mapic (libro).pdf
TRANSCRIPT
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 1
A mis adorados hijos: Wayra, Luis Rodrigo, Alejandra y Luis Sebastián.
A la memoria de mi abuela
Luis Villarroel Peñaranda 2
AGRADECIMIENTOS
Hace siete años, luego de un entrenamiento en consulta estadística
que realicé en Bélgica, acepte el desafío de iniciar un proceso de
investigación silencioso orientado a integrar la estadística, de una
manera natural, en el proceso de investigación científica.
Reconocía en la estadística una herramienta potente de apoyo a la
investigación pero reconocía también, de manera general, una
ausencia de rigor científico en los trabajos de investigación en mi
país.
En 1999 inicie el desafío de elaborar un documento que
permitiera; a los investigadores y estudiantes que están realizando sus
trabajos de fin de estudio, tesis, etc.; desarrollar la planificación de su
investigación de manera mucho más rigurosa y científica. A partir de
esta fecha ofrecí, muchos entrenamientos, capacitaciones, trabajos de
consultoría e investigaciones pero siempre en el espíritu de
desarrollar una herramienta práctica de apoyo al investigador que hoy
se traduce en este libro.
Es indudable que los desafíos de investigación, sistematización, y
edición de un libro demanda mucho tiempo provocando,
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 3
lamentablemente, tener menos tiempo para quienes uno ama o para
realizar las cosas mas simples en esta vida.
Quiero agradecer primero a Dios por haberme dado la vida.
A mis amados padres quienes me han formado en la escuela de la
responsabilidad, el respeto, y la humildad.
A mis adorados hijos, en quienes me veo reflejado, con la
disculpa de no haberles brindado la mayor atención que se merecen.
A mis hermanos, en cuya compañía me forje.
Finalmente quiero agradecer a quienes de manera directa o
indirecta han permitido que esta mi primera obra sea una realidad. A
mi profesor PIERRE DAGNELIE, al profesor y amigo NASSIR SAPPAG, a
mis colegas de la Universidad Católica Boliviana y de las otras
Universidades, a mis asistentes, y a mis entrañables amigos.
lvp
Luis Villarroel Peñaranda 4
INTRODUCCIÓN
La literatura consagrada a las metodologías de investigación científica
es abundante y accesible; es posible encontrar documentos muy
simples como también algunos documentos bastante más elaborados.
Existen referencias bibliográficas con aproximación cuantitativa y
otros con aproximación cualitativa y algunos libros con una
orientación experimental y otros con aproximaciones no
experimentales.
Para los tipos de diseños de investigación, basados en la
observación1, los autores proponen “recetas” que se traducen en una
serie de etapas secuenciales: la idea, el problema, objetivos, marco
teórico, formulación de hipótesis, selección de la muestra, recolección
de los datos, análisis de los datos y elaboración del reporte.
Un investigador que sigue estas recetas no encuentra una
propuesta concreta y práctica para preguntas básicas que él se plantea
cuando está planificando su trabajo.
Considero que la mayoría de estos documentos no ofrecen al
investigador una herramienta de apoyo a su proceso de investigación,
concentrándose más bien en presentaciones muy teóricas.
A título de ejemplo, un investigador que busca seleccionar
métodos estadísticos para realizar su análisis de datos y decide
consultar un libro de metodologías de investigación encuentra uno o
más capítulos en los que se exponen diversas técnicas descriptivas;
1 No se incluye en el libro la aproximación experimental.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 5
gráficos, estadígrafos; regresión, correlación, tests de independencia,
etc.
Este investigador que concluye de revisar estos capítulos, termina
con un gran sentimiento de frustración ya que no es capaz de
responder a su pregunta: ¿qué herramientas debo utilizar para analizar
los datos de mi investigación?
Por tanto mi intención, al escribir este libro, es responder a las
preguntas que el investigador se plantea cuando planifica su
investigación. Para lograr este propósito he desarrollado una
herramienta de apoyo al proceso de planificación de la investigación
que he bautizado con las siglas MAPIC que se traduce en “Matriz de
Planificación en Investigación Científica”. En el libro se ha omitido
de manera intencional toda la primera parte de la investigación: idea,
problema y objetivos, dado que no es este el nivel en el que se
presenta la dificultad.
Objetivos del libro
El objetivo principal de esta obra es presentar MAPIC y proponer
una manera de integrar la estadística en el proceso de investigación
científica de manera natural y sencilla.
Contenido y organización del libro
El libro está organizado en nueve capítulos. El lector encontrará en
este libro la respuesta a muchas preguntas que el investigador se
plantea cuando planifica su Investigación:
¿Cuáles son los RESULTADOS ESPERADOS de su
investigación?,
¿Cuál es la POBLACIÓN de estudio y las UNIDADES DE
OBSERVACIÓN?
¿Cuantas VARIABLES debe observar exactamente y como
debe medirlas?
Luis Villarroel Peñaranda 6
¿Qué MÉTODO DE COLECTA debe adoptar para su
investigación?
¿Cuál es el PLAN DE MUESTREO?
¿Cuál es la herramienta o MÉTODO ESTADÍSTICO a adoptar?
¿Cuántas observaciones debe levantar?: DETERMINACIÓN
DEL TAMAÑO DE LA MUESTRA.
MAPIC es una herramienta de
apoyo al proceso de planificación
de la Investigación, no es una
nueva metodología y tampoco un
manual de Investigación
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 7
Capítulo 1
PROBLEMAS Y DESAFÍOS EN
INVESTIGACIÓN CIENTÍFICA
1.1. LA INVESTIGACIÓN CIENTÍFICA: ALGUNAS GENERALIDADES
1.2. PROBLEMAS DE PLANIFICACIÓN DE LA INVESTIGACIÓN
1.3. PROBLEMAS DE ANÁLISIS DE DATOS
Luis Villarroel Peñaranda 8
1.1. La Investigación Científica: algunas
generalidades
Los libros consagrados al estudio de las ciencias, la epistemología,
reconocen diversas corrientes de pensamiento, el Empirismo, el
Materialismo, el Positivismo, la Fenomenología y el Estructuralismo.
Cada una de ellas proponiendo un “estilo” de investigación a su
manera.
En la actualidad todas estas corrientes se han traducido en la
dicotomía cualitativa - cuantitativa y se pueden constatar obras
escritas por autores radicales para una u otra corriente. Últimamente
aparecen ciertas obras que intentan romper con esa dicotomía y
proponen enfoques mixtos, se habla de modelos en dos etapas,
modelos de enfoque dominante, modelo multimodal (triangulación).
El investigador con necesidad de realizar una investigación con
enfoque practico y concreto, difícilmente puede ubicarse en este
laberinto donde todos creen tener la razón.
Por un lado las ciencias de la vida (Biología, Agronomía, Salud,
etc.) proponen un estilo de investigación deductivo, parten de
observaciones particulares para luego animarse, haciendo un uso
normalmente intensivo de la estadística, a decir “cosas” a nivel
general. Esta forma de investigación se denomina cuantitativa.
Por otro lado las ciencias humanas (Sociología, Antropología,
etc.) proponen otro estilo de investigación con carácter inductivo,
parten de observaciones generales, para luego sacar conclusiones
particulares. En este enfoque la palabra estadística parece un pecado.
Considero que la investigación es una necesidad que tienen las
sociedades para lograr el desarrollo; la investigación constituye el
instrumento generador del conocimiento. La investigación es la base
para el desarrollo de las ciencias y para la resolución de problemas de
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 9
nuestra sociedad. Bajo este enfoque, extremadamente simplista, la
metodología de investigación debe ser práctica, sencilla, con alto
rigor y objetividad.
Los investigadores con visión práctica quieren desarrollar y
generar conocimiento sin seguir estructuras o modelos rígidos de
investigación que lejos de apoyar su trabajo terminan complicándolo.
Mi experiencia como instructor en el campo académico en
materias relacionadas con la Estadística, y mi práctica en el campo
del asesoramiento y consultorías privadas me han permitido observar
problemas y desafíos concretos que conlleva un proceso de
investigación: problemas de planificación de la investigación y
problemas de análisis de la información generada.
1.2. Problemas de planificación de la investigación
En general se puede observar que el tiempo dedicado a la
planificación de la investigación es muy reducido lo que conlleva más
adelante serios problemas y dificultades en la ejecución misma de la
investigación. No es posible desarrollar un buen trabajo de
investigación si no se han invertido esfuerzos importantes durante su
planificación, ¿Cómo es posible hacer “algo” sin saber muy bien
como hacerlo?
Los problemas de planificación de la investigación se resumen
básicamente en seis categorías:
a) Mala definición de los Resultados Esperados
Como señala toda propuesta metodológica de investigación, ésta debe
iniciarse con una idea, esta idea debe ser traducida en problema y el
problema en dos objetivos: general y específico.
Los objetivos específicos no siempre declaran de manera explícita
lo que la investigación va a generar. Entonces comienzan
Luis Villarroel Peñaranda 10
investigaciones sin saber con precisión lo que denominaremos en los
siguientes capítulos: Resultados Esperados.
En el caso de los trabajos de fin de estudio, a nivel de pregrado e
inclusive postgrado, se pueden observar objetivos gramaticalmente
muy bien planteados, pero quienes tienen la responsabilidad de
realizar la investigación “no sienten” lo que deben alcanzar al
finalizar su trabajo.
En el sector privado, es muy común encontrar clientes que no
saben exactamente lo que buscan. Por ejemplo si a los clientes que
solicitan una Investigación de Mercado se les pregunta ¿qué es lo que
desean exactamente?, ellos responden de esta manera: “si conociera
los resultados que quiero alcanzar no solicitaría su servicio”.
b) Mala definición de la Población y las Unidades de
Observación
En muchos trabajos de investigación no se define de manera precisa
la Población objeto de estudio y en consecuencia las Unidades de
Observación. No es extraño observar boletas o cuestionarios que
comienzan con las denominadas variables de identificación: nombre,
sexo, edad, procedencia, etc., como si en todos los casos las Unidades
de Observación fuesen individuos.
Recuerdo una anécdota de un colega, miembro del tribunal de una
tesis, de aquellos que no saben porqué están sentados allí y sienten
que deben decir por lo menos algo. “Señor Presidente, tengo un
comentario y una pregunta, quiero yo primeramente felicitar al
postulante por la calidad de su trabajo, en verdad refleja un alto
esfuerzo, mi consulta al estudiante es la siguiente: usted a
desarrollado su trabajo de investigación a nivel regional ¿por qué no
realizo a nivel nacional? Hubiese sido un trabajo maravilloso.” El
postulante susurra, sabe bien que no puede decir en voz alta “si
hubiese realizado a nivel de América Latina mi trabajo hubiese sido
magnifico”. Este es típicamente un problema de no entender o no
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 11
haber definido de manera explícita en el trabajo de investigación la
Población, es decir el objeto o alcance de la investigación.
c) Mala definición de variables
En relación a las variables que deben ser observadas en la
investigación existen dos problemas centrales:
¿Cuántas variables se deben observar?
¿Cómo se deben medir las variables?
Si consideramos el caso concreto de un cuestionario clásico de
encuesta y por otro lado, para efectos de simplificación, tomamos en
cuenta que una variable corresponde a una pregunta, se presenta el
problema siguiente: ¿cuántas preguntas debo incluir en mi
cuestionario?
Una de las formas más comunes para elaborar cuestionarios es
entrar a un buscador en el Internet, por ejemplo Google y colocar las
palabras claves, por ejemplo “cuestionarios para investigación de
mercado en mermeladas”. El resultado de estas búsquedas a menudo
es una gran cantidad de sitios en los que se ofrecen cuestionarios en
formato Word.
Se abre el primer cuestionario (cualquiera), se selecciona la
opción insertar del paquete Word y se van apilando los distintos
archivos, por ejemplo cinco.
Luego, se inicia un trabajo de “depuración” que consiste en
eliminar variables que se repiten, por ejemplo si tomamos la variable
edad, como existen cinco formularios apilados, entonces aparece
cinco veces esta variable, por tanto deben eliminarse cuatro. Luego de
esta depuración, el cuestionario, aún bastante voluminoso, es
entregado a un “yatiri”2 que procede a eliminar y en algunos casos a
adicionar variables hasta llegar a un cuestionario corto, simple y
2 Personaje andino que tiene la habilidad de ver el futuro.
Luis Villarroel Peñaranda 12
factible de operar. Mi pregunta es ¿cómo es posible proponer eliminar
o aumentar variables sin tener un conocimiento de los resultados
esperados?
Adicionalmente al número de variables, se presenta el problema
de la manera o forma de medir la variable. A este nivel existen
propuestas verdaderamente irresponsables.
Por ejemplo cuando se pregunta como se debe medir el ingreso,
una respuesta corriente es por categorías:
menos de Bs 500,00
de Bs 500,00 a Bs 1.000,00
de Bs 1.000,00 a Bs 2.000,00
más de Bs 2.000,00
¿Por qué debe ser en categorías? ¿Por qué esas amplitudes de
clase? La respuesta que uno recibe es frustrante “el ingreso se mide
siempre de esta forma”.
d) Mala selección del Método de Colecta de Datos
En relación a los métodos de colecta de datos existen dos corrientes
fuertemente dicotomizadas, los métodos cualitativos y los métodos
cuantitativos, que se traducen en dos instrumentos sistemáticamente
utilizados, la encuesta y el taller. ¿Es que no existen otros métodos?
La dicotomía cuali-cuantitativa me ha provocado por mucho
tiempo problemas de sueño, sin embargo hoy creo tener la respuesta.
Un día me pregunté ¿por qué uno se enamora?, creo que la
respuesta es inmediata, porque conoce a la persona, no creo que
exista alguien enamorado de “no sé quién”. En el campo de la
investigación aquellos apasionados por la aproximación cualitativa no
conocen la aproximación cuantitativa o por el contrario aquellos
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 13
enamorados de la aproximación cuantitativa desconocen lo
cualitativo.
e) Mala selección del Plan de Muestreo
Frecuentemente se adopta el Plan Aleatorio y Simple como
procedimiento de selección de las Unidades de la Población para
conformar la muestra.
Este tipo de plan supone conocer el número de unidades de la
Población, tener etiquetadas las Unidades, de tal manera que pueda
asignárseles una probabilidad idéntica de selección, no siendo
siempre esto posible.
