Professional Documents
Culture Documents
Teoría
Conocimiento Científico
EPISTEMOLOGÍA
La epistemología o filosofía de la
ciencia es la rama de la filosofía
que estudia la investigación
científica y su producto, el
conocimiento científico (Mario
Bunge).
EPISTEMOLOGÍA
• Bunge, M. (1980) “es la reflexión
crítica sobre la investigación
científica y su producto, el
conocimiento; en otras palabras, es
la ciencia de la ciencia”.
• Reyes, R. (1988), la epistemología es
sinónimo de filosofía de la ciencia.
EPISTEMOLOGÍA
Reyes (1988), afirma que el término más
cercano a epistemología es filosofía de la
ciencia, la palabra griega episteme se
refiere, no a cualquier forma de
conocimiento, sino aproximadamente a lo
que hoy se entiende por ciencia.
1. Periodo Clásico.
Predominaban problemas de la
naturaleza y alcance del conocimiento
científico en oposición al conoci-
miento vulgar (doxa), clasificación de
las ciencias y la posibilidad de
construir la ciencia inductivamente,
partiendo de observaciones.
HISTORIA DE LA EPISTEMOLOGÍA
3. La epistemología formal.
Bunge, denominó periodo “escolástico” y
lo califica como artificial, porque después
de la disolución del Círculo de Viena –e
influenciados por Wittgenstein-, los
filósofos perdieron contacto con
científicos y matemáticos y se interesaron
por problemas formales que rara vez
tenían relación con la ciencia real.
HISTORIA DE LA EPISTEMOLOGÍA
4. El renacimiento epistemológico.
Se preocupa de la ciencia real y no de
imágenes ficcionales de la ciencia.
Se ocupa de los problemas, métodos y teorías
de la ciencia.
Propone soluciones claras a tales problemas.
Distingue la ciencia auténtica de la
seudociencia.
Critica programas y resultados erróneos.
Sugiere enfoques promisorios.
CATEGORÍAS DE EPISTEMOLOGÍA
Piaget (1970), clasifica en tres categorías:
a. Parten de una reflexión sobre las ciencias y
prolongan en una teoría general del
conocimiento.
b. Apoyándose en una crítica de las ciencias
procuran alcanzar el conocimiento distinto al
conocimiento científico (en oposición con éste, y
no ya como prolongación de él).
c. Las que permanecen en el interior de una
reflexión sobre las ciencias.
TIPOS DE EPISTEMOLOGÍA
2. CONOCIMIENTO
Actividad por medio de la cual adquirimos la
certeza de que existe una realidad, el mundo
circundante existe y está dotado de
características que no ponemos en duda.
2.1. TIPOS DE CONOCIMIENTO
a) EMPÍRICO:
Se adquiere por experiencia del individuo
cumplida al azar, sin método y mediante
investigaciones personales.Es conocimiento
del sentido común.
Ejemplo: El conocimiento artesanal
adquirido por el minero informal para
encontrar oro, o por un ama de casa para
cocinar.
b) CIENTÍFICO:
Identifica las causas y está basado en
leyes que rigen a los fenómenos.
Además: observa, describe, explica y
predice su objeto mediante
procedimientos y métodos basados en
la lógica.
Ejemplo:
A cada acción corresponde una
reacción igual y de dirección opuesta.
El virus VIH ataca el sistema
inmunológico del organismo.
c) FILOSÓFICO:
Basado en la reflexión o especulación
proporcionados por la experiencia y por la
ciencia. Este conocimiento, se caracteriza
principalmente por lo siguiente:
Hechos y problemas que rodean al
hombre y sobre el hombre mismo, su
entorno y Dios.
Su método es racional. La observación
de la realidad o la aceptación de
principios o axiomas para luego
proseguir por deducción.
d) TEOLÓGICO:
Resultado del revelado de algo oculto o
de un misterio, es conocimiento aceptado
por fe frente a lo revelado.
