Cazau Metodologia

Metodologa de la
Investigacin
Pablo Cazau
Buenos Aires
2002
Metodologa de la Investigacin Pablo Cazau
Prlogo
Un investigador debe ser un individuo delirante para poder arriesgar hiptesis
inverosmiles, obsesivo para probarlas con el mximo rigor, y amarrete para que su
indagacin sea lo menos costosa posible.
Prlogo a la segunda edicin.- Hemos incorporado tres novedades

destacables en esta segunda edicin. a) Reestructuramos los ttulos y
subttulos para facilitar an ms la lectura del texto. b) Hemos agregado el
tem Etapas de una investigacin tpica para comprender de manera ms
inmediata los pasos de una investigacin en ciencias sociales. c) Agregamos
un captulo sobre Ejercitacin para aplicar los conocimientos adquiridos en
este texto. Esta segunda edicin est dedicada a la Lic. Norma Liliana
Ramljak de Bratti y sus alumnas de Trabajo Social de la Universidad del
Museo Social Argentino.
Pablo Cazau. Buenos Aires, Julio 2002.
Prlogo a la primera edicin.- El presente trabajo, fruto de varios aos de

enseanza universitaria, intenta explicar cmo procede el cientfico cuando
investiga la realidad en el mbito de las ciencias sociales.
Esencialmente, la investigacin tiene dos etapas: proponer una hiptesis
como respuesta a un problema, y luego probarla. Para la primera
necesitamos intuicin, talento, creatividad, y el cientfico no est tan sujeto a
normas como en la segunda etapa, en la cual se requiere un mtodo provisto
de reglas especficas que cuidarn que la hiptesis planteada quede
efectivamente confirmada (o refutada).
El material que aqu presentamos est organizado en captulos y un
resumen final. En la Introduccin, planteamos que toda investigacin
comienza con un problema para resolver y prosigue con un plan para
resolverlo, llamado esquema de investigacin. Se especifican tambin varios
tipos de esquemas de investigacin, de los cuales destacamos por su
importancia los esquemas exploratorio, descriptivo y explicativo. En esta
introduccin damos una resea del primero.
En el captulo sobre "La investigacin descriptiva" especificamos cmo el
cientfico analiza los datos recogidos, para lo cual previamente debe haber
identificado, categorizado y operacionalizado las variables en juego, y luego
haber resumido la informacin en tablas, grficos o medidas estadsticas. Una
vez que se han detectado correlaciones significativas entre variables,
comienza la tarea de "La investigacin explicativa", en la cual el cientfico
intentar probar que la correlacin observada es algo ms: es un vnculo
causal (o bien que, a pesar de esa correlacin, no lo es).
La inclusin de los tems sobre estadstica y medicin se justifica por el
carcter introductorio del presente trabajo, pero pueden ser obviados sin que
su lectura pierda continuidad.
Pablo Cazau. Buenos Aires, Noviembre 1991.
2
ndice
Prlogo..................................................................................2
ndice....................................................................................3
1. El esquema de investigacin.................................................5
a) El problema de investigacin.............................................5
b) El esquema de investigacin..............................................5
c) Tipos de esquemas de investigacin...................................6
Esquemas de Investigacin................................................6
d) Etapas de una investigacin tpica......................................9
2. La investigacin exploratoria...............................................15
a) El significado de explorar.................................................15
b) Recoleccin de datos......................................................15
3. El papel de la estadstica....................................................16
a) Muestra y muestreo........................................................18
b) Pruebas de significacin..................................................20
c) Etapas de la estadstica...................................................22
4. La investigacin descriptiva................................................24
a) Hiptesis.......................................................................24
b) Conceptos: constantes y variables....................................27
Clasificacin de variables..................................................29
c) Categorizacin y operacionalizacin..................................41
d) Organizacin de los datos................................................50
Las dos variables a relacionar...........................................52
Tabla.............................................................................55
Grfico...........................................................................55
Medidas estadsticas........................................................55
e) Anlisis e interpretacin de los datos................................56
5. El papel de la medicin......................................................59
a) Medicin........................................................................59
