Explicación Sencilla
Imagina que eres el dueño de una pizzería y quieres saber cuál es la pizza favorita de tu ciudad. Tienes dos opciones: sentarte a platicar horas con tres clientes para que te cuenten la historia de su vida con el queso (eso sería cualitativo), o bien, crear una encuesta rápida, recopilar las respuestas de 1,000 personas y usar los números para tomar decisiones frías y calculadas. Esto último es el núcleo de la investigación cuantitativa.
En la investigación cuantitativa, no nos basamos en corazonadas o en "el cliente me dijo que le gusta el pepperoni". Nos basamos en datos duros. Para procesar esos datos, recurrimos a las Técnicas de análisis de datos de la investigación cuantitativa, que no son más que un conjunto de herramientas matemáticas y estadísticas que nos permiten ordenar el caos de miles de números y encontrar patrones claros.
Supongamos que quieres demostrar que el consumo de café mejora el rendimiento en los exámenes de los estudiantes. Si solo le preguntas a tu amigo Juan, su experiencia no demuestra nada. En cambio, diseñas un estudio cuantitativo:
- Reúnes a 200 estudiantes.
- Registras cuántas tazas de café toman antes del examen (tus datos cuantitativos de entrada).
- Registras sus calificaciones exactas en una escala del 0 al 100.
-
Usas el análisis cuantitativo:
- Primero, calculas el promedio de calificación de los que no tomaron café contra el promedio de los que tomaron 2 tazas (estadística descriptiva).
- Segundo, aplicas una fórmula matemática para ver si esa diferencia es real o si fue pura coincidencia del destino (estadística inferencial).
Al final, los números te darán una respuesta exacta, medible y replicable: "Los estudiantes que consumen 2 tazas de café obtienen, en promedio, un 12% más de calificación". Sin opiniones, sin rodeos: solo matemáticas aplicadas a la realidad.
Explicación Académica
En el marco metodológico del EXANI-III, el análisis de datos cuantitativos se define como el proceso sistemático de codificar, limpiar, procesar e interpretar datos numéricos obtenidos a través de instrumentos de medición válidos y confiables (como cuestionarios cerrados, escalas tipo Likert o registros observacionales estructurados). Su sustento epistemológico radica en el positivismo y postpositivismo, donde la realidad es objetiva, medible y externa al investigador.
Para fines del examen Ceneval, el análisis cuantitativo se divide rigurosamente en dos grandes ramas, las cuales emplean variables cuantitativas (discretas o continuas) registradas en diferentes escalas de medición (nominal, ordinal, de intervalo y de razón):
ANÁLISIS DE DATOS CUANTITATIVOS
Estadística Descriptiva
Medidas de Tendencia Central
- Media ($\mu$ o $\bar{x}$)
- Mediana ($\tilde{x}$)
- Moda ($Mo$)
Medidas de Variabilidad / Dispersión
- Rango
- Varianza ($\sigma^2$ o $s^2$)
- Desviación estándar ($\sigma$ o $s$)
Estadística Inferencial
Pruebas Paramétricas
- Prueba t de Student
- ANOVA (Análisis de Varianza)
- Coeficiente de Pearson ($r$)
Pruebas No Paramétricas
- Chi-cuadrada ($\chi^2$)
- Coeficiente de Spearman ($\rho$)
- U de Mann-Whitney
1. Estadística Descriptiva
Su propósito es describir, resumir y presentar de manera ordenada los datos de una muestra. No busca generalizar a la población, sino caracterizar el grupo de datos recolectado. Se compone de:
A) Medidas de Tendencia Central:
Puntos de acumulación de datos.
- Media aritmética ($\mu$ o $\bar{x}$): Promedio matemático de los valores. Es altamente sensible a valores extremos (outliers).
- Mediana ($\tilde{x}$): El valor que divide la distribución exactamente a la mitad (percentil 50) cuando los datos están ordenados de menor a mayor.
- Moda ($Mo$): El valor que se repite con mayor frecuencia en la distribución.
B) Medidas de Variabilidad o Dispersión:
Indican qué tan esparcidos o concentrados están los datos con respecto a las medidas de tendencia central.
- Rango: Diferencia entre el valor máximo y el valor mínimo.
- Varianza ($\sigma^2$ o $s^2$): Promedio de las desviaciones al cuadrado respecto a la media.
- Desviación estándar ($\sigma$ o $s$): Raíz cuadrada de la varianza. Expresa la dispersión en las unidades originales de la variable.
2. Estadística Inferencial
Su propósito es probar hipótesis y estimar parámetros poblacionales a partir de los datos recolectados en una muestra probabilística. Se subdivide según la distribución de los datos y su escala de medición:
A) Pruebas Paramétricas
Requieren que las variables sigan una distribución normal (curva de Gauss), que la escala de medición sea de intervalo o de razón, y que exista homogeneidad de varianzas (homocedasticidad). Las principales son:
- Coeficiente de correlación de Pearson ($r$): Evalúa la fuerza y dirección de la relación lineal entre dos variables cuantitativas continuas. Su valor oscila entre $-1.00$ y $+1.00$.
- Prueba t de Student: Compara las medias de dos grupos (p. ej., grupo control vs. grupo experimental) para determinar si existe una diferencia estadísticamente significativa.
- Análisis de Varianza (ANOVA): Compara las medias de tres o más grupos independientes analizando la variabilidad entre los grupos y dentro de ellos.
B) Pruebas No Paramétricas
No requieren supuestos de normalidad ni escalas de intervalo/razón; se utilizan principalmente para variables nominales u ordinales. Las principales son:
- Chi-cuadrada de Pearson ($\chi^2$): Prueba de asociación entre dos variables de escala nominal u ordinal (tablas de contingencia). Evalúa si las frecuencias observadas difieren significativamente de las frecuencias esperadas por azar.
- Coeficiente de correlación de Spearman ($\rho$): Equivalente no paramétrico de Pearson; mide la asociación entre variables ordinales o cuantitativas que no siguen una distribución normal.
El Filtro Automático para Destruir Reactivos
Para resolver reactivos sobre análisis cuantitativo en el EXANI-III con total precisión, utiliza este filtro de clasificación inmediata basado en el tipo de prueba, el número de grupos y el tipo de variables:
Reglas Directas de Elección de Prueba (Marcar de inmediato)
- Compara 2 grupos + Normalidad: Marcar Prueba t de Student.
- Compara 3 o más grupos + Normalidad: Marcar ANOVA.
- Relación entre 2 variables cuantitativas continuas: Marcar Pearson (r).
- Asociación entre variables categóricas/nominales: Marcar Chi-cuadrada ($\chi^2$).
- Relación entre variables ordinales / No normal: Marcar Spearman ($\rho$).
Errores Trampa Comunes (Descartar)
- Usar la Media con valores extremos (outliers): Descartar. En datos sesgados se prefiere la Mediana.
- Aplicar Pearson a variables nominales: Descartar de inmediato.
- Confundir Descriptiva con Inferencial: Si la pregunta pide "generalizar a la población", descarta respuestas como Media, Mediana o Moda.
- Usar ANOVA para sólo 2 grupos: Incorrecto, la opción idónea es t de Student.
Ejemplo de Descarte Rápido
Si el reactivo indica: "Un investigador desea comparar las calificaciones promedio de 3 grupos de estudiantes (A, B y C) que siguen una distribución normal", busca directamente la opción ANOVA. Si el problema menciona únicamente 2 grupos o variables no normales, descarta ANOVA de inmediato.