UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA - UNAN LEÓN
ÁREA DE CONOCIMIENTO DE CIENCIAS AGRARIAS Y VETERINARIA
Tema:
Guía – Elaboración de reporte de investigación
Elaborado por:
Luis Fernando Rodríguez
Juan Aníbal Andino
Componente:
Practicas Zootecnia IV
Carrera:
Ingeniería en Zootecnia
Fecha: 29/10/2024
¿Qué elementos se deben considerar para realizar análisis estadístico de los
datos?
Definición de Objetivos
Hipótesis: Establece las preguntas o hipótesis de investigación que el análisis
intentará responder.
Objetivos específicos: Determina qué resultados específicos quieres obtener y
cómo estos ayudarán a responder la hipótesis.
Recopilación y Preparación de los Datos
Tipo de datos: Identifica si los datos son cualitativos (categóricos) o cuantitativos
(numéricos), ya que esto influirá en las técnicas de análisis.
Fuentes de datos: Define de dónde provienen los datos y asegúrate de que sean
confiables y relevantes para el tema de investigación.
Calidad de los datos: Limpia los datos eliminando duplicados, manejando valores
perdidos y corrigiendo errores de entrada.
Tamaño de la muestra: Evalúa si el tamaño de la muestra es suficiente para
obtener resultados estadísticamente significativos.
Selección de Variables
Variables dependientes e independientes: Define cuáles son las variables de
respuesta y las variables que las afectan.
Variables de control: Identifica otras variables que puedan influir en los resultados
y deben mantenerse constantes.
Transformación de variables: Considera transformar variables (como logaritmos o
escalas estandarizadas) si mejora el análisis.
Selección de Métodos Estadísticos
Tipo de análisis: Decide si es un análisis descriptivo (promedios, medianas, moda)
o inferencial (pruebas de hipótesis, regresión, ANOVA).
Asumir distribuciones: Determina si necesitas asumir alguna distribución
específica (como normalidad) para ciertos análisis.
Comparación de grupos: Si es necesario comparar grupos, selecciona pruebas
estadísticas adecuadas (como T-test o ANOVA).
Análisis Exploratorio de Datos (EDA)
Visualización de datos: Utiliza gráficos (como histogramas, diagramas de
dispersión y boxplots) para entender la distribución y relaciones.
Identificación de patrones y valores atípicos: Detecta tendencias, correlaciones y
posibles valores atípicos que puedan afectar el análisis.
Pruebas de Hipótesis
Definición de hipótesis nula y alternativa: Establece una hipótesis nula (H0) y una
alternativa (H1) para pruebas de significancia.
Nivel de significancia (Alpha): Decide el nivel de confianza (generalmente 0.05)
para determinar la significancia de los resultados.
P-valores: Interpreta los p-valores para tomar decisiones informadas sobre la
hipótesis nula.
Defina los siguientes términos:
a. Estadística descriptiva
Se refiere al análisis, el resumen y la presentación de los resultados relacionados
con un conjunto de datos derivados de una muestra o de toda la población. La
estadística descriptiva comprende tres categorías principales: distribución de
frecuencias, medidas de tendencia central y medidas de variabilidad.
Por estadística descriptiva entendemos, por ejemplo, el cálculo de la media y la
mediana, dos indicadores muy importantes y sobre todo diferentes. La mediana es
un indicador que «no tiene en cuenta los valores extremos, a veces poco
frecuentes», a diferencia de la media, que está muy influida por estos valores
extremos.
b. Estadística inferencial
Una rama de la estadística que se enfoca en hacer conclusiones y
generalizaciones sobre una población a partir de la información obtenida de una
muestra de la misma.
Para hacer esta inferencia, aplicamos técnicas estadísticas a los datos de la
muestra para estimar el valor desconocido de la población (en este caso, la altura
promedio de todos los estudiantes). Estas técnicas pueden incluir la estimación de
parámetros de una distribución de probabilidad, el cálculo de intervalos de
confianza o la realización de pruebas de hipótesis.
c. Análisis paramétricos
Son una herramienta estadística que se utiliza para el análisis de los factores de la
población. Esta muestra debe cumplir ciertos requisitos como el tamaño, ya que
mientras más grande sea, más exacto será el cálculo. Las pruebas paramétricas
están basadas en la ley de distribución de la variable que se estudia. A pesar de
que existen muchos tipos de leyes de distribución, éstas se basan en las
normales, que tiene dos parámetros: la media y la desviación estándar. Lo
suficiente para conocer la probabilidad.
d. Análisis no paramétricos
Son aquellas que se encargan de analizar datos que no tienen una distribución
particular y se basan una hipótesis, pero los datos no están organizados de forma
normal. Aunque tienen algunas limitaciones, cuentan con resultados estadísticos
ordenados que facilita su comprensión.
Las pruebas paramétricas, en cambio, se basan en las leyes de distribución
normal para analizar los elementos de una muestra. Generalmente, solo se
aplican a variables numéricas y para su análisis debe mantener una población
grande, ya que permite que el cálculo sea más exacto.
e. Análisis Multivariado
Es una técnica que se utiliza para analizar múltiples variables simultáneamente.
Su objetivo es encontrar patrones, relaciones y asociaciones entre las variables.
En contraste con el análisis univariante, que se enfoca en una sola variable, el
análisis multivariante examina la interacción entre múltiples variables.
Mencione software que se utilizan para análisis de datos tanto para estudios
cualitativos como cuantitativos.
Software para análisis cualitativo
1. NVivo: Uno de los más populares para análisis cualitativo, permite organizar,
analizar y encontrar patrones en datos no estructurados como entrevistas,
documentos y redes sociales.
2. [Link]: Similar a NVivo, facilita el análisis de datos cualitativos complejos, con
herramientas para codificar, agrupar y analizar contenido.
3. MAXQDA: Compatible tanto para cualitativo como cuantitativo, incluye
funcionalidades de análisis de contenido, codificación y organización de datos en
diversas formas.
4. Dedoose: Es útil para proyectos de investigación cualitativa y mixta,
especialmente en estudios con múltiples tipos de datos y análisis colaborativo en
equipo.
Software para análisis cuantitativo
1. SPSS (Statistical Package for the Social Sciences): Muy utilizado en
investigación social y otras disciplinas, permite realizar análisis estadísticos y
modelado de datos.
2. Stata: Ideal para análisis de datos estadísticos y econométricos, ofrece
funciones avanzadas para modelado y manipulación de datos.
3. R y RStudio: Es un software de código abierto que permite análisis estadístico
avanzado, con un enfoque flexible y personalizable para todo tipo de análisis
cuantitativo.
4. SAS: Popular en el análisis de grandes conjuntos de datos, es común en la
industria y en investigación debido a su potencia para estadística avanzada.
5. Excel: Aunque menos avanzado, es útil para análisis descriptivos y
exploratorios. Se utiliza mucho en estudios cuantitativos sencillos o de nivel inicial.
Referencias Bibliográficas
Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). SAGE
Publications.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.).
New York, NY: Lawrence Erlbaum Associates.
Hernández-Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la
investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill
Interamericana Editores