b) Instrumentos de medicin...............................................60
c) Escalas de medicin........................................................61
FIGURA 1.......................................................................62
FIGURA 2.......................................................................63
FIGURA 3.......................................................................64
FIGURA 4.......................................................................65
FIGURA 5.......................................................................66
FIGURA 6.......................................................................67
FIGURA 7.......................................................................67
FIGURA 8.......................................................................72
3
6. La investigacin explicativa................................................73
a) El concepto de causa......................................................75
b) Requisitos de causalidad.................................................77
c) Control de variables adicionales........................................79
d) El diseo experimental....................................................81
7. Pruebas de confirmacin....................................................82
a) Diseos experimentales bivariados...................................82
b) Diseos experimentales multivariados...............................92
8. Pruebas de espureidad.......................................................95
9. El informe de investigacin...............................................100
10. RESUMEN.....................................................................102
11. Ejercitacin...................................................................103
1) El 66 por ciento de los superdotados tiene bajo rendimiento
escolar................................................................................103
2) El trato en el trabajo se refleja en la casa........................104
3) Leer el diario mejora a la gente......................................105
4) Lo peor de los viajes puede ser la vuelta.........................106
5) Actitudes frente a la delincuencia...................................107
Referencias bibliogrficas.....................................................109
4
1. El esquema de investigacin
a) El problema de investigacin
Si la investigacin cientfica es un automvil, el combustible que la
alimenta son los hechos. Pero lo que la pone en marcha no es un hecho sino
un problema y, obviamente, nuestra intencin por resolverlo. Lewis Carroll,
en "Alicia en el pas de las maravillas", hace decir a uno de sus personajes
que "como no tena respuesta para ninguno de sus problemas, el modo de
formularlos no importaba demasiado". Pero en nuestro caso s interesa cmo
plantearemos el problema, ya que pretendemos resolverlo. La importancia de
formular correctamente un problema ya fue destacada por Claude Bernard,
cuando dijo que el experimentador que no sabe lo que est buscando, no
comprender lo que encuentra.
El problema a solucionar debe ser formulado en forma lo suficientemente
concreta como para que pueda ser resuelto efectivamente por la va cientfica
(solucionable cientficamente), y lo suficientemente clara como para saber
qu datos buscar para resolverlo.
As, el problema de si Dios existe o no, no es lo suficientemente concreto
pues no hay investigacin cientfica que pueda resolverlo, siendo mas bien un
problema filosfico. Asimismo, el problema de si el perro del comisario ladra
o no, adems de ser un problema cotidiano y no cientfico, no es lo
suficientemente claro ya que no especifica si el comisario "tiene" un perro o si
el comisario "es" un perro, con lo cual no sabremos qu datos buscar para
resolverlo: si los datos sobre el perro o los datos sobre su dueo.
Del mismo modo, no podemos decir simplificadamente "voy a investigar el
problema de la droga". Esta es una afirmacin ambigua que puede apuntar
tanto al problema de cules son las causas de la drogadiccin como al
problema de cmo fabricar droga sin que se entere la polica. En cambio,
problemas bien planteados son por ejemplo: qu incentiva el rendimiento
escolar?, o influye la educacin recibida sobre la ideologa poltica de las
personas? Se trata de problemas solucionables y donde sabemos qu tipo de
informacin buscar para resolverlos.
b) El esquema de investigacin
Una vez formulado adecuadamente el problema (y si es en forma de
pregunta tanto mejor), procedemos ahora a trazarnos un esquema de
investigacin para resolverlo. Un esquema de investigacin es un plan que
hacemos para recolectar y analizar los datos combinndolos entre s, con la
intencin de hallar una respuesta al problema de la forma ms sencilla y
econmica posible. Esta exigencia de simplicidad no debe hacernos pensar
que un esquema de investigacin se pueda cumplir en horas o das:
habitualmente una investigacin lleva meses y aos, pero ello es debido a
5
que el problema a resolver no es tan sencillo, o tambin a la magnitud de la

