Tema 8.- PROTECCION DE LOS SISTEMAS DE INFORMACIÓN.pdf
Seminario metodología de la investigación científica
1. Universidad Nacional Autónoma de México
Instituto de Investigaciones en Matemáticas
Aplicadas y en Sistemas (IIMAS)
Filosofía, Metodología de
Investigación y Estadística
Dr. Ignacio Méndez Ramírez
1
Reunión en La Universidad Autónoma
Metropolitana Xochimilco
2 y 3 de junio 2014
5. 3.- En una investigación se tienen dos grupos de
personas, uno realizó ejercicio físico vigoroso EFV,
durante un año y el otro (testigo o control) no lo
hizo. Al término del año se midieron los ácidos
grasos en suero.
Los resultados son:
Se efectúa una prueba de “t” y se tiene P <0.001.
Se concluye “el EFV disminuye los valores de
ácidos grasos”.
Grupo n Media Desv. Est.
EFV 100 12.3 2.8
Control 100 18.6 3.1
5
6. Es necesario evaluarlas a la luz de
consideraciones filosóficas,
metodológicas y estadísticas.
6
7. En todo trabajo de Investigación, se
tiene un marco epistémico.
En muchas áreas de investigación
“tradicionales” como la Biología,
Medicina, Agronomía, etc., este marco
es tácito, es decir, se asume
inconscientemente.
7
8. Además es muy común que sea un marco
totalmente erróneo,a partir de la filosofía del
Positivismo o Empirísmo Lógico.
El uso de este marco hace que la
investigación sea muy rígida, pretendiendo
ser totalmente objetiva y racional.
Los filósofos modernos han rechazado
unánimemente este marco epistémico, y han
postulado entre otras cosas, que la ciencia
no es totalmente objetiva, que hay actos en
el proceso de investigación científica, que no
pueden ser justificados totalmente de forma
racional.
8
9. <Positivismo>
*Objetivo
*Empírico
*Racionalidad en el método
*Reduccionista
*Certeza.
*La Matemática es la realidad
*Causalidad Determinística
Realismo Crítico.
*Objetividad intersubjetiva
*Constructivismo
*Racionalidad en el científico
*Sistémico
*Minimizar errores
*La matemática aproxima la realidad
*Causalidad Probabilística
¡Ya sé
como
es!
¡Así se
debe
hacer!
Tengo una
teoría que
funciona
bien.
Este
método
funciona
9
10. 10
Mario Bunge “ Crisis y
reconstrucción de la filosofía”
Gedisa 2002
Los seres humanos y sus subsistemas y supersistemas
Sistema mundial
Grupos Sociales
Individuos
Supersistemas pe. SNC
Organos pe. hipotálamo
Microsistemas pe. minicolumnas corticales
Células pe. Neuronas
Orgánulos pe. cromosomas
Moléculas pe. ADN
átomos, pe. Ca
Particulas Elementales y campos
Sociedades
Niveles sociales
Niveles Biológicos
Niveles Químicos
Niveles físicos
11. 11
Un nivel de organización es una colección compuesta por
todas las cosas materiales caracterizadas por propiedades
peculiares ( en especial leyes)
Decimos que las propiedades de las cosas del enésimo nivel
que no están presentes en los niveles inferiores son
propiedades emergentes específicas del enésimo nivel
Cualquier cosa perteneciente a un nivel determinado, esta
compuesta por cosas que pertenecen a niveles inferiores.
Moraleja Metodólogica :
1.- Identificar el nivel o niveles atravesados por su objeto de
estudio.
2.- No saltear niveles.
3.- Reconocer la genealogía de los nivles superiores
Holismo, Análisis, Síntesis y Enfoque multinivel
12. 12
Durante mucho tiempo, desde el renacimiento hasta mediados
del siglo xx, prevaleció la idea de que la ciencia es empírica,
objetiva y racional. Ahora se reconoce que el juicio personal
es muy importante durante todas las fases del proceso
investigativo. Sean estas las de construcción de teoría,
formulación de hipótesis, diseño, análisis o interpretación de
resultados.
13. Todos los Hechos
tienen carga
teórica.
Constructivismo.
Formas “ Humanas “
de pensar y percibir.
Se capta lo que se
conceptualiza.
Hay que creer para
ver. Primero la teoría
Hay que ver para
creer, los creadores
de nuevas teorías.
13
14. Se postulan conceptos
y ligas entre ellos.
Se obtienen
consecuencias
verificables.
Se contrastan las
deducciones con las
observaciones.
La estadística
compara resultados
esperados según un
modelo, con los
observados
14
15. 15
Elementos : Células,
familias, personas,
árboles, etc...
Propiedades: Descubrir,
Conceptuar y medir.
Asociación o
causalidad: a una
propiedad se acompañan
otra(s)
Elementos : Puntos,
espacios, vectores,
funciones, etc...
Propiedades: Definirlas,
son los axiomas.
Teoría: consecuencias
lógicas de los axiomas.
