EPISTEMOLOGÍA Y

METODOLOGÍA DE
LA INVESTIGACIÓN
Estrategias de análisis de
datos: cuali y cuanti
 OBJETIVOS DE LA CLASE

Comprender qué es un "dato" en el campo de la

investigación.
Situar el análisis de datos en el proceso de
investigación.
Caracterizar el análisis de datos cualitativos.
Caracterizar el análisis de datos cuantitativos
Comparar las estrategias de análisis de datos
cualitativos y cuantitativos.
¿QUÉ ES UN DATO?

u c e n
Se prod
 Identificación de
un problema
científico

D u ac
ió la

de e
es n ci
ac de
n

ar p ón
d

ro lan
rm n
fo ió

llo
in ifus

Proceso de
D

investigación

nc ión
Ob te os
Análisis de la n u ev
e
d atos
información d
Estrategias de análisis
cualitativas
 Producción Análisis de datos
de datos
¿Qué hacer con los
datos?
Entrevistas. Varía según el diseño del
Grupos de proceso de investigación
seleccionado: teoría
discusión o focales. fundamentada, estudio
Observación. de caso, etnografía,
fenomenología, narrativa,
Entre otros.... etc.
 ME NTA DA
R ÍA FUN DA
TEO Y)
ED THE OR
(GROU ND
La teoría (hallazgos) va emergiendo fundamentada en los
datos. No es un proceso lineal.

Sabemos dónde comenzamos, pero no dónde habremos de

terminar.

Proceso iterativo.

En ocasiones es necesario regresar al campo por más datos

enfocados.

Lógica inductiva.
Proceso de análisis
fundamentado de
los datos
 1. Preparación
Acitiviad 1 Actividad 2
Organizar los datos por criterio: Transcribir los materiales de
1. Cronológico entrevistas y sesiones.
2. Por sucesión de eventos
3. Por tipo de datos: entrevistas, Volver a explorar el sentido
observaciones, documentos,
general de los datos, revisar
fotografías, artefactos.
4. Por grupo o participante todos, ahora reprocesados
5. Por ubicación del ambiente (incluso anotaciones), en
6. Por tema particular si varixs
7. Importancia del participante investigadorxs los
8. O bien otro criterio. recolectaron.
1. Preparación
Acitiviad 3
Segunda bitácora o memos (distinta a la de campo).

Asegurar que el material esté completo y posea la calidad necesaria para

ser analizado.

En caso de que no sea así (grabaciones que no se entienden, documentos

que no pueden leerse), es preciso realizar las mejoras técnicas (“limpiar”
grabaciones, optimizar imágenes, etcétera).
2. Codificación

La codificación tiene dos planos o niveles: en el primero, se codifican

las unidades en categorías; en el segundo, se comparan las
categorías entre sí para agruparlas en temas y buscar posibles
vinculaciones.
Procedimiento: elx investigadorx considera dos segmentos de
contenido, los analiza y compara. Si son distintos en términos de
significado y concepto, de cada uno induce una categoría, si son
similares, induce una categoría común.
Códigos: identifican a las categorías que emergen de la comparación
constante de segmentos o unidades de análisis.
2. Codificación: ejemplo de método comparativo
constante primer plano (abierto)
2. Codificación: actividades del primer
plano (Abierto)

1. Advertir cuestiones relevantes en los datos.

2. Analizar esas cuestiones para descubrir

similitudes y diferencias, así como estructuras.
3. Recuperar ejemplos.
2. Codificación: segundo plano (Axial)

Describir e interpretar el significado de las categorías.

Integrar las categorías en temas y subtemas más generales, con
base en sus propiedades.
Descubrir temas implica localizar los patrones que aparecen de
manera repetida entre las categorías.
Cada tema que se identifica recibe un código (como lo hacíamos
con las categorías).
Los temas son la base de las conclusiones que emergerán del análisis.
Necesitamos generar relaciones entre códigos.
2. Codificación: segundo plano (axial) ¿Cómo?