Recuerdo un trabajo de investigación sobre la delincuencia en la
ciudad de El Alto del departamento de La Paz, el investigador
defendía el haber utilizado un Plan Aleatorio y Simple. Esto es
imposible dado que implicaría tener el número de “ladrones” en El
Alto y además la lista de cada uno de ellos. Sería verdaderamente útil
para nuestra sociedad disponer de esta lista, pero sabemos que esto es
imposible.
f) Definición irresponsable del tamaño de la muestra
Un problema de fondo en la investigación, es la determinación del
tamaño de la muestra. En esta tarea reconozco dos prototipos de
“profesionales”.
Los primeros que habiendo realizado una observación
absolutamente extraña proponen realizar un muestreo al 10 %, ¿de
dónde sale esta cifra?, si el investigador indica que no se conoce la
población, inmediatamente él propone realizar 400 observaciones, si
el investigador pone mala cara, entonces baja a 300 hasta preguntar al
investigador ¿cuántas estabas pensando realizar?, si el investigador
señala 150, entonces el “experto” indica, “ok le pegamos 150” parece
que es suficiente. Este tipo de experto juega el rol de un “yatiri”,
considero que esta conducta es sensiblemente usual, debemos
Luis Villarroel Peñaranda 14
reconocer que existen profesionales habituados a este tipo de
prácticas.
Otro prototipo de “experto” es el que demanda “justificar o
argumentar” su tamaño de muestra, a menudo son los tribunales o
revisores de tesis quienes demandan una formulita.
La formulita que tradicionalmente se usa es la que hace participar
al valor de p y q, pero ¿qué es p?, “probabilidad de éxito” y q
“probabilidad de fracaso”, el investigador responsable se pregunta
¿éxito o fracaso de qué será?
Existe una respuesta inmediata, si se desconoce el valor de p y de
q se debe considerar un valor de p igual a 0.5 y por tanto q también
vale 0.5, asumiendo un nivel de confianza del 95% y un error de 5%
entonces se obtiene un tamaño d muestra igual a 384.
La determinación del tamaño de la muestra es mucho más
compleja que la simple aplicación de una formulita, es más, la
presencia de una sola formulita es un excelente indicador de
deficiente planificación.
1.3. Problemas en el análisis de datos
Finalmente un último problema que recuerdo, es el relacionado al
tratamiento o análisis de los datos. A este nivel otras palabras que me
ponen los pelos en punta: tabulación, sistematización y el cruce de
variables.
Esta aproximación representa un aprovechamiento pobre de la
información, en efecto, se traduce en una inmensa cantidad de tablas
acompañadas con gráficas. A partir de estas tablas se realizan lecturas
simultáneas, al puro estilo de los adivinos con naipes para sacar
conclusiones.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 15
Estoy seguro que aún deben existir otros problemas más. Es
importante hacer notar que estos problemas son los desafíos a los
cuales un investigador responsable va a estar confrontado.
La pregunta es ¿cómo resolver de manera práctica y efectiva cada
uno de los problemas, preguntas y desafíos que implica la
planificación responsable de la Investigación?
Precisamente, el propósito central de esta obra es proponer una
herramienta práctica que ayude al investigador a encontrar respuesta
concreta a sus preguntas de investigación. La herramienta es MAPIC.
Luis Villarroel Peñaranda 16
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 17
Capítulo 2
DEFINICIÓN DE LOS RESULTADOS
ESPERADOS
2.1. LA IDEA Y EL PLANTEAMIENTO DEL PROBLEMA
2.2. DEFINICIÓN DE OBJETIVOS Y DEL RESULTADO ESPERADO
2.3. LA MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA.
MAPIC
2.4. APLICACIÓN EN EL EJEMPLO HIPOTÉTICO
Luis Villarroel Peñaranda 18
2.1. La idea y el Planteamiento del Problema
Un tema de investigación nace a partir de una idea. Las ideas tienen
diversos orígenes, materiales escritos, materiales audiovisuales,
descubrimientos, conversaciones, creencias, etc.
Las ideas inicialmente tienen un carácter muy vago, no son
precisas. Se inicia por tanto una búsqueda de antecedentes orientado a
definir de manera más precisa “la idea”.
Las ideas deben traducirse en problemas o preguntas a investigar.
Estos problemas definen de manera más precisa cuál será el tema de
investigación. No existen recetas para traducir una idea en problemas,
es básicamente la experiencia, que le da una mayor habilidad al
investigador, para realizar este proceso.
Figura 2.1. Idea y problemas de investigación
El problema de investigación no es otra cosa que el tema de
investigación definido de manera muy precisa.
IDEA
ión Investigac de Problema
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 19
2.2. Definición de Objetivos y del Resultado Esperado
El o los problemas de investigación identificados en la etapa anterior
deben ser luego traducidos en objetivos. Los trabajos de investigación
normalmente proponen un objetivo general y a partir de éste se
deducen los objetivos específicos.
Los objetivos deben declarar de manera explícita la intención de
la investigación y se constituyen entonces en elementos rectores de
dicha investigación.
Como hemos mencionado en el capítulo 1, estos objetivos no
siempre definen de manera precisa el producto de la investigación.
Por tanto es fundamental en la investigación traducir los objetivos en
Resultados Esperados, Ri.
Los Ri son los productos concretos que la investigación aspira
alcanzar, entonces es fundamental su formulación con la más alta
precisión.
Figura 2.2. Objetivo General, Objetivos Específicos, Resultados Esperados
Objetivo
general
ión Investigac de Problema
Objetivos
específicos
Resultados
Esperados
Luis Villarroel Peñaranda 20
Es importante hacer notar que el proceso presentado en la figura
2.2. no establece que estos pasos deben seguirse de manera
secuencial. Existen investigadores con mayor o menor habilidad para
formular objetivos, problemas o resultados esperados. Lo que interesa
es que exista una total correspondencia entre cada uno de estos
componentes.
Consideremos a título de ilustración el siguiente ejemplo:
IDEA
Desarrollar un nuevo producto, una mermelada de mora
PROBLEMA
¿Realizamos la inversión para este nuevo negocio?
OBJETIVO GENERAL
Elaborar un plan de negocio
OBJETIVOS ESPECÍFICOS
Realizar una Investigación de Mercado3
3 Podría existir más de un objetivo específico.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 21
La formulación del objetivo específico “Realizar una Investigación de
Mercado” no define de manera precisa cuál es el producto que se está
buscando exactamente.
Se podrían plantear como Resultados Esperados de esta
investigación:
RESULTADOS ESPERADOS
R1: Estimar la demanda actual y proyectarla a 5 años.
R2: Segmentar el mercado.
R3: Posicionamiento de la marca frente a la
competencia.
R4: Estimar factores o determinantes de demanda.
Los cuatro Resultados Esperados planteados en este ejemplo
muestran de manera concreta los productos que la Investigación
aspira alcanzar.
La diferencia entre el objetivo general, los objetivos específicos y
los resultados esperados; es básicamente el nivel de precisión con el
que se plantean. En nuestro ejemplo proponer realizar una
investigación de mercado o estimar la demanda ponen en evidencia la
diferencia a nivel de la precisión con la que se aspira el producto de la
investigación.
Luis Villarroel Peñaranda 22
Otro ejemplo en el contexto de finanzas
IDEA
Nuestra institución financiera debe ser más competitiva
PROBLEMA
Existe una alta mora y una baja rentabilidad
OBJETIVO GENERAL
Disminuir la mora y elevar la rentabilidad
OBJETIVOS ESPECÍFICOS
Realizar un análisis situacional de la Institución
La formulación del objetivo específico “Realizar un análisis
situacional de la Institución” no define de manera precisa cuál es el
producto que la investigación aspira.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 23
Se podrían plantear como Resultados Esperados de esta
investigación:
RESULTADOS ESPERADOS
R1: Posicionamiento de la Institución frente a
la competencia
R2: Identificar factores que inciden en el
incumplimiento a la deuda
R3: Segmentación de clientes según niveles de
riesgo de incumplimiento
Es importante hacer notar la necesidad de plantear los Resultados
Esperados como “guías” de la investigación. No es posible iniciar una
investigación en la que no se conozca con absoluta precisión cuál es
el producto aspirado.
Los Resultados Esperados se “sienten” no se definen. Un
investigador responsable sabe exactamente en qué momento siente los
Resultados Esperados.
En el caso de los estudiantes que realizan sus trabajos de fin de
estudio a nivel de pregrado e inclusive de a nivel de maestría, la
responsabilidad de definir los resultados esperados cae sobre el tutor
o guía de la tesis. El tutor debe tener absolutamente claro cuales son
Luis Villarroel Peñaranda 24
los productos esperados de la investigación. Lamentablemente esta
tarea es responsabilizada al estudiante que no tiene normalmente
ninguna práctica de investigación. La responsabilidad del estudiante
será el diseño de la investigación y la ejecución de la investigación.
Considero que este es uno de los principales motivos por los cuales
muchos estudiantes no concluyen sus trabajos de fin de estudio.
2.3. La Matriz de Planificación e Investigación
Científica MAPIC
Hemos ya mencionado que los libros de metodología de la
investigación, proponen una serie de pasos o etapas para poder
desarrollar la investigación científica. También señalamos que el
investigador con sentido práctico termina frustrado al seguir las
“recetas” ya que no consigue lo que buscaba, diseñar su investigación
con rigor y objetividad.
He podido también constatar que algunos autores con un espíritu
noble proponen inclusive formatos para los informes de investigación
diferenciando inclusive aquellos con aproximación cuantitativa y
cualitativa. Considero que comente un error.
“Si alguien te pide de comer no le des un
pescado, enséñale a pescar”
MAPIC es una matriz, que va a guiar al investigador, paso a
paso, para poder diseñar su investigación con alta objetividad y rigor.
MAPIC rompe la dicotomía cuali-cuantitativa. MAPIC introduce de
manera natural la estadística en el proceso de investigación.
La idea es ir desarrollando con usted esta herramienta. En cada
uno de los capítulos se maneja un ejemplo hipotético que va a ilustrar
de manera objetiva el proceso de construcción de MAPIC.
Finalmente en el capítulo 9 se presenta un ejemplo real.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 25
La construcción de MAPIC implica seguir, no necesariamente de
manera secuencial, siete etapas:
1. RESULTADOS ESPERADOS
2. POBLACIÓN Y UNIDADES DE OBSERVACIÓN
3. VARIABLES Y TIPO DE DATO
4. MÉTODO DE COLECTA
5. PLAN DE MUESTREO
6. MÉTODO ESTADÍSTICO
7. TAMAÑO DE LA MUESTRA
Las columnas de la matriz MAPIC son presentadas en la tabla
2.1.
Luis Villarroel Peñaranda 26
N
Ta
bla
2.1
. E
str
uc
tura
de
la M
atr
iz d
e P
lan
ific
ació
n e
n I
nve
sti
gac
ión
cie
ntí
fic
a M
AP
IC
MÉ
TO
DO
ES
TA
DÍS
TIC
O
MÉ
TO
DO
DE
CO
LE
CT
A
VA
RIA
BL
ES
PO
BL
AC
IÓN
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 27
2.4. Aplicación en el ejemplo Hipotético
Como ya hemos mencionado anteriormente, en esta obra vamos a
construir un ejemplo hipotético para poder ilustrar, de manera
modular, la construcción de MAPIC.
Vamos a suponer que el investigador desea obtener tres
Resultados Esperados. Estos deben ser trasferidos a la primera
columna de MAPIC tal como presenta la tabla 2.2.
Referencias complementarias: AZORIN F., SANCHEZ J.L. [1994] MIQUEL
et al. [1997], DAGNELIE [1997], HERNANDEZ et al. [2003]
Luis Villarroel Peñaranda 28
N
Ta
bla
2.2
. M
AP
IC. R
esu
lta
do
s e
sp
era
do
s
MÉ
TO
DO
ES
TA
DÍS
TIC
O
MÉ
TO
DO
DE
CO
LE
CT
A
VA
RIA
BL
ES
PO
BL
AC
IÓN
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 29
Capítulo 3
DEFINICIÓN DE POBLACIÓN Y
UNIDADES DE OBSERVACIÓN
3.1. DEFINICIÓN DE POBLACIÓN Y UNIDADES DE OBSERVACIÓN
3.2. APLICACIÓN EN EL EJEMPLO HIPOTÉTICO
Luis Villarroel Peñaranda 30
3.1. Definición de Población
En general todo proceso de investigación debe generar datos e
información relativa a un grupo de elementos. El conjunto de
elementos que interesa al investigador se denomina Población y los
elementos observados son denominados Unidades de Observación.
Las Unidades de Observación, en muchos casos denominados
“individuos” pueden ser: individuos, familias, universidades,
municipios, bancos, etc. Inclusive en muchos casos son partes de un
individuo.
Las poblaciones pueden ser declaradas como finitas o infinitas.
Las poblaciones finitas son aquellas en las que se dispone de la lista
de todas las Unidades de Observación. Por el contrario las
poblaciones declaradas como infinitas son aquellas donde no se
dispone de la lista de Unidades de Observación.
En el proceso de investigación, la definición de la población se
denomina también definición del objeto de la investigación. El objeto
de investigación es quien delimita el alcance de la investigación. Es
por tanto absolutamente necesario, al inicio de la investigación,
definir de manera precisa el alcance de la investigación.
La definición precisa de la población implica realizar una
delimitación espacial y temporal de la población.
La definición espacial implica delimitar geográficamente el
alcance de la población. La definición temporal implica delimitar el
momento en el que se realiza la investigación.
Referencias complementarias: DAGNELIE [1998]
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 31
La tabla 3.1 presenta algunos ejemplos relativos a la definición de
la población y las unidades de observación
Tabla 3.1 Población y Unidades de Observación
POBLACIÓN UNIDADES DE OBSERVACIÓN
Total de hogares en Cochabamba (Población infinita)
Hogar
Total de marcas de pañal (Población finita)
Pañal para bebe
Total de Bancos privados en Bolivia (Población finita)
Banco
Total de UPAs4 del Chapare- Cochabamba (Población finita)
UPAs
Mismo que estas definiciones parecen ser muy sencillas en el
fondo traen complicaciones durante la definición del alcance de la
investigación.
¿Qué es un hogar?, ¿hogar es familia?, ¿qué es una familia?
¿Cuáles marcas de pañales nos interesan?, ¿son todas los
nacionales o todas los que se producen en América Latina?, ¿o en el
mundo entero?
¿Cómo se define una UPA?, ¿cuál es la superficie mínima para
ser considerada una UPA?
Es claro que una definición precisa de las Unidades de
Observación y en consecuencia una definición exacta de la Población
son tareas fundamentales en Investigación.