Modelos Matemáticos
CORRESPONDENCIA
17. 17
Sean ni observaciones iid de una variable binaria (Bernoulli),
tomadas de poblaciones con parametros Pi la probabilidad de 1. Las
poblaciones indexadas con i , quedan definidas por X1i, X2i, ...Xpi
pijpijij
i
i
XXX
P
P
...
1
ln 22110
.
pijpijij XXXi
e
P
...22110
1
1
Yini
i
Yi
i
n
i
Yi
ni
PPL
1)(
1
2
.
1 1 1
ˆ1
ln)1(
ˆ
ln2 pn
ij
i
ij
ij
i
ij
t
i
n
j Y
P
Y
Y
P
YD
i
Función de verosimilitud
pijpijij XXXi
e
P ˆ...ˆˆˆ 22110
1
1ˆ
ni son muestras de poblaciones de pacientes de cáncer de próstata
definidas por: X1: Rx +, X2 :Etapa del Cáncer , X3: Grado del cáncer ,
X4: Edad del paciente, X5 : fosfatasa ácida ; Pi probabilidad de que un
paciente desarrolle metástasis. La fosfatasa X5 ,es un buen predictor
de metástasis.
Modelo para Pi
Estimadores
Medida del ajuste de los
datos al modelo
APLICACION
18. 18
Sea el conjunto de elementos (X1, X2, X3, ...,Xn), con
nipXi ,...2,1;1,..2,1,0
n
p
Una partición del conjunto en p subconjuntos de elementos c/u, se
obtiene con:
1n
p
)mod(0...332211 pXXXX nn
)mod(1...332211 pXXXX nn
)mod(1...332211 ppXXXX nn
.........
)1...2,1,0( pcon i
Al menos una diferente de
cero y la primera igual a 1
i
Al hacer variar las sobre todos sus posibles valores, se obtieneni
1
1
p
pn
particiones. Además éstas son ortogonales entre si; es decir cualesquiera dos
particiones de manera simultanea generan una nueva partición en
subconjuntos cada uno con elementos.
2
p2n
p
Una aplicación es para formar diseños en cuadros latinos y grecolatinos. Otra
es cuando se refiere a experimentos factoriales con n factores con p niveles
cada uno, poder descomponer los -1 grados de libertad y sumas de
cuadrados en efectos ortogonales. A partir de ésto se planean
esquemas de confusión y experimentos factoriales fraccionales. Esto ha tenido
y tiene un gran uso en experimentación agronómica e industrial
n
p
1
1
p
pn
APLICACION
Con p un número primo
19. La estadística cuando se aplica a otra disciplina, lo
que pretende es contribuir a que el conocimiento
que se adquiere sobre un aspecto de la realidad, esté
en la medida de lo posible libre de errores, o que
éstos sean pequeños.
Representación
19
20. 20
El uso de los modelos en el trabajo de investigación se da de
acuerdo al esquema siguiente:
21. Epistemología, Metodología
Estadística y las Ciencias Fácticas
Para contribuir al objetivo de tener conocimiento
válido (libre de errores y sancionado por la
comunidad de científicos), es necesario contemplar
los aspectos epistemológicos de las disciplinas
involucradas, diseñar la forma de captar la
información más económica, factible y además que
sea “científica” en el sentido de minimizar errores.
21
22. Cita
"Modern statistics--concerned with discovering
patterns and structures in nature, with unearthing
relationships which defy unaided perception and
with providing powerful tools for us to improve our
understanding of the world around us-- ought to
be regarded by the general public as one of the
most exciting of disciplines."
David J. Hand. ”Breaking misconceptions--
statistics and its relationship to mathematics”
The Statistician, 1998: 47, pert2, pp. 245-250
22
23. “La estadística moderna encargada de descubrir
patrones y estructuras en la naturaleza, de
desenterrar relaciones que desafían la percepción
normal y de proveernos con herramientas
poderosas para que mejorar el entendimiento del
mundo que nos rodea debería ser considerada
por el público en general como la más excitante
de las disciplinas”
23
24. Los razonamientos con consideraciones
estadísticas intervienen en todas las
etapas del proceso investigativo.
El estadístico debe entender y colaborar
en todos los aspectos de la investigación.
Es un científico más de un grupo de
trabajo
24
25. ASPECTOS EPISTEMOLÓGICOS
.- Interesa principalmente cómo es el mundo y no
tanto por qué es así.
.- El encontrar, cómo es el mundo, tiene relación
con la explicación de por qué es así.
.- En la medida de tener mejores explicaciones, se
pueden encontrar nuevas regularidades, esto
constituye el complejo teórico metodológico con el
que construimos el conocimiento.
.- No hay objetividad Absoluta. Hay Objetividad
intersubjetiva.
.- La matemática está en la mente, no en la
realidad. Ningún modelo es “verdadero”, pero hay
algunos muy útiles.
25
26. 26
METODOCIENTIFICOUna visiónoperacional
Guias generales,retroalimentación , busqueda de
coherencia entre etapas
•Problema preliminar
•Objetivos, justificación
•Definición de variables
•Hipótesis preliminar
•Revisión conceptual
•Problema
•Redefinición de variables
•Hipótesis
•Revisión de métodos
•Diseño
•Conducción
•Análisis y síntesis
•Interpretación y discusión
•Conclusiones y recomendaciones
•Reporte.
