Cuando analizamos hechos problemáticos, podemos a partir de ellos

plantearnos problemas e hipótesis, como una respuesta a priori de la

interrogante planteada. Ello implica que es necesario analizar cuales
son las CONSECUENCIAS LOGICAS de la hipótesis planteada, esto
equivale a plantéanos un MODELO LOGICO DE CONTRASTACION
y a partir de ello un modelo operacional o empírico.

Ejemplo: Cuando decimos que la evacuación de residuos sólidos

orgánicos en el mar incrementa la demanda bioquímica de oxígeno
(DBO), SI ESTO ES VERDADERO, entonces podemos decir que la
demanda bioquímica de oxígeno en el mar disminuirá cuando
disminuye la evacuación de residuos sólidos orgánicos. Esto lo
comprobamos con un modelo operacional, empírico o experimental
de contrastación
El planteamiento del modelo lógico de contrastación, posibilita el
siguiente paso, es decir trazar el diseño empírico de
contrastación, que consiste en proponer, como se va a proceder
para demostrar la verdad de la consecuencia lógica. En nuestro
caso debemos demostrar que áreas marinas que recepcionan
efluentes orgánicos incrementan la demanda bioquímica de
oxígeno, para ello debemos elaborar un diseño que confirme o
refute la hipótesis planteada.
Existe variedad de diseños, con diferentes grado de confiabilidad
y para facilitar su uso de utilizan gráficos (idiográmas). Dentro de
ellos podemos considerar:
A) DISEÑOS DESCRIPTIVOS
Empleados para contrastar problemas de IDENTIFICACIÓN o DESCUBRIMIENTO
de la característica de una realidad. En este tipo de diseño el investigador no da
estímulo (V.I.) sólo observa lo que ocurre.

1. Diseño de una casilla

Donde:
M O M: representa la muestra
O: representa lo que observamos

Consiste en seleccionar la muestra sobre la realidad problemática que se desea

investigar. En esta muestra se hace averiguaciones y se emplea en el siguiente
tipo de problema: ¿Cuáles son los volúmenes de los diferentes tipos de
residuos sólidos que se producen y recogen diariamente en el casco urbano de
la ciudad de Chimbote?

2. Diseño Comparativo:
M1 O1 Donde:
M1........ Mn: representa la muestra
O2........ On: son las observaciones
M2 O2

M3 O3
Este tipo de diseño se utiliza cuando se quiere comparar una misma variable
en diferentes lugares o situaciones, para ver si tienen el mismo o diferente
comportamiento Por ejemplo:¿Cuál es la incidencia de enfermedades
respiratorias en los distritos de Coishco, Chimbote y Nuevo Chimbote?.

3. Diseño Correlacional:

Ox Donde:
M Oy
M: representa la muestra
Ox Oy Oz : las observaciones o varables recolectoras
Oz

Este tipo de diseño se utiliza cuando se quiere comparar que relación tienen
diferentes variables que se pueden obtener de una misma muestra. Por
ejemplo: Qué relación existe entre la tecnología de presión sanguínea, los
niveles de colesterol y el peso en las personas de la tercera edad inscritas en
ESSALUD-Chimbote en el presente año?

4. Diseño Longitudinal:
Donde:
T1 T2 T3 M : representa la muestra
M T1...... Tn : los tiempos
O1 O2 O3 O1...... Tn : las observaciones
 Es tipo de diseño se utiliza cuando se quiere observar el comportamiento de
una variable a través del tiempo. Por ejemplo:
¿Cuál es la tasa de crecimiento en talla de los niños de educación inicial a
partir de los cinco hasta los siete años de edad del Centro Educativo Siglo 21?

