Salkind, N.

(1998) Métodos de Investigación, México Pearson Prentice Hall

Capítulos 2, 3 4 y 5

Del problema a la solución

Se revisa el estudio Empleo materno y experiencias
diarias de adolescentes en familias que viven solo con
la madre (Duckett y Richards, 1989). En él, los
investigadores intentaron obtener una imagen
general de los sentimientos adolescentes sin
entrevistarlos.

Objetivo general: entender el número creciente

de madres que trabajan y tienen hijos
adolescentes.

Método: muestreo por experiencia, donde los

adolescentes llevaban beepers; cuando les sonaba,
debían llenar un formulario, durante una semana.
Se llenaron 21.364 formatos como muestra que
informaban sobre afecto (contento-triste,
animoso-irritable, amigable-enojado) y
estimulación (alerta-somnoliento, fuerte-débil, excitado-aburrido) con escalas de 1 a 7.

Contrastando las reacciones de adolescentes con el nivel de ocupación de las madres se pudo
concluir que:
 Los hijos de madres solas que trabajan se benefician en otras formas aparte de la
obtención de ingresos.
 El empleo materno está relacionado con interacciones madre-hijo positivas.
 Los hijos de madres solas con empleo de tiempo completo sienten más amistad hacia sus
papás.

Para ser un buen investigador hay que conocer las reglas del juego y seguirlas: comprensión de
terminología e ideas básicas.
El lenguaje de la investigación
Variable:

Variables dependientes: las que resultan de la investigación, por ejemplo, gº de participación de

los padres sobre las calificaciones de los niños; las calificaciones serían la variable dependiente.

Variables independientes o de tratamiento: tratamientos o condiciones que el investigador

control para probar sus efectos en algún resultado. Se la manipula durante la investigación para
ver los efectos sobre la variable dependiente.
 Cuando no

se manipula ninguna variable, se está frente a dos variables dependientes, por ejemplo, la
observación de cómo se interrelacionan la cantidad de tiempo que dedican los padres a sus
hijos y su desempeño en el trabajo; ninguna variable se manipula, entonces ambas son
dependientes.

Las variables independientes deben asumir más de un valor, por ejemplo, masculino- femenino;
o entre 20 y 29, 30 a 39 y 40 a 49 (en el caso de una edad).

Variables independientes múltiples: diseño factorial

Diseño factorial: experimentos que incluyen más de una variable independiente (género, clase
social y edad, por ejemplo).

Otros tipos de variables importantes

Variable de control: una que podría tener influencia sobre la variable dependiente y que,
por tanto, es necesario controlar esa influencia. Ej: relación entre velocidad lectora y
comprensión de lectura; requiere controlar o mantener constante el nivel de inteligencia.

Variable extraña: aquella que tiene un impacto impredecible sobre la variable

dependiente; por ej. Efectos de ver tv en el aprovechamiento. Los tipos de programas que se
ven, pueden afectar el aprovechamiento y sería una variable extraña.

Variable moderadora: se relaciona con las variables de interés (independiente y

dependiente) y enmascara la verdadera relación entre las variables dependiente e
independiente. Ej: tasa de delitos con consumo de helados. Hay que incluir temperatura (no se
entiende este ejemplo; yo propondría que una variable moderadora es el nivel de comprensión lectora
cuando se examinan resultados de aprendizaje basados en el manejo de contenidos).

Hipótesis
“Conjetura educada”; refleja el planteamiento general del problema o pregunta que originó el
estudio. Por ello se debe prestar especial atención a la pregunta original.

Hipótesis nula

Ausencia de relación entre las variables en estudio. Son expresiones de igualdad, por ejemplo, no
existe relación entre el tipo de personalidad y éxito en el trabajo. Dos o más cosas son iguales o
no están rencionadas entre sí.
Sirven como punto de partida y marca de referencia contra la cual se medirán los resultados, pues
corresponde a la situación que se acepta como cierta en ausencia de otra información.

Hasta que no se demuestre que hay una diferencia se debe suponer que no la hay.

Cuando hay diferencias, estas se deben a la explicación más atractiva de todas: el azar. Mientras
no haya datos, el azar es la mejor explicación.

Azar: variabilidad aleatoria que se introduce en todo estudio producto de los individuos y de
factores imprevistos.

La hipótesis nula como marca de referencia ayuda a comparar los resultados observados y
verificar si se deben al azar o a algún otro factor.

La mayor parte de los estudios correlacionales tienen hipótesis nula, no así los descriptivos e
históricos.