exigencia del rigor para resolverlo.
Como ejemplo tomemos el siguiente problema: porqu en ciertos barrios
hay mayor ndice de drogadiccin que en otros? Para resolverlo, trazamos un
esquema de investigacin que deber inclur las siguientes operaciones: a)
recolectar datos, lo que hacemos en base a censos, informes policiales o
sanitarios, o en base a cuestionarios que el mismo investigador puede
administrar. Al mismo tiempo contaremos qu porcentaje de drogadictos hay
en cada barrio y, si sospecho que la drogadiccin puede deberse a un menor
control policial o a la existencia de familias desavenidas, tambin buscar
datos referentes a cuntos agentes policiales hay en cada barrio o qu
porcentaje de familias desunidas hay en ellos. El problema planteado es
adems lo suficientemente claro como para saber que no me interesarn
datos, por ejemplo, sobre la periodicidad de las manchas solares; b) analizar
los datos recolectados combinndolos entre s mediante tablas o grficos. La
lectura de alguna de estas tablas me podr sugerir, por ejemplo, que a
medida que aumenta el control policial en un barrio, disminuye su ndice de
drogadiccin; c) hallar una respuesta al problema del modo ms sencillo
posible. Efectivamente, encontr como respuesta que el ndice de
drogadiccin depende de la mayor o menor presencia policial, y para
encontrarla, recurr a un procedimiento sencillo que economiza tiempo,
esfuerzo y dinero: en lugar de estudiar todos los barrios tom solamente
algunos que supongo son una muestra representativa y luego, en vez de
hacer yo mismo un censo (que sera caro y trabajoso), me bas en censos ya
realizados oficialmente y que supongo confiables.
c) Tipos de esquemas de investigacin

Existen distintos tipos de esquemas de investigacin, que los podemos
clasificar segn cuatro criterios: segn la fuente de los datos, segn el lugar
donde investigamos a los sujetos, segn el grado de control ejercido sobre
las variables, y segn su propsito o finalidad.
ESQUEMAS DE INVESTIGACIN
Segn datos: con datos primarios

con datos secundarios
Segn lugar: de laboratorio
de campo
Segn control: no experimental (ex-post-facto)
experimental
Segn fin: exploratorio
descriptivo
explicativo
6
Segn la fuente de donde obtiene los datos, el esquema de

investigacin podr contar con datos primarios o con datos secundarios (o
ambos). Los primeros son aquellos obtenidos directamente por el
investigador de la realidad mediante la simple observacin o a travs de
cuestionarios, entrevistas, tests u otro medio. Si este procedimiento resultare
costoso o exigiese mucho esfuerzo, el investigador podr basarse en datos
secundarios, que son aquellos que fueron obtenidos por otras personas o
instituciones, tales como censos, etc. Siempre convendr este ltimo recurso,
salvo que uno tenga buenas razones para desconfiar de ellos, o que
directamente no estn disponibles.
Segn el lugar donde investigamos a los sujetos, el esquema de
investigacin puede ser de laboratorio o de campo. Investigacin de campo
no significa investigacin rural, sino una investigacin donde estudiamos a los
individuos en los mismos lugares donde viven, trabajan o se divierten, o sea,
en su hbitat natural. Si quiero saber cmo influye la televisin en la
educacin infantil utilizar datos sobre nios que ven (o no) televisin en sus
hogares. Jams se me ocurrira encerrar durante meses o aos a varios nios
en un laboratorio mirando televisin, para ver como evoluciona su educacin.
Del mismo modo, tampoco se me ocurrira provocar un terremoto en una
habitacin para ver cmo reacciona la gente all ubicada (salvo que invente
un sofisticado sistema de simulacin de sismos, pero esto ya sera costoso):
slo puedo encarar este estudio a travs de una investigacin de campo, o
sea en el lugar natural donde estos fenmenos ocurren.
La investigacin de laboratorio, como vemos 'saca' a los sujetos de sus
lugares naturales, los 'asla' de su entorno llevndolos a un lugar especial, el
laboratorio, y que no necesariamente debe tener azulejos o probetas. Un
ejemplo de laboratorio en psicologa es la cmara Gesell, o habitacin donde
por ejemplo se deja jugar libremente a los nios mientras estudiamos sus
reacciones a travs de un vidrio que permite verlos, sin que ellos puedan
advertir la mirada del investigador. En la investigacin de laboratorio el
investigador est presente atendiendo casi continuamente lo que sucede con
las personas. A veces basta esto para que, aunque la investigacin transcurra
en los lugares naturales, sea una investigacin de laboratorio (esto significa
que el cientfico, en lugar de sacar a las personas de sus casas llevndolas al
laboratorio, ha directamente montado el laboratorio en la casa de las
personas). En la investigacin de campo, en cambio, el cientfico no tiene en
general una presencia permanente (salvo que aplique la tcnica de la
observacin participante), limitndose a recoger datos en forma ms o
menos peridica en los sitios de residencia.
Cierto tipo de investigaciones se prestan para planificarse indistintamente como

