El Papel de la Estadística en

la Investigación

Ignacio Méndez Gómez-Humarán

imendez@cimat.mx
 2.1 Introducción

La investigación puede:
a) Producir conocimiento y teorías (investigación básica)
b) Resolver problemas prácticos (investigación aplicada)

La investigación es un proceso: lo que significa dinámico, cambiante y

continuo
En toda investigación debe haber concordancia lógica entre:

 La hipótesis y los objetivos

 La estructura de investigación (Diseño)

 El análisis y la interpretación de los resultados

 Estado real del fenómeno de interés

Observación de la realidad
a través del diseño Di

Figura 1.- El papel del diseño

ruido
Diseño de
de la investigación en la Investigación

contrastación de hipótesis
Nuevos Datos
datos disponibles
(Proceso de aprendizaje
científico modificado de Box,
Hunter y Hunter; 1978), donde Teoría o Hipótesis
conocimiento Hipótesis Hi Deducción Análisis Inducción
Modificada Hi+1
previo
la ventana representa el
diseño de la Investigación, Di
Consecuencias
de Hi

La Hipótesis Hi+1 remplaza a Hi

En el proceso de la Investigación Científica, la Estadística juega un papel
fundamental en dos etapas:

 En el Diseño Estadístico de investigación, donde se requiere una

planeación muy cuidadosa para la obtención de los datos científicos
confiables.

 En el Análisis Estadístico de los datos, donde se aplican distintas técnicas

para estudiar el comportamiento de los datos y se usan modelos para
representar y comprender el fenómeno en estudio.
 2.2 El diseño estadístico
En esta fase se requiere planear cuidadosamente la toma de los datos para la
investigación. Es importante decidir que características del fenómeno observado son
de interés y como se mide cada una de estas características. En la estadística existen
dos ramas que nacieron en contextos distintos y que establecen bases para el
diseño de investigación, estas son:

 El Diseño de Muestreo.

 El Diseño de Experimental.
 2.2.1 Diseño de
muestreo
El objetivo del muestreo estadístico es
POBLACION
obtener conocimiento científico valido,
que se puede lograr con una muestra ION
CC
U N
aleatoria (deducción) y permite realizar D ED C IO
DUC
inferencias o estimaciones IN
MUESTRA
(inducción) sobre la población (figura
1).
 2.2.2 Diseño experimental
El diseño de experimentos nace en las ciencias agrícolas con R. A. Fisher, quien busca estudiar el
comportamiento de un fenómeno con pequeñas variantes en una o más de las características
importantes, conservando el resto de manera similar para evitar confusiones (comparabilidad).
 2.2.3 Análisis Estadístico
Una vez obtenidos los datos con criterios estadísticos apropiados, se procede al análisis para conocer su
comportamiento, establecer modelos y contrastar hipótesis. Aquí existe una diversidad de métodos muy útiles como:

 Análisis Exploratorio de Datos como Estadísticas descriptivas, gráficos y tablas generales, etc.

 Métodos inferenciales como intervalos de confianza y pruebas de hipótesis (paramétricos y no paramétricos)

(clásicos o bayesianos).

 Métodos Multivariados de relación como: Modelos Estadísticos Lineales, Modelos Lineales Generalizados, Modelos
Aditivos Generalizados, Modelos de Ecuaciones Estructurales, Modelos de Series de Tiempo, Arboles de
Clasificación y de Regresión, etc.

 Métodos Multivariados de interrelación como: Análisis de Conglomerados, Análisis de Componentes Principales,

Análisis de Factores, Escalamiento Multidimensional, etc.

 Métodos de simulación de Procesos Estocásticos, etc.

Finalmente, los resultados obtenidos de todo el proceso de la
investigación, deberán contrastarse con la información teórica
acumulada en la revisión bibliográfica que se realizó inicialmente
para lograr unas buenas conclusiones y recomendaciones.