5. Diseño Transversal:

MT1 Donde:
M1...... MTn : representan muestras de diferentes tiempos
MT2 O en un momento dado, son las muestras
O : La observación que se hace en cada muestra
MT3

Este tipo de diseño se utiliza cuando se desea observar el comportamiento de

una misma variable en muestras de diferente edad en un momento dado. Por
ejemplo:
¿Cuáles son los niveles de contaminación por plomo en los sedimentos de las
Bahías de Coishco, El Ferrol y Samanco en el presente año?
B) DISEÑO EX -POSFACTO

Son aquellos que se utilizan para determinar las relaciones entre

variables, tal y conforme se presentan en la realidad, sin
intervención del investigador. Ellos a la vez pueden ser:

a. Retrospectivos
Se utiliza cuando el fenómeno ocurrió y se trata de buscar las
posibles causas en el pasado.
Ejemplo:
¿Cuáles fueron las causas del colapso de la economía entre el 1985
y 1990 en el Perú?

b. Prospectivos
Se utiliza cuando se observa una o varios factores, a los que se les
trata de buscar sus posibles efectos en un intervalo de tiempo
Ejemplo:
¿De que manera influirá la crisis económica y la falta de empleo en
la deserción estudiantil a nivel secundario en los próximos cinco
años en el Perú?.
C) DISEÑOS EXPERIMENTALES

Son aquellos en que se manipula deliberadamente una o más

variables independientes para ver sus efectos sobre una o más
variables dependientes.
Existen tres requisitos para que una prueba se considera un
experimento:

 Debe haber una manipulación intencional de una o más

variables independientes.
 La medición de la variable dependiente, es una de las fases
del experimento a fin de conocer la influencia de la variable
independiente.
 Debe haber un control de las variables extrañas.

Existen diferentes diseños experimentos, entre ellos podemos

mencionar:
1. DISEÑOS EXPERIMENTALES PUROS O VERDADEROS
Son aquellos que reúnen los siguientes requisitos:
 Grupos de comparación, cuando menos, uno experimental y el otro de
control
 Grupos equivalentes en sus características relevantes.
 Existe Pre-Post Test y los grupos control y experimental son escogidos
al azar

A) Grupos en Paralelo

E
A B

E
B A

Donde: A y B : son muestras con diferente estímulo y se hace Pre y Post

Test ¿Cuál es el efecto que tiene la leche materna y leche artificial sobre el
crecimiento en peso de lactantes?
B) Diseño Clásico
Donde: A y B : Son muestras, una con y
sin otra sin estimulo
A A
est. ¿Cuál es el efecto que tiene la presencia de
plomo en el agua sobre el crecimiento en peso
B con B de la “concha de abanico?
est.
C) Diseño de estímulo creciente

C
A A

E1
B B

E2
C C
E3
D D
Donde: A (Grupo control o testigo) y B. C. D (Grupos experimentales)
¿Cuál es el efecto que tiene los efluentes con diferentes nivel de carga
orgánica sobre la disponibilidad de oxígeno disuelto en el agua de mar?

D) Diseños factoriales
Los diseños factoriales manipulan dos o más variables independientes
o incluyen dos o más niveles de presencia en cada una de las
variables independientes. La construcción básica de un diseño
factorial consiste en que todos los niveles de cada variable
independiente son tomadas en combinación con todos los niveles de
la otras variables independientes.
Para diagramar los diseños factoriales se utiliza la simbología en
base a letras y números. Las letras (A,B,C, ......X) indica las
variables independientes y los números se utiliza para los niveles
(1,2,3, n), la combinación de letras y números que aparecen en la
casilla (celdas) representan la mezcla de niveles de las variables
independientes. Cada celda es un grupo. Un diseño factoria de 2 x
3 seria.
 A Total
A1 A2
B Combinado

Todos los
A1B1 A2B1
B1 B1

Todos los
A1B2 A2B2
B2 B2

Tods los
A1B3 A2B3
B3 B3

Total Todos los Todos los

combinado A1 A2 Total

Variable independiente “B” y variable independiente “A”

2. DISEÑOS CASI EXPERIMENTALES

En los diseños casi experimentales los sujetos no son asignados al

azar a los grupos, ni emparejados sino que los grupos ya están
formados antes del experimento. Son grupos intactos. Los casi
experimentales difieren de los experimentos puros en la equivalencia
de los grupos. Los primeros trabajan con grupos intactos y los
segundos utilizan un método para equivalencia de grupos.
Existen tantos diseños casi experimentales como experimentales
verdaderos.
A) Diseño con postprueba y grupos intactos
Utiliza dos grupos, uno recibe el tratamiento experimental, el otro
no. Los grupos son comparados en la postprueba para analizar si el
tratamiento experimental tuvo un efecto sobre la variable
dependiente. El diseño puede diagramarse del siguiente modo
Post
C
A A
Post
E B
B
Ejemplo:
¿Cuál es el efecto del uso de aire acondicionado en enfermedades bronquiales
de los alumnos del primer grado de primaria del Colegio Antonio Raimondi de
la Urb. La Caleta, Chimbote?
B) Diseño con preprueba-postprueba y grupos intactos