de laboratorio o de campo. As, si queremos saber cmo influyen los ruidos sobre el
estrs, tenemos dos alternativas: a) llevar dos grupos de personas a un lugar
especial aislado, donde sometemos a uno a ruidos fuertes y al otro a ruidos dbiles,
midiendo luego en ambos el estrs resultante (investigacin de laboratorio); b)
7
medir directamente el estrs en personas que viven en lugares de mucho ruido y en
lugares de poco ruido, para evaluar la diferencia (investigacin de campo).
Segn el grado de control ejercido sobre las variables, el esquema

de investigacin podr ser no experimental o experimental. Frente al
problema de las causas del estrs, pueden suceder dos cosas: a) que no
tengamos ninguna idea acerca de los factores que lo generan, en cuyo caso
recolectar muchos datos sobre diversas personas estresadas y no
estresadas sin controlar ninguna variable en especial como podra ser el sexo,
la edad, la ocupacin, los ruidos o la humedad. Se trata de una investigacin
no experimental; b) puede suceder que s tengamos una fuerte sospecha
sobre cierto factor -por ejemplo los ruidos-, en cuyo caso har intervenir
solamente ese factor procurando hasta donde sea posible controlar la
influencia de las otras variables, las cuales, a pesar de tambin poder influr
causalmente sobre el estrs, son ajenas al propsito del experimento. Como
luego veremos en otro captulo, podemos neutralizar la influencia de la
variable edad tomando individuos al azar, lo que asegurar una gran
heterogeneidad en cuanto a edades. De hecho, si hubiramos tomado a todos
los sujetos con la misma edad, hubiese persistido la duda de si el estrs el
producido por el ruido o por la edad.
Cuando, como en este ltimo caso, controlamos la influencia de variables,
estamos ante una investigacin experimental, la cual puede adoptar,
indistintamente, la forma de una investigacin de laboratorio o de una de
campo. En cambio, los estudios no experimentales son mas bien de campo y
por lo regular no provocamos nosotros el fenmeno a estudiar sino que
debemos esperar a que l ocurra espontneamente. Precisamente, otra
distincin frecuente entre los procedimientos experimentales y los no
experimentales apunta a esta ltima cuestin. En las investigaciones no
experimentales debemos esperar a que ocurra el fenmeno para luego
estudiarlo, y por ello se las llama tambin investigaciones ex-post-facto
(despus de ocurrido el hecho). No es costumbre provocar la drogadiccin
para estudiar luego sus consecuencias, as como tampoco se suele provocar
un plenilunio (luna llena) para ver cmo influye sobre el comportamiento
criminal de las personas.
Segn la finalidad que persiga el cientfico, las investigaciones pueden ser
exploratorias, descriptivas y explicativas. En torno a este importante criterio
articularemos nuestra exposicin, sobre todo porque esos "tipos" de
investigacin son esencialmente "etapas" cronolgicas de la misma, y por lo
tanto recorrer estas etapas nos permitir comprender cmo procede el
cientfico cuando indaga y piensa la realidad. Cualquier investigacin
comienza siempre con una etapa exploratoria; recin despus se encarar
una investigacin descriptiva y finalmente una explicativa. No se puede hacer
un estudio explicativo si antes, uno mismo u otro investigador no realiz
antes un estudio descriptivo, como tampoco podemos iniciar este ltimo sin
que alguien antes haya hecho una investigacin exploratoria. La historia de la
ciencia nos muestra dos cosas: primero, que una de estas etapas puede
8
durar aos y puede haber quedado "olvidada" hasta que alguien retoma la
siguiente etapa; y segundo, que los lmites entre una y otra etapa no son
temporalmente exactos, pudiendo a veces superponerse.
Las tres etapas persiguen propsitos diferentes: la investigacin
exploratoria identifica posibles variables, la investigacin descriptiva constata
correlaciones entre variables, y la investigacin explicativa intenta probar
vnculos causales entre variables.
Ms concretamente: en la investigacin exploratoria buscamos
informacin sobre algn tema o problema por resultarnos relativamente
desconocido, como por ejemplo la cuestin de los prejuicios raciales. Este
estudio culmina cuando hemos obtenido el conocimiento suficiente como para
hacer un listado de los diferentes factores que suponemos vinculados con el
prejuicio racial, como por ejemplo educacin recibida, religin, zona de
residencia, edad, sexo, filiacin poltica, etc. En la investigacin descriptiva
buscaremos correlacionar estadsticamente cada uno de esos factores con el
factor prejuicio racial, y termina cuando hemos constatado ciertas
correlaciones lo suficientemente significativas como para sospechar la
existencia de un vnculo causal. Por ltimo, en la investigacin explicativa
intentaremos probar nuestra sospecha anterior, por ejemplo realizando un
experimento que me permita conclur si el o los factores considerados son o
no causa de la actitud prejuiciosa hacia personas de otras razas.
d) Etapas de una investigacin tpica