28. 28
DISEÑO
•Elementos por estudiarse (sujetos, unidades)
•Criterios de inclusión y de eliminación.
•Forma de obtener los elementos (muestreo)
•Estructura de la investigación:
•Experimental u observacional
•Prospectivo o retrospectivo
•Longitudinal o transversal
•Descriptivo o comparativo
•¿Qué, cómo, cuándo, con qué medir?
•Formas de captación
•Tamaño de muestra
•Validez externa (extrapolación)
•Validez interna (control factores confusores)
•¿Estudio piloto? Objetivo
•Logística
Libro.
“Protocolo de
Investigación”.
Méndez y cols.
Trillas. Mexico
29. 29
MEDICION
Medir es tipificar o caracterizar un propiedad en un elemento
de estudio. Previamente se debe conceptualizar la propiedad
por medirse y obtener un indicador mediante una
operacionalización
X
X1 X2 ... Xn
CONCEPTO
INDICADORES
VALIDEZ O EXACTITUD Es el hecho de que el indicador refleje la riqueza del
concepto, que lo represente sin error
CONFIABILIDAD O PRECISION Es que en diferentes circunstancias las
mediciones de un mismo elemento no cambien, o lo hagan poco.
Primero los
conceptos
y luego las
variables a
medir
Deductivo (Válido Popper)
30. 30
Análsis de Factores
Es una técnica estadística que postula conceptos inferidos a
partir de las observaciones en varias variables. Las llamadas
variables latentes.
X Y Z
X1 X2 ... Xn
CONCEPTOS
INDICADORES
Primero
las
variables y
luego los
conceptos
Inductivo (Inválido Popper)
31. 31
Elaboración de proyectos
-- Se pueden considerar dos ciclos ligados
en el proceso de elaboración de un proyecto
(protocolo).
Ciclo 1.- Problema – Marco Teórico –
Hipótesis – Variables.
Ciclo 2.- Hipótesis – Diseño - Poblaciones,
métodos de muestreo, mediciones,
intervenciones, seguimiento.
-- Antes de realizar una investigación, se debe
efectuar una crítica fuerte a todo el proyecto. Se
busca coherencia entre las partes y la minimización
de errores
32. 32
METODO CIENTIFICO.
GUIA, PASOS, REALIMENTACIÓN
PRIMER CICLO : PROBLEMATIZACIÓN , HIPÓTESIS
PROBLEMA
OBJETIVOS
HIPOTESIS
CONCEPTOS Y
VARIABLES
34. 34
El ser humano esta programado (hard -wired) para ver un patrón
aun que no sea real. Es una característica de los sobrevivientes.
Vemos tigres en la floresta. Y también los niños ven tigres en las
sombras en la pared. Aparecen patrones en fenómenos puramente
aleatorios. Esos patrones son reales para el cerebro en el sentido
que se pueden reconocer sus características y se pueden
reproducir. Sin embargo, esos patrones son (i) efímeros, y (ii) no
nos dicen nada útil sobre el problema en estudio. En otras
palabras. No tienen sentido. Parte de nuestro razonamiento con
los modelos aleatorios es que decimos que no clasificamos
ningún comportamiento de los datos como “permanente” si se
parece mucho a algo que puede ocurrir frecuentemente bajo un
modelo puramente aleatorio. Pretendemos modelar lo que no es
aleatorio, lo que se dará de la misma manera o casi, de una
muestra a otra, por que consideramos que refleja la población y
con ella la realidad en otros casos semejantes al estudiado.
35. 35
POBLACION
MUESTRA
La distribución de las
variables de interés en el
estudio es aproximadamente
la misma en la población y en
la muestra
Xi
Xi
f(Xi)
f(Xi)
36. 36
VALIDEZ EXTERNA.
Muestreo de la Población. Se toman al azar n
elementos de la población
POBLACION
MUESTRA
La distribución de las
variables de interés en el
estudio es aproximadamente
la misma en la población y en
la muestra
Xi
Xi
f(Xi)
f(Xi)
Ajustes analíticos para acercar a la representatividad.
Factores de expansión, razones, postestratificación
P
limn p P
p
37. 37
POBLACION
MUESTRA
La distribución de las
variables de interés en el
estudio es aproximadamente
la misma en la población y
en la muestra
Xi
Xi
f(Xi)
f(Xi)
Criterios de inclusión, exclusión, eliminación, variables básicas
38. Tipos de diseños, mediciones,
modelos, supuestos, análisis,
etc..
Problema, marco teórico,
hipótesis. Conceptos, objetivos,
poblaciones, elementos, etc.
Encuestas, cohortes,
experimentos, etapas,
estratos, bloques,
apareamiento, modelos de
regresión logísticos,
generalizados, discriminante,
factores, ecuaciones
estructurales, etc
Instrumentos, limitaciones
prácticas, trabajo de campo,
tiempo, dinero, etc.
38
39. Realización de la investigación
Conducción – Obtención de Información- Análisis
Exploratorio – Construcción, verificación y selección
de modelos – Interpretación – Discusión –
Conclusiones y recomendaciones – Reporte.