Se diferencia del diseño anterior porque a ambos grupos se les administra

una preprueba, lo que puede servir para verificar la equivalencia inicial de
los grupos. Su esquema más sencillo es el siguiente:

Pre Post
C
A A

Pre Post
E
B B

Ejemplo:
¿Cuál es el efecto del uso del video en la enseñanza aprendizaje de Estadística?
C) Diseño casi experimentales de series cronológicas

En ciertas ocasiones el investigador pretende analizar el efecto

al mediano y largo plazo ó efectos de administrar varias veces el
tratamiento experimental y, no cuenta con la posibilidad de
asignar al azar, los sujetos a cada grupo estas pueden ser:

 Serie cronológica de un solo grupo

Cuando a un solo grupo se le administra varias prepruebas. Antes de
aplicar el tratamiento experimental y posteriormente una posprueba.

 Series cronológicas casi experimental con múltiples grupos

Cuando existen varios grupos, a unos se les puede aplicar una
preprueba a otros no, en ambos casos se aplica una posprueba y a un
grupo se le aplica estimulo y al otro no.

 Series cronológicas casi experimental con repetición de

estimulo
Cuando existen dos grupos intactos, a ambos se le aplica preprueba, a
uno se le aplica serie de estímulos al otro no.
3) DISEÑOS PRE - EXPERIMENTALES

Se denominan así porque el grado de control es mínimo y consiste

en administrar un estimulo a las unidades de análisis para luego
determinar el grado en que se manifiestan.

A) Diseño de posprueba con un solo grupo

Post Test
E
A A’

Donde: A es la muestra control y experimental a la vez

Ejemplo: ¿Cuál es el efecto de los efluentes orgánicos sobre la biodiversidad
en la bocana del Rio Santa ?
Como consecuencia de la observación o la experimentación se
obtienen datos, los cuales resumidos y analizados, van a
permitir confirmar o refutar una hipótesis.

La recolección de datos (longitud, peso, sexo, presión

sanguínea, ingresos, niveles de contaminación orgánica,
consumo per cápita, etc.) es una etapa importante en la
ejecución de una investigación. Si la recolección de estos datos
es inadecuada, las generalizaciones que se hagan serán
erróneas y consecuentemente el trabajo científico será inútil.
2.1. Universo.- Conjunto de elementos relacionados entre si, que
poseen una o más variables (características, atributos o
propiedades) comunes que deben ser precisadas en el tiempo
y espacio para que resulte inequívoca. Pueden ser de dos tipos :

2.1.1. U. Objetivo: Ilimitado en el tiempo y espacio.

2.1.2. U. Muestral: Parte del Univ. Objetivo limitado en el tiempo y
espacio y del cual se obtiene la muestra.

2.1. Muestra.- Parte representativa y adecuada del universo y que

se utiliza para obtener datos.

2.3. Testigo.- Es otra muestra obtenido del mismo universo, para obtener
datos empíricos en condiciones específicos iguales, y
estímulo diferente a la muestras y se usan como
“CONTROL”.
 U.homogéneo: Todos los atributos
3.1. Selección de la similares
muestra
U.heterogéneo: Un atributo similar y
otro no
Universo-Objetivo: Ilimitado: Todos
3.2. Generalización los habitantes del mundo
inferencial Universo-Muestral: Delimitado en
verdadera
tiempo y espacio por el investigador
de cuyo componente se obtiene la
muestra). Pobladores de la zona
urbana de la ciudad de Chiclayo en
2007.
4.1. Razones para el uso de las muestras.
 Ahorra dinero.
 Ahorra tiempo (mayor rapidez en obtener datos).
 Concentra atención casos individuales
 En pruebas que implican muerte del ejemplar.
 Permite disminuir efecto de errores ajenos al muestreo

4.2. Limitaciones del muestreo

 En áreas pequeñas: Muestra grande por precisión de
muestreo = censo .
 Datos intervalos regulares medir cambios pequeños entre
intervalos muestra tiene que ser grande.
4.3. Criterios de aceptación de un método.
Una muestra para que sea aceptada debe ser representativa de la
población y de adecuada el universo del cual procede:

-Es representativa: Cuando todas tienen la misma probabilidad de

integrar la muestra., para ello se utiliza técnicas
de muestreo

Técnicas de muestreo

(a) Muestreo al azar simple.- Todos la misma probabilidad. Se

usa papelitos, tabla de Tippet o de números aleatorios.
(b) Muestreo al azar sistemática.- Juega al azar el primer
elemento después es sistemático.