1. Descripciones de cada categoría. Ofrecer una descripción

completa de cada categoría y ubicarla en el fenómeno que
estudiamos.
2. Significados de cada categoría. Analizar el significado de la
categoría para lxs participantes.
3. Presencia de cada categoría. La frecuencia con la cual aparece
en los materiales analizados (cierto sentido cuantitativo).
4. Relaciones entre categorías. Encontrar vinculaciones, nexos y
asociaciones entre categorías: temporales, causales o de conjunto-
subconjunto.
3. Generar hipótesis, explicaciones y teorías

Con base en la selección de temas y el establecimiento

de relaciones entre categorías comenzamos a
interpretar los resultados y entender el fenómeno de
estudio, así como generar teoría.
a) Producir un sistema de clasificación (tipologías).
b) Presentar temas y teorías.
3. Generar hipótesis, explicaciones y teorías

Visualizar las relaciones:

1. Diagramas de conjuntos o mapas conceptuales.
a) Históricos (ej., que narran secuencias de hechos, cambios
ocurridos en una comunidad u organización).
b) Sociales (que precisan los grupos que integran un ambiente,
una organización, una comunidad).
2. Matrices. Son útiles para establecer vinculaciones entre categorías
o temas (o ambos). Las categorías y/o temas se colocan
como columnas (verticales) o como renglones o filas (horizontales).
3. Metáforas. Extraer significados o captar la esencia de relaciones
entre categorías.
3. Generar hipótesis, explicaciones y teorías

4. Establecimiento de jerarquías (de problemas, causas,

efectos, conceptos).
5. Calendarios (fechas clave, días críticos, etcétera).
6. Otros elementos de apoyo. Es posible agregar a nuestro
análisis el material adicional que recolectamos en el campo,
como fotografías, dibujos, artefactos, etc
3. Generar hipótesis, explicaciones y teorías
Proceso de codificación

Codificación: abierta - axial - selectiva (temas)

Software
Estrategias de análisis
cuantitativas
 r u m e n t o s d e
In s t Mat r i z
Programas
estadísticos:
datos
s SPSS, STATA,
Enc u e s t a etc
E s c a l a s
Test
...
Los análisis cuantitativos de los datos
dependen de tres elementos:

a) El nivel de medición de las variables:

nominal, ordinal, intervalo, razón.
b) La manera como se hayan
formulado las hipótesis.
c) El interés delx investigadorx.
 D E S C R I P T I V A
ESTAD ÍSTICA
Describir los datos, los valores o las puntuaciones
obtenidas para cada variable.

Distribución de frecuencias
Medidas de tendencia central
Medidas de variabilidad
Asimetría y curtosis
Razones y tasas
Ejemplos Distribución de frecuencias
Ejemplos Distribución de frecuencias
Ejemplos Distribución de frecuencias
Ejemplos Distribución de frecuencias
 Ejemplos

Distribución
de frecuencias
Medidas de tendencia central

El nivel de medición de la variable determina cuál es la

medida de tendencia central apropiada para interpretar.

Media: promedio aritmético de una distribución y es la

medida de tendencia central más utilizada.

Moda: categoría o puntuación que se presenta con

mayor frecuencia.

Mediana: valor que divide la distribución por la mitad.

Ejemplos Medidas de tendencia central

24 31 35 35 38 43 45 50 57

Media: 39.7 (Suma de casos/ Cantidad de

casos). No se aplica en variable ordinales
ni nominales.
Moda: 35
Mediana: 38 (N+1/2)
Medidas de Dispersión
¿Dónde están diseminadas las puntuaciones o los valores
obtenidos?

Rango: diferencia entre la puntuación mayor y la puntuación menor. Indica

el número de unidades en la escala de medición que se necesitan para
incluir los valores máximo y mínimo.