4 UPAs. Unidad de Producción Agropecuaria.
Luis Villarroel Peñaranda 32
3.2. Aplicación en el ejemplo hipotético
En el ejemplo hipotético que se está manejando, corresponde
introducir, en la MAPIC el concepto de Población y Unidades de
Observación.
En la segunda columna de MAPIC se debe señalar la o las
poblaciones que participan. La tabla 3.2 señala que R1 y R2 serán
obtenidos a partir de observaciones realizadas en la población 1 y R3
será alcanzado a través de observaciones recogidas en una población
2.
Se debe notar, en la tabla 3.2., que la población 1 es declarada
como finita, esto implica, que el investigador, tiene la lista con todas
las Unidades de Observación de dicha Población.
Por el contrario, la población 2 ha sido declarada como infinita,
precisamente por que no se tiene a disposición la lista de Unidades de
Observación.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 33
Ta
bla
3.2
Ma
triz
MA
PIC
. R
esu
lta
do
s E
sp
era
do
s,
Po
bla
ció
n y
Un
ida
de
s d
e O
bse
rva
ció
n.
PO
BL
AC
IÓN
P1
(fin
ita)
P1
(fin
ita)
P2
(in
fin
ita)
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
Luis Villarroel Peñaranda 34
Se debe notar que la definición de las Unidades de Observación y la
Población se realizan para cada Ri. Por tanto es posible que en un
trabajo de investigación se maneje más de una población.
La experiencia muestra que, en general, se maneja una sola
población, sin embargo, es posible manejar dos, tres o más
poblaciones en la Investigación.
Referencias complementarias: DAGNELIE [1997], HERNÁNDEZ et al. [2003]
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 35
Capítulo 4
DEFINICIÓN DE VARIABLES
4.1. VARIABLES, DATOS
4.2. APLICACIÓN EN EL EJEMPLO HIPOTÉTICO
Luis Villarroel Peñaranda 36
4.1. Variables y Datos
Una vez definidas, en MAPIC, los Resultados Esperados, la
Población y las Unidades de Observación, corresponde definir las
variables que el investigador debe observar.
Es evidente que la primera pregunta que surge es:
¿Qué es una variable?
La literatura propone definiciones diversas dependiendo del libro
de referencia que se selecciona. Si son libros del área de matemáticas
o ciencias exactas en general, proponen definiciones a menudo poco
comprensibles por el investigador práctico. Por el contrario algunos
libros en su afán simplificador pueden proponer definiciones muy
imprecisas.
Desde un punto de vista practico:
Variable es una característica o atributo que
posee la Unidad de Observación
Por tanto, no es posible definir las variables de un trabajo de
investigación si de manera previa no se ha definido con precisión las
Unidades de Observación.
En el caso que el instrumento de colecta de datos sea cuestionario,
entonces el concepto de variable se asocia directamente al concepto
de pregunta. Si los instrumentos de colecta son los talleres, grupos
focales, etc., las variables son las preguntas de las guías de taller o de
los grupos focales.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 37
Por tanto cuando llegamos a este estado de investigación el
desafío de la definición de variables se traduce de manera concreta en
dos preguntas:
¿Cuántas variables de debe observar en el trabajo de
investigación exactamente?
¿Cómo se deben medir estas variables?
MAPIC debe responder de manera precisa a estas dos últimas
preguntas.
Sin embargo, antes de responder a estas dos preguntas conviene
responder algunas preguntas previamente: ¿qué son las variables
cualitativas?, ¿qué son las variables cuantitativas?, ¿qué es un dato?
¿qué son los datos cualitativos?, ¿qué son los datos cualitativos?
Las variables pueden ser de dos tipos: cualitativas y cuantitativas.
Una variable es declarada como cuantitativa si el número de
modalidades de respuesta, que tiene la Unidad de Observación es
infinito.
Por el contrario una variable es considerada como cualitativa si el
número de modalidades de respuesta, que tiene la Unidad de
Observación, es finito y a menudo pequeño.
Es evidente que el límite entre una variable cuantitativa y
cualitativa es bastante difuso. Es importante hacer notar
independientemente, sea cuantitativa o cualitativamente, si la variable
es sujeto de medición en la Unidad de Observación.
Luis Villarroel Peñaranda 38
¿Cuál es el “aparatito” para medir el peso
(cuantitativa)?
Es la balanza.
¿Cuál es el “aparatito” para medir el sabor de
un vino?
Es el hombre y de manera más precisa el sentido del gusto.
Por tanto la diferencia entre una variable cuantitativa y cualitativa
es básicamente la precisión con la que se puede medir en la Unidad
de Observación.
Así mismo se debe tener particular cuidado en la definición del
tipo de variable. Una característica de la Unidad de Observación
puede ser medida de manera cuantitativa o de manera cualitativa:
PESO – CUANTITATIVO
67.8 kg
Es que los individuos han sido pesados con una balanza de
precisión.
PESO – CUALITATIVO
1: Gordo
2: Normal
3: Flaco
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 39
Es que los individuos han sido “pesados” con la vista:
Un otro concepto, importante a definir, también de manera precisa
y práctica es el concepto de dato.
¿Qué es un dato?
El dato no es otra cosa que la
Respuesta que la Unidad de Observación,
propone a la variable
Los datos se clasifican, como el caso de las variables en dos
categorías: cuantitativos y cualitativos.
Continuo o de medición
DATOS CUANTITATIVOS
Discreto o de conteo
Los datos continuos son generados cuando la Unidad de
Observación puede responder con infinidad de valores, quiere decir
puede responder con decimales. Los valores generados por este tipo
de variables pertenecen al espacio de los números reales.
Ingreso mensual promedio en una Región
370.5 $us
Luis Villarroel Peñaranda 40
Peso de un individuo
67.8 kg
Los datos de conteo son de naturaleza discreta, la Unidad de
Observación no puede responder con valores expresados con
decimales. Los valores generados por este tipo de variables
pertenecen al espacio de los números enteros positivos.
Número de hijos
4 hijos
Número de empleados en la Empresa
7 trabajadores
Los datos cualitativos se clasifican, por su parte, en tres grupos:
Binario
DATOS CUALITATIVOS Ordinal
Nominal
Los datos cualitativos binarios son generados cuando la Unidad
de Observación tiene dos posibilidades de respuesta a la variable.
Sexo del individuo
Femenino
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 41
¿Su empresa exporta, s/n?
Si exporta
Los datos ordinales son generados cuando la Unidad de
Observación tiene normalmente más de dos opciones de respuesta.
Estas opciones deben poseer orden.
¿Cuál es la calificación alcanzada en un test?
1: Excelente
2: Bueno
3: Regular
4: Malo
Los datos nominales son valores generados cuando la Unidad de
Observación, tienen normalmente más de dos opciones. Estas
opciones, sin embargo, no poseen orden.
¿Cuál es el estado civil del individuo?
1: Casado
2: Soltero
3: Divorciado
4: Viudo
5. Concubinato
Como se menciona anteriormente se debe tener particular cuidado
al señalar el tipo de dato que puede generar un variable.
Luis Villarroel Peñaranda 42
En el ejemplo siguiente se muestran tres formas distintas de medir
el ingreso.
Ingreso mensual promedio en Bs evaluado de manera
cualitativa binaria.
1: Ingreso menor o igual a Bs 3.000
2: Ingreso mayor a Bs 3.000
Ingreso mensual promedio en Bs evaluado de manera
cualitativa ordinal
1: Ingreso menor a Bs 1.000
2: Ingreso mayor a Bs 1.000 y menor a Bs 2.000
3: Ingreso mayor a Bs 2.000 y menor a Bs 4.000
4: Ingreso mayor a Bs 4.000
Ingreso mensual promedio en Bs evaluado de manera
cuantitativa
Bs 3750.5
Se debe notar que en los tres casos la precisión con la que se
obtiene el dato del ingreso es distinta. La decisión final de cómo
observar la variable depende de la precisión que exige el Resultado
Esperado. Si el Ri exige una alta precisión la variable debe ser
observada de manera cuantitativa y por el contrario si la variable no
requiere de una alta precisión se la puede evaluar de manera
cualitativa.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 43
4.2. Aplicación en el ejemplo hipotético
Una vez completadas las dos primeras columnas de MAPIC, se
procede a completar la tercera columna que tiene que ver
precisamente con la definición de variables.
La identificación de variables se realiza para cada Ri de manera
totalmente independiente. Es decir es el Ri que propone cuantas
variables se debe observar exactamente.
En el ejemplo, que se está manejando, para alcanzar R1, se
requieren dos variables; X1 y X2. Para alcanzar R2 se requieren tres
variables; X3, X1 y X4. Se debe notar que estas cuatro variables son
medidas en Unidades de Observación de la Población 1.
Finalmente para alcanzar R3 se requiere tan solo una variable, X1.
Esta variable corresponde a una medición realizada en una Unidad de
Observación de la Población 2.
La tabla 4.1. integra en la tercera columna de MAPIC la lista de
variables necesarias para alcanzar cada uno de los tres Ri.
Luis Villarroel Peñaranda 44
Ta
bla
4.1
. M
atr
iz M
AP
IC. R
esu
lta
do
s E
sp
era
do
s,
Po
bla
ció
n,
Un
idad
es
de
Ob
se
rva
ció
n y
Va
ria
ble
s.
VA
RIA
BL
ES
X1
X2
X3
X1
X4
X1
PO
BL
AC
IÓN
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
2
UO
2
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 45
Se debe notar que una misma variable puede participar en
distintos Ri, es el caso de la variable X1 que está presente en R1 y
R2.
Es muy importante advertir que es en esta fase que el investigador
tendrá la respuesta a la pregunta
¿Cuántas variables debo observar?
En el caso de nuestro ejemplo, el investigador debe levantar
exactamente cuatro variables en la población 1 y una variable en la
población 2, quiere decir en total cinco variables.
Si los instrumentos de recolección consideran la variable X5, ésta
última se denomina “variable por si acaso”, situación que en la
práctica no sería demasiado problema sin embargo podría traducirse
en un mayor costo. Por el contrario si el “revisor de formularios”
decide eliminar la variable X1, en este caso no será posible responder
a ninguno de los dos primeros Resultados Esperados.
Por tanto se puede afirmar con absoluta seguridad que no es
posible revisar un instrumento de recolección de datos (variables)
para alguien que no ha identificado de manera precisa sus Resultados
Esperados.
Luego para cada variable se debe declarar el tipo de dato que
genera, quiere decir, como va a ser medida la variable. Se deben
distinguir básicamente los dos tipos de variables presentados:
cuantitativas, o cualitativas. Se recomienda que esta información se la
presente debajo de cada variable entre paréntesis. La tabla 4.2.
muestra esta definición del tipo de variable.
Luis Villarroel Peñaranda 46
Ta
bla
4.2
. M
atr
iz M
AP
IC.
Res
ult
ad
os
Es
pe
rad
os,
Po
bla
ció
n,
Un
ida
de
s d
e O
bs
erv
ac
ión
, v
ari
ab
les
y
tip
o d
e d
ato
.
VA
RIA
BL
ES
X1
[CO
NT
INU
A]
X2
[BIN
AR
IA]
X3
[OR
DIN
AL
]
X1
[CO
NT
INU
A]
X4
[CO
NT
INU
A]
X1
[OR
DIN
AL
]
PO
BL
AC
IÓN
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
2
UO
2
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 47
Por tanto las variables observadas en la Población 1, X1, X2, X3,
X4 deben ser medidas de manera Cuantitativa-Continua, Cualitativa-
Binaria, Cualitativa-Ordinal, y Cuantitativa-Continua respectivamente.
En la población 2 existe una sola variable observada, X1 de
manera Cualitativa-Ordinal.
Por tanto, al finalizar esta fase, el investigador conoce
exactamente lo que el trabajo de investigación va a generar (columna
1 de MAPIC), conoce exactamente que Unidades de Observación va
a observar y a que población pertenecen y finalmente sabe
exactamente cuantas variables debe observar y como debe medir cada
una de ellas.
Referencias complementarias: MIQUEL et al. [1997], DAGNELIE [1997],
HERNANDEZ et al. [2003], SCHEAFFER et al. [1987].
Luis Villarroel Peñaranda 48
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 49
Capítulo 5
DEFINICIÓN DEL MÉTODO
DE COLECTA
5.1. FUENTES DE INFORMACIÓN
5.2. MÉTODOS DE COLECTA CUANTITATIVOS
5.3. MÉTODOS DE COLECTA CUALITATIVOS
5.4. APLICACIÓN EN EL EJEMPLO HIPOTÉTICO
Luis Villarroel Peñaranda 50
5.1. Fuentes de Información
Una vez que se han definido las variables se debe seleccionar la
fuente de información. En la figura 5.1. se muestran los tipos de
fuentes de información existentes:
Cualitativas
Primarias
Cuantitativas
Internas
Secundarias
Externas
Figura 5.1 Tipos de Fuentes de información
Las fuentes de información primarias son aquellas, cuando el
investigador tiene la responsabilidad de generar los datos. Por el
contrario las fuentes de información secundaria suponen que los datos
son ya existentes.
A su vez las fuentes primarias pueden ser cualitativas o
cuantitativas. Las fuentes cualitativas son aquellas investigaciones de
carácter exploratorio, basadas en muestra reducida, cuestionarios no
estructurados orientados a buscar respuesta algunas preguntas. En
cambio las fuentes cuantitativas pretenden cuantificar resultados a
partir de muestras representativas.
La obtención de la información, en el caso de fuentes primarias se
realiza a través de métodos denominados cualitativos y cuantitativos.
Tipos
de
Fuente
s
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 51
Entre los métodos cuantitativos están:
a) Encuestas (personal, postal, telefónica).
b) Encuestas periódicas (panel).
Entre los métodos cualitativos están:
a) Directos (entrevistas en profundidad, reuniones de grupo).
b) Semidirectos (Phillips 66, Delphi).
c) Indirectos (Técnicas proyectivas, técnicas de creatividad).
d) Observación (personal, análisis de contenidos, auditorias).
La selección de un método cuantitativo o cualitativo es función
estricta del tipo de información que debe generarse y responde
básicamente a la factibilidad de respuesta ante una pregunta de
investigación.
Existen preguntas a las que no es posible encontrar su respuesta
utilizando un método cuantitativo, de igual forma no será posible
lograr una respuesta con la precisión que se espera con métodos
cualitativos.
Referencias complementarias: MIQUEL et al. [1997]
5.2. Métodos de Colecta Cuantitativos
Los métodos de colecta de datos denominados cuantitativos son
aquellos que levantan la información de manera objetiva y
mensurable. Este tipo de técnicas supone la selección de
procedimientos de selección5 de Unidades de Observación
denominadas representativas.