El conjunto de verdades que los hombres
llegan, no con el auxilio de su
inteligencia sino mediante la aceptación
de los datos de revelación divina.
Son adquiridos a través de los libros
sagrados y aceptados racionalmente por
los hombres después de haber pasado las
criticas históricas.
3. CONOCIMIENTO CIENTÍFICO
Ejemplo:
El agua se compone de dos átomos de
hidrógeno y uno de oxígeno.
3.1 Procesos Básicos del Conocimiento
Científico
1) Ciencias formales:
Se ocupan de objetos que carecen de
propiedades físicas, biológicas
sociológicas. No cambian por sí
mismos. Pertenecen a este campo la
lógica y la matemática pura. En estas
ciencias importa el concepto de
deductibilidad (verdad de razón).
Tipos de Ciencias
2) Ciencias fácticas:
Se ocupan de hechos que ocurren en el mundo
exterior o en el mundo interno, son cosas
concretas o materiales; que tienen propiedades
físicas, biológicas y sociales. En cambio,
carecen de propiedades matemáticas, aunque
se puede representar matemáticamente. Están
la física, biología, sociología e historia. Se
utiliza el concepto de verdad, en el sentido de
verdad de hecho. Su objeto de conocimiento lo
percibe la experiencia de quien investiga.
INVESTIGACIÓN
LA INVESTIGACIÓN CIENTÍFICA
Método Científico
El método es el camino a seguir en la búsqueda del
conocimiento.
Diferencia entre Investigación Científica y
Método Científico
Etapas del proceso de Investigación
Cuantitativa
PROBLEMA OBJETO DE
INVESTIGACIÓN
INTERÉS POR EL TEMA QUE VA A INVESTIGARSE
Criterios básicos para identificar
problemas
¿QUÉ ES UN PROBLEMA?
De manera general, se considera problema a
toda diferencia negativa entre lo que debería
ser y lo que es:
ANTECEDENTES DE LA INVESTIGACIÓN.
Son las investigaciones que se han realizado sobre el
objeto de investigación, aquellas que guardan una
relación directa con nuestro problema planteado.
BASES TEÓRICAS (MARCO TEÓRICO).
Es la descripción de los elementos teóricos planteados
por uno o diferentes autores y permiten al investigador
fundamentar su proceso de conocimiento.
MARCO CONCEPTUAL.
El investigador define y delimita, según su criterio y de
acuerdo con su marco teórico, los conceptos
involucrados en las variables de investigación.
HIPÓTESIS DE INVESTIGACIÓN
REQUISITOS DE UNA HIPÓTESIS DE INVESTIGACIÓN
HIPÓTESIS ESTADÍSTICA.
Son suposiciones hechas sobre una población en
términos estadísticos, las que son construidas con
la finalidad de hacer posible la comprobación de la
validez de la hipótesis de investigación. Son de
dos tipos:
- Hipótesis Nula y Alternativa.
- La hipótesis nula generalmente es la negación de la
hipótesis de investigación.
- La hipótesis alterna es ídem a hipótesis de investigación.
EJEMPLO
HIPÓTESIS DE INVESTIGACIÓN (Hi)
“El clima organizacional influye en la gestión académica
de la E.P. de Arquitectura, 2016”.
HIPÓTESIS NULA (Ho:) (niega la Hi)
“El clima organizacional NO influye en la gestión
académica de la E.P. de Arquitectura, 2016”
HIPÓTESIS ALTERNATIVA (Ha) (es ídem a Hi)
“El clima organizacional influye en la gestión
académica de la E.P. de Arquitectura, 2016”.
DIFERENCIAS CON EL ENFOQUE CUANTITATIVO
Y CUALITATIVO
CUANTITATIVO CUALITATIVO
ENFOQUE Fenomenalismo: interesado en comprender Positivismo lógico: busca los hechos o causas
la conducta humana desde el propio marco de los fenómenos sociales, prestando escasa
atención a los estados subjetivos de los
de referencia de quien actúa. La Conducta
individuos. Los Hechos o causas de
Humana Natural y sin control Desde Medición Controlada Desde fuera, al
dentro, próximo a Datos. margen de los Datos.
