un
valor concreto, calculada mediante integrales.
○ Parámetros:
■ Esperanza matemática (media)
■ Varianza
■ En variables estandarizadas: media = 0 y varianza = 1 (centradas y
reducidas).
○ Modelos comunes: distribución uniforme, normal univariada, normal
bivariada/multivariada, gamma, exponencial, beta, ji-cuadrada, t de Student, F de
Snedecor.
○ La distribución normal univariada es la más utilizada en ciencias sociales, y
permite introducir conceptos como distribución muestral y estimación por
intervalos.
4.2 Principales leyes de probabilidad para variables aleatorias
Un modelo de probabilidad asigna a cada valor de una variable aleatoria la probabilidad de que
ocurra. Cada modelo se define mediante una función de probabilidad o densidad y una función
de distribución. Algunos modelos se ajustan a datos reales, como la distribución uniforme o la
ley de Poisson. Este apartado se centra en dos modelos muy utilizados: la ley binomial y la ley
normal.
4.2.1 Modelo de la ley binomial
● Aplicable a variables aleatorias discretas derivadas de variables dicotómicas.
● Condiciones para usarla:
○ Cada prueba tiene dos resultados posibles (éxito/fracaso).
○ La prueba se puede repetir n veces (ensayos independientes).
○ Cada resultado es independiente de los anteriores.
○ La probabilidad de éxito (π) y fracaso (1-π) es constante en todas las pruebas.
● Cada prueba de este tipo se llama experimento de Bernoulli.
● Ejemplo: lanzar una moneda, con resultados cara o cruz; cada lanzamiento es
independiente y la probabilidad de cada resultado es constante.
● Genera una variable aleatoria discreta con valores de 0 a n.
● La ley binomial se describe mediante:
○ Función de probabilidad: probabilidad de cada valor específico.
y empezando a analizar datos
Recursos obligatorios:
1.PDF: Ya tenemos el diseño de investigación: ¿y ahora qué?
1. Importancia de la planificación previa
a. Antes de recopilar datos, es esencial decidir qué se va a estudiar y cómo.
b. Debe haber coherencia entre diseño y análisis: no sirve recoger “datos por
recoger”.
c. Definir el fenómeno de forma concreta y operativa permite tomar decisiones
claras sobre diseño y análisis.
2. Variables y operativización
a. La información recogida se convierte en variables, que pueden ser cualitativas
(categorías, como género) o cuantitativas (números, como edad o número de
recaídas).
b. Cada variable debe definirse claramente, indicando categorías y códigos en el
caso de variables cualitativas.
c. Ejemplos de variables en un estudio sobre trastorno bipolar:
i. Edad, género, tipo de tratamiento, número de recaídas, tiempo entre
recaídas, convivencia, comorbilidad, práctica deportiva, frecuencia de
deporte, calidad de vida.
3. Relaciones entre variables
a. Algunas variables se predicen o influyen sobre otras.
b. Es importante distinguir variable independiente (influyente) y variable
dependiente (observada).
c. La naturaleza de la variable determina el tipo de análisis estadístico apropiado.
4. Bases de datos y análisis
a. Una vez recogidos los datos, se crean bases de datos con columnas para cada
variable y los valores numéricos correspondientes.
b. Comprender la base de datos es fundamental, incluso si no se crea uno mismo,
para interpretar correctamente los resultados.
5. Selección del análisis estadístico
a. La elección del análisis depende de la naturaleza de las variables.
b. Por ejemplo, no se puede usar un ji cuadrado con variables cuantitativas.
c. Es necesario dominar conceptos de escalas de medida y modelos de
probabilidad para cumplir supuestos de análisis y realizar predicciones.
6. Modelos de probabilidad y predicción
a. Permiten entender la distribución de los datos y predecir la probabilidad de
ciertos resultados.
b. Ej.: distribuciones binomial o normal facilitan estimar rangos de valores
probables en la población y realizar inferencias.
,Conclusión:
Para realizar una investigación cuantitativa rigurosa se requiere:
● Definir claramente el fenómeno y variables.
● Operativizar y codificar las variables.
● Conocer la naturaleza de cada variable y su relación con otras.
● Elegir análisis estadístico adecuado según tipo de variable.
● Comprender los modelos de probabilidad para interpretar y predecir resultados.
2. PDF: Planteamiento de un estudio cuantitativo (variables, tipos y escalas de medida):
1. Definición de variable
1. Una variable es la propiedad medible de un hecho, que puede ser observable
(ej. género) o no observable (constructos, ej. hiperactividad).
2. Cada variable debe definirse operativamente e indicar los valores posibles que
puede tomar (categorías o rangos numéricos).
2. Tipos de variables según su relación entre ellas
1. Variable independiente (VI):
■ Produce cambios en otra variable (la dependiente).
■ Puede ser manipulada por el investigador.
■ Ejemplo: tipo de tratamiento (psicoestimulantes vs relajación) en niños
con TDAH.
