TEMA 4:INTRODUCCIÓN A LOS PARADIGMAS Y DISEÑOS BÁSICOS DE

INVESTIGACIÓN EN CIENCIAS SOCIALES.

Introducción:

UN PARADIGMA es un modelo, una idea conceptual, conjunto marco teórico de referencia, ya sea una escuela o corriente filosófica, artística o científica.

Ej: Paradigmas artísticos del S. XX: cubismo, impresionismo,…

Ej: Paradigmas filosóficos: marxismo, capitalismo,…empirismo, nominalismo,

Ej: Paradigmas en Literatura: romanticismo.

Suelen ser un conjunto de postulados o teorías al que se adhieren una serie de pensadores durante una época determinada.

Cada paradigma es dominante, rompe con el anterior. Actualmente predomina el “pensamiento débil”.

Definición: Es el conjunto de ideas, conceptos y técnicas compartidos por la comunidad científica enana época determinada. Algo así como la escuela dominante

Todo paradigma tiene dos etapas – la Historia de la ciencia se produce en 2 momentos: (según Tomas Khun, 1962)

1. Ciencia normal: es la época de prosperidad del paradigma, o conjunto de Teorías preponderantes en una determinada época al que se adscriben la mayoría de científicos.

2. (R)Evolución científica: cuando entra en crisis y aparecen nuevos paradigmas.

DISEÑO DE INVESTIGACIÓN:

Es un plan o estrategia riguroso y ordenado, aunque flexible y creativo, de llevar a cabo una investigación.

En las ciencias sociales ha habido dos grandes tendencias paradigmáticas:

1. Paradigma experimental: Como mínimo una VI debe ser manipulable por el investigador, debe ser Activa (Hipótesis Causalidad) Se centra en las hipótesis que postulan la causalidad, relación causa efecto entre eventos.

1

1

2. Paradigma Asociativo: Variables Independientes o predoctoras no manipuladas, en vez de activas, Atributivas. Se centra en las Hipótesis de Correlación.

Diseños de Investigación.

Forma rigurosa y ordenada de llevar a cabo la investigación, al mismo tiempo flexible y creativa.

Dentro de los paradigmas Experimentales tenemos:

1. Diseños Experimentales2. Diseños Cuasi Experimentales3. Diseños Caso Único

Dentro de los Paradigmas Asociativos tenemos:

1. Diseños Selectivos (entrevista – encuesta)2. Diseños Observacionales

Según el Libro de DANIEL GOLEMAN “Inteligencia Emocional”, las emociones son:

IRAMiedoAlegria TristezaAmorVergüenzaAversión

Las 3 emociones base son.

- Ira- Alegria- Miedo

La Ira esta contenida por:

- Cólera- Furia- Rabia- Enojo- Resentimiento- Irritabilidad

2

2

En el Diccionario de Criminología de Garrido y Gómez (pag. 210) se define la Ira (anger) como.-:

La Ira como expresión de la agresividad del ser humano, puede ser responsable de muchas situaciones de injusticia y de ingratitud. Dice una célebre frase: “los hombre, si reciben el mal lo escriben en el mármol, si reciben el bien lo escriben en el polvo”.

Es uno de los aspectos oscuros del espíritu humano, una de las propiedades malvadas de la mente, algo que llevamos dentro como si fueran los estigmas del pecado original (Alberoni 1995)

Es la ira, el exacto opuesto del perdón.

En términos más concretos, la ira es una reacción provocada por determinados estímulos o situaciones, reales o imaginados, que el sujeto percibe como ataques.

Se da una descarga del sistema nervioso autónomo que suele ir aparejada a ciertas actividades somáticas (sudoración, taquicardia, etc) Este tipo de reacción puede desencadenar comportamientos violentos o agresivos especialmente cuando se dan en una personalidad desequilibrada. Aunque la agresividad forma parte de la vida, aprendemos a encauzarla adaptándola a las situaciones sociales; sin embargo, las personalidades coléricas son incapaces de de reflexionar sobre la situación o autocontrolarse.

Bien decía Séneca que:

“Si la cólera no se contiene hará más daño que la injuria que la provocó”.

Los Celos es una “emoción” compuesta de miedo e ira.

La Ira actualmente, se define dentro de un constructo bajo el acrónimo : A H I

A = Agresividad _ dimensión conductual, expresión físicaH = Hostilidad – Dimensión Cognitiva = expresión psíquicaI = Ira = dimensión emocional. La Ira se mide con el text Staxi de Spielberger.