CARACTERÍSTICAS - Estadístico - No estadístico
- Basado en lo experimental - Basado en ambientes naturales
- Datos por causa – efecto - Datos por los significados
PROCESO - Usa réplica - No Usa réplica
- Secuencial - No Secuencial
- Deductivo - Inductivo
- Objetivo - Subjetivo
- Probatorio - Recurrente
BONDADES - Control sobre los fenómenos - Contextualiza el fenómeno
- Predictivo - Interpretativo
- Preciso - Amplio
DIFERENCIAS ENTRE EL ENFOQUE
CUANTITATIVO Y CUALITATIVO
ASPECTO CUANTITATIVO CUALITATIVO
Realidad objetivo de estudio Objetiva Subjetiva
Perspectiva Externa Interna
Enfoque Analítico Holística
Orientación Hacia la verificación Hacia el descubrimiento
Diseño Orientado al resultado Orientado al proceso
Estructura Predeterminada Interactiva y reflexiva flexible
Proceso Control riguroso Control subjetivo
Procedimientos Estructurados Flexibles
Condiciones de observación Controlados Naturales
Datos Objetivos Subjetivos
Hipótesis Previas y verificables Emergentes y constables
Análisis Deductivo Inductivo
Conclusiones Tendientes a la generalización Tendientes a la particularidad
Resultados Válidos confiables Válidos consenso y subjetivo
Generalizable No generalizable
DISEÑO DE INVESTIGACIÓN
CUASI-EXPERIMENTOS:
EXPERIMENTALES
(Implican grupos intactos)
LONGITUDINALES O EVOLUTIVOS:
(Analizar cambios a través del tiempo)
DESCRIPTIVO * HIPÓTESIS DESCRIPTIVA NO EXPERIMENTAL * CORTE TRANSVERSAL VARIABLE DE ESTUDIO SE REALIZA LAS MEDIDAS
* HIPÓTESIS ENTRE GRUPOS *CORTE LONGITUDINAL
CORRELACIONAL * HIPÓTESIS DE CORRELACIÓN * CORTE TRANSVERSAL VARIABLE DE ESTUDIO SE REALIZA LAS MEDIDAS
*CORTE LONGITUDINAL
EXPLICATIVA * HIPÓTESIS CAUSAL EXPERIMENTAL * PRE-EXPERIMENTAL VARIABLE INDEPENDIENTE SE MANIPULA
* CUASI - EXPERIMENTAL VARIABLE DEPENDIENTE SE MIDE (AL AZAR)
* EXPERIMENTAL PURO O VERDADERO VARIABLE INTERVINIENTE SE CONTROLA
VARABALES
Se denomina variable en la investigación
científica a toda propiedad, rasgo, aspecto,
cualidad, dimensión, atributo, de un objeto
si tal propiedad puede asumir distintos
estados o valores y cuya variación es
susceptible de medirse. Las variables son
manifestaciones de la realidad.
Las variables son aspectos centrales en la
investigación científica, que se puede medir
la realidad, el hecho o fenómeno, pues el
proceso de producción de conocimiento
contrastable gira en torno a ellas.
VARABALES
Nominal (cualidad)
- Color de cabello.
- Color de ojos.
- Estado civil.
Variable - El género (M, F).
cualitativa
Ordinal (categorizar)
- Nivel de instrucción.
- Nivel socio-económico.
TIPOS DE
POR SU - La categoría de docentes universitarios.
DATOS
NATURALEZA
Discreta (conteo)
- Número de hijos por familia.
- Número de estudiante en la UANCV.
- Nro. de docentes en la UANCV en el 2009.