Desviación estándar o típica: promedio de desviación de las puntuaciones

con respecto a la media. Esta medida se expresa en las unidades originales
de medición de la distribución. Se interpreta en relación con la media.
Cuanto mayor sea la dispersión de los datos alrededor de la media, mayor
será la desviación estándar.

Varianza: es la desviación estándar elevada al cuadrado. Es un concepto

estadístico muy importante, ya que muchas de las pruebas cuantitativas se
fundamentan en él.
 Ejemplos Medidas dispersión

Escala de actitud hacia el presente

Actitud Actitud
-favorable +favorable

Variable: actitud hacia el presidente

Moda: 4.0 Mediana:
3.9 Media: 4.2
Desviación estándar: 0.7
Puntuación más alta observada (máximo): 5.0
Puntuación más baja observada (mínimo): 2.0
Rango: 3
 Ejemplos Medidas dispersión

Escala de actitud hacia el presente

Actitud Actitud
-favorable +favorable

Interpretación: la actitud hacia el presidente es favorable.

La categoría que más se repitió fue 4 (favorable).
Cincuenta por ciento de lxs individuxs está por encima
Variable: actitud hacia el
presidente del valor 3.9 y el restante 50% se sitúa por debajo de este
Moda: 4.0 Mediana: valor (mediana).
3.9 Media: 4.2 En promedio, los participantes se ubican en 4.2
Desviación estándar: 0.7
Puntuación más alta (favorable).
observada (máximo): 5.0 Se desvían de 4.2, en promedio, 0.7 unidades de la escala.
Puntuación más baja Ninguna persona califi có al presidente de manera muy
observada (mínimo): 2.0
Rango: 3
desfavorable (no hay “1”).
Las puntuaciones tienden a ubicarse en valores medios o
elevados.
 Ejemplos Medidas dispersión

Escala de actitud hacia el presente

Actitud Actitud
-favorable +favorable

Variable: actitud hacia el presidente

Moda: 1
Mediana: 1.5
Media: 1.3
Desviación estándar: 0.4
Varianza: 0.16
Máximo: 3.0
Mínimo: 1.0
Rango: 2.0
 Ejemplos Medidas dispersión

Escala de actitud hacia el presente

Actitud Actitud
-favorable +favorable

Variable: actitud hacia el

Interpretación: la actitud hacia el presidente
presidente
Moda: 1 es muy desfavorable.
Mediana: 1.5 La variabilidad también es menor en el caso
Media: 1.3
de la actitud muy desfavorable (los datos se
Desviación estándar: 0.4
Varianza: 0.16 encuentran menos dispersos).
Máximo: 3.0
Mínimo: 1.0
Rango: 2.0 ¿Por qué?
 Asimetría y curtosis

Asimetría: permite conocer cuánto se parece nuestra

distribución a una distribución teórica llamada curva
normal y constituye un indicador del lado de la curva
donde se agrupan las frecuencias.
Si es cero, la curva es simétrica. Cuando es +, hay más valores agrupados hacia la
izquierda de la curva (por debajo de la media). Cuando es -, los valores tienden a
agruparse hacia la derecha de la curva (por encima de la media).

Curtosis: es un indicador de lo plana o “picuda” que es una

curva.
Cuando es cero (curtosis = 0), signifi ca que puede tratarse de una curva normal. Si es positiva,
quiere decir que la curva, la distribución o el polígono es más “picuda(o)” o elevada(o). Si la
curtosis es negativa, indica que es más plana la curva.
Ejemplos

Asimetría y
curtosis
 Razones y tasas

Razón: es la relación entre dos categorías.