(c) Muestreo al azar estratificado.- Divide en subgrupos

homogéneos y se muestrea.
(d) Muestreo por conglomerado.- Conglomerados antes
que unidades
.

(e) Muestreo al azar en etapas sucesivas.- Muestreo por conglomerados

y luego muestreo en cada uno para obtener muestra de unidades .
Es bietápico.

-Adecuación de la muestra: Tamaño apropiado en relación al universo

El tamaño depende de :
a ) De la variable del problema:
Muestra pequeña Homogenidad: Cuando σ2 es pequeño
Muestra grande Heterogenidad: Cuando σ2 es grande.

Varianza (σ2):
Es una medida del grado de
dispersión de los valores de la
variable en relación a la media
aritmética.
 b) Características del universo
- Homogénea muestra pequeña
- Heterogénea muestra grande
c) De la exactitud de los resultados que se quieren obtener.
- Resultados más exactos muestras más grandes.

Tamaño de una Muestra

1. Cuando las mediciones requieren promedios: Como es el caso de
las variables peso, talla rendimiento escolar, etc, se emplea la
fórmula
n= Z*σ 2
E

Cuando las mediciones requieren proporciones, como es el caso

de las variables sociales y de salud: natalidad, mortalidad
enfermedad, migraciones, etc, se emplea la fórmula:

n= Z2 (p.q)/E2
Donde:

n = tamaño de la muestra
σ = valor estimado de la desviación estándar del universo
Z = número de unidades de error estándar igual a la probabilidad
deseada (Z = 1.96) es la confiabilidad dada al trabajo.
E = error máximo que se tolera en las mediciones (o proporciones
p = proporción que pertenece a la clase o probabilidad de éxito.
q = 1 – p (proporción que no pertenece a la clase o probabilidad
del fracaso).
“p” puede ser estimado en base a trabajos anteriores o
tomar valores máximos de 0.5.
Obtenido el valor de “n” con cualquiera de las formulas anteriores,
se aplica la fórmula de la fracción muestral, con el fin de
determinar si la muestra necesita ser reajustada:

f = n * 100 si f [<5%]
N
Donde:
f = fracción de muestra
n = tamaño de la muestra
N = tamaño de la población
Si el resultado de “f” es mayor a 5%, se reajusta la muestra
La muestra reajustada se calcula con la fórmula:

n
na = 1+ n
N
Donde:
na = muestra reajustada
n = muestra
n = fracción muestral
N
EJEMPLO:
1. Es un estudio de relación de hemoglobina y hierro sérico en gestantes
y recién nacidos en el Hospital La Caleta de Chimbote, Abril a Junio,
se encontró que el universo muestral N = 297. Se desea conocer cuál
será el tamaño de muestra para realizar el estudio respectivo si:

Z : valor de la distribución normal a un nivel del 95% de

confianza es 1.96
E : el error de muestra aceptada es 0.43
σ : desviación estándar 1.65

n = Z2 σ2
E2

n = (1.96)2 . (1.65)2 = 56.66

0.432
Cuando ( n / N ) X 100 es mayor al 5%, como en este caso, se
Reajusta el tamaño de la muestra.

Reajustado del tamaño de la muestra :

na = n
1+n/N

na = 56.66 = 47.58 ~ 48 binomio gestante

1 + 56.66 / 297 - recién nacido
2. En un estudio sobre influencia del peso materno sobre el peso del
recien nacido en los Centros de Salud Materno Infantil “Esfuerzo”,
“Es Salud”, “UPAO”, en el Distrito de Nuevo Chimbote de Enero a
Junio de 1998, se encontró la siguiente información:

Mes
C.M.I Enero Febrero Marzo Abril Mayo Junio Total

Esfuerzo 28 27 30 33 42 47 207
UPAO 12 14 11 7 13 14 71
EsSalud 18 22 32 39 36 30 177
Total 58 63 73 79 91 91 455