Variable
cuantitativa Contínuas (intervalo)
- Peso de los estudiantes (kg).
- Temperatura: 28.5°C.
- Estatura de los estudiantes (cm).
- Frecuencia respiratoria a 3819msnm.
Operacionalización de variables
VARIABLE DEFINICIÓN CONCE`PTUAL DEFINICIÓN OPERACIONAL DIMENSIONES INDICADORES UNIDAD DE MEDIDA ESCALA VALOR FINAL
Uso de los recursos
Aprovechamiento de los hospitalarios disponibles para Uso racional de bienes que se Muy bueno: 80% a más; Ütil :
Aprovechamiento de Porcentaje ocupacional de De razón o
recursos en un servicio atender el número de pacientes utiliza para brindar al usuario en Nº de camas 79% - 60%; Malo: 59% a
los recursos físicos camas proporción
Hospitalario solicitantes en el mes (oferta- un servicio de calidad. menos
demanda)
Promedio de estancia Nº de días
hospitalaria
Muestra
V. Ibañez 94
Términos técnicos en el Muestreo
Unidad de muestreo
Unidad elemental
Unidad reportante
V. Ibañez 95
Marco de muestreo
Mapas
Base de datos (Registros) cartográficos
V. Ibañez 96
Parámetro, estimador y estimación
ˆ f ( x1 , x 2 ,, x n )
Estimador
Parámetro
ˆ $25000
2
X, S , p
, , P 2
V. Ibañez 97
Población y Muestra
Población (N = 80) Unidad de
muestreo
Muestra (n = 6)
TIPOS DE POBLACIÓN
99
EJEMPLO:
UNIDAD CARACTERÍSTICAS A ESTUDIAR
• Empleo.
• Sueldos y salarios.
ESTABLECIMIENTO • Producción Bruta.
INDUSTRIAL • Horas de producción.
• Consumo de energía.
• Actividad Económica.
Proceso de Muestreo
- Objetivos
- Elementos
POBLACIÓN - Unidades de muestreo
- Alcance
- Tiempo
Es el listado de
MARCO MUESTRAL unidades o elementos
de la población
TAMAÑO DE Procedimiento de
LA MUESTRA selección
de la muestra
SELECCIÓN DE LA
MUESTRA 102
Tipos de Muestreo
NO
PROBABILÍSTICO
PROBABILÍSTICO
Unidades de
Muestreo Aleatorio Conveniencia o muestreo
Simple (MAS) intencional apropiados
Z
Z
f z e
f z e Z
107
Resulta la Función de Densidad de la variable Estandarizada.
f(Z)
1
04
2
-1 0.2 +1
-1 0 +1 Z
CARACTERÍSTICAS:
1) Z se distribuye en forma Normal estándar (0,1), E(Z) = 0, V(Z) = 1.
34.13% 34.13%
2.15%
13.59%
13.59% 2.15%
3 2 0 2 3
0 µ X
f(Z)
04 1 2
-3 -2 -1 0 1 2 3 Z
68.26%
95.44%
99.74% V. Ibañez y J. Paredes 109
En resumen:
ECONOMICO
RAPIDO
MUESTREO CAPACITACION MEJOR
ERROR CONTROLABLE
PARTE DEL UNIVERSO
Todo el universo
Costoso
CENSO Resultado no inmediatos
Error a veces no controlable
110
Muestreo Aleatorio Simple (MAS)
Con reposición
Sin reposición - MIA
Características:
Asigna probabilidades iguales de selección.
Necesita listado de unidades (Marco de muestreo).
Utiliza tabla de números aleatorios, urnas con bolas,
generación de números aleatorios por computadora, etc.
Eficiente sólo en poblaciones homogéneas.
Aplicable en encuestas de pequeña escala.
Forma parte de diseños de muestra más complejos.