Esta seccin tiene la nica finalidad de ofrecer una gua prctica para
quienes deseen llevar a cabo una investigacin. Se trata de un plan
orientativo referido a una investigacin tpica, es decir, a un conjunto de
pasos o etapas que habitualmente deben cumplirse en la mayora de las
investigaciones que podemos encontrar en las publicaciones cientficas.
Explicaremos brevemente cada etapa utilizando un ejemplo nico: una
investigacin que indague acerca de las relaciones entre estado civil y estado
de nimo. Tengamos presente que, dependiendo de cada investigacin en
particular, algunos de los pasos indicados pueden saltearse, cambiarse el
orden, e incluso volver sobre alguno de los pasos anteriores.
1) Seleccin del tema de investigacin.- El tema de la investigacin es

bsicamente la variable dependiente. En nuestro ejemplo, cualquiera de
ambas podra serlo: el estado civil puede depender del estado de nimo
(estoy triste por lo tanto me divorcio) o el estado de nimo puede depender
del estado civil (estoy soltero y por lo tanto estoy alegre). En este paso, por
tanto, deberemos decidir cul ser nuestra variable dependiente. Por
ejemplo, elegimos estado de nimo.
2) Formulacin del problema.- El problema se expresa mediante una
pregunta, la cual deber ser contestada en la investigacin. Por ejemplo:
Existe alguna relacin significativa entre estado civil y estado de nimo?.
9
3) Explicitacin del marco terico.- Las variables elegidas han de ser

definidas dentro de un marco terico, que puede ser el mismo o distinto para
ambas. Por ejemplo, para definir estado civil podemos tomar como
referencia el Cdigo Civil del pas donde hacemos la investigacin, mientras
que para definir estado de nimo podremos tomar el DSM-IV. Otros
ejemplos de marcos tericos para otras variables pueden ser el psicoanlisis,
el cognitivismo, la teora de la gestalt, la teora del aprendizaje de Skinner,
etc. En suma, en este caso se sintetizarn los marcos tericos utilizados,
mientras que las definiciones tericas de las variables se especifican en un
paso ulterior (Identificacin, definicin y clasificacin de las variables).
4) Revisin de investigaciones anteriores.- Emprendemos aqu la ardua
tarea de revisar todo las investigaciones realizadas concernientes a la
relacin entre estado de nimo y estado civil, para lo cual deberemos
recorrer bibliotecas, la red internet, etc. La idea es hacer una sntesis de todo
lo encontrado utilizando solamente los abstracts de las investigaciones
encontradas. Tal vez podramos encontrarnos con que nuestra investigacin
ya fue realizada, pero ello no debe desilusionarnos: por lo general nuestra
investigacin partir de muestras diferentes, utilizar otros instrumentos de
medicin, etc., lo cual la convierte en una investigacin original que
complementar la ya realizada. En todo caso, en nuestro informe final
consignaremos en qu medida nuestra investigacin coincide o no con los
resultados de otras investigaciones, y qu razones podran dar cuenta de las
diferencias.
5) Explicitacin de los objetivos.- Explicamos aqu qu operaciones
realizaremos para solucionar el problema que puso en marcha la
investigacin, o para abordar algunas cuestiones colaterales al mismo.
Suelen especificarse un objetivo general y objetivos especficos. En nuestro
ejemplo, el objetivo general podra ser probar si existe o no una relacin
significativa entre estado civil y estado de nimo, y algunas objetivos ms
especficos podran ser revisar las investigaciones recientes sobre el tema,
discutir las diferencias encontradas con otras investigaciones sobre el mismo
tema, o examinar la incidencia de las variables edad y nivel de instruccin
en la muestra seleccionada. Notemos que cuando especificamos los
objetivos, siempre habremos de utilizar verbos en infinitivo, puesto que ellos
designan acciones a realizar (probar, revisar, discutir, etc).
6) Seleccin del tipo de investigacin.- Nuestra investigacin ser de
laboratorio o de campo? Experimental o no experimental? Ser un estudio
exploratorio, descriptivo, explicativo o una combinacin de ellos? Ser una
investigacin con datos primarios o con datos secundarios? Supondremos que
en nuestro ejemplo realizaremos una investigacin de campo, experimental,
descriptivo-explicativa y con datos principalmente primarios.
7) Formulacin de la hiptesis.- La hiptesis puede formularse en forma
general y especfica. La forma general sera existe una relacin significativa
entre estado civil y estado de nimo. Un ejemplo de hiptesis ms especfica
sera las personas solteras tienden a sufrir estados depresivos. En una
10
hiptesis especfica, pueden especificarse varias cosas: el vnculo entre las