Hipótesis de investigación:

Expresión definida de la relación entre dos variables. Por ejemplo, para cada hipótesis nula se
puede plantear una (y no la) hipótesis de investigación; por ejemplo, hay una relación entre el tipo
de personalidad y el éxito en el trabajo.

Son expresiones de desigualdad. Son una relación entre variables y no una igualdad.
La desigualdad puede ser direccional y no direccional.

No direccional: la hipótesis no plantea un sentido para la desigualdad, solo dice que hay
diferencia entre las variables. Refleja diferencias entre grupos, pero no dice la dirección de esa
diferencia. Ej.: la calificación promedio de los alumnos de tercero de secundaria es diferente a la de
los alumnos de tercer año de bachillerato en la prueba de memoria ABC.

Direccional: si plantea sentido para la desigualdad (más que o menos que, por ejemplo).

La hipótesis de investigación direccional

Ej.: la calificación promedio de los alumnos de tercero de bachillerato es mayor a la de los alumnos de
tercer año de secundaria en la prueba de memoria ABC.

Las hipótesis direccionales pueden adoptar dos valores:

 A es mayor que B ( A > B )
B es mayor que A ( A< B)

La hipótesis de investigación es la que se prueba directamente en un paso de la investigación y

que luego se compara con lo que se esperaría del puro azar (que refleja la hipótesis nula).

DIFERENCIAS ENTRE HIPÓTESIS NULA Y DE INVESTIGACIÓN (p. 31)

1. HN dice que no hay relación entre variables (igualdad) mientras que HI dice que hay
relación (desigualdad).
2. HN siempre se refiere a población, mientras que HI siempre se refiere a muestra.
3. La HN se prueba de forma directa; mientras que la HI se prueba de manera indirecta
(porque es imposible someter a toda la población a la prueba y no se puede asegurar que
no existe una diferencia real entre grupos en cuanto a una variable dependiente).
4. HN siempre se expresan con símbolos griegos las HI con símbolos romanos.
5. HN es una hipótesis implícita y la HI es explícita.

¿Qué hace que una hipótesis sea buena?

Toda hipótesis representa o es extensión de la pregunta que se quiere responder.

Criterios para hacer buenas hipótesis:

1. Se expresa en forma declarativa y no como pregunta.

2. Plantea una relación esperada entre variables. Evita el “viaje de pesca” que es recopilar
datos sin importar qué intereses tengamos.
3. Las hipótesis reflejan la teoría o los estudios publicados (bibliografía) en los que se basan.
4. Una hipótesis debe ser breve y concisa.
5. Las buenas hipótesis se pueden probar.

Muestras y poblaciones
Por presupuesto se debe tomar solo una porción de la población o grupo menor para realizar un
estudio; el grupo mayor es la población y el menor es la muestra.
Se busca que la muestra se parezca lo más posible a la población; si la muestra representa
fielmente a la población, los resultados son generalizables o tienen generalizabilidad.
Una muestra solo es representativa de una parte de la población, pero se utiliza para generalizar
acerca de la población.

Concepto de significancia
Significancia o significatividad estadística: queda inconcluso en el apunte.

Primero se selecciona área de interés, luego se

formula una pregunta y luego una hipótesis formal:
De ahí vendría la revisión bibliográfica, lo cual es
implica haber formulado la hipótesis antes de la
revisión bibliográfica.

Sin

embargo, la pregunta de investigación y la

hipótesis resultan de la interrelación entre la idea
original y una revisión continua y exhaustiva de
bibliografía. Una vez que se formula una hipótesis,
esta puede alterarse
para ajustarse a la
bibliografía.

Selección del problema

1. Investigar requiere de mucho tiempo y energía, por eso el problema debe ser de
verdadero interés del investigador.
2. La selección del problema es solo el primer paso, si se hace bien, lo demás tiene más
posibilidades de resultar.

Peligros o errores:

1. Enamorarse de una idea: está bien entusiasmarse, pero sin dejar que se nuble el juicio
para hacer las cosas prácticas y correctas.
 2. Aferrarse a la primera idea que se viene a la mente: las segundas io terceras ideas suelen
ser más maduras y refinadas.
3. Hacer algo trivial, sin fundamento conceptual ni importancia evidente en el campo:
¿cómo encaja esto con lo que se ha hecho antes?
4. Abarcar más de lo que puede apretar: muchos datos poca reflexión.
5. Hacer algo que ya se hizo.
6.

Defina sus intereses: ¿de dónde?

1. Las experiencias personales y los conocimientos de primera mano.
2. Utilizar ideas de sus asesor o profesor (puede llevarlo a estar en la vanguardia de la
investigación).
3. Buscar una pregunta de investigación que refleje el siguiente paso de un proceso de
investigación (ya se hizo A, B y C; ahora toca D).
4. A veces funciona solo porque se nos exige en una clase; buscar algo que retenga el
propio interés.