NOTA: Es importante mencionar que los métodos estadísticos no

demuestran nada, solo aportan mayor seguridad en las
conclusiones o las hipótesis propuestas.
 2.2.4 Factores de Confusión
Muchos de éstos errores y sesgos se pueden evitar con el diseño apropiado de la investigación.

En todo estudio observacional comparativo, existen factores de confusión, pueden distorsionar

los resultados, introducir sesgos y llevar a conclusiones erróneas.

Los factores se denominan de “confusión” si cumplen que:

• Los grupos difieren respecto al factor en cuestión
• El factor tiene influencia sobre la variable de interés

A continuación se presentan algunos ejemplos del efecto de los factores de confusión:

 Ejemplo

En un estudio donde se evalúa el efecto de usar cinturón de seguridad en la

fatalidad de los accidentes de tránsito (Anderson, et al; 1980), los resultados
se presentan en la siguiente tabla:
Uso del cinturón

Conductor Abrochado No abrochado Total

Muerto 10 20 30

Vivo 40 30 70

Total 50 50 100

Tasa de fatalidad 0.2 0.4

Esto nos llevará a concluir que existe una reducción de 0.2 en la tasa de
fatalidad debida al uso de cinturón de seguridad:
Ji cuadrada de Pearson: 2 = 4.76, p = 0.029
 Ejemplo

Sin embargo, un factor (de confusión) que influye de manera importante

en la fatalidad es evidentemente la velocidad a la que se impactan los
vehículos, de modo que la tabla apropiada es:
Velocidad de impacto y uso de cinturón
Baja Alta

Conductor Abrochado No abrochado Abrochado No abrochado Total

Muerto 4 2 6 18 30
Vivo 36 18 4 12 70
Total 40 20 10 30 100

Tasa de fatalidad 0.1 0.1 0.6 0.6

Esto nos llevará a concluir que la tasa de fatalidad esta influenciada

principalmente por la velocidad que no se había considerado.
 Ejemplo

Un diagrama de la posible asociación de estos tres factores es:

Uso del cinturón

Fatalidad
de seguridad

Velocidad de
impacto

Ambos factores tienen influencia directa sobre la fatalidad y además

están correlacionados.
Una preocupación central en toda investigación que busque contrastar una hipótesis de
causalidad probabilística es eliminar posibles factores de confusión, a esto se le ha llamado:
CONTROL DE FACTORES DE CONFUSIÓN
El control de factores de confusión se realiza de manera general por:
a) Formación de bloques, igualación de atributos o estratificación
b) Aleatorización y repetición
c) Homogenización (inferencias restringidas a un valor común del posible factor de confusión)
d) Análisis Estadístico (covarianza, regresión múltiple, modelos logarítmicos lineales y técnicas afines)
2.3 Clasificación de los Tipos de Estudio