Donde:
Z: Nivel de confianza elegido
al 95% ó 99% (2σ ó 3σ)
p: Probabilidad de éxito
q: Probabilidad de fracaso
e: Error máximo permitido, se
establece a priori.
p+q=1 (p=50% y q=50%).
S2=(pq) es la varianza de la
distribución Binomial.
Factores para determinar el
tamaño de muestra
El tamaño de muestra depende de:
RESTRICCIONES
Coeficiente de Confianza
Se obtiene de
la Tabla “Z”
con α = 0.05
Se obtiene de
la Tabla “Z”
con α = 0.01
Relación en una Muestra Aleatoria
117
ERROR
ERROR
Ejemplo de tamaño de muestra al estimar
la media de la población
Supongamos que queremos conocer el gasto anual
promedio de la población (N = 2500) que destina a la
recreación que estimamos (basándonos en trabajos
anteriores) la desviación estándar de la población es $
400, con un nivel de confianza o certeza del 95% de que la
media muestral se encuentra dentro de $45 de la
verdadera media de la población.
Z 2 N S
2 2 Nivel de Confianza del 95% (Z = 1.96).
n Desviación Estándar: σ = 400
E N S Z 2
2 2 2
Precisión: 45%.
Reemplazando los datos a la fórmula:
Z 2 2 N S 2 2
(1.96) (2500 )(400) 2
n 271
E N S Z 2
2 2 2
(45) (2500 ) (1.96) (400)
2 2 2
Z 2 N S
2 2
(1.96) 2 (2500 )(400) 2
n 271
E 2 N S 2 Z 2 2 (V.45 2
) (y2500
Ibañez ) (1.96) (400)
J. Paredes
2 2
123
EJEMPLO DE TAMAÑO DE MUESTRA
2
(1.96) (10000 )(0.30)(0.70)
312 .64 313
(0.05) (9999 ) (1.96) (0.30)(0.70)
2 2
2
(1.96) (10000 )(0.30)(0.70)
n 312.64 313
(0.05) (9999 ) (1.96) (0.30)(0.70)
2 2
Tamaño de muestra en poblaciones Infinitas
2
Z 2 pq 2
(1.96) (0.04)(0.96)
n 2
2
368 .79 369
e (0.02)
Usando EPIDAT v4.1
Ingreso de datos para calcular tamaño de muestra
Resultado con EPIDAT v4.1
INFINITO
2
Z 2 pq 2
(1.96) (0.04)(0.96)
n 2
2
368 .79 369
e (0.02)
Ejemplo
Se desea estimar la prevalencia de tuberculosis en los
diferentes Hospitales de 500 personas, con un error máximo
del 5% y un intervalo de confianza del 95%. Basados en
estudios previos, se espera una prevalencia del 10%.
DATOS: Como 500<100000, entonces corresponde a
población finita. Se usa la siguiente fórmula:
V. Ibañez 132
Usando EPIDAT v4.1
K=N/n
NO SI
K es Entero
137
Ejemplo:
138
Ejemplo:
Se quiere obtener una muestra sistemática que seleccione a
los egresados de la E.P. de Arquitectura de la UNA – Puno,
que tiene una población de 1200 de ellos. La variable de
estudio es dicotómica y se aduce que la proporción es del
25%, además se quiere un error del 4% y una confiabilidad de
90%.
Como N = 1200 < 100 000, entonces corresponde a poblaciones FINITAS.
Z 2 2 Npq (1.64) 2 (1200 )(0.25)(0.75)
no 2 249.8 250
e ( N 1) Z 2 pq (0.04) (1199 ) (1.64) (0.25)(0.75)
2 2 2
no 250
Sí 20.83% 10% entonces se realiza la corrección con la siguiente fórmula :
N 1200
no 250
n 207.04 207 El tamaño de muestra
no 1 249
1 1 definitivo es: no = 207
N 1200 139
Ejemplo:
1200
Luego se calcula el SALTO k 5.8 6
207
Se procede a seleccionar al azar un número entre 1 y 6
aleatoriamente, los método son múltiplos. Dado que el tamaño de
muestra requerido es n = 207, entonces se calcula la proporción
(n/N) = 207/1200 = 17.25 se aproxima a 17% que necesita EPIDAT
v4.1 por fases.
