Tabla de Contenidos

Introducción
Capítulo 1 ……………………………………………………………………….
Título 1……………………………………………………………………..
Título2…………………………………………………………………………….
Capítulo 2 Análisis de datos……………………………………………………….
Paso 1: selección un programa de análisis…………………………………………….
Paso 2: ejecución del programa………………………………………………
Paso 3: exploración de los datos……………………………………………………
Estadística descriptiva para cada variable…………………………………………….
Puntuaciones z…………………………………………………………………
Razones y tasas………………………………………………………………………

Paso 4: evaluación de la confiabilidad o fiabilidad y validez lograda por el instrumento

de medición………………………………………………………………………….
Medida de estabilidad (confiabilidad por test-retest)………………………………
Método de formas alternativas o paralelas……………………………………….
Método de mitades partidas (split-halves)…………………………………………
Medidas de coherencia o consistencia interna………………………………………..
Paso 5: análisis mediante pruebas estadísticas de las hipótesis planteadas (análisis
estadístico inferencial) …………………………………………
Estadística inferencial: de la muestra a la población…………………………..
¿En qué consiste la prueba de hipótesis?..............................................................
¿Se pueden cometer errores al probar hipótesis y realizar estadística inferencial?..........
Análisis paramétrico……………………………………..
Análisis no paramétricos………………………………………………………………
Paso 6: realización de análisis adicionales……………………………………….
Paso 7: preparación de los resultados para presentarlos…………………………………
Lista de referencias……………………………………………………………………….
 Capítulo 2

Análisis de datos

El análisis de datos es una evaluación y, según Polit y Hungler (2000) “Las evaluaciones

casi siempre tienen como fin determinar si un programa o una política funcionan, es decir,

si en efecto satisfacen los objetivos para los que originalmente fueron creados” (p. 197).

El proceso de análisis de datos se da una vez que los datos se han codificado, transferido

a una matriz, guardado en un archivo y “limpiado” los errores. Los pasos que comprende

un análisis de datos son los siguientes:

Paso 1: selección un programa de análisis

En este paso, se selecciona el programa de análisis que presente mejor adecuación con

las características de los datos obtenidos. Asimismo, nos dice Sampieri (2014):

Hay diversos programas para analizar datos. una parte de definiciones de las variables,

que a su vez explican los datos (los elementos de la codificación ítem por ítem o indicador

por indicador), y la otra parte, la matriz de datos. (p.272)

Paso 2: ejecución del programa.

Los programas actuales no requieren más que seleccionar las opciones apropiadas y

darle comienzo a la ejecución del programa.

Paso 3: exploración de los datos

En esta etapa, que sigue inmediatamente a la ejecución del programa, se inicia el

análisis. Se puede decir en resumidas cuentas que la exploración de datos consiste en

analizar y visualizar a estos últimos por variable del estudio. Sin embargo, hay muchos

detalles que tener en cuenta. Sampieri (2014) nos advierte:

Los análisis de los datos dependen de tres factores: a) El nivel de medición de las variables.

b) La manera como se hayan formulado las Hipótesis. c) El interés analítico del

investigador (que depende del planteamiento del problema). Por ejemplo, los análisis que

se aplican a una variable nominal son distintos a los de una variable por intervalos [...] El

investigador busca, en primer término, describir sus datos y posteriormente efectuar

análisis estadísticos para relacionar sus variables. Es decir, realiza análisis de estadística

descriptiva para cada una de las variables de la matriz (ítems o indicadores) y luego para

cada una de las variables del estudio, finalmente aplica cálculos estadísticos para probar

sus Hipótesis. (pp.281-282)

Estadística descriptiva para cada variable. Ahora, también se suma a este proceso la

Estadística descriptiva para cada variable, a este respecto, nos detalla Hernández-Sampieri

(2014):

La primera tarea es describir los datos, los valores o las puntuaciones obtenidas para cada

variable. Por ejemplo, si aplicamos a 2 112 niños el cuestionario sobre los usos y las

gratificaciones que la televisión tiene para ellos, ¿cómo pueden describirse estos datos?

Esto se logra al describir la distribución de las puntuaciones o frecuencias de cada variable.