Ideas, ideas, ideas (y qué hacer con ellas)

El autor propone hacer un listado de temas, leerlos y fijarse en cuál interesa. Luego revisar la
bibliografía al respecto.

De una idea a una pregunta de investigación y de esta a una hipótesis

Pregunta de investigación: articulación de las ideas que al menos implican una relación entre
variables. Mejor hacerlo por escrito (para no salirse con la suya hablando). No es una expresión
declarativa como la hipótesis sino una expresión de interés que lleva a la hipótesis.
Recordar los 5 criterios pata formular hipótesis y emplearlos pata elaborar hipótesis a partir de
las preguntas.

Revisión de bibliografía
Se debe hacer una completa revisión para descartar los errores de duplicación, o trivialidad y
además para armar el marco de referencia dentro del cual se puede contestar la pregunta de
investigación.
Poblaciones y muestras
 Base del método inferencial: extrapolar de
una muestra a una población.

Población: grupo de posibles participantes

a quienes se quiere generalizar los
resultados de una investigación.

Generalizabilidad: los resultados de

investigación de una muestra son aplicables
a una población. Si son generalizables, lo
son tb para otras poblaciones con las
mismas características. Si no son
generalizables, solo pueden aplicarse a la
muestra y a nadie más.
Se requiere de un buen muestreo para
hacer generalizable los resultados de una
investigación: ¿es la muestra una mini
población?

2 estrategias de muestreo:

1. probabilísticas: se conoce la probabilidad de seleccionar a un miembro individual de la

población.
2. No probabilísticas: no se conoce la probabilidad de seleccionar a un miembro individual
de la población.

Estrategias de muestreo probabilístico:

Son las más usadas pq la selección de participantes es al azar; reglas no sistemáticas y aleatorias
que hacen muy probable que la muestra represente a la población.

1. Muestreo aleatorio simple: cada miembro de la población tiene una probabilidad

igual e independiente de ser seleccionado en la muestra.

Tiene 4 pasos:
1. Definir población para sacar muestra.
2. Listar todos los miembros de la población.
3. Asignar números a cada miembro de la población.
4. Aplicar un criterio para seleccionar la muestra deseada.
 Tabla de números aleatorios: no se debe usar un criterio que esté relacionado con el
objeto de estudio. Si vas a estudiar cómo se ofrecen los voluntarios, no puedes pedir
voluntarios para el estudio.

2. Muestreo sistemático: se escoge cada kgésimo de una lista. Kgésimo es un número

entre cero y el tamaño de la muestra. Es más fácil de usar y menos problemático, aunque
viola el supuesto de que cada miembro tiene la misma probabilidad de ser seleccionado.

Estos dos sitemas funcionan bien cuando interesan características específicas de la

población: edad, sexo, grupo étnico, grupo de habilidad, etc.

3. Muestreo estratificado: ¿Qué pasa cuando a priori se sabe que los indicviduos de la
población no son iguales? En ese caso importa que el perfil de la muestra sea igual al perfil
de la población.

Ej: la población es 82%,católicos, 14% protestantes y 4% judíos; interesa que la muestra

refleje eso si la variable religión es impotante.
Se usa la tabla de números aleatorios para escoger aleatoriamente tantos sujetos como
representación de cada estrato dse requiera, si fueran 100 sujetyos en la muestra debiera
habr 82 católicos, 14 protestantes y 4 judíos. Previamente se han listado los sujetos por
religión.

4. Muestreo por cúmulos: se seleccionan unidades de individuos y no individuos

mismos. Ej.: se escogen consultorios de una ciudad y un número de ecuestas por
consultorio. Hay que asegurarse que las unidades sean homogéneas y no haya algún
sesgo (caso del prediatra que no vacuna niños en un consultorio).

Estrategias de muestreo no probabilístico

Se desconoce la probabilidad de escoger un solo individuo. Se debe suponer que los individuos
no tiemnen la misma probabilidad e independiente de ser seleccionados.

1. Muestreo de conveniencia: la muestra está basada sobre la conveniencia de quyien

selecciona: jugadores de un equipo de fútbol, los alumnos del profesor que realiza el
estudio, etc.