PARADIGMAS EXPERIMENTALES

1.- Los diseños experimentales Se caracterizan por dos rasgos :

- Hay manipulación y control de variables.- Hay aleatorización completa: el criterio de aleatorización es la seña de

identidad de los diseños experimentales. La aleatorización responde a tres etapas:

1. Selección aleatoria de las unidades experimentales: muestras, sujetos, barrios,…

3

3

2. Formación aleatoria de los grupos (GE/GT) vs. GC/GO, es decir, grupo de tratamiento versus grupo de control u observación

3. Asignación aleatoria de los grupos a los tratamientos: un grupo se somete a un tratamiento y el otro no, lo decide el azar.

2.- Diseños cuasi experimentales:

En ellos hay manipulación y control de las variables independientes.Existe una aleatorización incompleta o restringida, es decir, que en

alguna de las tres fases anteriores no hay aleatorización, se trabaja con grupos ya formados (ej: un grupo de presos de Sangonera y otro de Foncalent, la selección no es aleatoria). Los grupos no son homogéneos antes del experimento, son grupos naturales, ya existentes, prefijados, no estrictamente comparables.

3.- Diseños de caso único (n=1):Son los llamados estudios de casos aislados, como ocurre en los de

investigación-acción.

PARADIGMAS ASOCIATIVOS

Predominan las hipótesis de correlación o covariación, simple asociación o que las variables cambian juntas de niveles.

Por ello todas las variables son observadas o medidasSon variables atributivas.

1. Diseños Selectivos.- (entrevista (menos estructurada) / encuesta (mas estructurada) ) Se caracterizan por el criterio de representatividad.

2. Diseños de observación u observacionales: No hay manipulación, se pretende preservar al máximo las condiciones naturales de las variables que se pretenden estudiar.El observador mantiene un papel neutral. Impera el criterio del realismo (ej: la observación indirecta. No hay ninguna manipulación.

TÉCNICAS ESTADÍSTICAS MÁS APROPIADAS:

Son técnicas de agrupamiento de variables.

Según la naturaleza de las variables:

A) Variables dependientes numéricas:Son las que se ajustan a una escala intervalar o racional. Puede ocurrir que la V. Independiente sea:

- V.I. numérica : se han de aplicar los diseños de regresión. Pueden darse cuando:

4

4

o Hay una sola V.I.: se llaman modelos de regresión simples.o Hay más de una V.I.: de regresión múltiple.

- V.I. categóricas : modelos de diseño experimental o ANOVA. Puede ocurrir que:

o Haya sólo una V.I.: se denomina ANOVA sencillo. Cuando sólo se toma una medida de cada sujeto se llama

diseño intersujetos (ocurre con las variables atributivas). Cuando se toma más de una medida de cada sujeto o

unidad experimental se denominan diseños intrasujetos o de medidas repetidas (para variables activas).

o Haya más de una V.I.: se denomina ANOVA factorial. Pueden darse:

Diseños intersujetos : si para cada uno de los factores se emplean grupos distintos.

Diseños intrasujetos o de medidas repetidas, todos los sujetos pasan por todas las condiciones.

Diseños mixtos : al menos una variable Inter. Y otra intra. También se denominan SPLIT-PLOT.

o Cuando hayan más de una V.I., al menos una numérica y otra categórica: son los diseños de modelo experimental con covariantes (modelos ANCOVA o de análisis de la covarianza).

B) Variables dependientes categóricas:Se emplean los modelos para el ADC (análisis de datos categóricos).

Analizan conteo de frecuencias en tablas de contingencia.

1. Modelos log-lineales, 2. Modelos logit/probit, 3. Modelos de regresión logística (muy empleados en medicina), 4. Modelos de análisis de asociación, 5. Modelos de clase latente,...

- Con sólo una variable categóri ca (2 x 2 ): Ejemplo Influye el numero de cigarrillos en el cáncer de pulmón:

VI: Numero de Cigarrillos, Variable numérica de razón.VD: Tener O no tener cáncer, Categórica Nominal y dicotómica.

Aquí se utilizaría un Modelo de Regresión Logística.

Masculino Femenino

¿Es la diferencia estadísticamente significativa?: habrá que someterlo a una prueba de contraste estadístico (como la CHI de Pearson Ҳ2).

4245

5

5

- Con dos variables categóricas :

Soltero Casado Separado Viudo M F

Las variables categóricas son sexo y edad. Esto sería una tabla de contingencia 2x4.Con arreglo a las variables se podrían hacer tres contrastes:

1. Si la proporción de hombres es significativamente mayor que la de mujeres (o al revés).

2. Si existen diferencias estadísticamente significativas en los estados civiles.

3. Si hay mayor tendencia de solteros, casados, separados y viudos entre hombres y mujeres.

Frecuencia total – NTotal de Casos = N1Total de filas = N1. N2.Total de columnas = N.1 N.2

Según el número de V. Dependientes:1. Diseños univariados, univariantes o univariables: cuando hay una sola

V.D.2. Diseños multivariados, multivariantes o multivariables: cuando hay dos o

más V. Dependientes. Ejemplo: ANOVA sencillo multivariable (sólo habrá una V.I. y dos o más V.D.). En un diseño de regresión multivariante habrá más de una V.D. y más de una V.I.