¿Qué es una distribución de frecuencias? Una distribución de frecuencias es un conjunto

de puntuaciones respecto de una variable ordenadas en sus respectivas categorías y

generalmente se presenta como una tabla (O’Leary, 2014 y Nicol, 2006). (p.282)
En una investigación se obtiene una distribución de frecuencias y se calculan las

estadísticas descriptivas para cada variable, las que se necesiten de acuerdo con los

propósitos de la investigación y los niveles de medición. De esta manera se entiende que

existen otros fenómenos que surgen de estos propósitos específicos, como las puntuaciones

z y las razones y tasas.

Puntuaciones z. Respecto a las puntuaciones z, nos dice lo siguiente Hernández-

Sampieri (2014):

Las puntuaciones z son transformaciones que se pueden hacer a los valores o las

puntuaciones obtenidas, con el propósito de analizar su distancia respecto a la media, en

unidades de desviación estándar. Una puntuación z nos indica la dirección y el grado en

que un valor individual obtenido se aleja de la media, en una escala de unidades de

desviación estándar. (293).

Razones y tasas. El mismo Hernández-Sampieri (2014) nos dice también respecto de la

razones y tasas:

Una razón es la relación entre dos categorías. Por ejemplo: Categorías:Masculino y

Femenino, frecuencias: 60 y 30. La razón de hombres a mujeres es de 60/30 = 2. Es decir,

por cada dos hombres hay una mujer. 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 1 000. (293)

Hasta aquí se ha analizado descriptivamente los datos por variable del estudio. En caso

de que alguna distribución resulte ilógica, debemos cuestionarnos si la variable debe ser

excluida, sea por errores del instrumento de medición o en la recolección de los datos, ya
que la codificación puede ser verificada. Supongamos que, en una investigación en

empresas, al medir la satisfacción laboral, resulta que 90% se encuentra “sumamente

satisfecho” (¿es lógico?); u otro caso sería que, en ingresos anuales el promedio fuera de 15

000 dólares por familia (¿resulta creíble en tal municipio?). La tarea es revisar la

información descriptiva de todas las variables y verificar su veracidad (Hernández-

Sampieri, 2014).

Paso 4: evaluación de la confiabilidad o fiabilidad y validez lograda por el

instrumento de medición

Kerlinger (2002) nos dice que “la confiabilidad es la falta de distorsion o precisión de un

instrumento de medición” (p. 583).

La confiabilidad se calcula y evalúa para todo el instrumento de medición utilizado, o

bien, si se administraron varios instrumentos, se determina para cada uno de ellos.

Asimismo, es común que el instrumento contenga varias escalas para diferentes variables o

dimensiones, entonces la fiabilidad se establece para cada escala y para el total de escalas

(si se pueden sumar, si son aditivas). Existen diversos procedimientos para calcular la

confiabilidad de un instrumento conformado por una o varias escalas que miden las

variables de la investigación; cuyos ítems, variables de la matriz o indicadores pueden

sumarse, promediarse o correlacionarse. Todos utilizan fórmulas que producen coeficientes

de fiabilidad que pueden oscilar entre cero y uno, donde recordemos que un coeficiente de

cero significa nula confiabilidad y uno representa un máximo de fiabilidad. (Hernández-

Sampieri, 2014).

Existen cuatro procedimientos o esquemas para evaluar la confiabilidad y validez de un

instrumento de validez mediante un coeficiente y estas son las siguientes:

Medida de estabilidad (confiabilidad por test-retest).

En este procedimiento un mismo instrumento de medición se aplica dos o más veces a un

mismo grupo de personas o casos, después de cierto periodo. Si la correlación entre los

resultados de las diferentes aplicaciones es muy positiva, el instrumento se considera

confiable (Rodríguez, 2006a y Krauss y Chen, 2003). (Hernández-Sampieri, 2014, p. 294)

Método de formas alternativas o paralelas.

En este esquema no se administra el mismo instrumento de medición, sino dos o más

versiones equivalentes de éste. Las versiones (casi siempre dos) son similares en

contenido, instrucciones, duración y otras características, y se administran a un mismo

grupo de personas simultáneamente o dentro de un periodo corto. El instrumento es

confiable si la correlación entre los resultados de ambas administraciones es positiva de

manera significativa (Rodríguez, 2006b). (Hernández-Sampieri, 2014, p. 295)

Método de mitades partidas (split-halves).