* Fuente: Libro de Registro de recién nacidos C.S.M.I Esfuerzo, UPAO,

EsSalud
Se desea estimar cual sería el tamaño de la muestra sabiendo que Z
a un nivel de confianza al 95% es 1.96, la proporción estimada
asumida p=0.5, el error de precisión en la estimación es el 5%
(E=0.05)

n = Z2 (p . q)
E2

n = (1.96)2 (0.5 * 0.5) = 384

(0.05)2

Reajustado la muestra:
na = n / 1 + n/N

na = 384 = 208 gestantes / recién nacidos

1 + 384 / 455
PARA HOMOGENIZAR LA MUESTRA
El Coeficiente de Variación indica si la muestra es homogenea o no. Si
el resultado es mayor al 30%, indica que los valores son muy
dispersos o difieren mucho entre si. En este caso se recomienda
estratificar la población, la formula que se utiliza para hallar el C.V. es:

σ
C.V. = * 100 (n = ó < al 30%)
X
Donde:
N N ~
Σ Xi Σ ( Xi - Χ )2
~ i=1 i=1
Χ= σ2 =
N N
Cuando el Universo se ha estratificado, para obtener la muestra de cada
estrato, se emplea la formula:

Nh
nh = n
N

Donde:
nh = muestra parcial de la parte estratificada del Universo
N = Universo muestral
Nh= parte homogenizada del Universo
n = tamaño de la muestra
MUESTREO ESTRATIFICADO
El tamaño de la muestra n(i) será grande cuando:
1. El estrato es grande
2. La desviación estándar σ(j) es grande
podemos utilizar la ecuación de muestreo óptimo para determinar
el número de ejemplares por estrato:

N(j) . σ(j)
n(j). = n
Σ N(j) . σ(j)

Donde:
nj= tamaño de muestra para el estrato “j”
n = tamaño de muestra
Nj = población del estrato “j”
σj = desviación estándar del estrato “j”
Ejemplo:
Supongamos que tenemos financiamiento disponibles para colectar
100 = n ejemplares y que hay dos estratos, el tamaño de los estratos
y sus desviaciones estándar son:

Estrato 1 Estrato 2
(ni) (nj)
N(i) 1000 2000
σ(j) 50 10

Como asignar el número de ejemplares a cada estrato, pero hay que

tener presente que a mayor varianza, mayor tamaño de muestra
n(i). = 100 1000 * 50 = 71 ejemplares
(1000 * 50) + (2000 * 10)

n(j) = 100 2000 * 10 = 29 ejemplares

(1000 * 50) + (2000 * 10)
PERO: El costo también influye en el muestreo y normalmente el
costo es mayor cuando el número de ejemplares es menor en el estrato

Ejemplo:
Si C(o) es el costo fijo (lo que paga por cada trabajador) y C es el
dinero disponible y C(j) el costo por cada ejemplar (unidad muestral)
¿Cómo determinar el tamaño de la muestra y como distribuir este
número según el costo de cada unidad muestral en cada estrato?
Utilizamos:
n = (C – C(o) ) Σ N(j) * σ(j) / √ C(j)
Σ N(j) * σ(j) * √ C(j)

Si se disponemos de 1800 dólares (C) para un programa de muestreo y

si el costo fijo [C(o))] es 444 dólares y el precio por unidad muestral es:

Estrato 1 : $16
Estrato 2 : $9
¿Cuál será el número total de la muestra , que se puede tomar con el
presupuesto disponible?

n = (1800 – 444) x 1000*50/4 + 2000*10/3 = 99.96 ~ 100

(1000 * 50*4) + (2000 * 10*3)

Estas 100 unidades distribuidas en dos estratos:

ni = (1800 – 444) x 1000*50/4 = 65

(1000 * 50*4) + (2000 * 10*3)

nj = (1800 – 444) x 2000*10/3 = 35

(1000 * 50*4) + (2000 * 10*3)
Cuando se desconoce la Varianza en los estratos, pero si se conoce el
tamaño de cada estrato N(j). En tal caso se recomienda aplicar el
Muestreo Proporcional, es decir asignar muestras en proporción al
tamaño del estrato.
Ejemplo:
Utilizando el ejemplo anterior, los 100 elementos deben asignarse al
estrato 1 y 2 Según el muestreo proporcional y se desconoce su
desviación estándar.