5 Planes de muestreo
Luis Villarroel Peñaranda 52
El hecho de contar con una muestra representativa y determinada
a través de un procedimiento objetivo permite determinar los niveles
de error a un nivel de significación.
Existen diversos métodos de colecta denominados cuantitativos.
El esquema siguiente ilustra los más importantes:
Encuestas Ad-Hoc [Personal, Postal,
Telefónica]
CUANTITATIVOS Encuestas periódicas [Panel, Ómnibus]
Observación
Figura 5.2. Métodos de colecta cuantitativos
a) Encuestas Ad-Hoc
Estrictamente el término encuesta implica cualquier procedimiento de
búsqueda de información. Sin embargo en este capítulo se entiende
encuesta como el procedimiento de consulta directa a la Unidad de
Observación a través de un cuestionario bien estructurado.
La formulación de preguntas, para construir un formulario no
parece una actividad compleja sobre todo para el investigador que
conoce exactamente que es lo que va a colectar. Sin embargo se debe
ser particularmente cuidadoso en la formulación de la pregunta y en
el orden en el que aparecen estas en el cuestionario.
La encuesta personal es uno de los métodos de recolección de
información cuantitativa más utilizada. Este tipo de método implica
tener un contacto directo con la Unidad de Observación. Entre las
ventajas que tiene este método de colecta se puede mencionar:
porcentaje elevado de respuestas, no existe la influencia de terceros,
se puede adaptar la pregunta al tipo de encuestado. Entre las
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 53
desventajas. Elevado costo, supone encuestadores muy bien
entrenados, introducción de un sesgo voluntario o no del
entrevistador.
La encuesta postal implica la utilización del correo para enviar el
cuestionario. Las ventajas son: rapidez, bajo costo unitario, no existe
el sesgo introducido por el entrevistador. Entre las desventajas se
puede citar: el bajo índice de respuesta, información que no será
representativa, el cuestionario debe ser bastante corto y pueden existir
influencias de terceros.
La encuesta telefónica se establece como su nombre dice a través
de una línea telefónica. Las principales ventajas que supone este
método de colecta son: velocidad en la obtención de información,
costo reducido, el índice de respuesta es normalmente mucho más
alto que en el método por correo, respuesta fiables. Las desventajas
más corrientes de este método de colecta son: cuestionarios deben ser
cortos, existen unidades de observación que no tienen teléfono y esto
puede sesgar las respuestas.
b) Encuestas Periódicas
Las encuestas Ad Hoc son métodos de colecta denominados
transversales, quiere decir se realizan en un momento determinado.
Existen sin embargo encuestas que se realizan con una cierta
periodicidad estás son básicamente el panel y las encuestas ómnibus.
El panel es un procedimiento de observación longitudinal, quiere
decir tiene una cierta periodicidad. La muestra normalmente debe ser
la misma aunque en algunos casos podría ser remplazada. Existen tres
tipos de paneles: paneles de consumidores, paneles de detallistas o
distribuidores del producto o servicio y el panel de audiencias que son
grupos que utilizan la televisión o algún medio de comunicación.
La encuesta de ómnibus es un método de recolección de
información en el que intervienen varios clientes o empresas que
Luis Villarroel Peñaranda 54
requieren información. El principio consiste en que cada empresa
elabore un cuestionario de muy pocas preguntas y éstas luego son
integradas en un solo cuestionario. Una de las ventajas es que los
costos por empresa se reducen de manera importante pero es claro
que una empresa en particular es demandante de un reducido número
de variables.
Los métodos de observación suponen procedimientos que recogen
datos mensurables.
Finalmente, se pueden citar como métodos de recolección
también cuantitativos aquellos en los que se utiliza el fax o el
Internet.
5.3. Métodos de Colecta Cualitativos
Los métodos de colecta denominados cualitativos suponen procesos
de levantamiento de información que no son objetivamente
mensurables, sin embargo, esto no implica que los resultados pierdan
la objetividad.
Estos métodos suponen una mayor flexibilización en los procesos
de recolección que se traducen básicamente en observación en menor
proporción, el plan de muestreo es realizado por el investigador, la
muestra no permite realizar extrapolaciones con niveles de error y
niveles de confianza establecidos como en el caso de los métodos
cuantitativos.
Es importante mencionar que de ninguna manera la aproximación
cualitativa debe ser comprendida como un procedimiento de
levantamiento de información sin rigor. Por el contrario su
planificación supone una alta calificación del investigador.
La figura 5.3. presenta los métodos de recolección denominados
cualitativos.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 55
Directos [Entrevista en Profundida,
Reuniones]
Semidirectos [Phillips 66, Delphi]
CUALITATIVOS
Indirectos [Técnicas Proyectivas y de
creatividad]
Observación [personal, análisis de
contenidos]
Figura 5.3. Métodos de colecta cualitativos
Las técnicas cualitativas son particularmente útiles en procesos en
los que interesa identificar patrones de comportamiento, creencias,
opiniones, actitudes, motivaciones, etc.
a) Técnicas directas
Las entrevistas en profundidad son contactos personales no
estructurados, dejando al individuo la libertad de expresión a
propósito de un tema en particular. El entrevistador debe ser personal
altamente calificado y con experiencia en este tipo de contactos.
Existen algunas entrevista denominadas semiestructuradas en las que
el entrevistador lleva consigo una guía de preguntas. Los resultados
de la entrevista son registrados en cuadernos, son grabados y en
algunos casos inclusive filmados.
Las reuniones de grupo o dinámicas de grupo son procedimientos
de recolección monitoreados por un moderador encargado de
proponer un tema de análisis a un grupo de individuos. Se deben
establecer dinámicas de discusión ordenadas y los comentarios que
realizan dan lugar a nuevos comentarios. Estos grupos de discusión se
Luis Villarroel Peñaranda 56
establecen a través de un estricto protocolo: planificación y diseño de
la investigación (moderador y el cliente), composición y selección de
los individuos que van a participar, reclutamiento, número de
dinámicas, localización, grabación de las dinámicas, funciones del
moderador.
b) Técnicas semidirectas
La técnica Phillips 66 es un método en el que un grupo de individuos
se divide en pequeños grupos de discusión para tratar un tema en
particular de investigación. Los grupos operan de manera separada,
sacan sus conclusiones y en bases a estas se reunión los grupos para
exponer sus posiciones y tratar de llegar a resultados de consenso.
Delphi es un método de recolección en el que se conforma un
grupo de individuos denominados panel de expertos. Un equipo
técnico se encarga de elaborar una primera guía de preguntas que es
enviada a los expertos (primera circulación), estos responden de
manera absolutamente anónima y son devueltos al equipo técnico que
tienen en esta fase la responsabilidad de analizar los resultados de la
primera circulación, elaborar un cuestionario mucho más estructura y
reenviar a los expertos. El procedimiento continúa hasta que los
expertos lleguen al consenso. El autor del libro ha adaptado dos
métodos: el coeficiente de Spearman y el coeficiente de Kendall para
poder evaluar este nivel de consenso.
c) Técnicas Indirectas
Existen dos familias las técnicas proyectivas y las de creatividad. Las
técnicas proyectivas presentan al entrevistado una serie de estímulos
y se le pide que este reaccione. Entre los estímulos más corrientes
están los tests de asociación de palabras, el entrevistador menciona
una serie de adjetivos y se le pide al entrevistado que mencione la que
mas recuerda o asocia a un concepto dado. Otro tipos de pruebas
proyectivas son los tests de frases incompletas y el de respuestas a
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 57
imágenes en el que se le pide al entrevistado que observe y mencione
un máximo de valoraciones de dichas imágenes.
Las técnicas de creatividad se centran en procesos intensivos de
creación de ideas una de las técnicas más populares es el
Brainstorming.
El Brainstorming o tormenta de cerebros también conocido como
lluvia de ideas es un proceso en el que se reúne un grupo de
individuos normalmente muy heterogéneos para tratar un problema.
Este método tiene normalmente dos fases, una primera en la que los
participantes exponen sus propuestas sin dar juicios de valor y una
segunda fase en la que las diferentes propuestas son sometidas a una
valoración.
5.4. Aplicación en el ejemplo hipotético
En el ejemplo hipotético que se está manejando ya se han completado
las tres primeras columnas: la columna de los Resultados Esperados,
la columna de la o las Poblaciones objeto de estudio y la columna de
las Variables en las que se especifica el número de variables y la
forma como se “mide” cada una de estas.
Corresponde ahora introducir la cuarta columna de MAPIC, el
método de colecta, y la pregunta que el investigador se plantea es:
¿Cuál es o cuáles son los métodos de colecta que debo
considerar?
Se debe seleccionar para cada variable, el método de colecta. La
selección del método de colecta por variable responde a la siguiente
pregunta:
Luis Villarroel Peñaranda 58
¿De qué manera es más factible lograr una
respuesta de la Unidad de Observación con el
nivel de precisión que el Resultado Esperado
exige?
La respuesta a esta pregunta conduce a identificar el método de
colecta más adecuado. Es importante hacer notar que un Ri puede
hacer participar variables que son colectadas a través de métodos
cuantitativos o cualitativos y por tanto se relativiza la dicotomía
cuantitativa-cualitativa.
En la tabla 5.1. se muestra la manera como será colectada cada
variable para los tres Resultados Esperados propuestos en el ejemplo
hipotético.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 59
Ta
bla
5.1
. M
atr
iz M
AP
IC.
Res
ult
ad
os
Es
pe
rad
os
, P
ob
lació
n,
Un
ida
des
de
Ob
se
rvac
ión
, v
ari
ab
les
,
tip
o d
e d
ato
y m
éto
do
de c
ole
cta
.
MÉ
TO
DO
DE
CO
LE
CT
A
En
cues
ta
Rev
isió
n F
S
Tal
ler
En
cues
ta
En
cues
ta
En
cues
ta
VA
RIA
BL
ES
X1
[CO
NT
INU
A]
X2
[BIN
AR
IA]
X3
[OR
DIN
AL
]
X1
[CO
NT
INU
A]
X4
[CO
NT
INU
A]
X1
[OR
DIN
AL
]
PO
BL
AC
IÓN
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
2
UO
2
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
Luis Villarroel Peñaranda 60
Las variables X1 y X4 de la población 1 son observados a través
de encuestas directas, la variable X2 se observa de fuentes
secundarias y la variable X3 se observa a través del taller. En el caso
de la población 2 la variable X1 se observa a través de una encuesta.
Esta definición de métodos de colecta corresponde a la factibilidad de
lograr una información de la Unidad de Observación con la precisión
que el Ri exige.
Referencias complementarias: MIQUEL et al. [1997], DAGNELIE [1997],
HERNANDEZ et al. [2003], SCHEAFFER et al. [1987], AZORIN F.,
SANCHEZ J.L. [1994]
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 61
Capítulo 6
DEFINICIÓN DEL PLAN
DE MUESTREO
6.1. PLANES DE MUESTREO
6.2. PLANES DE MUESTREO PROBABILÍSTICOS
6.3. PLANES DE MUESTREO NO PROBABILÍSTICOS
6.4. APLICACIÓN EN EL EJEMPLO HIPOTÉTICO
Luis Villarroel Peñaranda 62
6.1. Planes de Muestreo
La mayoría de los trabajos de Investigación deben evaluar Unidades
de Observación en poblaciones muy grandes y en algunos casos
prácticamente infinitas.
No es posible, por tanto, con recursos, humanos, financieros,
tiempo, etc. normalmente limitados, poder observar la totalidad de las
Unidades de Observación y entonces no queda otra opción que
observar parcialmente estas poblaciones6 y en base a estos resultados
concluir a propósito de algunas características de la población
Los planes de muestreo son, precisamente, los procedimientos que
permiten seleccionar Unidades de Observación de la población para
conformar la muestra.
Normalmente, en los estudios en los que el número de Unidades
de Observación es relativamente pequeño y se dispone de recursos
humanos, financieros, de tiempo, etc. entonces se realiza una
observación total, censo. Es claro que en este caso no tiene ya sentido
hablar de los planes de muestreo.
La figura 6.1. ilustra el concepto de censo se refiere o una
evaluación total de las Unidades de Observación de la población. El
elipsoide representa la población total y el hecho que este achurado
implica que se ha observado toda la población.
6 Realizar una muestra.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 63
Población
Censo
Población
Muestra
Figura 6.1. Censo
Sin embargo en muchos casos, como ya hemos mencionado, no es
posible observar toda la población y se debe observar una muestra. La
muestra es una parte de la población efectivamente observada. La
figura 6.2 ilustra este concepto.
Figura 6.2. Noción de Población y Muestra
El desafío central se traduce en la siguiente pregunta:
¿Cómo seleccionar una muestra representativa?
Luis Villarroel Peñaranda 64
El término “representativa” implica tener una muestra con una
composición similar a la población, pero ¿cómo lograr esto si no se
conoce la población?
Existen dos formas de poder lograr que la muestra sea
representativa: los planes denominados probabilísticos y los planes no
probabilísticos.
Los planes probabilísticos son utilizados por aquellos
investigadores que no tienen un buen conocimiento de la población,
temen elegir una muestra no representativa y por tanto delegan esta
tarea al “azar”.
Por el contrario los planes no probabilísticos son utilizados por
investigadores que conocen muy bien la población y por tanto no
tienen ningún interés de delegar la responsabilidad de selección de las
muestra al “azar” sino por el contrario son ellos mismos que realiza
dicha selección.
6.2. Planes de Muestreo Probabilísticos
Como ya dijimos anteriormente esta familia de planes de muestreo
están basados en procesos probabilísticos de selección y por tanto es
posible, en estos casos, poder evaluar el error de muestreo. Este error
es aquel que se comete al mencionar características de la población
sin haber observado la población en su totalidad.
a) Plan irrestricto aleatorio
El plan irrestricto aleatorio es uno de los procedimientos de selección
de Unidades de Observación más común y utilizado en los trabajos de
investigación. Su uso frecuente se debe principalmente a su
simplicidad y al hecho que la mayoría de las técnicas estadísticas,
fundamentalmente aquellas relacionadas con la Inferencia Estadística
están en base a este plan. Lamentablemente en muchos estudios se
confunde plan irrestricto aleatorio con plan “como sea”.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 65
Población
Muestra
Si una muestra de tamaño n es seleccionada de una población de
tamaño N, de tal forma que cada muestra de tamaño n tiene la misma
probabilidad de ser seleccionada entonces el plan de muestreo se
denomina irrestricto aleatorio. La figura 6.3. ilustra este tipo de plan.