Los procedimientos anteriores requieren cuando menos dos administraciones de la

medición en la muestra. En cambio, el método de mitades partidas necesita sólo una

aplicación de la medición. Específicamente, el conjunto total de ítems o reactivos se divide

en dos mitades equivalentes y se comparan las puntuaciones o resultados de ambas. Si el

instrumento es confiable, las puntuaciones de las dos mitades deben estar muy

correlacionadas (Rodríguez, 2006c y McKelvie, 2003). (Ídem)

Medidas de coherencia o consistencia interna.

Éstos son coeficientes que estiman la confiabilidad: a) el alfa de Cronbach (desarrollado

por J.L. Cronbach) y b) los coeficientes KR-20 y KR-21 de Kuder y Richardson (1937).

El método de cálculo de éstos requiere una sola administración del instrumento de

 medición. Su ventaja reside en que no es necesario dividir en dos mitades a los ítems del

instrumento, simplemente se aplica la medición y se calcula el coeficiente. (Hernández-

Sampieri, 2014, p. 295)

Paso 5: análisis mediante pruebas estadísticas de las hipótesis planteadas (análisis

estadístico inferencial)

En este paso las Hipótesis son analizadas por la siguiente prueba estadísticas:

Estadística inferencial: de la muestra a la población. Con frecuencia, el propósito de

la investigación va más allá de describir las distribuciones de las variables: se pretende

probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o

universo.

Los datos casi siempre se recolectan de una muestra y sus resultados estadísticos se

denominan estadígrafos; la media o la desviación estándar de la distribución de una

muestra son estadígrafos. A las estadísticas de la población se les conoce como

parámetros. Éstos no son calculados, porque no se recolectan datos de toda la población,

pero pueden ser inferidos de los estadígrafos, de ahí el nombre de estadística inferencial.

(Hernández-Sampieri, 2014, p. 299)

Aún más, a riesgo de no quedar lo suficientemente explicitado dicho proceso se van a

mencionar algunas aclaraciones a fin de terminar de desarrollarlo

¿En qué consiste la prueba de hipótesis? Debemos empezar aclarando la siguiente

pregunta: ¿En qué consiste la prueba de hipótesis? Hernández-Sampieri (2014), nos dice

que:

Una hipótesis en el contexto de la estadística inferencial es una proposición respecto de

uno o varios parámetros, y lo que el investigador hace por medio de la prueba de hipótesis
 es determinar si la hipótesis poblacional es congruente con los datos obtenidos en la

muestra (Wilcox, 2012; Gordon, 2010; Wiersma y Jurs, 2008; y Stockburger, 2006). Una

hipótesis se retiene como un valor aceptable del parámetro, si es consistente con los datos.

Si no lo es, se rechaza (pero los datos no se descartan). (p. 299)

¿Se pueden cometer errores al probar hipótesis y realizar estadística inferencial?

Pero también cabe responden a la pregunta de si ¿Se pueden cometer errores al probar

hipótesis y realizar estadística inferencial? Hernández-Sampieri (2014), afirma que nunca

estaremos completamente seguros de nuestra estimación. Trabajamos con altos niveles de

confianza o seguridad, pero, aunque el riesgo es mínimo, podría cometerse un error. Los

resultados posibles al probar hipótesis son:

 Aceptar una hipótesis verdadera (decisión correcta).

 Rechazar una hipótesis falsa (decisión correcta).

 Aceptar una hipótesis falsa (conocido como error del Tipo II o error beta).

 Rechazar una hipótesis verdadera (conocido como error del Tipo I o error alfa).

Ambos tipos de error son indeseables; sin embargo, puede reducirse sustancialmente la

posibilidad de que se presenten mediante:

 Muestras probabilísticas representativas.

 Inspección cuidadosa de los datos.

 Selección de las pruebas estadísticas apropiadas.

 Mayor conocimiento de la población.

Vamos ahora a enfocarnos en los tipos de análisis estadísticos que pueden realizarse probar

hipótesis. Estos van a ser de dos tipos: paramétricos y no paramétricos.

 Análisis paramétrico. Un análisis paramétrico, debe partir de los siguientes supuestos

según Hernández-Sampieri (2014):

 La distribución poblacional de la variable dependiente es normal: el universo tiene

una distribución normal.

 El nivel de medición de las variables es por intervalos o razón.

 Cuando dos o más poblaciones son estudiadas, tienen una varianza homogénea:

las poblaciones en cuestión poseen una dispersión similar en sus distribuciones.