variables (en vez de decir existe una relacin entre decimos es la causa
de), alguna categora de alguna variable (en vez de estado civil decimos
casado), o alguna dimensin o indicador de alguna variable (en vez de
estado de nimo decimos presentan desinters por el mundo exterior).
Normalmente, la hiptesis que ser verificada en la investigacin es la
hiptesis general.
8) Identificacin, definicin y clasificacin de las variables.- Qu variables
principales estudiaremos? Estado civil y estado de nimo. Cmo las
definiremos tericamente? Por ejemplo, de acuerdo a las definiciones que
encontremos, respectivamente, en el Cdigo Civil y en el DSM-IV. Al final, las
clasificamos segn diversos criterios: simples o complejas, manifiestas o
latentes, organsmicas o situacionales, etc. Las clasificaciones que no pueden
obviarse son: independiente o dependiente (estado civil ser independiente
y estado de nimo, dependiente), y cualitativa o cuantitativa. Esta ltima
clasificacin es importante porque especifica en qu nivel de medicin las
estamos midiendo. Por ejemplo, estado civil ser una variable cualitativa
nominal, mientras que estado de nimo ser una variable cualitativa ordinal.
En principio no tendra mucho sentido clasificar estado civil como ordinal,
porque no podemos decir ms casado, algo casado o nada casado.
9) Categorizacin y operacionalizacin de las variables.- Asignaremos
categoras a las variables (para estado civil pueden ser soltero, casado,
separado de hecho, divorciado, juntado, viudo, etc., y para estado de
nimo pueden ser muy deprimido, deprimido, alegre y muy alegre). En
cuanto a la operacionalizacin, si las variables son complejas seleccionaremos
dimensiones e indicadores. Dimensiones de estado de nimo podran ser
manifestaciones fsicas y manifestaciones psquicas, y sus respectivos
indicadores, postura corporal e inters por el trabajo. Como estado civil es
una variable simple, seleccionaremos un solo indicador. Por ejemplo, aquello
que nos responde el sujeto cuando le preguntamos por su estado civil.
10) Seleccin de la poblacin.- Especificamos la poblacin que queremos
estudiar. Por ejemplo, todas las personas entre 20 y 60 aos que vivan en la
ciudad de Buenos Aires. Por lo tanto, nuestra unidad de anlisis sern
personas (y no por ejemplo grupos o familias).
11) Seleccin de la tcnica de muestreo.- Podramos elegir una muestra
de tipo probabilstico: elegimos al azar una cierta cantidad de nmeros
telefnicos. Hay otros procedimientos menos aconsejables porque no son
aleatorios, como elegir a las personas que conocemos de nuestro entorno
(familiares, amigos, vecinos, etc). Es estos casos la muestra estar sesgada
por nuestras preferencias y por un determinado estrato social o zona
geogrfica.
12) Seleccin del tipo de diseo.- Como estamos suponiendo que nuestra
investigacin es explicativa y adems indaga una sola variables causal,
elegiremos alguno de los seis diseos experimentales bivariados que propone
Selltiz, fundamentando adems esta eleccin.
11
13) Seleccin de los grupos.- Dentro de la muestra elegimos al azar los