Hay indivisibilidad del método de estudio con las
explicaciones (teoría) que se tienen sobre el propio
objeto estudiado.
Método Teoría
Objeto Teoría
Interpretación39
40. La visón rígida de la ciencia positiva y su
adhesión en forma acrítica produce:
.- Poca creatividad en la metodología.
.- Se copian diseños y procedimientos.
.- Búsqueda de objetividad, que puede paralizar.
.- Fe ciega en la matemática.
logP/(1-P) = XB
40
41. Enfoque dogmático en Agronomía:
n=4 es parte del método científico.
Un experimento busca minimizar el error experimental
Uso de bloques frecuentemente inadecuado
Para cualquier experimento un coeficiente de
variación mayor a 20% indica que está mal el estudio.
Un tamaño óptimo de parcela experimental para un
cultivo, válido para todo tipo de tratamientos y
condiciones de experimentación. Pseudorepetición
Uso dogmático (mágico) del 5% de significación
No hay crítica para los diseños y los análisis
La distribución normal existe en la naturaleza
¡Buen
Experimento!
41
42. 42
Guias generales,retroalimentación , busqueda de
coherencia entre etapas
•Problema preliminar
•Objetivos, justificación
•Definición de variables
•Hipótesis preliminar
•Revisión conceptual
•Problema
•Redefinición de variables
•Hipótesis
•Revisión de métodos
•Diseño
•Conducción
•Análisis y síntesis
•Interpretación y discusión
•Conclusiones y recomendaciones
•Reporte.
MÉTODOCIENTÍFICO Una visión operacional
43. 2. Las estaturas de los seres humanos tienen distribución
normal
Con elevada frecuencia biólogos, matemáticos, médicos,
agrónomos, etc. ; con menor frecuencia sicólogos,
sociólogos, etc., contestan Verdadero
0)0( YP
Niños
Hombres
Mujeres
La Normal es una propiedad
objetiva de la naturaleza,
existe por si sola. Sólo hay
que descubrirla.
¡Existe una estatura negativa! Se ignora el diseño, ¿a qué
población de humanos se
refiere? ¿todos los que
existen? ¿a mujeres de 30 a
50 años , clase media, que
viven en México, D.F.?
Basquetbolistas 43
46. H ~ Hipótesis
D ~ Diseño
E ~ Esperado
SA ~ Supuestos Adicionales para el funcionamiento de H
con diseño D. 46
47. Práctica: D: ocurre O (Resultado Observado)
¿Concordancia (contrastación) E con O?
*
a).- Concuerdan E con O : se apoya H
b).- No concuerdan E con O : No se apoya H
¿Cómo se define
la concordancia?
Teoría: H, D, SA E*
47
48. 3. En una investigación se tienen dos grupos de
personas, uno realizó ejercicio físico vigoroso EFV,
durante un año y el otro (testigo o control) no lo
hizo. Al término del año se midieron los ácidos
grasos en suero.
Los resultados son:
Se efectúa una prueba de “t” y se tiene P <0.001.
Se concluye “el EFV disminuye los valores de
ácidos grasos
Grupo n Media Desv. Est.
EFV 100 12.3 2.8
Control 100 18.6 3.1
48
49. Con elevada frecuencia biólogos, matemáticos,
médicos, agrónomos, etc. ; con menor frecuencia
sicólogos, sociólogos, etc., contestan :
Verdadero
49
50. 3. En una investigación se tienen dos grupos de personas, uno
realizó ejercicio físico vigoroso EFV, durante un año y el otro
(testigo o control) no lo hizo. Al término del año se midieron
los ácidos grasos en suero. Preguntas Básicas
¿ Cómo eran las personas en características
inherentes a ellas, tales como sexo, edad, tipo de
alimentación, raza, estado de salud, etc.?
¿Cómo se asignó el EFV? ¿Lo eligieron las
personas, fue con incentivos, fue al azar, etc.?
¿Cómo se define EFV y NoEFV?
¿En qué condiciones se realizó el EFV y el noEFV,
cambios climáticos, de salud, de organización,
sociales, alimenticios, etc?
¿Cómo se midieron los ácidos grasos, fue igual
para ambos grupos? 50
54. Explicaciones alternativas A, B,...Q. Niegan
H, y explican la cercanía de E con O de otro
modo. Son “de Nulidad”
Teoría:
H, D, SAH E
Q, D, SAQ E
B, D, SAB E
A, D, SAA E
.................
Práctica: D ocurre O
a) Concuerdan O con E. Se apoyan H, A, B, ... Q
b) No concuerdan O con E. No se apoyan H, A, B, ... Q.
54
55. Explicaciones alternativas A, B,...Q. Niegan H, y explican
la cercanía de E con O de otro modo. Son “de Nulidad”
Grupo Edad Media
EFV 20-25 años 12.3
Control 47-68 años 18.6
Ac.
grasos
edad
EFV
o no
SA: Supuestos adicionales:
La edad y el EFV están
asociados. La edad produce
cambios en ác. Grasos.