Figura 6.3. Plan irrestricto aleatorio
Para garantizar una selección aleatoria existen diversas
herramientas: tablas de números aleatorios disponibles en casi todos
los libros modernos de estadística, los generadores de número
aleatorios disponibles en prácticamente cualquier calculadora
científica y en los programas estadísticos.
b) Plan estratificado
El plan estratificado es uno de los procedimientos de selección de
Unidades de Observación también muy utilizado.
Este plan consiste en dividir la población en subpoblaciones
denominadas estratos. El término estrato supone que las Unidades de
Observación que han sido “agrupadas” dentro las subpoblaciones
tienen características homogéneas.
Luis Villarroel Peñaranda 66
Luego de haber identificado los estratos, se procede a observar
una muestra para todos estratos. La figura 6.4 ilustra el plan
estratificado.
Figura 6.4. Plan estratificado
Se debe notar que el tamaño de las muestras observadas dentro de
cada uno de los estratos es variable dando lugar a variantes del plan
estratificado.
Si el tamaño de las muestras, dentro de cada estrato, tiene un
mismo tamaño, entonces el plan se denomina estratificado con
tamaño de muestra constante.
Si el tamaño de la muestra varía en función del número de
Unidades de Observaciones de cada estrato, el plan se denomina
estratificado proporcional.
Finalmente si el tamaño de la muestra depende de la variabilidad
observada dentro de cada estrato, el plan se denomina estratificado
óptimo de Neyman. Existen algunos planes estratificados óptimos que
hacen participar no solamente la variabilidad sino también el costo de
observación de Unidades de Observación dentro los estratos.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 67
c) Plan conglomerados
El plan de conglomerados normalmente es un plan que no se
“construye” y corresponde más bien a particiones o divisiones
naturales observadas en la población.
Este plan consiste en asociar a cada partición natural un
conglomerado. El término conglomerado implica reunir Unidades de
Observación las más heterogéneas posibles.
Una vez que la población ha sido dividida en conglomerados, se
seleccionan algunos conglomerados de manera irrestricta aleatoria y
cada conglomerado seleccionado debe ser observado en su totalidad,
quiere decir hacer censo de todas las Unidades de Observación. La
figura 6.5. ilustra este tipo de plan.
Figura 6.5. Plan conglomerado
Luis Villarroel Peñaranda 68
d) Plan conglomerado en dos etapas
El plan conglomerado en dos etapas o también denominado bietápico
es un plan que de alguna manera combina algunas características de
los dos planes anteriores.
Este plan se construye definiendo conglomerados, luego
seleccionando algunos conglomerados y realizando observaciones
parciales, quiere decir muestras dentro de cada uno de los
conglomerados elegidos. Este plan es particularmente interesante
cuando se desconoce el tamaño poblacional. La figura 6.6. ilustra este
tipo de plan.
Figura 6.6. Plan conglomerado en dos etapas
La literatura dedicada al muestreo propone otros tipos de planes:
sistemático y algunos muy particulares de aplicación muy especifica a
ciertos campos de las ciencias.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 69
6.3. Planes de Muestreo No Probabilísticos
Los planes de muestreo denominados no probabilísticos son aquellos
en los cuales no es posible asignar una probabilidad de selección a las
muestras y por tanto son basados, como ya dijimos anteriormente, en
el juicio del investigador. Existen diversos métodos propuestos en la
literatura, sin embargo los más utilizados en la práctica son los tres
siguientes:
a) Plan por conveniencia
Este tipo de plan corresponde a un procedimiento de selección
basado, como su nombre indica, en la conveniencia del investigador.
El investigador normalmente selecciona unidades accesibles, que
faciliten la medición, etc. En general estos planes no dan buenos
resultados en términos de los estimadores poblacionales. Sin
embargo, el hecho que el investigador tenga un profundo
conocimiento de la población puede provocar resultados muy
interesantes.
b) Plan de cuotas
El plan de cuotas consiste en respetar cierto tipo de proporciones
observadas en la población a nivel de la muestra. Obviamente esto
supone un conocimiento profundo de la población. Por ejemplo si se
conoce que la población tiene una proporción de 60% varones y 40%
de mujeres, entonces es claro que una muestra representativa de esta
población será aquella que respeta esta proporción de varones y
mujeres en dicha muestra.
Luis Villarroel Peñaranda 70
c) Plan bola de nieve
Este tipo de plan es particularmente interesante en aquellos trabajos
de investigación en los cuales es complicado tener acceso a la lista de
Unidades de Observación de la Población. En los estudios de
delincuencia, alcoholismo, drogadicción es claro que no es posible
tener lista completas de estas Unidades de Observación. Sin embargo,
no es complicado identificar a una muestra, mismo pequeña, de esta
Unidades, entonces luego se pide a esta, que llamen a nuevas
Unidades.
Es claro que es el investigador que debe dar las características de
las nuevas Unidades de Observación.
6.4. Aplicación en el Ejemplo Hipotético
La columna en MAPIC que corresponde al Plan de muestreo no tiene
ningún interés de considerarse cuando en la investigación se opera
con una sola población y se ha realizado el censo.
Sin embargo, cuando se tiene más de una población y no es
posible observar en su integridad, entonces se podría justificar su
incorporación en MAPIC.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 71
Ta
bla
6.1
Ma
triz
MA
PIC
. R
es
ult
ad
os
Esp
era
do
s,
Po
bla
ció
n,
Un
ida
des
de
Ob
se
rva
ció
n,
va
ria
ble
s y
tip
o d
e d
ato
, P
lan
de
mu
es
tre
o.
PL
AN
DE
MU
ES
TR
EO
Pla
n 1
Pla
n 1
Pla
n 2
VA
RIA
BL
ES
X1
[CO
NT
INU
A]
X2
[BIN
AR
IA]
X3
[OR
DIN
AL
]
X1
[CO
NT
INU
A]
X4
[CO
NT
INU
A]
X1
[OR
DIN
AL
]
PO
BL
AC
IÓN
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
1
UO
1
PO
BL
AC
IÓN
2
UO
2
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
Luis Villarroel Peñaranda 72
Se debe notar que en el ejemplo que se está presentado el hecho
que se han observado dos poblaciones podría dar lugar a dos tipos de
planes diferentes.
Con el propósito de simplificar MAPIC no vamos a considerar en
los capítulos siguientes la columna relativa al plan de muestro.
Referencias complementarias: SCHEAFFER R et al. [1987]
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 73
Capítulo 7
DEFINICIÓN DE MÉTODOS
ESTADÍSTICOS
7.1. “CAJITA” DE LA ESTADÍSTICA
7.2. CRITERIOS DE SELECCIÓN DE MÉTODOS ESTADÍSTICOS
7.3. APLICACIÓN EN EL EJEMPLO HIPOTÉTICO
Luis Villarroel Peñaranda 74
7.1. “Cajita” de la Estadística
La literatura consagrada a la Estadística es abundante. Existe una gran
variedad de referencias bibliográficas orientadas a diversas áreas de la
ciencia: estadística aplicada a la economía, finanzas, medicina,
sociología, etc. Estas distintas orientaciones han dado lugar a diversas
disciplinas dentro el campo de la estadística: Bioestadística,
Biometría, Econometría, Sociometría, Psicometría, etc.
El investigador curioso que consulta más de una obra de
estadística puede constatar que las definiciones del término
“estadística” no necesariamente son coincidentes, la estructura de
capítulos, de estos documentos, es a menudo muy diferente de uno a
otro libro y el nivel matemático es muy variable.
Por otro lado, los libros dedicados a metodologías de
investigación presentan de manera bastante “tímida” los métodos
estadísticos más comunes, en algunos casos no se sigue un rigor
científico mínimo en la presentación.
El investigador que busca respuesta a la siguiente pregunta:
¿Cuáles son las herramientas de la estadística
que debo utilizar para mi trabajo de
investigación?
tiene un fuerte sentimiento de frustración porque, estas obras no
responden de manera específica a su necesidad. En el apartado 7.2. se
presentan los criterios de selección de las herramientas estadísticas.
Para proponer criterios de selección de métodos estadístico, es
claro que es necesario tener un concepto preciso de la estadística.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 75
La Estadística es:
Por tanto la estadística propone herramientas para colectar los
datos. El protocolo de observación y el protocolo de experimentación.
Los investigadores que simplemente observan deben adoptar el
protocolo de observación que básicamente consiste en las siete etapas
propuestas para MAPIC. Por el contrario aquellos investigadores que
controlan ciertos factores deben adoptar el protocolo experimental:
Definición de las condiciones experimentales, definición de las
variables de respuesta, definición de factores, definición del diseño
experimental y definición del modelo matemático.7
De manera simple, el componente análisis de datos de la
estadística, puede ser comprendido como una “cajita” que contiene
herramientas para el aprovechamiento de los datos de una
investigación. Esta “cajita” está representada en la figura 7.1.
La caja tiene dos macro-compartimientos: el compartimiento de la
izquierda que reúnen herramientas de la Estadística Descriptiva y el
compartimiento del lado derecha que reúne herramientas de la
Inferencia Estadística.
7 El autor está desarrollando una guía metodológica para quienes adoptan la
experimentación como medio para generar conocimiento.
Conjunto de
HERRAMIENTAS
COLECTAR
datos
ANALIZAR
datos
Luis Villarroel Peñaranda 76
Por un lado, las herramientas de la Estadística Descriptiva tienen
el propósito de resumir los datos.
Por otro lado las herramientas de la Inferencia Estadística buscan
generalizar los resultados observados en una muestra hacia la
poblacional.
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
RESUMIR GENERALIZAR
Figura 7.1. “Cajita” de herramientas. Estadística Descriptiva e Inferencia
Estadística.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 77
El compartimiento de la derecha, quiere decir el de la Inferencia
Estadística, se divide en dos áreas: Estimación y Test de Hipótesis
como muestra la figura 7.2.
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.2. “Cajita” de herramientas. Inferencia Estadística: Estimación y test
de hipótesis.
El compartimiento denominado Estimación reúne herramientas
orientadas a valorar parámetros poblacionales a partir de la muestra.
Entre los parámetros más corrientes a estimar se puede citar: el
promedio, , la varianza, 2 , el total, , la proporción, P , etc.
Los parámetros poblacionales deben ser estimados a partir de las
observaciones realizadas en la muestra y por tanto dichas
estimaciones están asociados a errores. Uno de los desafíos
Luis Villarroel Peñaranda 78
principales de las herramientas de estimación es evaluar por tanto el
error de estimación.
El compartimiento denominado Test de Hipótesis agrupa a
herramientas cuyo propósito es aceptar o rechazar una hipótesis
planteada en la investigación.
Desde una perspectiva simple, la hipótesis es la respuesta
anticipada a una pregunta de investigación. Es claro que se plantea
una hipótesis cuando existen dudas y no cuando los resultados son
evidentes.
Como ya se vio en los capítulos anteriores, los Resultados
Esperados planteados en la investigación pueden hacer participar a
una variable, dos variables o más de dos variables. Entonces los tres
compartimientos presentados en la figura 7.2 se dividen en nueve
compartimientos como muestra la figura 7.3 cuando se considera el
número de variables.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 79
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
Figura 7.3. “Cajita” de herramientas. Número de variables
El compartimiento superior de la izquierda, reúne herramientas
que resumen una sola variable, se denominan herramientas
univariables o unidimensionales: Estadística Descriptiva
Unidimensional o Univariable.
El segundo compartimiento de la izquierda, reúne herramientas
que resumen dos variables simultáneamente, se denominan
herramientas bivariables o bidimensionales: Estadística Descriptiva
Bidimensional o bivariable.
El tercer compartimiento de la izquierda, reúne herramientas que
resumen más de dos variables simultáneamente, se denominan
2
1
P
1
2
P
1
2
P
Luis Villarroel Peñaranda 80
herramientas multivariables o multidimensionales: Estadística
Descriptiva multidimensional o multivariable.
Los compartimientos de la mano derecha reúnen a herramientas
de estimación y tests de hipótesis, univariables, bivariables y
multivariables respectivamente.
Finalmente las celdas definidas hasta ahora son fraccionadas
según el tipo de dato generado: cuantitativo, cualitativo. La figura 7.4.
muestra una “cajita” con 24 compartimientos.
1
1
2
1
1
1
1
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.4. “Cajita” de herramientas. Tipo de dato.
Como resultado de la división se han establecido 8 compartimientos
en el compartimiento izquierdo: Estadística Descriptiva.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 81
En el compartimiento de la derecha existen 16 compartimientos
correspondientes a técnicas de estimación y las de test de hipótesis.
El problema de la selección de la herramienta estadística o lo que
se denomina el análisis de datos por tanto implica la selección del
compartimiento adecuado. Por tanto para responder a la siguiente
pregunta:
¿Qué métodos estadísticos se deben seleccionar
para el trabajo de investigación?
Se deben proponer criterios de selección del compartimiento.
7.2. Criterios de Selección de los Métodos Estadísticos
Para poder responder de manera efectiva a los resultados esperados es
necesario seleccionar las herramientas estadísticas adecuadas. Estas
herramientas serán denominadas de manera general métodos
estadísticos, mismo si el término hace referencia tan sólo a
herramientas de la Inferencia Estadística.
Existen tres criterios principales para la selección del método
estadístico adecuado:
a) Resultados Esperados.
b) Número de variables.
c) Tipo de dato.
Si el método estadístico corresponde al área de la Inferencia
Estadística se imponen un cuarto criterio:
d) Condiciones de aplicación del método.
Luis Villarroel Peñaranda 82
El procedimiento de selección del método estadístico que se
propone a continuación supone trabajar con cada Resultado Esperado
de manera absolutamente independiente.
La idea es poder seleccionar para cada Resultado Esperado uno de
los 24 compartimientos de la “cajita” descrita en el apartado 7.1.
a) Resultados esperados
Es evidente que el primer criterio para la selección del método
estadística sea el Resultado Esperado.
Por tanto se inicia el proceso planteando a R1 la siguiente
pregunta:
¿Usted tiene el interés de resumir o generalizar?
Si el interés de R1 es resumir entonces se elige el compartimiento
del lado izquierdo de la “cajita” y si por el contrario R1 plantea que
tiene un interés de generalizar se selecciona el compartimiento del
lado derecho.
En este segundo caso, cuando R1 tiene interés de generalizar se
plantea una segunda pregunta para seleccionar el compartimiento
superior o inferior del compartimiento derecho: Estimación o Test de
Hipótesis.
¿Usted ha sido planteado como pregunta o como
respuesta (hipótesis)?
