Resumen Semana 2

Semana 2: Tipos de investigación cuantitativa, cualitativa y mixta

Asignatura: Minería de Datos · Semana: 2 · Tema central: selección metodológica, hipótesis, variables, instrumentos y preparación de entorno Python.

Resumen de la clase

La Semana 2 aborda cómo transformar un problema inicial en una investigación rigurosa mediante la selección de un enfoque metodológico adecuado. La idea central es que formular una pregunta no basta: la investigación requiere definir cómo se obtendrán los datos, cómo se analizarán y cómo se justificarán las conclusiones. La clase distingue los enfoques cuantitativo, cualitativo y mixto, y los conecta con problemas de ingeniería donde se requiere medir fenómenos, comprender contextos humanos o integrar ambas dimensiones.

El enfoque cuantitativo se orienta a datos numéricos, variables medibles, hipótesis verificables y análisis estadístico. El enfoque cualitativo permite comprender experiencias, percepciones, comportamientos y contextos que no siempre quedan capturados por números. La investigación mixta combina ambas perspectivas para obtener una comprensión más completa. La clase también introduce tipos de investigación según propósito: exploratoria, descriptiva, correlacional y explicativa. En la parte aplicada, se usa el caso de una empresa logística con retrasos en entregas y se revisan decisiones prácticas: elección de dataset, trabajo grupal, uso de Google Colab o Visual Studio Code, descarga de Python y preparación para comenzar a programar en semanas posteriores.

Qué aprenderás

• Diferenciar investigación cuantitativa, cualitativa y mixta.
• Clasificar investigaciones exploratorias, descriptivas, correlacionales y explicativas.
• Formular hipótesis y reconocer variables dependientes e independientes.
• Seleccionar instrumentos de recolección según el enfoque metodológico.
• Relacionar metodología, datos y conclusiones en problemas de ingeniería.
• Preparar el entorno de trabajo con Google Colab, Visual Studio Code o Python local.
• Evaluar la conveniencia de un dataset para un proyecto de minería de datos.

Mapa conceptual o flujo principal

Conceptos fundamentales

Desarrollo de la clase

La clase parte desde una continuidad con Semana 1: primero se identifica el problema y se definen objetivos; luego se selecciona la metodología que permitirá investigarlo. El profesor enfatiza que la pregunta por sí sola no alcanza. Para responderla se necesita un diseño que defina tipo de investigación, enfoque, hipótesis, variables, datos e instrumentos.

Según la presentación oficial, la metodología determina cómo obtener datos, cómo analizarlos y cómo justificar conclusiones. En ingeniería esto importa porque muchas decisiones tienen efectos operativos, económicos o humanos. Una solución puede estar bien medida desde el punto de vista cuantitativo y, aun así, fallar por una condición cualitativa no observada, como usabilidad, contexto de trabajo o percepción de los operadores.

La investigación cuantitativa es la ruta de la medición: trabaja con números, variables, hipótesis y estadística. La cualitativa permite comprender situaciones humanas o contextuales mediante entrevistas, observación, grupos focales y análisis documental. La investigación mixta integra ambas perspectivas.

Aplicación práctica

El caso de clase es una empresa logística con incremento en tiempos de entrega. Desde un enfoque cuantitativo se pueden medir variables como distancia, tráfico, cantidad de pedidos, tiempos de ruta, consumo de combustible o datos GPS. Desde un enfoque cualitativo, se puede observar la experiencia del repartidor, revisar si una aplicación se usa correctamente o detectar si una condición del entorno afecta la operación.

Fórmulas y notación

Notación metodológica: relación entre variables

Clasificación: notación metodológica. Variables: $Y$ representa la variable dependiente; $X_1, X_2, \ldots, X_k$ representan variables independientes. Ejemplo: tiempo de entrega como función de distancia, tráfico y cantidad de pedidos. Interpretación: permite ordenar qué se quiere explicar y qué factores podrían estar asociados.

Hipótesis estadística: contraste general

Clasificación: hipótesis estadística. Supuesto: las variables deben estar definidas de forma observable y medible. Ejemplo: $H_1$: a mayor congestión vial, mayor tiempo de entrega. Interpretación: una hipótesis debe contrastarse con datos, no quedar como intuición.

Pseudocódigo: selección del enfoque metodológico

si el problema requiere medir frecuencia, magnitud o relación:
    usar enfoque cuantitativo
si el problema requiere comprender experiencia, percepción o contexto:
    usar enfoque cualitativo
si el problema requiere medir y comprender:
    usar enfoque mixto

Clasificación: pseudocódigo metodológico. Interpretación: la metodología se elige por la naturaleza de la pregunta, no por comodidad.

Código y notebook

No se encontró un notebook .ipynb en la carpeta de Semana 2. La clase no desarrolla todavía un notebook disciplinar de análisis de datos; prepara el entorno para que en Semana 3 se empiece a trabajar con código.

• Google Colab permite trabajar en línea sin instalar Python localmente.
• Visual Studio Code permite trabajar localmente y offline.
• Python debe descargarse desde su sitio oficial si se trabajará localmente.
• El profesor recomienda versiones estables de Python, especialmente 3.10, 3.11 o 3.12.
• Es usual crear entornos para evitar mezclar librerías de distintos proyectos.
• Si se usa IA generativa para producir código o texto, debe declararse.