La edad es un Factor de
Confusión en la relación
EFV Ac grasos
55
Explicación
alternativa: Las
diferencias en ac.
grasos de deben
a la edad y no al
EFV
57. Etapa de planeación: Cambiar el diseño D o
cambiar la hipótesis empírica H, de manera
que los SA de las explicaciones alternativas,
no operen, o sean improbables.
Etapa de análisis y discusión: Mostrar
debilidad teórica, poca plausibilidad o
imposibilidad de los SA de las explicaciones
alternativas.
57
58. 58
1. Homogeneización.- Que los factores de confusión
no varíen en todos los elementos del estudio.
2. Formación de bloques o estratos homogéneos.-
Comparaciones dentro de los bloques y sus
promedios. No interacción.
3. Aleatorización.- Se asignan al azar a los elementos
de estudio las variantes del posible factor causal o
tratamientos. Tiende a homogenizar la distribución
de todas las variables presentes en los elementos
de estudio.
4. Análisis estadístico:- Se modela la influencia
conjunta de tratamientos y factores de confusión.
Se obtienen los “Efectos ajustados”
59. 3.En una investigación se tienen 200 hombres de 25-
50 años, se asignan al azar 100 de ellos para que
se sometan a ejercicio físico vigoroso (EFV),
durante un año y el resto (testigo o control) no lo
haga (noEFV).
Se vigila que las condiciones de vida sean
semejantes en ambos grupos durante el año.
Al término del año, de cada individuo se toma una
muestra de sangre y se congela de inmediato, para
que en todas después del mismo tiempo de frío y
con los mismos instrumentos se miden los ácidos
grasos en suero.
59
60. Con elevada frecuencia biólogos, matemáticos,
médicos, agrónomos, etc. ; con menor frecuencia
sicólogos, sociólogos, etc., contestan :
Verdadero
60
61. Explicación alternativa A.-
Hipótesis de Nulidad Estadística
No es cierta H y ocurre O “cercano” a E por azar.
SAA hay variación natural en ác. grasos en los
humanos, aunque sean semejantes (la misma
población), pueden darse por azar promedios bajos
en los de EFV y altos en los de noEFV. Ambos
grupos son muestras de la misma población de
sujetos. 61
62. .....
EFVμ
Explicación alternativa A: noEFVEFV μμ
Se espera que los promedios muestrales sean iguales, EA
noEFVEFV YY
Se efectúa el diseño, D y se obtiene O (observado):
)()( EODifEODifYY AnoEFVEFV
.....
noEFVμ
62
Se mide
Yi
Ac graso
Se mide
Yi
Ac graso(Riqueza conceptual: poblaciones,
medias poblacionales, etc.)
[Y1,Y2, ….Yi….Yn....]
[Y1,Y2, ….Yi….Yn....]
63. ¿La discrepancia entre O y EA, Dif, es compatible
con la hipótesis alternativa del Azar , A?
¿La discrepancia entre YEFV y YnoEFV es factible o
probable por azar o es improbable.?
Fisher: 0.05 o 0,01
63
64. De las posibles Explicaciones alternativas A,
B,...Q. Niegan H, y esperan E de otro modo.
Son “de Nulidad”, si hay significancia estadistica,
se considera que A: “El azar produce E” esta
eliminada, pero subsisten B,...Q
64
65. 65
Se considera que la diferencia entre O y EA no puede
ocurrir fácilmente (es Improbable) si es cierta la
explicación alternativa; que el azar opera para producir O
cercano a E , sin que sea cierta H.
Hay incompatibilidad de O con EA , se considera que A no
es factible. Esto de ninguna manera implica que se apoya
H, y mucho menos que ”H es cierta”. Simplemente se
eliminó una explicación alternativa, (el azar) pero puede
haber otras muchas.
noEFVEFV Se considera que :
Pero no se sabe a qué se debe la diferencia
66. Teoría:
H, D, SAH E
Q, D, SAQ E
B, D, SAB E
A, D, SAA E Improbable
..........
La significancia estadística sólo eliminó una
explicación alternativa, el azar.
¡Sólo esto!