1000 = 0.333 y 2000 = 0.677

1000 + 2000 1000 + 2000

Estrato 1 : 100 * 0.333 = 33 ----------------- con desviación estándar n = 71

Estrato 2: 100 * 0.677 = 77 ----------------- con desviación estándar n = 29
Durante el proceso de constrastación de hipótesis, se ha visto como
obtienen los DATOS, los mismos que no vienen a ser sino magnitudes
de tipo cualitativo o cuantitativo, las cuales tienen que ser medidos y
expresados en números para facilitar su manipulación y tomar la
decisión de aceptar o rechazar una HIPOTESIS. A éste proceso se
denomina ANALISIS ESTADISTICO.

El análisis estadísticos se indispensable en casi toda investigación.

Los datos pueden organizarse y resumirse en función de las unidades
de medida y presentarse en cuadros y figuras.
Los datos en función del problema de investigación pueden ser
sometidos a ciertas pruebas estadísticas que servirán para aceptar o
rechazar una hipótesis.

Para hacer un apropiado análisis estadístico es necesario tener en

cuenta lo siguiente:
A) La escala de medida en que se expresan los datos.
B) El modelo estadístico aplicable a los datos obtenidos.
C) La potencia – eficiencia de la prueba estadística para
confirmar o rechazar una hipótesis.
Cuando usted realiza observaciones tienen que medir y medir consiste
en otorgar números a las magnitudes (variables o atributos de un
fenómeno) comparándose con un PATRON, a este PATRON, se le llama
ESCALA: que se define como un conjunto normalizado de números
capaz de Identificar, ordenar, graduar y diferenciar lógicamente los
fenómenos.

Las magnitudes a las cuales debemos atribuir números son de dos

tipos:

A) Magnitudes Cuantitativas: Como la talla, peso, fuerza

B) Magnitudes Cualitativas : Como la inteligencia, el dulzor, la
salud, etc

La escala como patrón de comparación está constituida por

números, los que tienen características como : Identidad,
ordinalidad y aditividad: En base a estas propiedades se
consideran las siguientes escalas:
1. ESCALA NOMINAL :
Es un patrón de medida basado en la propiedad de IDENTIDAD de
los números, es decir que consiste en identificar algo como
pertenecientes a uno u otro tipo. Se aplica para magnitudes
cualitativas, otorgándole número, pero que sin ello implique
ordenación o realización de operaciones aritméticas. Las magnitudes
medidas con esta escala se pueden Comparar y Clasificar:
Ejemplo: Contaminado por mercurio o no contaminado, sexo macho
ó hembra, tipo de colegio
2. ESCALA ORDINAL :

Es un patrón de medida basado en la propiedad de IDENTIDAD y

ORDINALIDAD de los números. Se usa en magnitudes cualitativas
a fin de identificar y ordenar por medio de grados comparativos
secuentes en un continuo. Mide el grado de magnitudes
cualitativas como más, menos o lo mismo,
Ejemplo: Clasificación de la población según ingresos económicos:
Alta, media, baja.
Nivel de contaminación por plomo: Alto, medio, bajo
3. ESCALA INTERVAL :
Es un patrón de medida basado en la propiedad de IDENTIDAD,
ORDINALIDAD y ADITIVIDAD de los números, es decir que los
datos se pueden utilizar en operaciones métricas convencionales.
Con esta escala se, pueden ordenar los datos en un continuo. Con
intervalos iguales y simétricos entre clases adyacentes. Carece de
cero verdadero.
Ejemplo: Rango de talla, rango de peso.

4. ESCALA DE TASA :
Se basa en las tres propiedades (I-O-A), es decir los datos se
pueden utilizar en operaciones métricas convencionales y parte de
CERO VERDADERO y pueden hacer todas las operaciones métricas
tanto a los números asignados a sus magnitudes como a sus
intervalos entre los números.
Ejemplo: 100 kg es el doble de 50 o dos veces y media de 40 kg.
 MODELOS ESTADISTICOS
(Pruebas Estadísticas)

La gran cantidad de datos obtenidos durante los experimentos tienen que ser
ordenados, resumidos, presentados y analizados, por medio de clasificaciones
y cálculos en las que se usan fórmulas estadísticas. Este procedimiento y las
formulas en si ya es un MODELO ESTADISTICO, el mismo que sirve para:

A) Identificar una realidad

B) Generalizar y probar una hipótesis

-Todo ello fundado en premisas referentes al:

a) Universo en estudio
b) Carácter de la muestra
c) Diseño de la experiencia
d) Naturaleza de las mediciones realizadas

Estas premisas deben ser determinadas por el investigador.