Si R1 ha sido planteado como pregunta entonces se trata de un
problema de estimación, compartimiento superior derecho, y si por el
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 83
contrario, R1, ha sido planteado como respuesta, entonces es un
problema de test de hipótesis, compartimiento inferior derecho.
Como resultado de esta primera evaluación se ha seleccionado
uno de los siguientes tres compartimientos mostrados en la figura 7.5.
1
1
1
1
1
1
2
2
2
2
2
2
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.5. Selección de herramientas: Criterio: Resultado Esperado
b) Número de variables
Se debe luego observar la tercera columna de MAPIC; el número de
variables que participan con R1.
Si participa 1 variable, 2 variables o P variables se trata de un
método estadístico univariado, bivariado o multivariado
1
2
3
Luis Villarroel Peñaranda 84
El resultado de esta etapa es seleccionar una de los 9
compartimientos siguientes, tal cual se muestra en la figura 7.6
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.6. Selección de herramientas: Criterios: Resultado Esperado, número
de variables
c) Tipo de dato
Luego de haber seleccionado un método estadístico, univariado,
bivariado o multivariado, se observa también en la columna 3 de
MAPIC, la forma como ha sido evaluada cada variable: cuantitativa
o cualitativa.
1 5
4
6
7
8
9
2
3
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 85
El resultado de la selección del método estadístico en base a este
último criterio implica haber seleccionado uno de los 24
compartimientos presentados en la figura 7.7.
1
1
2
1
1
1
1
2
2
2
2
2
1
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.7. Selección de herramientas: Criterio: Resultado Esperado, número
de variables, tipo de dato.
d) Condición de aplicación del Método
En el caso de haber seleccionado una herramienta de la inferencia
estadística, su aplicación es válida solamente si se cumple con ciertas
condiciones de aplicación.
3 4 5
6 7 8
9 10
2 1
13 12 11
16 15 14
18 17
21 20 19
24 23 22
Luis Villarroel Peñaranda 86
A menudo estas condiciones de aplicación tienen que ver con la
normalidad de la variable en estudio y en algunos casos la igualdad de
varianza. Si estas condiciones no son verificadas entonces es posible
realizar transformaciones de variables de manera a lograr que la
nueva variable generada tenga las propiedades exigidas por el
método.
Si luego de una transformación no se ha logrado todavía cumplir
con las condiciones de aplicación, entonces se procede a la utilización
de técnicas denominadas semiparamétricas y las no paramétricas.
Las técnicas semiparamétricas o paramétricas son herramientas
alternativas a las clásicas de la inferencia estadística.
En el caso de la “cajita” es posible imaginarse que existe un
segundo plano detrás de las técnicas de la inferencia presentadas en la
figura 7.7. Por tanto considerando las técnicas no paramétricas
tendríamos:
8 compartimientos en la Estadística Descriptiva
16 compartimientos en la Inferencia Estadística paramétrica
16 compartimientos en la inferencia Estadística no paramétrica
Haciendo un total de 40 compartimientos. Es evidente que dentro
de cada una de estas celdas existe una gran cantidad de métodos
estadísticos, la selección final de una herramienta es responsabilidad
del especialista en estadística. El anexo 1 presenta, a título de
ilustración, algunas herramientas. Es importante notar que la
intención de ninguna manera es ofrecer una receta para seleccionar
métodos estadísticos.
El procedimiento anterior se debe repetir para el R2 y así
sucesivamente hasta concluir con todos los resultados esperados de la
investigación.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 87
Por tanto el análisis de los datos, quiere decir la selección de
herramientas de la estadística supone conocer con precisión los
Resultados Esperados, el número de variables que participa en cada
Resultado y conocer la forma como se ha medido cada variable.
No es posible que alguien sin conocer estos tres criterios de
selección pueda proponer herramientas de análisis de datos.
¿Cómo proceden los que realizan tabulación,
cruces de variables, gráficos, etc.?
Es difícil imaginarse que puedan analizar los datos correctamente.
7.3. Aplicación en el Ejemplo Hipotético
El desafío es proponer herramientas de análisis de datos para cada
uno de los Resultados Esperados. Por tanto empezamos con R1.
¿Cuál es el método estadístico para el R1?
a) Resultado Esperado
¿Usted tiene el interés de resumir o generalizar?
R1 responde: Tengo interés de resumir. Entonces corresponde el
compartimiento de la mano izquierda de la “cajita”.
Luis Villarroel Peñaranda 88
b) Variables
¿Cuántas variables operan con usted?
R1 responde: Dos variables. Entonces seleccionamos el
compartimiento de herramientas bivariadas.
c) Tipo de dato
¿Cómo han sido medidas las variables?
X1 responde: variable cuantitativa.
X2 responde: variable cualitativa – binaria.
Entonces el método estadístico para poder responder de manera
efectiva al R1 se encuentra en el compartimiento 4.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 89
1
1
2
1
1
1
1
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.8. Selección de herramientas para el Resultado Esperado R1.
Continuamos con R2
¿Cuál es el método estadístico para el R2?
a) Resultado Esperado
¿Usted tiene el interés de resumir o generalizar?
Luis Villarroel Peñaranda 90
R2 responde: Tengo interés de generalizar. Entonces corresponde
el compartimiento de la mano derecha de la “cajita”. Pero cuidado a
la derecha existe dos compartimientos: estimación y test de hipótesis.
Por tanto se plantea una segunda pregunta:
¿Usted ha sido planteado como pregunta o como
respuesta?
R2 responde: He sido planteado como pregunta, por tanto
corresponde el compartimiento de la mano derecha superior.
b) Variables
¿Cuántas variables operan con usted?
R2 responde: Dos variables. Entonces seleccionamos el
compartimiento de herramientas bivariadas.
c) Tipo de dato
¿Cómo han sido medidas las variables?
X3 responde: variable cualitativa
X1 responde: variable cuantitativa
X4 responde: variable cuantitativa
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 91
Entonces el método estadístico para poder responder de manera
efectiva al R2 se encuentra en el compartimiento 15.
1
1
2
1
1
1
1
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.9. Selección de herramientas para el Resultado Esperado R2.
Finalmente con R3
¿Cuál es el método estadístico para el R3?
Luis Villarroel Peñaranda 92
a) Resultado Esperado
¿Usted tiene el interés de resumir o generalizar?
R3 responde: Tengo interés de generalizar. Entonces corresponde
el compartimiento de la mano derecha de la “cajita”. Pero cuidado a
la derecha existe dos compartimientos: estimación y test de hipótesis.
Por tanto se plantea una segunda pregunta:
¿Usted ha sido planteado como pregunta o como
respuesta?
R3 responde: He sido planteado como hipótesis, por tanto
corresponde el compartimiento de la mano derecha inferior.
b) Variables
¿Cuántas variables operan con usted?
R3 responde: Una variable. Entonces seleccionamos el
compartimiento de herramientas univariado.
c) Tipo de dato
¿Cómo ha sido medida la variable?
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 93
X1 responde: variable cuantitativa
Entonces el método estadístico para poder responder de manera
efectiva al R3 se encuentra en el compartimiento 17.
1
1
2
1
1
1
1
2
2
2
2
2
P
P
P
P
P
P
1
1
1
1
1
1
2
2
2
2
2
2
P
P
P
P
P
P
Figura 7.10. Selección de herramientas para el Resultado Esperado R3.
Luego de haber seleccionado las herramientas estas se incorporan
en la quinta columna de la matriz MAPIC tal como muestra la tabla
7.1.
Luis Villarroel Peñaranda 94
n
Ta
bla
7.1
. M
atr
iz M
AP
IC.
Res
ult
ad
os
Es
pe
rad
os
, V
ari
ab
les
, T
ipo
de
da
to,
Mé
tod
o d
e C
ole
cta
y e
l
Mé
tod
o E
sta
dís
tic
o.
MÉ
TO
DO
ES
TA
DÍS
TIC
O
HE
RR
A 0
1
HE
RR
A 0
2
HE
RR
A 0
3
MÉ
TO
DO
DE
CO
LE
CT
A
En
cues
ta
Rev
isió
n F
S
Tal
ler
En
cues
ta
En
cues
ta
En
cues
ta
VA
RIA
BL
ES
X1
[CO
NT
INU
A]
X2
[BIN
AR
IA]
X3
[OR
DIN
AL
]
X1
[CO
NT
INU
A]
X4
[CO
NT
INU
A]
X1
[OR
DIN
AL
]
PO
BL
AC
IÓN
P 1
P 1
P 1
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 95
Se debe notar que en el ejemplo hipotético se están manejando
tres métodos estadísticos distintos.
Si la investigación propone por ejemplo 5 Resultados Esperados,
entonces como máximo se requieren 5 métodos estadísticos, podría
ocurrir que dos Ri por ejemplo tengan un número de variables similar
y que ellas hayan sido evaluadas de la misma forma, entonces se
requieren solamente 4 herramientas.
Referencias complementarias: DAGNELIE [1997a], DAGNELIE [1997a],
VISAUTA [2003], HERNANDEZ et al. [2003], SCHEAFFER et al. [1987].
Luis Villarroel Peñaranda 96
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 97
Capítulo 8
DETERMINACIÓN DEL TAMAÑO
DE LA MUESTRA
8.1. BASES PARA LA DETERMINACIÓN DEL TAMAÑO DE LA MUESTRA
8.2. “FORMULITAS” PARA DETERMINAR EL N
8.3. APLICACIÓN EN EL EJEMPLO HIPOTÉTICO
Luis Villarroel Peñaranda 98
Muestra
8.1. Bases para la determinación del n
La determinación del “n” tiene que ver con el problema de definición
del tamaño de la muestra. La figura 8.1 ilustra la noción de muestra
en relación al tamaño poblacional. Es evidente que si la muestra es
muy pequeña entonces el error de muestreo, quiere decir, el error que
se comete al decir “cosas” de la población sin haberla observado
totalmente será alto. Por el contrario si el tamaño de la muestra es
suficientemente grande entonces el error de muestreo será pequeño.
Por tanto el desafío es saber cuan grande debe ser el tamaño de la
muestra para no superar un error que fija la investigación.
Figura 8.1. Muestra y población
Es importante hacer notar que la determinación del tamaño de la
muestra tiene sentido solamente en aquellos Ri que tienen un carácter
inferencial. Por el contrario, si el Ri tiene un interés solamente
descriptivo entonces no se debe hablar del tamaño de la muestra.
De manera general el concepto “determinación del tamaño de la
muestra” está asociado a cualquier método de colecta. En el caso de
Población
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 99
una encuesta a través de cuestionarios, la pregunta es ¿cuántos
cuestionarios se debe observar?
Si el método de colecta es un taller, la pregunta es ¿cuántos
participantes se debe “invitar”? Si se ha utilizado DELPHI, la
pregunta es ¿cuántos expertos se debe convocar?, etc.
La determinación del “n” se debe realizar de manera
independiente para cada uno de los Ri. Entonces existirán como
máximo un número de “formulitas” igual al número de Ri con
carácter inferencial de la investigación. Por tanto es claro que
aquellos trabajos de investigación que han propuesto una sola
“formulita” no tienen ningún rigor científico.
Las herramientas que están en el compartimiento derecho de la
“cajita” de la estadística, quiere decir las de Inferencia Estadística
tienen su “formulita”. Entonces el momento que se ha seleccionado el
método estadístico y este es del compartimiento de la Inferencia
Estadística, de manera automática se ha seleccionado su “formulita”
para ubicarla en la sexta columna de MAPIC.
Se ha mencionado también, en el capítulo 7, que el
compartimiento de la mano derecha de la “cajita” tiene dos grandes
divisiones: ESTIMACIÓN y TEST DE HIPÓTESIS.
Si el método estadístico que se ha seleccionado corresponde al
compartimiento de ESTIMACIÓN, entonces el valor de n debe
garantizar un nivel de error o de precisión que la investigación exige.
Por ejemplo si el interés es estimar el promedio del ingreso en
$us/mes de una determinada región. El tamaño de la muestra debe
garantizar que el estimador no tenga un error, por ejemplo, mayor a
3%. Este nivel de error es el que ha sido propuesto por el cliente. Si
se observara un número pequeño de Unidades de Observación
entonces el estimador tendrá un gran error y probablemente no
suficiente para satisfacer al cliente. Si se observa un número grande
de unidades de observación entonces el error será bajo y
Luis Villarroel Peñaranda 100
probablemente más pequeño que el exigido por el cliente, entonces
problema de costo.
Si el Ri exige realizar un TEST DE HIPÓTESIS, entonces el
valor de n debe asegurar, para un nivel de confianza, una potencia de
la herramienta aceptable, quiere decir que en este segundo caso el n
esta relacionado a un nivel de riesgo y no un error de manera estricta.
Las herramientas del compartimiento de Test de Hipótesis aceptan o
rechazan hipótesis planteadas en la investigación.
Existen dos tipos de riesgo: riesgo TIPO I y TIPO II. El riesgo
tipo I se llama también nivel de significación.
: P(RHo|Ho) : Probabilidad de rechazar la hipótesis nula cuando
ésta es verdadera.
: P(AHo|H) : Probabilidad de aceptar la hipótesis nula cuando ésta
es falsa.
Por ejemplo si se desea comparar el nivel de ingreso de dos
regiones se plantea la siguiente hipótesis nula (Ho) e hipótesis
alternativa (H).
21: Ho : las dos regiones tiene un mismo nivel de ingreso
21: Ho : las dos regiones tiene un nivel de ingreso distinto
El riesgo de tipo I implica rechazar la hipótesis de igualdad de
promedios en los ingresos cuando en la realidad las dos regiones
tienen un mismo nivel de ingreso.
El riesgo de tipo II implica aceptar la hipótesis de igualdad de
promedios en los ingresos cuan en la realidad las dos regiones tienen
ingresos distintos.
En este último caso la determinación del “n” debe garantizar un
nivel de riesgo tipo I y II aceptables.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 101
8.2. “Formulitas” para determinar el n
Como se ha mencionado, en el capítulo 2, los libros de metodologías
de investigación presentan normalmente las dos relaciones siguientes
para determinar el tamaño de la muestra:
La primera relación se propone para la estimación de una
proporción y la segunda para la estimación de un promedio, ambas en
el caso de poblaciones finitas.
Es claro que la primera relación se debería utilizar en un Ri que
tiene un carácter inferencial, que hace participar a una sola variable y
que además esta variable es cualitativa de naturaleza binaria. La
segunda debería utilizarse para un Ri con carácter inferencial, que
hace participar a una sola variable de naturaleza cuantitativa continua.