(p. 304)

Asimismo, los métodos o las pruebas estadísticas paramétricas más utilizados son: el

coeficiente de correlación de Pearson y regresión lineal, la prueba t, la prueba de contraste

de la diferencia de proporciones, el análisis de varianza unidireccional (ANOVA en un

sentido), el análisis de varianza factorial (ANOVA) y el análisis de covarianza

(ANCOVA). Cada prueba obedece a un tipo de hipótesis de investigación e hipótesis

estadística distinta. (Hernández-Sampieri, 2014, p. 304)

Análisis no paramétricos. Por otro lado, los análisis no paramétricos deben partir según

Hernández-Sampieri (2014) de las siguientes consideraciones.

 La mayoría de estos análisis no requieren de presupuestos acerca de la forma de la

distribución poblacional. Aceptan distribuciones no normales (distribuciones

“libres”).

 Las variables no necesariamente tienen que estar medidas en un nivel por intervalos

o de razón; pueden analizar datos nominales u ordinales. De hecho, si se quieren

aplicar análisis no paramétricos a datos por intervalos o razón, éstos necesitan

 resumirse a categorías discretas (a unas cuantas). Las variables deben ser

categóricas. (p. 318)

“Las pruebas no paramétricas más utilizadas son: La chi cuadrada o los coeficientes de

correlación e independencia para tabulaciones cruzadas y también, los coeficientes de

correlación por rangos ordenados de Spearman y Kendall” (Hernández-Sampieri, 2014, p.

318).

Paso 6: realización de análisis adicionales

Este paso consiste en que, posterior a nuestro análisis, se van a proponer análisis o

pruebas extras para confirmar tendencias y evaluar los datos desde diferentes ángulos.

Por ejemplo, podemos en una tabla de contingencia calcular primero Chi cuadrada y luego

Phi, Lambda, T de Cramer (C) y el coeficiente de contingencia. O después de un ANOVA,

efectuar los contrastes posteriores que consideremos apropiados. Resulta este paso un

momento clave para verificar que no se nos haya olvidado un análisis pertinente. En esta

etapa regularmente se eligen los análisis multivariados (Hernández-Sampieri, 2014).

Paso 7: preparación de los resultados para presentarlos

Una vez que se obtengan los resultados de los análisis estadísticos (tablas, gráficas,

cuadros, etc.), las siguientes actividades, sobre todo para quienes se inician en la

investigación, Hernández-Sampieri (2014), nos da las siguientes recomendaciones:

1. Revisar cada resultado [análisis general → análisis específico → valores resultantes

(incluida la significación) → tablas, diagramas, cuadros y gráficas].

2. Organizar los resultados (primero los descriptivos, por variable del estudio; luego los

resultados relativos a la confiabilidad y la validez; posteriormente los inferenciales, que

se pueden ordenar por hipótesis o de acuerdo con su desarrollo).

3. Cotejar diferentes resultados: su congruencia y en caso de inconsistencia lógica

volverlos a revisar. Asimismo, se debe evitar la combinación de tablas, diagramas o

gráficas que repitan datos. Por lo común, columnas o filas idénticas de datos no deben

aparecer en dos o más tablas. Cuando éste es el caso, debemos elegir la tabla o elemento

que ilustre o refleje mejor los resultados y sea la opción que presente mayor claridad. Una

buena pregunta en este momento del proceso es: ¿qué valores, tablas, diagramas, cuadros

o gráficas son necesarias?, ¿cuáles explican mejor los resultados?

4. Priorizar la información más valiosa (que es en gran parte resultado de la actividad

anterior), sobre todo si se van a producir reportes ejecutivos y otros más extensos.

5. Copiar o “formatear” las tablas en el programa con el cual se elaborará el reporte de la

investigación (procesador de textos —como Word— o uno para presentaciones, como

Power Point, Flash, Prezi). Algunos programas como SPSS y Minitab permiten que se

transfieran los resultados (tablas, por ejemplo) directamente a otro programa (copiar y

pegar). Por ello, resulta conveniente usar una versión del programa de análisis que esté en

el mismo idioma que se empleará para escribir el reporte o elaborar la presentación.

Aunque, de no ser así, el texto de las tablas y gráficas puede modificarse, únicamente es

más tardado.

6. Comentar o describir brevemente la esencia de los análisis, valores, tablas, diagramas,

gráficas.

7. Volver a revisar los resultados.

8. Y, finalmente, elaborar el reporte de investigación. (pp. 327)