Subsisten explicaciones alternativas (B, …, Q)
66
68. POSITIVISMO
Objetivo
Empírico
Racionalidad en el
Método
Reduccionista
Certeza
La Matemática está en
la realidad
Causalidad
determinista
NUEVA FILOSOFIA
Objetividad Intersubjetiva
Constructivismo
Racionalidad en el
científico
Sistémico
Minimizar errores
La Matemática aproxima
la realidad
Causalidad Probabilística
69. Paradigmas
Cuantitativo Cualitativo
Ontológico
Realidad Objetiva y
Singular
Realidad Subjetiva y
Múltiple, según los
participantes
Epistemológico
El investigador es
independiente del
objeto
El investigador
interactúa con el
objeto
Axiológico
Insesgado y sin
valores
Sesgado y con carga
valorativa
70. Paradigmas
Cuantitativo Cualitativo
Lenguaje
•Formal
•Definiciones previas
•Impersonal
•Informal
•Decisiones por desarrollar
•Personal
Proceso de
Investigación
•Deductivo
•Causa y Efecto
•Diseño Estático
•Libre de Contexto
•Generalizaciones para
predicción, explicación
y entendimiento
•Confiabilidad
•Casos múltiples
•Inductivo
•Multifactorial y simultáneo
•Diseño emergente
•Categorías que surgen en
Contexto
•Patrones y teorías para
entender
•Validez
•Estudio de Caso
71. Paradigmas
Cuantitativo Cualitativo
Experiencia y
entrenamiento
del Investigador
Habilidad técnica,
computación estadística
Habilidad literaria,
Computación para
análisis de textos
Aptitudes
psicológicas
• Adaptado a reglas y
guías
• Baja tolerancia a la
ambigüedad
• Adaptado a falta de
reglas o guías
• Alta tolerancia a la
ambigüedad
72. Paradigmas
Cuantitativo Cualitativo
Naturaleza
del problema
• Confirmar teoría
• Estudiado previamente
• Variables conocidas
• Teorías existentes
• Investigación exploratoria
• Variables desconocidas
• El contexto es importante
• Puede no existir teoría
básica
74. SINTESIS DE PARADIGMAS
(complementariedad)
Cuantitativo Cualitativo
• Las conclusiones
estadísticas son para
promedios o proporciones
• Se detectan las tendencias
generales
• Se aplican a un individuo o
elemento, las conclusiones
de la población a la que
pertenece
• Se descubren las
particularidades de un
elemento
• Se interpretan dentro de la
tendencia general los aspectos
particulares o la forma, y
quizá el porqué de las
desviaciones de la tendencia
78. Tashakkori Abbas and Charles Teddlie “Mixed methodology. Combining
Qualitative and Quantitative Approaches”. Applied Social Research
Methods Series. Volume 46. . Sage Publications 1998
Isadore Newman and Carolyn R. Benz. “Qualitative-Quantitative.
Research Methodology. Exploring de Interactive Continuum”. Southern
Illinois University Press. 1998
John W. Creswell “ Research Design. Qualitative, Quantitative and Mixed
Methods Approaches”. Sage Publications 2003
79. SINTESIS DE PARADIGMAS
(complementariedad)
Cuantitativo Cualitativo
• La presencia de
interacciones múltiples , y
entre diversos conceptos e
indicadores, es difícil de
determinar
• Modelos gráficos,
ecuaciones simultaneas,
análisis de factores,
correspondencia,
conglomerados, etc.
• Se descubren las
particularidades de un
elemento. Se interpretan sus
características en el contexto
especifico
• Se pueden tener unos pocos
elementos estudiados a
profundidad, y describir e
interpretar semejanzas y
diferencias
80. Síntesis de Paradigmas Cualitativo y
Cuantitativo Cualitativo
Ante las características de las epistemologías
aceptadas actualmente para todas las ciencias;
las diferencias básicas desaparecen, por lo que se
puede y debe buscar una síntesis de los dos
paradigmas.
81. Todos los Hechos tienen carga
teórica.
Constructivismo.
Formas “ Humanas “ de pensar y
percibir
Se capta lo que se conceptualiza.
Hay que creer para ver.
Hay que ver para creer.
82. Se postulan
conceptos y ligas
entre ellos.
Se obtienen
consecuencias
verificables.
Se contrastan las
deducciones con las
observaciones.
83. f(x)= [1/(2ps2)]1/2 exp[(x-)2/(2s2)]
Estaturas negativas?
Para un grupo de personas homogéneo en
edad, sexo, raza y alimentación; el modelo
normal puede representar la distribución de
frecuencias de las estaturas en forma
aproximada.
ABCD/EFG
Factores
NO comunes
Factores
comunes
84. Elementos : Células,
familias, personas, arboles,
etc...
Propiedades :
Conceptualizar y medir.
Asociación o causalidad: a
una propiedad se
acompañan otra (s)
Elementos : Puntos, espacios,
vectores, funciones, etc...
Propiedades: Definirlas, son
los axiomas.
Teoría: consecuencias lógicas
de los axiomas.
Modelos
CORRESPONDENCIA
85. METODO CIENTIFICO
GUIA, PASOS, REALIMENTACIÓN
PRIMER CICLO : PROBLEMATIZACIÓN, HIPOTESIS
Fase de tormenta de ideas
Para generar la hipótesis de
la investigación, elaborar la
lista de hipótesis (candidatos)
No se deben limitar las ideas
PROBLEMA
OBJETIVOS
HIPOTESIS
CONCEPTOS Y
VARIABLES
88. POBLACION
MUESTRA
La distribución de las variables de
interés en el estudio es
aproximadamente la misma en la
población y en la muestra
Xi
f(Xi)
Xi
f(Xi)
89. VALIDEZ EXTERNA
Muestreo de la Población. Se toman al azar
n elementos de la población
MUESTRA
La distribución de las variables de
interés en el estudio es
aproximadamente la misma en la
población y en la muestraPOBLACION
Mientras que
sea autoponderada,
la muestra es representativa
Xi
f(Xi)
Xi
f(Xi)
90. La distribución de las variables de
interés en el estudio es
aproximadamente la misma en la
población y en la muestra
e.g.: toma como la muestra los pacientes con la
patología de interés de acuerdo con el orden de la
llegada
Xi
f(Xi)
Xi
f(Xi)
POBLACION
MUESTRA
91. VALIDEZ EXTERNA
REPRESENTATIVIDAD DE LAS MUESTRAS
MUESTRA
¿En qué
difieren las
poblaciones?