Entonces las investigaciones que proponen una sola “formulita” a
menudo la del p y q trabajan con una sola variable y además esta es
binaria. Este tipo de investigaciones no existen y por tanto no es
correcto proponer en la investigación una sola “formulita”.
Para poder completar la sexta columna de MAPIC que
corresponde precisamente a la determinación del “n” se debe utilizar
la “formulita” que corresponde al método estadístico.
No en todos los casos los métodos estadísticos tienen “formulitas”
en muchos casos son procedimientos iterativos complejos.
22
21
2
21
1 ENpqz
Npqzn
22
21
2
22
21
1 ENz
Nzn
Luis Villarroel Peñaranda 102
La literatura muestra una gran cantidad de herramientas
desarrolladas para la determinación del “n”. Entre ellas se pueden
citar opciones del paquete MINITAB, opciones del paquete SPSS,
etc.
Una de las herramientas sencillas y bastante completas es la que
propone el paquete PASS integrado en el programa estadístico NCSS.
Figura 8.2. Paquete PASS del NCSS
8.3. Aplicación en el Ejemplo Hipotético
Para completar la sexta columna de la MAPIC se procede de la
siguiente forma:
Para el R1
¿Cuál es el Método Estadístico seleccionado?
M1: método estadístico del compartimiento 4. Herramienta
descriptiva por tanto en la columna 6 de MAPIC se deja en blanco.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 103
Para el R2
¿Cuál es el Método Estadístico seleccionado?
M2: método estadístico del compartimiento 15. Por tanto en la
columna 6 de MAPIC se propone n1. Este tamaño de muestra debe
ser determinado por ejemplo con el paquete PASS.
Para el R3
¿Cuál es el Método Estadístico seleccionado?
M3: método estadístico del compartimiento 17. Por tanto en la
columna 6 de MAPIC se propone n2. Este debe ser determinado por
ejemplo con el paquete PASS.
A titulo de ilustración vamos a suponer un problema real.
Un investigador desea conocer la proporción de familias, de una
determinada región, que consumen habitualmente palmito. Para
proceder a la investigación el requiere conocer el número de familias
que debe entrevistar.
Vamos a suponer que la población de familias es grande y no se
dispone de una lista por tanto es población finita. Así mismo vamos a
suponer que la investigación exige un error no mayor a 2% y los
datos de una encuesta piloto señala que el 25% de las familias de esa
región consumen habitualmente el palmito. La figura 8.3. muestra la
ventana, del PASS correspondiente al método estadístico: intervalo de
confianza de una proporción:
Luis Villarroel Peñaranda 104
Figura 8.3. Ventana del PASS para estimar una proporción
La figura 8.4 muestra la ventana en la que se introducen los datos
para determinar el tamaño de la muestra.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 105
Figura 8.4. Ventana del PASS para estimar una proporción. Datos de entrada.
La salida del paquete PASS se muestra en la figura 8.5.
Confidence Interval of A Proportion Page/Date/Time 1 17/06/2005 06:09:06 a.m. Numeric Results C.C. N P0 Confidence Sample Baseline Precision Coefficient Size Proportion 0.02000 0.95115 1782 0.25000 Report Definitions Precision is the plus and minus value used to create the confidence interval. Confidence Coefficient is probability value associated with the confidence interval. N is the size of the sample drawn from the population. P0 is the estimated baseline proportion. Summary Statements A sample size of 1782 produces a 95% confidence interval equal to the sample proportion plus or minus 0.02000 when the estimated proportion is 0.25000.
Figura 8.5. Salida para determinación del tamaño de muestra en el PASS.
Luis Villarroel Peñaranda 106
Por tanto se deben entrevistar a 1.782 personas para estimar la
proporción de familias que consumen habitualmente palmito con un
error no mayor al 2%.
Utilizando este mismo procedimiento es posible determinar los
tamaños de muestra para cada uno de los Resultados Esperados de la
investigación.
Estos datos deben luego ser integrados en la sexta columna de
MAPIC como muestra la tabla 8.1.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 107
n
____
____
n1
n2
Ta
bla
8.1
. M
atr
iz M
AP
IC.
Re
su
lta
do
s E
sp
era
do
s,
Va
riab
les
, T
ipo
de
da
to,
Mé
tod
o d
e C
ole
cta
, e
l
Mé
tod
o E
sta
dís
tic
o y
la d
ete
rmin
ac
ión
de
n.
MÉ
TO
DO
ES
TA
DÍS
TIC
O
HE
RR
A 0
1
HE
RR
A 0
2
HE
RR
A 0
3
MÉ
TO
DO
DE
CO
LE
CT
A
En
cues
ta
Rev
isió
n F
S
Tal
ler
En
cues
ta
En
cues
ta
En
cues
ta
VA
RIA
BL
ES
X1
[CO
NT
INU
A]
X2
[BIN
AR
IA]
X3
[OR
DIN
AL
]
X1
[CO
NT
INU
A]
X4
[CO
NT
INU
A]
X1
[CO
NT
INU
A]
PO
BL
AC
IÓN
P 1
P 1
P 3
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
R1
R2
R3
Luis Villarroel Peñaranda 108
Se debe notar que R1 no tiene ninguna “formulita”, por que la
herramienta tiene carácter descriptivo. Por el contrario R2 y R3 tienen
“formulitas” absolutamente diferentes dado que los métodos son
distintos.
Una vez calculados los valores de n para cada uno de los Ri, se
toma como valor, del tamaño de la muestra, al valor de n más alto por
tipo de método de colecta. Por tanto se puede demostrar que trabajos
de investigación que hacen participar una sola “formulita” carecen del
rigor científico.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 109
Capítulo 9
ESTUDIO DE CASO
9.1. ESTUDIO DE CASO
9.2. CONCLUSIONES
Luis Villarroel Peñaranda 110
9.1. Estudio de caso
Proyecto de factibilidad técnica, económica y financiera para la
implementación de una planta procesadora de frutos de la Mora
(Rubus Urticaeofolius). Elaborado por: José Álvarez García y Dany
Aracely Maldonado, año 2001, Ingeniería Industrial, UMSS,
Cochabamba.
a) Identificación del problema de Investigación
El propietario de una planta procesadora de mermeladas desconoce el
mercado potencial para elaborar de un producto en base a mora Rubus
Urticaeofolius.
b) Objetivo general
Elaborar una Investigación de Mercado para una mermelada de Mora.
c) Resultados esperados
R1: Posicionamiento sensorial de Don Serafín
R2: Estimación de la Demanda Potencial
R3. Asociación entre 3 Marca y 3 Características
En base a esta información se elabora MAPIC.
Los Resultados Esperados han sido transferidos a la primera
columna de MAPIC, tabla 9.1
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 111
n
Ta
bla
9.1
MA
PIC
. R
es
ult
ad
os
Es
pe
rad
os
.
MÉ
TO
DO
ES
TA
DÍS
TIC
O
MÉ
TO
DO
DE
CO
LE
CT
A
VA
RIA
BL
ES
PO
BL
AC
IÓN
U.O
.
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
Po
sici
on
amie
nto
sen
sori
al d
e
Do
n S
eraf
ín
Est
imac
ión
de
la
Dem
and
a
Po
ten
cial
Aso
ciac
ión
entr
e 3
Mar
ca y
3 C
arac
terí
stic
as
Luis Villarroel Peñaranda 112
En la segunda columna se identifica las Unidades de Observación
y la población. Se debe notar que en este estudio se han considerado
tres poblaciones.
Para realizar un mapa de posicionamiento, R1, la población está
constituida por Unidades de Observación que corresponden a
mermeladas de mora. Para el estudio se han considerado 5 prototipos
que se ofrecen en el mercado regional.
Para poder estimar la demanda potencial, R2, se ha considerado
como Unidades de Observación a líderes de opinión o también
denominados expertos.
Para establecer la asociación entre tres mermeladas que están en
el mercado y las características reconocidas en dichas marcas (precio,
calidad o ambos) se han considerado consumidores frecuentes de
mermelada de mora.
La tabla 9.2. presenta la MAPIC con la primera columna, los
Resultados Esperados, y la segunda columna completadas, la
definición de Población y Unidades de Observación.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 113
n
Ta
bla
9.2
Ma
triz
MA
PIC
. R
esu
lta
do
s E
sp
era
do
s,
Po
bla
ció
n y
Un
ida
de
s d
e o
bs
erv
ac
ión
.
MÉ
TO
DO
ES
TA
DÍS
TIC
O
MÉ
TO
DO
DE
CO
LE
CT
A
VA
RIA
BL
ES
PO
BL
AC
IÓN
U.O
.
5 p
roto
tip
os
de
mer
mel
ada
de
mo
ra
Exp
erto
s
Con
sum
idor
es
de M
erm
elad
as
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
Po
sici
on
amie
nto
sen
sori
al d
e
Do
n S
eraf
ín
Est
imac
ión
de
la
Dem
and
a
Po
ten
cial
Aso
ciac
ión
entr
e 3
Mar
cas
y
3 C
arac
terí
stic
as
Luis Villarroel Peñaranda 114
Una vez definidas las dos primeras columnas de MAPIC se
definen las variables.
En el caso del R1 se han observado las siguientes variables:
X1: Aroma, se evalúa en una escala 0 – 20 de manera cuantitativa.
X2: Color, se evalúa en una escala 0 – 20 de manera cuantitativa.
X3: Sabor, se evalúa en una escala 0 – 30 de manera cuantitativa.
X4: Textura, se evalúa en una escala 0 – 40 de manera cuantitativa.
Se debe hacer notar que estas variables son respondidas por los
paneles entrenados.
Para el R2 se observa una sola variable
X5: demanda, se evalúa de manera cuantitativa
Se debe hacer notar que esta variable es respondida por los
expertos.
Para R3 se observan 2 variables
X6: Marca, se evalúa de manera cualitativa nominal: Marca 1, Marca
2 y Marca 3.
X7: Característica, se evalúa de manera cualitativa nominal: Precio,
Calidad, Precio-Calidad.
Estas siete variables son transferidas a la tercera columna de
MAPIC, tabla 9.3.
Se debe notar que debajo de todas las variables se debe
especificar el tipo de dato que genera dicha variable.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 115
n
Ta
bla
9.3
. M
atr
iz M
AP
IC. R
esu
lta
do
s E
sp
era
do
s,
Po
bla
ció
n,
Un
idad
es
de
ob
se
rva
ció
n y
va
ria
ble
s.
MÉ
TO
DO
ES
TA
DÍS
TIC
O
MÉ
TO
DO
DE
CO
LE
CT
A
VA
RIA
BL
ES
X1:
Aro
ma
[Co
nti
nu
a]
X2:
Co
lor
[Co
nti
nu
a]
X3:
Sab
or
[Co
nti
nu
a]
X4:
Tex
tura
[Co
nti
nu
a]
X5:
Dem
and
a
[Co
nti
nu
a]
X6:
Mar
ca
[No
min
al]
X7:
Car
acte
ríst
ica
[No
min
al]
PO
BL
AC
IÓN
U.O
.
5 p
roto
tip
os
de
mer
mel
ada
de
mo
ra
Exp
erto
s
Con
sum
idor
es
de M
erm
elad
as
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
Po
sici
on
amie
nto
sen
sori
al d
e
Do
n S
eraf
ín
Est
imac
ión
de
la
Dem
and
a
Po
ten
cial
Aso
ciac
ión
entr
e 3
Mar
cas
y
3 C
arac
terí
stic
as
Luis Villarroel Peñaranda 116
Una vez declaradas las variables, se procede a definir el método
de colecta que permite medir en la Unidad de Observación y que la
respuesta sea factible.
La definición del método de colecta se la realiza por cada variable
de manera absolutamente independiente.
Para R1
X1: Aroma, método de colecta: paneles entrenados
X2: Color, método de colecta: paneles entrenados
X3: Sabor, método de colecta: paneles entrenados
X4: Textura, método de colecta: paneles entrenados
Para R2
X5: Demanda, Método de colecta: expertos
Para R3
X6: Marca, método de colecta: encuesta a consumidores
X7: Característica, método de colecta: encuesta a consumidores
Estos métodos de colecta deben ser transferidos a la cuarta
columna, tabla 9.4
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 117
n
Ta
bla
9.4
Ma
triz
MA
PIC
. R
es
ult
ad
os
Es
pe
rad
os
, P
ob
lació
n,
Un
idad
es
de
ob
se
rva
ció
n,
Va
ria
ble
s y
Mé
tod
o d
e C
ole
cta
.
MÉ
TO
DO
ES
TA
DÍS
TIC
O
MÉ
TO
DO
DE
CO
LE
CT
A
Pan
el
En
tren
ado
Pan
el
En
tren
ado
Pan
el
En
tren
ado
Pan
el
En
tren
ado
DE
LP
HI
En
cues
ta
En
cues
ta
VA
RIA
BL
ES
X1:
Aro
ma
[Co
nti
nu
a]
X2:
Co
lor
[Co
nti
nu
a]
X3:
Sab
or
[Co
nti
nu
a]
X4:
Tex
tura
[Co
nti
nu
a]
X5:
Dem
and
a
[Co
nti
nu
a]
X6:
Mar
ca
[No
min
al]
X7:
Car
acte
ríst
ica
[No
min
al]
PO
BL
AC
IÓN
U.O
.
5 p
roto
tip
os
de
mer
mel
ada
de
mo
ra
Exp
erto
s
Con
sum
idor
es
de M
erm
elad
as
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
Po
sici
on
amie
nto
sen
sori
al d
e
Do
n S
eraf
ín
Est
imac
ión
de
la
Dem
and
a
Po
ten
cial
Aso
ciac
ión
entr
e 3
Mar
cas
y
3 C
arac
terí
stic
as
Luis Villarroel Peñaranda 118
Corresponde ahora definir los métodos estadísticos y el tamaño de
la muestra.
¿Cuál es el método estadístico para el R1?
a) Resultado Esperado
¿Usted tiene el interés de resumir o generalizar?
R1 responde: Tengo interés de resumir. Entonces corresponde el
compartimiento de la mano izquierda de la cajita.
b) Variables
¿Cuántas variables operan con usted?
R1 responde: 4 variables. Entonces seleccionamos el
compartimiento de herramientas multivariado.
c) Tipo de dato
¿Cómo han sido medidas las variables?
X1 responde: variable cuantitativa
X2 responde: variable cuantitativa
X3 responde: variable cuantitativa
X4 responde: variable cuantitativa
Entonces el método estadístico para poder responder de manera
efectiva al R1 se encuentra en el compartimiento 4 y corresponde a:
Análisis en Componentes Principales, ACP8
¿Cuál es el método estadístico para el R2?