Ignacio Méndez Gómez-Humarán

imendez@cimat.mx
Conocer las características de las investigaciones que se realizan
es fundamental para lograr una buena planeación, desarrollo y
conclusión de prácticamente cualquier estudio científico.
El tipo de investigación se debe elegir de acuerdo a los objetivos
que se proponen, el problema específico que se quiere abordar y
los recursos con que se cuenta.
Una forma de clasificar las investigaciones, es en función de
cuatro criterios básicos propuestos por Méndez et al (1984),
esquemáticamente son:
 2.3.1 Criterios de clasificación
1.- Retrospectivo:
Información captada en el pasado, registrada en diversos
medios, ajenos a la investigación que se planea.
2.- Longitudinal:
Se miden en los mismos elementos y en varias ocasiones
la(s) variable(s) de interés. Implica el seguimiento para
comparar la evolución de esos elementos.
3.- Descriptivo:
Hay una sola población y no hay una hipótesis comparativa,
en términos de relaciones de causalidad. Sólo se pretende
describir el fenómeno, y puede haber una hipótesis que
adelante la descripción, explicando el cómo, cuándo o dónde
de los procesos.
4.- Observacional:
No se modifican a voluntad del investigador los factores que
intervienen en el fenómeno. Únicamente se efectúa una
selección de elementos para su medición, lo que determina el
diseño de la investigación.
Prospectivo:
Información captada en el futuro, de acuerdo a los fines de la
investigación.
Transversal:
Se miden en una sola ocasión la o las variables. No se
considera la evolución temporal de las unidades o elementos
estudiados.
Comparativo:
Hay dos o más poblaciones que se quieren comparar, en una o
más variables, para contrastar una hipótesis de causalidad.
Hay dos variantes: De causa a efecto, las poblaciones se
definen por la causa. De efecto a causa, las poblaciones se
definen por el efecto.
Experimental:
Se modifica a voluntad del investigador las variables del o los
factores causales (diseño de tratamientos). Se puede hacer
aleatorización y repetición para el control de factores de
confusión, la construcción de bloques (lo que determina el
diseño experimental)
 2.3.2 Descripción de 8 tipos de estudio
CRITERIOS NOMBRE
Retrospectivo Descriptivo 1.- Encuesta descriptiva
Transversal
o Prospectivo Comparativo 2.- Encuesta comparativa
Descriptivo 3.- Revisión de casos
Comparativo de
Observacional Retrospectivo 4.- Casos y controles
efecto a causa
Longitudinal Comparativo de
5.- Perspectiva histórica
causa a efecto
Descriptivo 6.- De una cohorte
Prospectivo Comparativo 7.- De varias cohortes
Experimental 8.- Experimento
Encuesta Descriptiva

Extrapolación
m
P = población
m = muestra

m
Encuesta Comparativa

P1 P2

Extrapolación
m1 m2

m1 m2
P1 y P2 = poblaciones
m1 y m2 = muestras
Revisión de casos

Pasado Presente Futuro

P1 P1

en el presente
Extrapolación
m1 m1
Extrapolación
en el pasado

Evolución Posible seguimiento

m1 m1
mediciones

P= poblaciones Captación de información

m = muestras de aspectos en el pasado
Casos y controles

Pasado Presente Futuro

Busqueda del
factor causal Casos

Evolución

Expuestos m1 m1 P1
seguimiento retrospectivo

No expuestos
Controles

seguimiento retrospectivo
Expuestos m2 m2 P2 P1 = población de casos
m1 = muestra de casos
Evolución
P2 = población de controles
m2 = muestra de controles
Se supone que en el pasado
no esta presente el efecto
Perspectiva histórica

Pasado Presente Futuro

P1

Evolución Posible seguimiento

P1 m1 m1 m1
seguimiento
retrospectivo

Evolución Posible seguimiento

P2 m2 m2 m2
seguimiento
retrospectivo

P1 y P2 = poblaciones P2
m1 y m2 = muestras
Estudio de una cohorte

Pasado Presente Futuro

P1 = población P1
m1 = muestra

seguimiento

P1 P1 m1 m1 m1

mediciones
Estudio de cohortes

Pasado Presente Futuro

P1

seguimiento

P1 P1 m1 m1 m1

mediciones

P2 P2 m2 m2 m2

mediciones

P1 y P2 = poblaciones P2
m1 y m2 = muestras
Experimento

Pasado Presente Futuro

P con
P con T1
Seguimiento
T1
m1 m1

P con
Pi m m2 m2 T2

P con
Pi = población inicial T2 m3 m3
m = muestras
T = tratamientos P con
extrapolación Mediciones T3

P con
Tratamientos Evaluación
T3 final

Asignación aleatoria
a los tratamientos
En cualquier investigación no es necesario que se cubran todos los tipos
de estudios propuestos, ni tampoco son exclusivos para determinadas
situaciones; es decir, que un problema específico puede abordarse con
uno o varios tipos de estudio.
A menudo se requiere el desarrollo de una gran diversidad de
investigaciones, algunas iniciales que sugieran posibles hipótesis, otras
que posteriormente apoyen o refuten las hipótesis propuestas en diversos
contextos.
Diferentes tipos de investigación proporcionan niveles de soporte distintos
a una misma hipótesis; por esto, es común que se tengan numerosos
estudios sobre una misma relación de causalidad.