Usando EPIDAT v4.1
140
Ingreso de datos en EPIDAT v4.1
Salida en Excel
Selección
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81 141
Resultados del EPIDAT v4.1
MUESTREO SISTEMÁTICO EN FASES – EPIDAT v4.1
143
Número de los sujetos seleccionados con EPIDAT v4.1
144
Muestreo Aleatorio Estratificado (MAE)
V. Ibañez 145
Muestreo Estratificado
Población (N)
N2 N3
N1 ........ NL
n1 n2 n3 nL
n = n1 + n2 + n3 +.........+ nL
V. Ibañez 146
ESTRATOS Homogéneos en su interior; diferentes
entre sí en propiedades y tamaño.
Comuna B
Comuna A
Comuna C
Comuna D
Entre estratos
INDEPENDENCIA:
V. Ibañez 148
Ejemplo de Aplicación:
Se quiere conocer el grado de aceptación de los nuevos planes de
estudio por la población universitaria de la Región. Para tal fin se
escoge una muestra integrada por 2289 estudiantes de la UNA-
Puno. La muestra se afija entre las distintas carreras de manera
proporcional al número de estudiantes registrados en dichas
carreras. Para ello se multiplica la proporción que representa cada
uno de los estratos (carreras diferenciadas) por el tamaño
muestral 2289, obteniéndose el tamaño de muestra para cada
estrato.
a) Tamaño de muestra.
Fórmula para calcular el tamaño de muestra por estratos si n0/N10%
p = Proporción de estudiantes con los nuevos planes 57.80% 2
q = Proporción de estudiantes que no están de acuerdo: 42.2% Z Npq
2
e = Es el error de precisión: 2%
no
e ( N 1) Z pq
Z = Es el nivel de confiabilidad al 95% (2σ)=1.96 2 2
n0 = Tamaño de muestra sin corregir.
n = Tamaño de muestra corregida. V. Ibañez 2
Como N = 98953 < 100 000, entonces se aplica la fórmula de tamaño de
muestra para poblaciones FINITAS.
no
Sí 10% entonces se realiza la corrección con la siguiente fórmula :
N
n0
n
n0 1
1
N
n o 2289
En nuestro caso 2.3% 10% entonces no se realiza la corrección de tamaño de muestra.
N 98953
V. Ibañez 152
Ingreso de Információn
V. Ibañez 154
Asignar el número de muestras a cada carrera, según
el Muestreo Aleatorio Estratificado
V. Ibañez 155
Recuperar el archivo en Excel: Nombre de Carreras y
la población por Carreras (Estratos)
V. Ibañez 156
Recuperar el archivo en Excel: Nombre de Carreras y
la población por Carreras (Estratos)
V. Ibañez 157
Salida de resultados por Estrato en Archivo
V. Ibañez 161
Muestreo de Conglomerados
• Características
• Las unidades de muestreo suelen ser un grupo de elementos que
comúnmente llamado conglomerado de elementos. El muestreo de estas
unidades es llamado muestreo de conglomerados.
• El marco de muestreo es una lista de conglomerados
• La medición se realiza a todos los elementos del conglomerado
seleccionado.
• Se utiliza en las investigaciones por muestreo a gran escala
Ventajas
• Reduce el costo del muestreo, al no utilizar una lista de elementos de la
población (marco) y sólo una lista de conglomerados que es más fácil y
más barato de obtener.
• Reduce el tiempo de la organización y ejecución del trabajo de campo.