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.
Ejemplos Razones y tasas

Categoría Frecuecia
Varón 60
Mujer 30

La razón de hombres a mujeres es de 60/30 =

2. Por cada dos hombres hay una mujer.
Ejemplos Razones y tasas

Número de eventos
Tasa = X 100 o X 1.000
Número de casos posibles

Número de nacidxs vivos en una ciudad

Ejemplo= X 1.000
Número de habitantes de la ciudad
10.000
Tasa de nacidxs vivos en Santa Lucía = X 1.000= 33,33
300.000

La tasa indica que hay 33,33 nacidxs vivxs por cada 1.000 habitantes en
Santa Lucía.
 ¿Y
Investigaciones con alcance
ahora? exploratorio o descriptivo:
comenzar a preparar el reporte de
la investigación.

Investigaciones con alcances

relacionales, asociación de
variables y explicativos: continuar
con la estadística inferencial.
 N F E R E N C I A L
ES T A D Í S TICA I

Se utiliza fundamentalmente para dos

procedimientos vinculado:

a)Probar hipótesis poblacionales

b)Estimar parámetros poblacionales
Hipótesis en estadística inferencial

Una hipótesis en el contexto de la estadística inferencial es una

proposición respecto a uno o varios parámetros, y lo que elx
investigadorx hace por medio de la prueba de hipótesis es
determinar si la hipótesis poblacional es congruente con los datos
obtenidos en la muestra.

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).

Para comprender lo que es la prueba de hipótesis en la estadística

inferencial es necesario revisar los conceptos de distribución
muestral y nivel de significancia.
Hipótesis en estadística inferencial

Distibución muestral: la curva o distribución normal es

un modelo teórico sumamente útil; su media es 0 (cero)
y su desviación estándar es uno (1).

Nivel de significancia e intervalo de confianza: son

niveles de probabilidad de cometer un error, o de
equivocarse en la prueba de hipótesis o la estimación de
parámetros. Los niveles más comunes son 0.05 y 0.01.
Pruebas paramétricas

Prueba Tipo de hipótesis

Coeficiente de correlación de Pearson Correlacional

Registro lineal Correlacional/causal
Prueba t Diferencia entre grupos
Contraste de la diferencia de proporcionaes Diferencia de grupos
Análisis de varianza (ANOVA) Diferencia de grupos
Análisis de covarianza (ANCOVA) Correlacional/causal

Se implementan con variables intervalares o de razón.

Pruebas NO paramétricas

Prueba Tipo de hipótesis

Chi cuadrada Diferencias de grupos para

establecer correlación
Coefi ciente de correlación e independencia para Correlacional
tabulaciones cruzadas: phi, C de Pearson, V de
Cramer, lambda, gamma, tau (varios), Somers, etc.
Coeficientes de correlación de Spearman y Kendall Correlacional
Coeficiente eta para relaciones no lineales Correlacional

Se implementan con variables nominales u ordinales o relaciones no

lineales.
 ¿Y I.Revisar cada resultado: análisis general →
análisis específico → valores resultantes
ahora? (incluida la significancia)
diagramas, cuadros y gráfi cas.
→ tablas,

2. Organizar los resultados: primero los

descriptivos, por variable del estudio; luego
los resultados relativos a la confi abilidad 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: ¿qué valores,
tablas, diagramas, cuadros o gráfi cas son
necesarias?, ¿cuáles explican mejor los
resultados?
 ¿Y
4. Priorizar la información más valiosa: sobre
ahora? todo si se van a producir reportes ejecutivos y
otros más extensos.
5. Copiar y/o “formatear” las tablas en el
programa con el cual se elaborará el reporte
de la investigación.
6. Comentar o describir brevemente la esencia
de los análisis, valores, tablas, diagramas, gráfi
cas.
7. Volver a revisar los resultados.
8. Elaborar el reporte de investigación.
 ¿Qué diferencias
encuentran entre el
análisis cualitativo y
cuantitativo de datos?
Tipos de enfoque
Naturaleza de los datos
Objetivos del análisis de
datos
Flexibilidad en el proceso
¿Qué estrategia de análisis
de datos creen que podrían
implementar en sus
investigaciones/TPI?