ANÁLISIS DE INFORMACIÓN

Cuando los autores hablan de "Análisis de datos" se refieren a los procedimientos,

técnicas y conceptos que permiten obtener un conocimiento con determinadas
características.  Dentro de esta disciplina, se han distinguido tradicionalmente dos
intereses diferentes que guardan cierta dependencia y que son dos conceptos clave del
análisis de datos en psicología: la descripción y la inferencia. 

SELECCIÓN DE DATOS

Recogida, análisis de datos

Recogida de datos: A través de la observación sistemática,
las encuestas y los experimentos. En medios naturales
(estudio de campo) o en medios artificiales (Situaciones
creadas por el investigador). Análisis de datos Factores a
tener en cuenta al realizarlas cuatro tareas del análisis de
datos: Hay que decidir, aunque sugerimos el doble entorno:
Estadística Descriptiva. Si nos quedamos en la muestra.
Estadística Inferencial. Si queremos inferir hacia la población
utilizando la probabilidad. Nivel de medida de las variables:
Nivel de medida de intervalo o de razón. Procurar medir en el
nivel mas alto posible, pues estos incluyen a los bajos, pero
no al revés. Problema que se ha planteado y la forma en que
se han recogido los datos. Siempre se ha de hacer un
equilibrio entre lo posible y lo conveniente, para no verse
inundado de análisis distintos. Es recomendable realizar un
sistemático pluralismo "analítico": La sistematicidad implica
que debe de existir un plan detallado con objetivos
determinados tanto para recoger como para analizar datos.
Pluralismo (cualquier forma de investigar tiene sus
limitaciones. Estas se pueden minimizar optimizando los
análisis, para lo cual es necesario procurar múltiples y
plurales formas de análisis. Esta pluralidad incluye los
referentes a datos no empíricos y los desarrollos puramente
matemáticos o teóricos. Tareas del análisis de datos: Formas
de resumir los datos. Disponer de índices que resuman
 distintos aspectos de la distribución. Índices de tendencia
central. Indican el centro de una distribución.
Calcular:
 La media aritmética: Sumamos las puntuaciones y las
dividimos por le nº de ellas. Ej. (31+31+25+28+30)/5 =29 La
moda: La observación más frecuente es 31
 La mediana: Ordenando las puntuaciones, la puntuación
central es 30. Índices de variabilidad o dispersión. Indican
cuan dispersos están los datos de la variable.
 Varianza o varianza sesgada. Calculando las
puntuaciones diferenciales (restando la media de cada
puntuación), elevándolas al cuadrado, sumándolas y
dividiéndolas entre el nº de ellas. Ej. S2s = / 5 = 5,2
 Varianza insesgada. Dividimos el nº de casos menos
uno: Ej. VI = / (5-1) = 6,5
 Desviación típica insesgada. Sacando la raíz cuadrada
de la Varianza insesgada (VI) Ej. DTI = Ö VI = Ö 6,5 = 2,55
 Desviación típica sesgada. Sacando la raíz cuadrada de
la Varianza o varianza sesgada (S2s) Ej. Ss = Ö S2s = Ö 5,2
= 2,28 Amplitud total de la distribución. Si se resta el valor
mínimo del valor máximo Ej. AT = 31 - 25 = 6
 Índices de asimetría. ¿Es una distribución de
puntuaciones simétrica?. Restando la moda de la media y
dividiendo esta diferencia entre la desviación típica sesgada.
As = (29 - 31) / 2,28 = -0,88 Si es menor que cero, es decir,
negativa (hay mas puntuaciones altas que bajas) Si es mayor
que cero, es decir, positiva (hay mas puntuaciones bajas que
altas)
Si es cero es simétrica (una parte de la distribución es reflejo
de la otra) Índices de apuntamiento. ¿Es una distribución de
puntuaciones achatada? Buscando patrones (regularidades o
diferencias) en los datos. Una de las mejores formas es la
representación grafica. Pronosticando resultados en función
de los datos. Predicciones explotando sus relaciones. Cuando
se reconoce un patrón la mejor forma de resumirlo es por
medio de una función. Aunque no pase por todos los puntos
nos ofrece una forma más sencilla, aunque incompleta, de
describir los datos además de la naturaleza e intensidad de
las relaciones entre ellos.
Generalizando a la población desde la muestra. Generalizar
los resultados anteriores a campos más amplios que los de la
muestra inicial de la que partimos haciendo inferencias a la
población con ayuda del análisis de datos descriptivo
aplicando la probabilidad. Pasamos por medio de inferencias
a generalizar hacia resultados poblacionales.

Establecimiento de un procedimiento para la

recogida de datos
Hay que planificar la recogida de datos de la investigación. Las conclusiones del
estudio se basarán en dichos datos. El investigador debe decidir qué clase de
datos necesita recoger y con qué instrumentos o técnicas debe recogerlos. Tendrá
que tomar decisiones sobre el procedimiento que mejor se ajuste a sus objetivos
dentro de la estrategia metodológica con la que se desarrolla el estudio. Esto
supondrá tomar decisiones sobre el diseño concreto y sobre las técnicas de
recogida de datos.
Se recomienda hacer un estudio piloto que es la aplicación del procedimiento
previsto para la investigación en una pequeña muestra de personas con el objeto
de detectar problemas, inconvenientes o ambigüedades susceptibles de ser
corregidas.