V. Ibañez 162
Población Conglomerado Elemento
V. Ibañez y J. Paredes 163
Se utiliza cuando la población se encuentra dividida,
de manera natural, en grupos que se supone que
contienen toda la variabilidad de la población
Homogeneidad: (Entre)
Entre conglomerados
Heterogeneidad: (Dentro)
Entre elementos del mismo conglomerado
V. Ibañez 165
Muestreo de Conglomerados
Diferencia con estratos:
En conglomerados son heterogéneos internamente; no interesa
particularmente diferencias; es sólo un medio de tomar datos más
económico y simple
V. Ibañez 166
Ejemplos de Unidades Primarias y Unidades
Secundarias de Muestreo.
V. Ibañez 168
EJEMPLO:
Supóngase que se desea obtener una muestra de
aproximadamente de 120 estudiantes de un instituto de Enseñanza
Media que tiene 966 alumnos registrados y que los alumnos están
distribuidos en 21 aulas de tamaños variables y conocidos.
La distribución de los 966 alumnos registrados, según aulas y
cursos es la siguiente:
171
Resultados con EPIDAT v4.1
Hacer Clic
172
Muestreo por conglomerados bietápico
El método se considera como un sub-muestreo y se trata
de una modificación del método de muestreo por
conglomerados.
A los conglomerados que resultan de la primera división se
denomina UNIDADES PRIMARIAS, los de la segunda
UNIDADES SECUNDARIAS, y así sucesivamente.
Los conglomerados pueden ser de igual o de diferentes
tamaños, siendo el último caso el más generalizado.
El proceso de selección, se realiza por etapas sucesivas en cada una
de las etapas; se utiliza una unidad diferente y las unidades finales
nos permiten la realización de la encuesta para la recolección de
información.
V. Ibañez 173
EJEMPLO:
Se quiere obtener una muestra de n=120 estudiantes del
instituto. Dicho instituto tiene 966 alumnos registrados, tomando
el mismo número de sujetos de cada una de las 10 aulas
elegidas mediante MAS. La hoja MC del archivo INSTITUTO.xls
contiene la lista de las 21 aulas y los tamaños de ellas. En este
caso, donde la muestra no es equiprobabilística, las
probabilidades de selección (y sus inversos, las ponderaciones)
varían de unos conglomerados a otros. Para el aula 1.1, la
probabilidad de cada uno de los 12 alumnos elegidos es
0.089286, resultante de multiplicar 10/21 (probabilidad de
selección del conglomerado) por 12/30 (probabilidad de
selección del alumno); consecuentemente, la ponderación para
estos 12 individuos es 11.20 (inverso de 0,089286):
V. Ibañez y J. Paredes 174
Usando EPIDAT v4.1
V. IbañeZredes 177
INSTRUMENTOS
DE MEDICIÓN
V. Ibañez 178
179
LA OBSERVACIÓN
La validez de un
instrumento no se
Se refiere al grado “establece”, sino que
en que un se sustenta en un
mayor o menor grado
instrumento mide de evidencia. Un
lo que se supone investigador no valida
debe medir. al instrumento per se,
sino la aplicación del
mismo.
VALIDEZ
ID 100 DIFICULTAD
ID < 40
ÍTEM
DIFÍCIL
N 40 ≤ ID ≤ 60 MEDIANA DIFICULTAD
Donde: 61 ≤ ID ≤ 89 FÁCIL
ni 1 xi X i 1 xi i 1 X
n n n
IH rix
n 2 n 2 n 2 n
2
n xi xi n X i X i
i 1 i 1 i 1 i 1
ÍNDICE DE
INTERPRETACIÓN DEL ÍTEM
HOMOGENEIDAD
IH < 20 EL ÍTEM DEBE ELIMINARSE
0.21 ≤ IH ≤ 0.60 MEDIACIÓN REGULAR
IH ≥ 0.61 MEDICIÓN BUENA
VALIDEZ Y
CONFIABILIDAD DE
LOS
INSTRUMENTOS
CONFIABILIDAD DE INSTRUMENTOS
La confiabilidad es una medida de determinación de la
ESTABILIDAD y la CONSISTENCIA INTERNA del instrumento.