Recomendaciones del profesor

Recomendación del profesor — Para el trabajo grupal
Integrarse a grupos y trabajar en equipo, porque el trabajo final se vuelve más manejable que hacerlo con pocos integrantes.

Recomendación del profesor — Para el proyecto
Elegir el tipo de investigación según el problema. No necesariamente hay que encasillar el proyecto en un único tipo; pueden mezclarse propósitos y enfoques.

Recomendación del profesor — Para el dataset
La cantidad de filas es relevante. Conviene tener varias observaciones, aunque no se exige un número único. También se advierte que demasiadas columnas o variables pueden complejizar el trabajo.

Recomendación del profesor — Para el entorno de trabajo
Se puede usar Google Colab o Visual Studio Code. VS Code permite trabajar offline; Colab funciona online y puede ser más simple para comenzar.

Recomendación del profesor — Para Python
Usar una versión estable como Python 3.10, 3.11 o 3.12; se menciona 3.12 como buena elección.

Recomendación del profesor — Para reproducibilidad
Crear entornos por proyecto para evitar incompatibilidades entre librerías.

Recomendación del profesor — Para uso de IA generativa
Si se utiliza IA generativa, declararlo explícitamente. No se presenta como algo prohibido.

Interpretación técnica
En esta semana conviene dejar definida la lógica del proyecto: problema, enfoque, variables, datos posibles y entorno de trabajo. Eso reduce fricción cuando comiencen los notebooks y modelos.

Errores frecuentes

Actividad o evaluación asociada

Evaluación formativa y trabajo de proyecto

La transcripción indica que al inicio de la clase el profesor revisa una evaluación formativa y la conformación de grupos. Se solicita que estudiantes sin grupo se integren a alguno, porque el proyecto final será más abordable en equipo.

Actividad formativa de la clase

La presentación oficial propone la actividad “Diseña tu metodología”. Como equipo se debe seleccionar tipo de investigación, justificar el enfoque metodológico, formular hipótesis, identificar variables y definir instrumentos de recolección. El producto esperado es un diseño metodológico preliminar del proyecto.

Síntesis

La Semana 2 instala la arquitectura metodológica del curso. Después de identificar un problema, el paso siguiente es decidir cómo investigarlo. El enfoque cuantitativo permite medir y analizar relaciones; el cualitativo permite comprender el contexto y las personas; el mixto integra ambas capas. Para minería de datos, esta distinción importa porque los modelos dependen de una pregunta bien planteada, variables pertinentes, datos suficientes e instrumentos adecuados.

Preguntas de autoevaluación

Comprensión

1. ¿Por qué formular una pregunta no basta para construir una investigación rigurosa?
2. ¿Qué diferencia a una investigación exploratoria de una descriptiva?
3. ¿Qué distingue al enfoque cuantitativo del cualitativo?
4. ¿Qué aporta una investigación mixta?
5. ¿Qué es una variable dependiente y qué es una variable independiente?

Aplicación

1. Para una empresa con retrasos en entregas, define una variable dependiente y tres variables independientes.
2. Si quieres comprender por qué los operadores no usan correctamente una aplicación, ¿qué enfoque usarías y qué instrumento aplicarías?
3. Si tienes registros GPS y entrevistas a repartidores, ¿cómo justificarías un enfoque mixto?

Interpretación

1. Si una correlación muestra que a mayor distancia aumenta el tiempo de entrega, ¿por qué eso no basta para afirmar causalidad?
2. Si un dataset tiene muchas columnas pero pocas filas, ¿qué riesgos metodológicos aparecen?

Análisis crítico

1. Mini caso: una planta detecta defectos frecuentes a las 15:00. Propón un diseño metodológico que combine medición cuantitativa y observación cualitativa para explicar el fenómeno.

Checklist de dominio

• Puedo distinguir investigación exploratoria, descriptiva, correlacional y explicativa.
• Puedo explicar investigación cuantitativa, cualitativa y mixta.
• Puedo formular una hipótesis verificable.
• Puedo identificar variable dependiente e independientes.
• Puedo seleccionar instrumentos de recolección adecuados.
• Puedo justificar por qué usar Colab o VS Code.
• Puedo explicar por qué conviene crear entornos de Python por proyecto.
• Puedo evaluar si un dataset es adecuado para minería de datos.

Recursos y referencias

• Clase 2.docx: transcripción principal.
• Clase_02.pptx: presentación oficial.
• ATDF105_U1_T2.pdf: guía institucional de Semana 2.
• Hernández-Sampieri, R., Mendoza Torres, C. P., y Baptista Lucio, M. P. (2023). Metodología de la investigación (7.ª ed.). McGraw-Hill Interamericana Editores.

Fuentes y trazabilidad

Fuentes procesadas: Clase 2.docx, Clase_02.pptx y ATDF105_U1_T2.pdf.

Fuentes no procesadas directamente: grabación MP4 y audio MP3, porque existe transcripción DOCX disponible.

Limitaciones: no hay notebook .ipynb en la carpeta de Semana 2. La advertencia técnica del extractor PDF no impidió extraer texto útil.