Selección y descripción de la muestra

Para elegir una muestra, primero hay que especificar la población del estudio.
Luego, se elegirá la muestra. Si la muestra elegida no representa a la población,
nuestros resultados no serán generalizables a dicha población.
A cada elemento de la muestra se le denomina unidad muestral. Los sujetos
constituyentes de la muestra utilizada en el estudio se denominan participantes.
Es muy importante determinar cuántas unidades muestrales vamos a necesitar
en función de las necesidades del estudio y las técnicas estadísticas previstas y
que procedimiento de muestreo debe seguirse, con el objetivo de que la muestra
sea lo más representativa posible de la población.
Población: conjunto, finito o infinito, de elementos definidos por una o más
características de las que gozan todos los elementos que la componen y sólo
ellos.
Censo: estudio de todos los elementos que componen la población.
Muestra: su conjunto o de elementos de una población.
Muestreo: proceso por el cual es elegida la muestra. Este puede ser
probabilístico y no probabilístico.
Indiferencia estadística: generalización de los resultados de la muestra a la
población.

Aparatos y materiales
Una decisión importante es que la elección de los instrumentos y materiales de
la investigación.
El investigador debe tener buenos conocimientos de psicometría para la
selección y elaboración de los instrumentos de medida.
Deben considerarse las distintas opciones disponibles, sus prestaciones y su
coste, así como la fiabilidad del aparato. Todos estos aspectos habrá que
detallarlos en el informe de investigación.

PROCESAMIENTO DE DATOS

Proceso de Datos se refiere normalmente a la conversión de información verbal o escrita en datos

que son leídos por una máquina.

El término inglés Data processing parece mejor traducido por la expresión Procesamiento de
Datos. Sin embargo, el uso habitual en nuestro contexto y que se ha convertido en más común es
el de Proceso de Datos. En nuestra opinión, ambos términos son aceptables y, aunque podríamos
identificar los matices que diferencian una expresión de la otra, el hecho de estar creando un
significado particular en castellano del contexto de la disciplina de la Psicología que no
corresponde exactamente con las palabras que componen esta etiqueta, hace que, en nuestra
opinión, esta distinción no sea fundamental. Por ello, nuestro uso será el del hábito al que
estamos acostumbrados (Proceso de Datos), aunque no consideramos erróneo utilizar el término
alternativo de Procesamiento de los Datos.
CUADROS ESTADISTICOS Y LOS GRÁFICOS

EL RESUMEN

ANALISIS CRITICO

el campo de la Psicología, el análisis de datos es fundamental.

La de estadística en una asignatura clave en el grado de Psicología por varias

razones de peso. Nos referimos a materias como “Fundamentos de investigación”,
“Análisis de datos”, “Diseños de investigación” o “Psicometría”. Asignaturas que
servirán al alumnado para ser aún más consciente de la utilidad de la estadística
en Psicología.

Interpretación de los resultados

Es la vinculación de los resultados de los análisis de datos
con la hipótesis de investigación, con las teorías y con
conocimientos ya existentes y aceptados.
Tipos de problemas que podríamos tener con
las interpretaciones de ciertos datos específicos: Atenuación
de la escala de medida. Como han de interpretarse
ejecuciones que alcanzan sistemáticamente o nunca pueden
alcanzar, los limites de la escala de medida. Este problema
se puede resolver haciendo un estudio piloto, detectando
estos fallos y ampliando la escala en la nueva interpretación.
Efecto techo. Si siempre rozamos las puntuaciones más altas.
Efecto suelo. Si siempre rozamos las puntuaciones más
bajas. Regresión a la medida. Es un fenómeno no deseado
que aparece en casi todas las investigaciones cuando se pide
un juicio cuantitativo. Es la tendencia a emitir respuestas
cercanas a la media o valores centrales cuando se piden
evaluaciones de alto extremo. Nos puede llevar a
conclusiones erróneas.
Los resultados deben ser interpretados en cuanto a: La
magnitud del efecto obtenido y las tendencias o regularidades
observadas. Comparar estos resultados con los obtenidos por
otro investigadores en trabajos semejantes. Conclusiones
claras del trabajo realizado.

Análisis de datos
Después de recoger los datos procedemos a su análisis mediante técnicas
estadísticas, con el fin de obtener resultados interpretables en relación con los
objetivos de la investigación.
Lo primero que debemos hacer con los datos es organizarlos y describirlos a
través de puntuaciones resumen, para que resulten manejables y sobre todo más
informativos, esta tarea le corresponde a la estadística descriptiva.
La estadística inferencial nos permite considerar las posibilidades de
generalización a la población desde la muestra.
El estadístico de contraste se plantea como una medida estandarizada de la
discrepancia que hay entre la hipótesis de partida (nula) que se hace sobre la
población y el resultado de la diferencia de medias obtenido en la muestra(los
datos de los dos grupos del estudio).
La elección del estadístico de contraste más adecuado para analizar nuestros
datos se basará en los objetivos del análisis y en la comprobación de que los
datos cumplen un conjunto de supuestos o características:
 El nivel de medida y el tipo de variables: niveles de escala de medida más
altos permiten aplicar técnicas estadísticas más potentes. Debemos tender a
medir en el nivel más alto posible para disponer de más información y más
posibilidades de trabajo con los datos.
 La independencia/dependencia de las observaciones: puntuaciones
procedentes de participantes proporcionan medidas independientes, mientras que
dos medidas de la misma variable proporcionada por los mismos participantes,
tomada en dos momentos o condiciones distintas, son medidas que se consideran
dependientes o relacionadas, ya que la fuente de medidas es la misma, los
mismos individuos.
 Aspectos de la distribución.
En función de que nuestros datos cumplan unos u otros supuestos podemos
elegir entre los llamados contrastes paramétricos (permiten contrastar hipótesis
referidas a alguna parámetro, necesitan supuestos exigentes pero se obtiene
mucha información) y no paramétricos (no necesitan establecer supuestos
exigentes).