grupos. Por ejemplo, si elegimos el diseo 1, seleccionaremos dos grupos: el
primero conformado por personas solteras, y el segundo por personas
casadas. Tambin podemos elegir tantos grupos como categoras tenga la
variable estado civil.
14) Seleccin de los instrumentos de medicin ya construdos.- Hay varios
tests que miden estado de nimo, como por ejemplo el Cuestionario de
Depresin. Si no hemos encontrado ningn instrumento apto para medir
nuestras variables, deberemos construrlos nosotros mismos y pasamos
directamente al prximo paso.
15) Construccin de los instrumentos de medicin.- En nuestro ejemplo,
deberemos construr un test para medir estado de nimo. Para medir
estado civil obviamente no se requiere ningn test: basta con preguntarle a
la persona cul es su estado civil.
La construccin de nuestro test implicar cumplir estos pasos:
a) Seleccionar los tems, es decir, las preguntas o las pruebas que
incluir. Para nuestro ejemplo, uno de los tems puede ser la
pregunta Se siente triste la mayor parte de los das?.
b) Categorizar los tems, es decir, establecer las respuestas posibles que
podr responder cada sujeto en cada tem. Por ejemplo para el tem
anterior, las posibles categoras pueden ser s y no.
c) Construr un sistema de puntuacin de las respuestas. Por ejemplo
asignamos arbitrariamente el nmero 1 si contest que s y 0 si
contest que no. Luego, sumando todos los puntos de cada tem,
deberemos obtener un ndice, en este caso, un ndice de estado de
nimo. Tambin aqu estableceremos como interpretar estos ndices.
Por ejemplo, si obtuvo ms de 20 categorizaremos al sujeto como
muy deprimido, si obtuvo entre 15 y 19 puntos lo ubicaremos como
deprimido, y as sucesivamente.
d) Finalmente determinaremos la validez y la confiabilidad del
instrumento as construdo. No desarrollaremos este tema en este
texto, que pretende ser simplemente introductorio.
16) Recoleccin de datos.- Aplicamos o administramos los instrumentos
de medicin. Tomamos a los sujetos elegidos un test de estado de nimo y
les preguntamos su estado civil. De todos los pasos de esta investigacin,
este es el nico en el cual tomamos contacto con los sujetos del estudio.
Todos los otros pasos los podemos realizar solos en nuestro lugar de trabajo.
17) Construccin de la matriz de datos.- Organizamos y sintetizamos toda
la informacin obtenida en una matriz, que, en nuestro ejemplo puede
asumir la siguiente forma:
Sujeto Estado civil Estado de nimo

A Soltero Muy deprimido
B Soltero Alegre
C Casado Deprimido
Etc Etc Etc
12
En el caso de tratarse de variables cuantitativas, en esta matriz se

consignarn en las columnas de las variables los puntajes brutos, los
puntajes estandarizados y/o los percentiles. Por ejemplo, si utilizamos el
WISC-III para medir inteligencia en nios, Juancito pudo haber obtenido
respectivamente 121, 114 y 82.
18) Tabulacin.- Toda la informacin de la matriz de datos la organizamos
aqu en una tabla de doble entrada, es decir, una tabla que permita cruzar las
dos variables en juego:
Muy Deprimido Alegre Muy TOTALES

deprimido alegre
Soltero 7 ? ? ? ?
Casado ? ? ? ? ?
Separado de ? ? ? ? ?
hecho
Divorciado ? ? ? ? ?
Juntado ? ? ? ? ?
Viudo ? ? ? ? ?
TOTALES ? ? ? ? ?
Por ejemplo, hemos colocado la frecuencia 7 en el primer casillero porque

hemos encontrado siete casos de sujetos solteros muy deprimidos.
19) Graficacin.- Opcional. Sirve para presentar la informacin de las
tablas de una forma ms intuitiva y rpidamente comprensible.
20) Obtencin de medidas de posicin y dispersin.- Generalmente
pueden obtenerse a partir de la tabla de doble entrada. Como en el ejemplo
que estamos siguiendo las variables no son cuantitativas, no podremos
utilizar la media aritmtica ni el desvo standard. Deberemos usar medidas
estadsticas para variables cualitativas, como el modo o la mediana (medidas
de posicin), y otras. Por ejemplo, si la categora que ms se repite para la
variable estado de nimo es alegre, entonces alegre es el modo.
21) Anlisis de los datos.- De acuerdo a los fines que nos hayamos
propuesto, podremos optar por varias posibilidades, entre las que se cuentan
el anlisis de correlacin, el anlisis de regresin, la prueba de significacin,
la prueba de espureidad o alguna combinacin de ellos.
22) Interpretacin de los datos.- Opcional pero recomendable. En este
paso arriesgamos algunas conjeturas personales acerca del porqu de la
asociacin detectada entre ambas variables. Por ejemplo, hemos encontrado
una alta asociacin entre alegra y casado quiz porque el matrimonio
permite compartir trances y dificultades ms fcilmente, con lo cual hay
menor margen para la depresin. La interpretacin de los datos puede
hacerse desde algn marco terico existente o bien, si somos audaces e
imaginativos, podemos crear nuestro propio marco terico porque no hay
ninguno que nos satisfaga.
13
23) Comunicacin de los resultados.- Mientras fuimos cumpliendo los