POBLACION
ABCD/EFG
Xi
f(Xi)
Xi
f(Xi)
POBLACION
¿Las diferencias
modifican las
conclusiones?
94. X Y
Causalidad determinística
La causa es necesaria y suficiente para el
efecto. La configuración del mundo está
determinada por la configuración anterior.
X Y
X Y
Causa necesaria pero no suficiente
Causa suficiente pero no necesaria
Trisomía
21
Sx.
Down
Amiba Amibiasis
AnemiaDeficiencia Fe
95. X Y
Causalidad probabilística
•Causa no necesaria ni suficiente
•Asociación estadística
•Las probabilidades de Y cambian al cambiar X
Tabaquismo
Cáncer pulmonar
96. CONTRASTACIÓN DE HIPOTESIS
Comparación de lo O observado con lo E esperado según hipótesis
H: la Hipótesis
D: el Diseño
SA: Supuestos Adicionales
E: lo que se espera si H, es
cierto, y también SAH
Se efectúa el Diseño, D, y se
observa O,
Cuando hay aleatoriedad, se
cuantifican las discrepancias entre
Observado y Esperado
H, D, SAH E
TEORIA
Esperado
PRACTICA
D O,
Observado
97. APOYO CONDICIONADO
TEORIA H, D, SAH E
PRACTICA
Se efectúa la
investigación
con diseño D
Ocurre O cercano a E
, discrepancias
pequeñas
CONCLUSION
Se apoya H, condicionado a la validez
de D y la operación de los SAH
98. RECHAZO CONDICIONADO
TEORIA H, D, SAH E
PRACTICA
Se efectúa la
investigación
con diseño D
CONCLUSION
No se apoya H, condicionado a la
validez de D y la operación de los SAH
Ocurre O alejado,
discrepa mucho de E
99. B, D, SAB E
EXPLICACIONES ALTERNATIVAS
…………….
Se efectúa el diseño D, y ocurre O cercano a E
Formalmente tanto H como las explicaciones
alternativas son apoyadas. Condicionadas a la
validez del diseño D, y de cada uno de los SA
TEORIA
H, D, SAH E
A, D, SAA E
R, D, SAR E
100. EXPLICACIONES ALTERNATIVAS
Falta de Validez Externa
El azar. Nulidad
Estadística
Errores de medición
Endogenicidad. En
realidad Y causa X
Teorías plausibles y
competitivas
Factores de Confusión
› Presentes de modo
diferente en los grupos
con variantes de X.
› Afectan también la Y.
Control:
› Homogeneizarlos
› Formar Bloques
› Aleatorización
› Análisis Estadístico
101. SIGNIFICANCIA ESTADÍSTICA
…………….
Se efectúa el diseño D, y ocurre O cercano a E
Si en modelos estadísticos se supone cierta la explicación alternativa “No es cierta H”,
y SAA es que “ocurre O cercano a E por azar”, se demuestra que es improbable la
ocurrencia de O.
Se considera que se ha eliminado por improbable esa explicación, el azar.
Nótese que quedan otras posibles explicaciones alternativas.
TEORIA
H, D, SAH E
Azar, D, SAA E
B, D, SAB
E
R, D, SAR
E
PRACTICA
102. SIGNIFICANCIA ESTADÍSTICA
…………….
Se efectúa el diseño D, y ocurre O cercano a E
Se considera que se ha eliminado por
improbable esa explicación, el azar.
Nótese que quedan otras posibles explicaciones
alternativas. B, …R
TEORIA
H, D, SAH E
Azar, D, SAA E
B, D, SAB
E
R, D, SAR
E
PRACTICA
103. VALIDEZ INTERNA
CONTROL DE FACTORES DE CONFUSION
En la hipótesis de que X causa Y, es necesario
eliminar explicaciones alternativas y factores de
confusión, para que si al cambiar X se producen
cambios en Y, estos puedan ser atribuidos a X.
Metodología Estadística:
La asociación entre X y Y, persiste cuando se
condiciona con variables A1, A2, A3, …An. El
condicionamiento se logra:
1. Por diseño (homogeneización, bloques o
aleatorizacion) y/o
2. Por análisis; así, se dice que se evalúa el efecto de
X sobre Y, “corregido” o “ajustado” por A1, A2, A3,
104. 1. Según el propósito son Descriptivos o
Comparativos
2. Según la evolución son Transversales o
Longitudinales
3. Según la fuente de información son
Retrospectivos o Prospectivos
4.- Según el control del investigador son
Observacionales o Experimentales
105. Una sola población.
Describir
características.
Estimar promedios,
totales, etc.
Conocer evolución.
Distribución espacial
Búsqueda sistemática
de asociaciones
Dos o mas poblaciones.
Hay una hipótesis de
causalidad.
Control de factores de
confusión.