2. Muestreo por cuotas: para casos de estratificación de la muestra por alguna razón. Se
escogen personas con determinadas características (niños rurales de primer año) y se
reclutan individuos con estas características hasta cumplir la cuota. Es más fácil de usar
pero menos presciso que el estratificado.
Muestras y error de muestreo
Es imposible una muestra que represente perfectamente a una población.
Error de muestreo: falta de congruencia entre la muestra y la población: diferencia entre las
características de la muestra con las de la población.
La variabilidad y la dispersión indican la magnitud del error: a mayor diversidad de los valores de
las muestras, mayor el error.
A mayor tamaño de la muestra, menor el error (porque se va pareciendo progresivamente al
tamaño de la población).
Hay muestras más confiables que otras: mientras mejor representen a la población, más exactas
son.
¿Cómo minimizar el error de muestreo? Usar los mecanismos descritos y aumentar la muetra
hasta donde sea posible.

¿Qué tan grande es grande?

Las muestras deben ser suficientemente grandes para expresar las diferencias, pero no tanto
que las haga demasiado costosas o se piuerda la utilidad de la inferencia. Se requiere un método
para calcular el número real de una muestra.

Estimación del tamaño de la muestra

Componentes para estimar los tamaños de muestra de dos grupos que se van a compara entre
sí.

s = la desviación estándar de la variable dependiente, ¿qué tanta variabilidad hay en los puntajes
para esta variable?

t = el valor crítico necesario para rechazar la hipótesis nula.

D = la magnitud que se estima tiene la diferencia promedio entre los dos grupos.

Lo más importante del tamaño de la muestra:

1. Cuanto mayor es la muestra, menor es el error de muestreo.

2. Si se va usar distintos subgrupos, asegurarse de que la selección inicial es lo bastante
grande para hacer subgrupos.
3. Si se envían encuestas por correo, enviar un 40% o 50% más que el tamaño de la muestra
para contemplar la pérdida.
4. Lo grande es bueno, pero lo apropiado es mejor.
 El proceso de medición
Medición (S. S. Stevens, 1951):
asignación de numerales a objetos o
sucesos siguiendo ciertas reglas.

Hoy se dice que medición es la

asignación de valores a resultados.

Niveles de medición: escala

que representa una jerarquía de
precisión dentro de la cual una variable
podría evaluarse.

Nominal: niveles alto y bajo, por

ejemplo. Nivel tiene significado.

Ordinal: solo indica grupos diferentes,

sin significado.

Intervalo: se conoce la diferencia entre ambos grupos, pero también la magnitud de la

diferencia. X es 13 cms. Más alta que Z.

Medición de razón: la escala tiene un cero verdadero. En ciencias humanas es difícil usarlo, pero
tiene ventajas.

2 consideraciones importantes:

1. Las cualidades de un nivel son también cualidades del nivel siguiente superior: las
cualidades medidas en el nivel ordinal, contienen las variables medidas en el nivel
nominal.
2. En cualquier investigación, una variable de resultado pertenece a uno de estos cuatro
niveles de medición.
Nivel nominal de medición: son categóricas y difieren en calidad más que en cantidad. Todos los
niveles nominales son exclusivamente cualitativos. Las categorías son mutuamente excluyentes
(no se puede ser alto y a la vez bajo). Si se usan números como valores, estos no tienen
significado alguno.

Nivel ordinal de medición: describe variables que se pueden ordenar a lo largo de un continuo.
Se pueden poner en categorías y ordenar. Se usan como ordenamiento de resultados, aunque
solo se manejen dos categorías: grande – pequeño.
Nivel de intervalo de medición: (Interval lun (lat.): espacio entre paredes) describe variables que
tienen intervalos iguales entre ellas y permiten determinar la diferencia entre puntos a lo largo
de un continuo. Tienen puntos equidistantes a lo largo de un continuum.

Nivel de razón de medición: (del lat. ratio= cálculo) variables que tienen intervalos iguales entre
ellas pero que además tienen cero absoluto. Es posible la ausencia de la variable o el rasgo.

Confiabilidad y validez: por qué son importantes

Confiabilidad (coherencia) y validez (hace lo que debe hacer).

Confiabilidad

Algo que es confiable funcionara en el furo como lo ha hecho en el pasado. Hablar de

confiabilidad es hablar de puntajes, el desempeño de una persona es un puntaje formado por
tres componentes:

Puntaje observado: el puntaje que se registra: número de palabras, veces, etc. Consiste en los
otros dos puntajes: verdadero + error.

Puntaje verdadero: valor verdadero de la variable descontando cualquier influencia interna o

externa. Es un concepto teórico y se diferencia del observado pq este varía y el verdadero es
fijo.

Puntaje de error: abarca todas las razones porque el puntaje observado y el verdadero difieren.
Fuentes de error. Esto ocurre porque el rasgo que se está midiendo cambia permanentemente.

¿Qué constituye los puntajes de error?

Error de método: diferencia entre el puntaje verdadero y el observado y se debe a la situación
de prueba.