Ejemplo de análisis de datos categóricos:Personas que egregadas durante 2005 en la Universidad de Murcia

(2x3)DIPLOMADOS

LICENCIADO DOCTOR

Mujeresn1.1

1559 (51.%)n1.2

1410 (51%)n1.3

85 (53%) n1.=3045

Hombresn2.1

1430 (58%)n2.2

1450 (51%)n2.3

75 (47%)n2.=2995

Totales n.1=2980 n.2=2860 n.3=160 N=6000

Nij = frecuencia observadaHipótesis a contrastar:

- Se titulan mas mujeres que hombres? - Es estadísticamente significativa la diferencia ¿

10 17 7 1 3511 13 5 1 3021 30 12 2 65 total

6

6

1) De que grado salen mas alumnos? 2) Observar la interrelación entre columnas 3) La pauta entre las 3 categorías no es la misma

Cuadrado = 1,35, P = .25 la diferencia no es estadísticamente significativa pues tiene que estar por debajo de 0,05

Cuadrado es significativo dependiendo del grado de libertad.

¿Es la diferencia estadísticamente significativa?: habrá que someterlo a una prueba de contraste estadístico (como la CHI de Pearson Ҳ2).

- Con dos variables categóricas: Soltero Casado Separado Viudo

M F

Las variables categóricas son sexo y edad. Esto sería una tabla de contingencia 2x4.Con arreglo a las variables se podrían hacer tres contrastes:

4. Si la proporción de hombres es significativamente mayor que la de mujeres (o al revés).

5. Si existen diferencias estadísticamente significativas en los estados civiles.

6. Si hay mayor tendencia de solteros, casados, separados y viudos entre hombres y mujeres.

Según el número de V. Dependientes:

3. Diseños univariados, univariantes o univariables: cuando hay una sola V.D.

4. Diseños multivariados, multivariantes o multivariables: cuando hay dos o más V. Dependientes. Ejemplo: ANOVA sencillo multivariable (sólo habrá una V.I. y dos o más V.D.). En un diseño de regresión multivariante habrá más de una V.D. y más de una V.I.

Ejemplo de análisis de datos categóricos:Condenas en un Juzgado durante el año 2004.

(2x3) FaltasDelitosMenosGraves

Delitosgraves

Hombresn1.1

20n1.2

28n1.3

45n1.=93

Mujeresn2.1

30n2.2

32n2.3

20n2.=82

Totales n.1=50 n.2=60 n.3=65 N=175

10 17 7 1 3511 13 5 1 3021 30 12 2 65 total

7

7

Nij = frecuencia observadaHipótesis a contrastar:

- Si delinquen significativamente más hombres o mujeres en este juzgado.- Si existen diferencias estadísticamente significativas entre delitos

graves, menos graves y faltas.- Si existe diferencia estadísticamente significativa entre hombres y

mujeres según el tipo de delito.

Ejemplo: Además del sexo y tipo de delito, añadir si es inmigrante o nacional.

(2x2x3) Faltas Menos graves

Graves

HombresNacional 15 21 30Inmigrante 5 7 15

MujeresNacional 24 21 13Inmigrante 6 11 7

Hipótesis que se pueden plantear:1. Existe diferencia estadísticamente significativa entre hombres y mujeres

que delinquen.2. Existen diferencias estadísticamente significativas entre nacionales e

inmigrantes que delinquen.3. Existen diferencias estadísticamente significativas entre tipos de delitos

por nacionales e inmigrantes.4. Existen diferencias estadísticamente significativas entre hombres y

mujeres y tipos de delitos.5. Existen diferencias estadísticamente significativas entre hombres y

mujeres con el tipo de delito.6. Existen diferencias estadísticamente significativas entre mujeres

nacionales que delinquen con mujeres inmigrantes que delinquen y entre hombres nacionales y hombres inmigrantes.

7. Existen diferencias estadísticamente significativas entre mujeres nacionales y tipo de delito con mujeres inmigrantes y tipo de delito, y hombres nacionales y tipo de delito con hombres inmigrantes con tipo de delito.

8

8

14. TRIÁNGULO DE PASCAL Y TRIÁNGULO DE SIERPINSKI

TRIÁNGULO DE PASCAL

              1              

            1   1            

          1   2   1          

        1   3   3   1        

      1   4   6   4   1      

    1   5   10   10   5   1    

  1   6   15   20   15   6   1  

1   7   21   35   35   21   7   1

                             

Recordemos en primer lugar el procedimiento seguido para construir el triángulo aritmético o de Pascal.