Un instrumento es estable si, aplicado repetidas veces a los
mismos fenómenos, bajo las mismas condiciones, arroja
resultados consistentes (congruentes).
Consistencia interna propiedad del instrumento según la cual,
cada parte del mismo mide de la misma manera que las otras
partes.
CONFIABILIDAD INTERPRETACIÓN
0.01 a 0.20 MUY BAJA
0.21 a 0.40 BAJA
0.41 a 0.60 MODERADA
0.61 a 0.80 ALTA
0.80 a 1.00 MUY ALTA
ALFA DE CRONBACH
Para evaluar la confiabilidad es común emplear el
COEFICIENTE ALFA DE CRONBACH, cuando las alternativas
de respuestas son policotómicas, como la escala de tipo
Likert que puede tomar valores entre 0 y 1. Donde:
Confiabilidad nula = 0 y confiabilidad total = 1. El coeficiente
α de Cronbach, se calcula por medio de la varianza de los
ítems, y la varianza del puntaje total.
α: Coeficiente de confiabilidad de la k
2
prueba o cuestionario. K Si
K : Nº de ítems del instrumento. 1 i 1 2
S2t : Varianza total del instrumento (filas). K 1 St
∑S2i: Suma de las varianzas de los
ítems (columnas).
EJEMPLO
Se tiene un cuestionario para evaluar la aceptación de una
asignatura con tres preguntas y se desea saber si los datos
que se obtienen a partir de esta herramienta son confiables.
Para evaluar la fiabilidad de este cuestionario, se aplicó a 10
personas de una muestra similar. Las preguntas y los
resultados se muestran a continuación:
INTERPRETACIÓN:
El resultado nos indica que la prueba (instrumento de
investigación) es α = 0.699, por lo tanto, se aproxima a ser
confiable.
MÉTODO TEST - RETEST
Es la estimación de la confiabilidad de un test o cuestionario
que es administrarlo dos veces al mismo grupo y
correlacionar las puntuaciones obtenidas.
n n n
X i Yi ( X i )( Yi ) n
rxy i i 1 i 1
n 2 n
n n
X i ( X i ) n Yi ( Yi ) n
2 2 2
i1 i 1 i 1 i 1
I i Pi ( I i )( Pi ) n
rIP i i 1 i 1
n 2 n
n n
I i ( I i ) n Pi ( Pi ) n
2 2 2
i 1 i 1 i 1 i 1
b) Corrección de r con la ecuación de Spearman – Brown
2r
R
1 r
Ejemplo – Aplicación
MATRIZ DE DATOS
Nº DE PREG. Nº TOTAL TOTAL PRODUCTO
PREG. Nº 2 PREG. Nº 3 I2 P2
ENCUESTADOS 1 IMPAR (I) PAR (P) (I)x(P)
1 4 2 4 8 2 16 64 4
2 2 1 3 5 1 5 25 1
3 3 1 2 5 1 5 25 1
4 2 2 2 4 2 8 16 4
5 2 1 4 6 1 6 36 1
6 1 1 3 4 1 4 16 1
7 2 4 4 6 4 24 36 16
8 3 3 4 7 3 21 49 9
9 4 4 3 7 4 28 49 16
10 1 1 1 2 1 2 4 1
10 10 10 10 10
Total I
i 1
i 54 P
i 1
i 20 I P 119 I
i
i i
i 1
i
2
320 Pi 2 54
i 1
Ejemplo – Aplicación
10 10 10
I P ( I )( P )
i i i i 10
119 (54)(20) 10
rIP i i 1 i 1
0.5517
10 10
10 10
320 (54) 1054 (20) 10
2 2
i i i
2 2 2 2
I ( I ) 10 P ( Pi ) 10
i 1 i 1 i 1 i 1
V. Ibañez 219