8 La selección final de la herramienta es responsabilidad del Estadístico.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 119
a) Resultado Esperado
¿Usted tiene el interés de resumir o generalizar?
R2 responde: Tengo interés en generalizar. Entonces corresponde
el compartimiento de la mano derecha de la “cajita”. Como esta a la
derecha se debe formular la siguiente pregunta
¿Usted ha sido planteado como pregunta o como respuesta
(hipótesis)?
Como pregunta, dado que el interés es llegar a conocer el nivel de
demanda potencial. Entonces el compartimiento es el de la derecha
superior: estimación.
b) Variables
¿Cuántas variables operan con usted?
R2 responde: 1 variables. Entonces seleccionamos el
compartimiento de herramientas univariado.
c) Tipo de dato
¿Cómo han sido medidas las variables?
X5 responde: variable cuantitativa
Entonces el método estadístico para poder responder de manera
efectiva al R2 se encuentra en el compartimiento 10 y corresponde a:
Límites de Confianza de un Promedio
Como la herramienta es del compartimiento de la Inferencia
Estadística, entonces se debe utilizar una “formulita” que corresponda
a este método estadístico.
¿Cuál es el método estadístico para el R3 del ejemplo?
Luis Villarroel Peñaranda 120
a) Resultado Esperado
¿Usted tiene el interés de resumir o generalizar?
R3 responde: Tengo interés en generalizar. Entonces corresponde
el compartimiento de la mano derecha de la “cajita”. Como esta a la
derecha se debe formular la siguiente pregunta
¿Usted ha sido planteado como pregunta o como respuesta
(hipótesis)?
Como respuesta o hipótesis, dado que el interés es llegar a
conocer si existe o no una asociación entre marca (M1, M2, M3) y
característica de la marca (Precio, Calidad, Precio-Calidad). Entonces
el compartimiento es el de la derecha inferior: Test de Hipótesis.
b) Variables
¿Cuántas variables operan con usted?
R3 responde: 2 variables. Entonces seleccionamos el
compartimiento de herramientas bivariado.
c) Tipo de dato
¿Cómo han sido medidas las variables?
X6 responde: variable cualitativa nominal
X7 responde: variable cualitativa nominal
Entonces el método estadístico para poder responder de manera
efectiva al R3 se encuentra en el compartimiento 13 y corresponde a:
Análisis Factorial de Correspondencia
En el caso del R2, se ha estimado un número de 20 expertos y
para R3 y número de 79 consumidores.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 121
REGR factor score 1 for analysis 2
2,01,51,0,50,0-,5-1,0
RE
GR
fa
cto
r sco
re
2 fo
r a
naly
sis
2
2,0
1,5
1,0
,5
0,0
-,5
-1,0
Malloa
Marca 4
Marca 3
Don Serafín
Marca 1
A titulo de ilustración, la figura 9.1 presenta el mapa de
posicionamiento de la mermelada “Don Serafín”. El grafico
corresponde al diagrama de individuos del Análisis en Componentes
Principales, ACP, en el primer plano factorial.
Figura 9.1. Mapa de posicionamiento de la mermelada “Don Serafín”.
Resultado del ACP
La figura 9.2 presenta el grafico de posicionamiento de las tres
marcas de mermeladas. El gráfico corresponde al diagrama de
individuos en el primer plano factorial del Análisis Factorial de
Correspondencia, AFC.
Luis Villarroel Peñaranda 122 Puntos de columna y de fila
Simétrica Normalización
Dimensión 1
.8.6.4.20.0-.2-.4-.6-.8
Dim
en
sió
n 2
.4
.2
-.0
-.2
-.4
-.6
Marca
Característica de la
marca
M3
M2
M1"precio-calidad"
calidad
precio
Figura 9.2. Mapa de posicionamiento tres mermeladas. Resultado del AFC.
Referencias complementarias: DAGNELIE [1997a], DAGNELIE [1997a],
HERNANDEZ et al. [2003], SCHEAFFER et al. [1987], VISAUTA [2003].
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 123
n
____
____
_
20
79
Ta
bla
9.5
Ma
triz
MA
PIC
. R
es
ult
ad
os
Es
pe
rad
os
, P
ob
lació
n,
Un
idad
es
de
ob
se
rva
ció
n.
Va
ria
ble
s y
Mé
tod
o d
e C
ole
cta
.
MÉ
TO
DO
ES
TA
DÍS
TIC
O
An
ális
is e
n
Co
mp
on
ente
s
Pri
nci
pal
es
Lim
ites
de
Co
nfi
anza
de
un
pro
med
io
An
ális
is F
acto
rial
de
Co
rres
po
nd
enci
a
MÉ
TO
DO
DE
CO
LE
CT
A
Pan
el
En
tren
ado
Pan
el
En
tren
ado
Pan
el
En
tren
ado
Pan
el
En
tren
ado
DE
LP
HI
En
cues
ta
En
cues
ta
VA
RIA
BL
ES
X1:
Aro
ma
[Co
nti
nu
a]
X2:
Co
lor
[Co
nti
nu
a]
X3:
Sab
or
[Co
nti
nu
a]
X4:
Tex
tura
[Co
nti
nu
a]
X5:
Dem
and
a
[Co
nti
nu
a]
X6:
Mar
ca
[No
min
al]
X7:
Car
acte
ríst
ica
[No
min
al]
PO
BL
AC
IÓN
U.O
.
5 p
roto
tip
os
de
mer
mel
ada
de
mo
ra
Exp
erto
s
Con
sum
idor
es
de M
erm
elad
as
RE
SU
LT
AD
OS
ES
PE
RA
DO
S
Po
sici
on
amie
nto
sen
sori
al d
e
Do
n S
eraf
ín
Est
imac
ión
de
la
Dem
and
a
Po
ten
cial
Aso
ciac
ión
entr
e 3
Mar
cas
y
3 C
arac
terí
stic
as
Luis Villarroel Peñaranda 124
9.2. Conclusiones
Al finalizar esta obra es importante realizar algunas conclusiones:
MAPIC se constituye en una herramienta de apoyo a la
Investigación Científica y de ninguna manera intenta
remplazar el método científico.
La elaboración de MAPIC supone un trabajo coordinado
entre Investigador y el Estadístico. La responsabilidad de la
construcción de las cuatro primeras columnas de MAPIC es
exclusiva al investigador, en cambien las dos ultimas
columnas, quiere decir el método estadístico y la
determinación del tamaño de la muestra son responsabilidad
del Estadístico.
MAPIC rompe con la dicotomía cualitativa y cuantitativa,
ambas aproximación pueden convivir de manera natural.
La “cajita” de herramientas es una manera simple de mostrar
como la estadística puede de manera natural ser integrada en
el proceso de investigación científica.
Finalmente el autor quiere destacar su profundo compromiso en
realizar los ajustes que aun falta en esta obra, integrar muchos más
ejemplos prácticos y el desarrollo de una plataforma virtual que
permita que una vez que el investigador a diseñado su MAPIC, este
genere de manera automática los instrumentos de colecta de datos,
genere de manera automática la base de datos y pueda también
generar los procedimientos que permitan realizar el análisis de los
datos.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 125
BIBLIOGRAFÍA
AZORIN F., SANCHEZ J.L. [1994]. Métodos y
aplicaciones del muestreo. Alianza Editorial, Madrid. 395
p.
DAGNELIE P. [1998a]. Statistique théorique et
appliquée. Tome 1. Statistique descriptive et bases de
la’inference statistique. De Boeck Universite, Belgica,
487 p.
DAGNELIE P. [1998b]. Statistique théorique et
appliquée. Tome 2. Inference statistique a une et deux
dimensions. De Boeck Universite, Belgica, 487 p.
HERNADEZ R., FERNANDEZ C., BAPTISTA P.
[2003]. Metodología de la Investigación.. Mc Graw Hill,
705 p.
SCHEAFFER R., MENDENHALL W., OTT L. [1987].
Elementos de muestreo. Grupo editorial Iberoamérica,
Mexico, 319 p.
Luis Villarroel Peñaranda 126
MIQUEL S., BIGNE E.,CUENCA A.., MIQUEL M.J.,
LEVY J.P. [1997]. Investigación de mercados. Mc Graw
Hill. España 451 p.
VISAUTA B. [2003]. Análisis Estadístico con SPSS para
Windows. Volumen II. Estadística Multivariante.
Segunda Edición. Mc Graw Hill. España 346 p.
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 127
ANEXOS
ANEXO 1.A. “CAJITA”. ALGUNAS HERRAMIENTAS DE LA ESTADÍSTICA
DESCRIPTIVA
ANEXO 1.B. “CAJITA”. ALGUNAS HERRAMIENTAS DE LA INFERENCIA
ESTADÍSTICA: ESTIMACIÓN
ANEXO 1.C. “CAJITA”. ALGUNAS HERRAMIENTAS DE LA INFERENCIA
ESTADÍSTICA: TEST DE HIPÓTESIS
Luis Villarroel Peñaranda 128
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 129
P
VA
RIA
BL
ES
A
nális
is e
n
Com
pone
ntes
Prin
cipa
les
A
nális
is F
acto
rial d
e
Cor
resp
onde
ncia
C
orre
laci
ón c
anón
ica
A
nális
is F
acto
rial d
e
Cor
resp
onde
ncia
M
odel
o lo
g-lin
eal
R
egre
sión
múl
tiple
R
egre
sión
Log
ístic
a
An
exo
1. a
. “C
ajit
a”. A
lgu
nas
her
ram
ien
tas
de
la E
stad
ísti
ca D
escr
ipti
va.
2
VA
RIA
BL
ES
D
iagr
ama
de D
ispe
rsió
n
C
oefic
ient
e de
corr
elac
ión
de P
ears
on
R
egre
sión
line
al y
no
linea
l
C
oefic
ient
e de
dete
rmin
ació
n
V
aria
nzas
res
idua
les
D
istr
ibuc
ione
s de
frec
uenc
ia
bidi
men
sion
al
C
oefic
ient
es d
e
corr
elac
ión
Spe
arm
an
C
oefic
ient
e de
cont
inge
ncia
B
ox P
lot
D
iagr
ama
de e
rror
C
oefic
ient
e bi
seria
l de
punt
o
1
VA
RIA
BL
E
G
rafic
as: H
isto
gram
a, B
ox
Plo
t.
E
stad
ígra
fos:
Pro
med
ios,
Med
iana
, Mod
a, V
aria
nza,
Mom
ento
s
C
oefic
ient
es d
e as
imet
ría
y
curt
osis
de
Fis
her
D
iagr
amas
de
barr
a, d
e
tort
a
D
istr
ibuc
ione
s de
frec
uenc
ia
M
oda
NO
CO
RR
ES
PO
ND
E
CU
AN
TIT
AT
IVO
CU
AL
ITA
TIV
O
MIX
TO
Luis Villarroel Peñaranda 130
P
VA
RIA
BL
ES
E
stim
ació
n de
los
coef
icie
ntes
de
regr
esió
n m
últip
le
E
stim
ació
n de
coef
icie
ntes
de
corr
elac
ión
parc
ial
E
stim
ació
n de
los
coef
icie
ntes
del
mod
elo
Log-
linea
l
E
stim
ació
n de
los
coef
icie
ntes
de
cont
inge
ncia
par
cial
es
E
stim
ació
n de
los
coef
icie
ntes
del
Aná
lisis
Dis
crim
inan
te d
ecis
ióna
l
An
exo
1. b
. “C
ajit
a”. A
lgu
nas
her
ram
ien
tas
de
la In
fere
nci
a E
stad
ísti
ca:
Est
imac
ión
2
VA
RIA
BL
ES
I
nter
valo
de
conf
ianz
a
de u
n co
efic
ient
e de
corr
elac
ión.
I
nter
valo
de
conf
ianz
a
de u
n co
efic
ient
e de
regr
esió
n
E
stim
ació
n de
l
coef
icie
nte
de
cont
inge
ncia
E
stim
ació
n de
l
coef
icie
nte
de
Spe
arm
an
E
stim
ació
n de
los
coef
icie
ntes
de
regr
esió
n lo
gíst
ica
linea
l.
1
VA
RIA
BL
E
I
nter
valo
de
conf
ianz
a de
un
prom
edio
I
nter
valo
de
conf
ianz
a de
una
varia
nza
I
nter
valo
de
conf
ianz
a de
una
prop
orci
ón
NO
CO
RR
ES
PO
ND
E
CU
AN
TIT
AT
IVO
CU
AL
ITA
TIV
O
MIX
TO
MAPIC. MATRIZ DE PLANIFICACIÓN EN INVESTIGACIÓN CIENTÍFICA 131
P
VA
RIA
BL
ES
T
est d
e si
gnifi
caci
ón d
e
los
coef
icie
ntes
de
corr
elac
ión
canó
nica
T
est d
e co
nfor
mid
ad d
e
los
coef
icie
ntes
de
regr
esió
n m
últip
le
T
est d
e si
gnifi
caci
ón d
e
los
coef
icie
ntes
de
l
mod
elo
Log
Line
al
T
est d
e si
gnifi
caci
ón d
el
mod
elo
de A
nális
is
Fac
toria
l de
Cor
resp
onde
nici
a
M
AN
OV
A
An
exo
1. c
. “C
ajit
a”. A
lgu
nas
her
ram
ien
tas
de
la In
fere
nci
a E
stad
ísti
ca:
Tes
t d
e H
ipó
tesi
s
2
VA
RIA
BL
ES
T
est d
e si
gnifi
caci
ón d
e
un c
oefic
ient
e de
corr
elac
ión
T
est d
e si
gnifi
caci
ón d
e
un c
oefic
ient
e de
regr
esió
n
T
est d
e in
depe
nden
cia
T
est d
e co
mpa
raci
ón d
e
dos
prop
orci
ones
C
ompa
raci
ón d
e do
s
varia
nzas
T
est d
e C
ompa
raci
ón
de d
os p
rom
edio
s, d
os
varia
nza
A
NO
VA
1,
AN
OV
A 2
,
etc.
1
VA
RIA
BL
E
T
est d
e co
nfor
mid
ad d
e un
prom
edio
T
est d
e si
gnifi
caci
ón d
e un
a
varia
nza
T
est d
e co
nfor
mid
ad d
e u
na
prop
orci
ón
NO
CO
RR
ES
PO
ND
E
CU
AN
TIT
AT
IVO
CU
AL
ITA
TIV
O
MIX
TO