Numeramos las filas del triángulo comenzando por 0, es decir fila 0, fila 1, fila 2, etc. La fila "n" contiene n + 1 elementos, el primero y el último de los cuales toman el valor 1, mientrás que los demás elementos se obtienen sumando los dos elementos de la fila anterior entre los que se encuentra situado. El primer applet que se encuentra en esta página muestra inicialmente las primeras filas del triángulo de Pascal.El interés de dicho triángulo se debe a múltiples razones. Por ejemplo: los números que aparecen en cada fila son los coeficientes que se obtienen al desarrollar (a + b)n. Por ejemplo, si nos fijamos en la fila-3 observamos que los números 1, 3, 3, 1 son precisamente los coeficientes del desarrollo de (a + b)3 = a3 + 3a2b + 3ab2 + b3.

Por otra parte, los números del triángulo reciben el nombre de números combinatorios. En la fila-3 tenemos 4 números combinatorios: C3,0=1 ,C3,1= 3, C3,2= 3, C3,3=1. El número combinatorio Cn,m representa el número de grupos distintos de m elementos que se pueden formar a partir de n objetos, de forma que cada grupo se diferencie de otro en algún elemento (combinaciones de n elementos tomados de m en m). Por ejemplo ¿cuántos delegaciones de 11 miembros se pueden formar a partir de un grupo de 20 personas? La respuesta es C20,11. Para calcular el número basta construir 21 filas del triángulo de Pascal y fijarnos en el número que ocupa el lugar 12 (hemos empezado a contar los elementos de cada fila por el elemento 0 y las filas por la fila-0).

El cálculo también se puede hacer utilizando la fórmula siguiente:

Cn,m = , donde n! se lee "n factorial" y significa: n! = n·(n - 1)·(n - 2)·.......·1.

(p.ej. 4! = 4·3·2·1=24)

9

9

En el triángulo de Pascal aparecen los números triangulares (1, 3, 6, 10,...), tetraédricos (1,4,10,20,35,56,...), los números de Fibonacci (1, 1, 2, 3, 5, 8, 13, 21,......), etc.

Se han estudiado multitud de propiedades numéricas del triángulo, criterios de divisibilidad, algoritmos para calcular restos al dividir por un número concreto, etc.El triángulo debe su nombre al célebre matemático Blaise Pascal (1623-1662) quien estudió algunas propiedades del mismo, siendo más importante el método utilizado para demostrar una de ellas que la propiedad en sí. Pascal utilizó aquí por primera vez de forma clara y precisa el método de "inducción matemática". (Boyer: Historia de las Matemáticas). No obstante hay que recordar que el triángulo de Pascal era conocido desde mucho antes. Las primeras referencias del triángulo corresponden a China, donde está constatado que el triángulo era conocido alrededor de 1100. En relación con el triángulo de Pascal se suelen citar al matemático chino Yang Hui, del siglo XIII, conocido por haber estudiado algunas de sus propiedades, y al matemático persa Omar Khayyam, del siglo XI-XII, cuyo descubrimiento del triángulo se presume que fue independiente del descubrimiento por parte de los matemáticos chinos). Al final de esta página existen enlaces a las biografías que la universidad de St. Andrews (Escocia) pone a disposición de los interesados.

PROPIEDAD INTERESANTE

En esta página vamos a detenernos en una curiosa propiedad del triángulo de Pascal. Si consideramos una parte inicial del triángulo (por ejemplo las 20 primeras filas) y coloreamos las casillas correspondientes a los números pares, se observa una estructura regular que nos recuerda el famoso triángulo de Sierpinski. Si aumentamos paulatinamente el número de filas conservando el tamaño externo del triángulo de Pascal, el parecido se hace más patente y podemos convencernos de que los sucesivos triángulos de Pascal coloreados y con un número de filas cada vez mayor se aproximan (convergen) al triángulo de Sierpinski.

El primer applet de esta página muestra inicialmente las primeras filas del triángulo de Pascal. Se puede aumentar el número de filas y se puede elegir entre colorear los números pares o no colorearlos. Cuando se elige colorear se observa perfectamente que al ir aumentando el número de filas el objeto resultante se va aproximando al triángulo de Sierpinski.

El segundo applet es algo distinto. Está diseñado para mostrar otro tipo de regularidad que se da en el triángulo de Pascal. Aquí podemos elegir entre tres números: 3, 5 y 7, y se pueden colorear los números en función del resto obtenido al dividirlos entre 3, 5 ó 7. Exite también la posibilidad ("Divisibles") de colorear sólo los números combinatorios que son divisibles entre 3, 5 ó 7. Es decir, si elegimos el número 3 el applet divide los números del triángulo entre 3, y dependiendo de la opción elegida ("Colorear" o "Divisibles") colorea en función del resto obtenido (0, 1 ó 2) o bien colorea solamente los múltiplos de 3.. También se ver la parte del triángulo elegida sin colorear nada ("Colores No").

10

10