-Por ello el investigador puede elegir entre los múltiples modelos:

A) Modelos Descriptivos
B) Modelos Inferenciales (parámetros y no
parámetros)
-Para problemas de identificación, se utiliza la:

ESTADISTICA DESCRIPTIVA:
a) Distribución de frecuencia (barras)
b) Modelos de tendencia central : media
c) Modelos de dispersión: desviación estándar y varianza.
-Para problemas de explicación, se utiliza la:
ESTADISTICA INFERENCIAL:
a) Modelo de Regresión y Correlación
b) Modelo de Contingencia.
Pueden ser agrupados en:
PARAMETRICOS (modelos de regresión y correlación)
a) Requieren el uso de escala interval y de tasa (unidades métricas
para magnitudes cuantitativas).
NO PARAMETRICAS (modelo de contingencia)
a) Se usa con magnitudes cualitativas y escalas nominal y ordinal
(unidades no métricas) – cuando no hay parámetros.
 POTENCIA – EFICIENCIA DE LAS PRUEBAS ESTADISTICAS

 LA ESTADISTICA INFERENCIAL : Permite hacer generalizaciones a

partir de una muestra hacia el universo y
consecuentemente confirmar o rechazar una hipótesis.
Toda generalización es siempre probabilística, es decir toda
prueba estadística tendrá la probabilidad de aceptar o rechazar
una hipótesis.
Una prueba es POTENTE, cuando está basada en premisas tales
que existe la menor probabilidad de rechazar una hipótesis
cuando es verdadera o aceptarla cuando es falso. Pero esto puede
ser válido para cierto tamaño de muestra y falso para otra, en
otras palabras, la EFICIENCIA está en función del tamaño de
muestra.
 Esto debe tomarse en cuenta para aplicar la prueba. LA
POTENCIA EFICIENCIA de la prueba , define la utilidad de la
prueba, según el carácter y el tamaño de la muestra.
 Pruebas paramétricas más potentes “t” y “F”
 Pruebas no paramétricas más potentes ji cuadrado
 PRUEBAS
ESCALA CARACTERISTICAS FUNDAMENTO EJEMPLO
ESTADISTICAS

- Estadística Descriptiva
--Distingue Elementos
- Problemas de Identifi-
en diversas categorias Principios De - Sexo
cación
NOMINAL - No implica orden Identidad - Raza
- Pruebas no parametri-
- Cualitativa
cas (Ji cuadrado)

ORDINAL - Implica Orden o Principio de Identidad y - Grado de

jerarquía Ordinalidad Instrucción
- Cualitativa - Ovogenesis

-Estadistica Inferencial
- Implica orden grado Principio de Identidad -Temperatura -Problemas Explicatiti-
de distancia entre Ordinalidad y Aditividad vos Pruebas.
diversas categorías
INTERVAL “t” student (medias)
- No tiene “0” verdadero
– Cuantitativo “z” (medias)
“f” (varianza)
PROPORCION
O Principio de Identidad
- Tiene ceso real - Producción
TASA Ordinalidad y Aditividad
- Cuantitativo - Captura
 El mayor interés de la Ciencia es entender la realidad. Es
decir dar una explicación elaborada y fundamentada de la
realidad basada en hechos.

 Como consecuencia de la observación y experimentación,

se obtienen datos, que no vienen ser sino resultados, los
cuales deben ser ordenados, clasificados, resumidos y
analizados para ver su vinculación con la TEORIA.

 Si los hechos concuerdan con la hipótesis esta será

aceptado y se habrá logrado un nuevo conocimiento. Caso
contrario – será rechazado y se tendrá que proponer una
nueva hipótesis.