2. Variable dependiente (VD):
■ Cambia en función de la variable independiente.
■ Permite estudiar relaciones causales o predictivas.
■ Ejemplo: capacidad de atención sostenida.
3. Tipos de variables según su naturaleza
1. Cualitativas o categóricas: representan propiedades o categorías.
■ Ej.: género (hombre/mujer), clase social (baja/media/alta),
presencia/ausencia de enfermedad.
2. Cuantitativas: representan cantidades numéricas.
■ Discretas: número finito de valores posibles. Ej.: número de hijos.
■ Continuas: número infinito de valores posibles. Ej.: índice de masa
corporal.
4. Escalas de medida
1. Es fundamental indicar cómo se mide cada variable. Las propiedades de las
escalas son acumulables: cada escala superior incluye las propiedades de la
anterior.
2. Nominal: etiquetas o categorías sin orden.
■ Ej.: género, grupo de tratamiento, color preferido.
, 3. Ordinal: categorías que se pueden ordenar.
■ Ej.: grado de motivación (poco, bastante, mucho).
4. Intervalo: categorías ordenadas con diferencias interpretables, pero sin cero
absoluto.
■ Ej.: temperatura (12°C, 16°C, 20°C).
5. Razón: orden, diferencias interpretables y cero absoluto.
■ Ej.: edad (18, 22, 28 años).
■ Permite comparaciones proporcionales y mediciones absolutas.
Conclusión:
● Definir correctamente variables y escalas permite seleccionar análisis estadísticos
adecuados, interpretar resultados y realizar predicciones fiables en investigaciones
cuantitativas.
3. PDF: Probabilidad (capítulo 4):
4.1 Variables aleatorias
Una variable aleatoria (X) es una función que asigna valores numéricos a los resultados de un
espacio muestral, de modo que cada intervalo de números reales corresponde a un suceso del
espacio muestral. Todo espacio muestral se define mediante un modelo o ley de probabilidad,
que asigna a cada valor de la variable la probabilidad de ocurrencia.
Tipos de variables aleatorias
1. Variables aleatorias discretas
○ Tienen un rango finito o contable de valores entre dos puntos cualesquiera.
○ Ejemplos: número de hijos por familia, cigarrillos fumados al día, episodios
depresivos en un ciclo vital.
○ Definición mediante:
■ Función de probabilidad: asigna probabilidad a cada valor específico.
■ Función de distribución: proporciona la probabilidad acumulada hasta un
valor determinado.
○ Modelos comunes: binomial, Poisson, multinomial, hipergeométrica, binomial
negativa, geométrica.
○ El modelo binomial es ampliamente utilizado en ciencias sociales.
2. Variables aleatorias continuas
, ○ Tienen un rango infinito de valores posibles, formando un conjunto continuo.
○ Ejemplos: peso, edad, tiempo de reacción.
○ Definición mediante:
■ Función de densidad: asigna probabilidad a un intervalo de valores, ya
que la probabilidad de un valor exacto es prácticamente cero.
■ Función de distribución: proporciona la probabilidad acumulada hasta un
valor concreto, calculada mediante integrales.
○ Parámetros:
■ Esperanza matemática (media)
■ Varianza
■ En variables estandarizadas: media = 0 y varianza = 1 (centradas y
reducidas).
○ Modelos comunes: distribución uniforme, normal univariada, normal
bivariada/multivariada, gamma, exponencial, beta, ji-cuadrada, t de Student, F de
Snedecor.
○ La distribución normal univariada es la más utilizada en ciencias sociales, y
permite introducir conceptos como distribución muestral y estimación por
intervalos.
4.2 Principales leyes de probabilidad para variables aleatorias
Un modelo de probabilidad asigna a cada valor de una variable aleatoria la probabilidad de que
ocurra. Cada modelo se define mediante una función de probabilidad o densidad y una función
de distribución. Algunos modelos se ajustan a datos reales, como la distribución uniforme o la
ley de Poisson. Este apartado se centra en dos modelos muy utilizados: la ley binomial y la ley
normal.
4.2.1 Modelo de la ley binomial
● Aplicable a variables aleatorias discretas derivadas de variables dicotómicas.
● Condiciones para usarla:
○ Cada prueba tiene dos resultados posibles (éxito/fracaso).
○ La prueba se puede repetir n veces (ensayos independientes).
○ Cada resultado es independiente de los anteriores.
○ La probabilidad de éxito (π) y fracaso (1-π) es constante en todas las pruebas.
● Cada prueba de este tipo se llama experimento de Bernoulli.
● Ejemplo: lanzar una moneda, con resultados cara o cruz; cada lanzamiento es
independiente y la probabilidad de cada resultado es constante.
● Genera una variable aleatoria discreta con valores de 0 a n.
● La ley binomial se describe mediante:
○ Función de probabilidad: probabilidad de cada valor específico.