Error de rasgo: la diferencia se debe a una característica de la persona.

Cuanto más influyen los factores de error, menos probable es que el puntaje observado se
acerque lo más posible al puntaje verdadero.

Cuanto más se acerca una prueba al puntaje verdadero, más confiable es.
Hay que reducir las porciones de error para tener más confiabilidad.
Conceptualmente la confiabilidad es un cociente, a menor error aumenta la confiabilidad y se
acerca a 1.

¿Cómo aumentar la confiablidad?

Minimizar las fuentes de error, de método y de rasgo.

1. Aumentar el número de reactivos y observaciones.

2. Eliminar reactivos poco claros.
 3. Estandarizar las condiciones en que se toma una prueba.
4. Moderar la facilidad y la dificultad de las pruebas.
5. Minimizar el efecto de factores externos.
6. Estandarizar las instrucciones.
7. Mantener procedimientos de calificación coherentes.

¿Cómo se mide confiabilidad?

La confiabilidad se mide con coeficientes de correlación: valor numérico que se representa como
r minúscula. La correlación entre la prueban1 y la prueba 2 se representaría como
r prueba1∗prueba 2
Mientras más similares los puntajes entre ambas pruebas (dos momentos distintos) mayor
correlación y mayor confiabilidad. La confiabilidad es cuestión de instrumento, no de individuo.

Lo coeficientes de confiabilidad (lo mismo que correlación) varían entre -1.00 y 1.00. 1.00 es la
correlación perfecta osea, sin error de medición. Las pruebas estandarizadas que se usan en las
investigaciones suelen tener 0.80 a 0.90.

Confiabilidad de prueba original y repetida

Examina la confiabilidad con el tiempo: ¿qué tan estable es una prueba con el tiempo? Se
administra la prueba al mismo grupo de personas en dos puntos del tiempo distintos.
Confiabilidad de formas paralelas
Examina la confiabilidad entre formas: se administran formas paralelas de la misma prueba al
mismo grupo de personas. Luego se correlacionan los dos conjuntos de puntajes. SI la
correlación es estadísticamente significativa, se dice que las pruebas son equivalentes.

Confiabilidad intercalificadores
Medida de consistencia entre dos calificadores para clasificar sucesos en una misma categoría
(mismo ejercicio de una rúbrica). Se calcula tomando el número de acuerdos y dividiéndolo por
el número de periodos calificados. Es clave adiestrar a los calificadores para el ejercicio.

Consistencia interna
Examina qué tan unificados están los reactivos en una prueba o evaluación (se espera que todos
los reactivos de una prueba se relacionen con el constructo que se quiere medir. Esto se mide
correlacionando cada uno de los ítems de la prueba con el desempeño total de la prueba o
escala. Es un coeficiente de correlación.

VALIDEZ
Que la prueba mida lo que se supone debe medir.

1. Se refiere a los resultados de una prueba y no a la prueba misma.

2. Nunca es una cuestión de todo o nada: ni válidos ni no válidos. Es gradual de escasa
validez a mucha validez.
3. La validez de resultados se debe interpretar dentro del contexto en el que ocurre la
prueba (no poner sumas si se quiere medir multiplicaciones, aunque suma sea válido
como habilidad para sumar).

Hay distintos tipos de validez:

Tipos de validez
4 tipos:

Validez de contenido

Grado en que una prueba representa el universo de reactivos del cual se extrajo. ¿Cuán bien
cubren los reactivos seleccionados el universo o dominio que quieren evaluar? Esta validez
habitualmente la reconoce un experto en el dominio.

Validez de criterio

Qué tan bien una prueba estima el desempeño actual (validez concurrente) y también qué tan
bien predice el desempeño futuro (validez predictiva).

Medida del grado en que una prueba está relacionada con algún criterio. Se usa para evaluar las
pruebas de capacidad (habilidades actuales) y de aptitud (habilidades potenciales).
Siempre hay que observar bien el criterio y la relación de dicho criterio con la prueba, pues esto
introduce la duda sobre qué miden realmente las pruebas.

Validez de constructo
Es la más importante.

El grado en que los resultados de una prueba se relacionan con constructos sicológicos
subyacentes. Relaciona los puntajes de una prueba con alguna teoría o modelo conductual
subyacente.

La relación entre confiabilidad y validez

Una prueba puede ser confiable, pero no válida; pero una prueba no puede ser válida si no es
confiable. La confiabilidad es condición necesaria para la validez.
Una prueba puede ser confiable y evaluar de manera consistente un resultado, pero si ese
resultado no se relaciona directamente con lo que se está estudiando, la prueba no será válida.