 Cuando se enfrenta los resultados, durante el análisis, con

conocimientos previos (Teorías, principios o leyes), se
pueden hacer Inferencias y extraer CONCLUSIONES acerca
de esas relaciones.
Es el proceso lógico que permite pasar de un conjunto de
proposiciones originadas en la observación científica (antecedentes)
a otro conjunto de proposiciones (consecuencias) que son las
CONCLUSIONES

2.1. Existen 2 clases de estructuras lógicas

A). Estructura inferencial deductiva:
Cuando se parte de premisas verdaderas (leyes, teorías,
principios) a la verdad de otras proposiciones. Va de lo
general a lo particular.
Este tipo de inferencia se usa para plantear hipótesis.

B). Estructura inferencial inductiva

 Es la inferencia científica por antonomasia

 Cuando se generaliza a partir de proposiciones
observaciónales empíricas.
 Cuando de la verdad del consecuente, se puede averiguar la
verdad del antecedente.
 Son siempre Probabilísticas (por que no se observa todo el
Universo)

Nosotros siempre partimos de una muestra y a partir de ella

podemos hacer una generalización, sólo cuando la población o
universo tiene mayor número que la muestra.

Por lo que:
Una real CONCLUSION científica, es una GENERALIZACION y no
un ENUNCIADO RESUMEN.
Los enunciados observacionales de una muestra son siempre
ENUNCIADOS RESUMEN. El censo es igual, en vista que no hay
universo para generalizar.
2. 2 TIPOS DE INFERENCIA INDUCTIVA

A) De proposiciones observacionales directamente contrastables

En este caso la inferencia es una mera generalización simple.

Ejemplo:
- Conjunto de pedazos de hierro que al calentarse se dilatan, de lo
que se infiere, que el calor dilata al hierro.

B) De proposiciones indirectamente contrastables.

En este caso necesitan de otras proposiciones teóricas, no
necesariamente contrastables para llegar a conclusiones.

Ejemplo:
- Conjunto de pedazo de hierro, zinc, cobre, se dilatan cuando
se calientan (Proposición observacional). Todos ellos son
metales y tienen estructura molecular semejante (Teoría no
necesariamente observacional)
De lo que se infiere que todos los metales se dilatan con el calor
(generalización)
Por otro lado, podemos indicar que las observaciones empíricas
pueden inducirnos a una COMPROBACION DE “RELACIONES
INVARIANTES” entre fenómenos:
Es decir inducción por analogía y descubrimiento de relaciones de
causalidad.
Existe 3 esquemas de inducción.
a) Por generalización estadística: (Las observaciones de una
MUESTRA son inferidas a una POBLACION.

Ejemplo: Dilatación de los metales.

Aquí se pueden inferir de generalización a la muestra. (puesto
que la verdad del consecuente se puede derivar ó “justificar”, la
verdad del antecedente).
b) Por Analogía
- Que puede ser sustantiva, como estructural.

Ejemplo: El alquitrán produce cáncer en la piel del conejo, es

probable que también pueda producir en la piel del hombre,
por tener ambas pieles estructuras semejantes.
c). Por descubrimiento y pruebas de relaciones causales
llamado también inducción eliminadora o métodos de
concordancias y diferencias de STUART MILL : Que consiste en
hallar relación causal, no sólo por observación de relaciones
positivas, sino también de relaciones negativas, y luego
generalizar.

Se puede resumir así:

 Método de la concordancia: Si los fenómenos A,B,C, se

presentan con Z e igualmente Z se presenta con A,D,E
quiere decir A y Z, tienen alguna relación causa - efecto.

 Método de la diferencia: Si A,B,C, se presenta con Z, y B y

C sin Z, existen una relación causa – efecto entre A y Z.
Cuando se emplean ambos métodos a la vez se le llama el método
de las variaciones CONCOMITANTES y sirve para descubrir las
relaciones invariantes entre fenómenos, es decir si la causas son
condiciones suficientes y/o necesarias.
Ejemplo:

El bacilo de Kock (B) es condición (causa) necesaria, aunque no

suficiente de la tuberculosis (A), puesto que se ha observado que A
y B se presentan juntos, aunque B puede aparecer sin A y nunca A
sin B.

La desnutrición (B) es condición suficiente aunque no necesaria del

bajo rendimiento escolar (A), puesto que se ha observado que A y
B se presentan juntos, aunque A puede aparecer sin B y nunca B
sin A.