Se definen las
poblaciones por la
causa, o...
Se definen las
poblaciones por el
efecto. (Casos y
controles)
DESCRIPTIVO COMPARATIVO
106. RETROSPECTIVO
› La información
fundamental, o parte de
ella, ya ha sido captada
en otras fuentes. El
investigador no estudia
los elementos, sino
registros, expedientes,
fichas, etc.., donde esta
la información.
› Es rápido y barato.
› La información puede ser
de mala calidad.
PROSPECTIVO
› Toda la información
fundamental se obtiene
directamente aplicando
instrumentos de medición
a los elementos de
estudio. La información
no existe en fuentes
secundarias, o es de muy
mala calidad.
› Es caro y lento
› La información es de
buena calidad.
107. EXPERIMENTO
› Se tienen dos o más
poblaciones.
› Hay seguimiento.
› Se eligen o inventan las
variantes del factor causal la
X.
› Se aleatoriza la asignación
de esas variantes a las
unidades experimentales.
› Se pueden formar bloques.
OBSERVACIONAL
› Una o mas poblaciones.
› Dos poblaciones: Los
elementos se eligen ya
con las variantes del
factor causal. Se pueden
formar bloques.
Comparativo.
› Una población: Se estudia
una muestra de ella.
Descriptivo
Estudio observacional comparativo = Pseudoexperimento
108. LONGITUDINAL
› Se mide en dos o más
ocasiones la o las
variables de interés.
› La comparación de los
valores en épocas
distintas nos informa de
la evolución de los
elementos.
› Se conserva la identidad
de los elementos durante
el seguimiento.
TRANSVERSAL
› Se mide una o más
variables en una sola
ocasión en cada unidad.
› No hay seguimiento y no
se requiere mantener la
identidad de los
elementos.
Hay estudios longitudinales en los que las mediciones se realizan en un sólo
día, mientras que hay estudios transversales en los que se requieren tres
meses para las mediciones.
114. P2
m2
m2
Extrapolación
Pasado Presente Futuro
P1 y P2 = poblaciones
m1 y m2 = muestras
ENCUESTA COMPARATIVA
P1
m1
m1
Observacional, transversal, comparativo, Prospectivo o retrospectivo
Comparabilidad: Control de F. de Confusión
115. P1
m1
m1
Extrapolación
enelpasado
Pasado Presente Futuro
P = poblaciones
m = muestras
REVISION DE CASOS
P1
m1
m1
Extrapolación
enelpresente
Evolución
Posible seguimiento
Captación de información
de aspectos en el pasado
Observacional, longitudinal, descriptivo y retrospectivo
116. P1 = población de casos con efecto
m1 = muestra de casos
P2 = población de controles, sin efecto
m2 = muestra de controles, sin efecto
CASOS Y CONTROLES
m1 m1 P1
Casos
Controles
Búsqueda del
factor causal
No
expuestos
Evolución
seguimiento
retrospectivo
Se supone que en
el pasado no está
presente el efecto
Pasado Presente Futuro
Evolución
m2 P2m1
Expuestos
Expuestos
Observacional, longitudinal, comparativo (efecto a causa) y retrospectivo
Control de F. de
Confusión
117. Pasado Presente Futuro
P1 y P2 = poblaciones
m1 y m2 = muestras
PERSPECTIVA HISTORICA
m1
P1
Evolución
seguimiento
retrospectivo
P1 m1 posible
seguimiento
prospectivo
m1
Evolución
m2P2 m2 m2
P2
Observacional, longitudinal, comparativo (causa a efecto) y retrospectivo
Se supone que en
el pasado no está
presente el efecto
Control de F. de Confusión
119. Pasado Presente Futuro
P1 = población
m1 = muestra
ESTUDIO DE UNA COHORTE
m1
P1
seguimiento
P1P1
mediciones
m1m1
Observacional, longitudinal, descriptivo y prospectivo
120. Longitudinales con dos poblaciones
Evidencia de Causalidad? Mayor en A, luego D, B y
nada en C
Tiempo
Tiempo
Tiempo
Tiempo
Ocurre X
Ocurre X Ocurre X
Ocurre X
A B
C D
Control de
Factores de
confusión
Control
Expuest
o
Y
121. Pasado Presente Futuro
P1 y P2 = poblaciones
m1 y m2 = muestras
ESTUDIO DE VARIAS COHORTES
m1
seguimiento
P1P1
mediciones
m1m1
P1
m2
seguimiento
P2P2
mediciones
m2m2
P2
Observacional, longitudinal, comparativo y prospectivo
Se supone que en el
inicio no está presente
el efecto o se evalúa
Control de F. de
Confusión
123. Pasado Presente Futuro
EXPERIMENTO
m1
Mediciones
Tratamientos Evaluación
final
Asignación aleatoria
a los tratamientos
Seguimiento
Pi = población
inicial
m = muestras
T = tratamientos
extrapolación
P con
T2
P con
T3
P con
T1
m2
m3
m1
m2
m3
P con
T1
P con
T2
P con
T3
mP
Experimental, longitudinal, comparativo y prospectivo
Control de F. de Confusión