pasos anteriores, es muy probable que hayamos escrito varias hojas en
borrador. Con este material redactamos nuestro informe final, luego el
abstract o resumen del mismo, luego seleccionamos un ttulo para nuestro
informe y, finalmente, publicados los resultados (por ejemplo envindolos a
una revista cientfica).
Este proceso se realimenta continuamente: en cuanto damos a conocer
nuestro trabajo a la comunidad cientfica, desde ese momento entra a formar
parte de la bibliografa existente sobre el tema y, por tanto, ser consultado
por otro investigador que se encuentre en la etapa Revisiones de
investigaciones anteriores.
A los efectos de ampliar la informacin de cada paso, podemos consultar
las siguientes secciones del presente texto.
Para el paso Consultar seccin

1) Seleccin del tema de investigacin. ----
2) Formulacin del problema. 1a
3) Explicitacin del marco terico. ----
4) Revisin de investigaciones anteriores. ----
5) Explicitacin de los objetivos. ----
6) Seleccin del tipo de investigacin. 1c
7) Formulacin de la hiptesis. 4a
8) Identificacin, definicin y clasificacin de las 4b
variables.
9) Categorizacin y operacionalizacin de las 4c
variables.
10) Seleccin de la poblacin. 3a
11) Seleccin de la tcnica de muestreo. 3a
12) Seleccin del tipo de diseo. 7
13) Seleccin de los grupos. 7c
14) Seleccin de los instrumentos de medicin ya ----
construdos.
15) Construccin de los instrumentos de medicin. 4c
16) Recoleccin de datos. 2b
17) Construccin de la matriz de datos. 4d
18) Tabulacin. 4d
19) Graficacin. 4d
20) Obtencin de medidas de posicin y dispersin. 4d
21) Anlisis de los datos. 4e 3b
22) Interpretacin de los datos. 4e
23) Comunicacin de los resultados. 9
14
2. La investigacin exploratoria
a) El significado de explorar
Explorar significa incursionar en un territorio desconocido. Por lo tanto,
emprenderemos una investigacin exploratoria cuando no conocemos el tema
por investigar, o cuando nuestro conocimiento es tan vago e impreciso que
nos impide sacar las ms provisorias conclusiones sobre qu aspectos son
relevantes y cules no. Podemos tener una gran voluntad y entusiasmo para
estudiar la drogadiccin, pero si desconocemos el tema deberemos iniciar un
estudio exploratorio para empezar a conocerlo y familiarizarnos con l, para
precisar mejor el problema que nos interesa resolver, o para comenzar a dar
forma a alguna hiptesis previa que sobre la cuestin tengamos.
Notemos que, como desconocemos el tema, al iniciar la exploracin no
tenemos seguridad respecto de cules son las variables o aspectos
importantes y cules no: influirn sobre la drogadiccin la televisin o el
cine, la estabilidad de la pareja parental, la inestabilidad laboral? No lo
sabemos y por ello, a un estudio exploratorio le exigiremos por sobre todas
las cosas flexibilidad, lo cual implica explorar el mayor nmero de factores
posibles puesto que an no estamos muy seguros de ninguno. Si somos
flexibles en el sentido apuntado evitaremos una bsqueda tendenciosa de
informacin seleccionando solamente aquellas variables que nuestros
prejuicios nos indican, con lo cual descartaremos ciertos otros factores que
podran ser importantes. Si estamos persuadidos que la drogadiccin slo se
debe al color de cabello de las personas, un estudio exploratorio resultar
superfluo toda vez que con l slo buscaremos la confirmacin tendenciosa
de nuestra creencia. Explorar bien una selva es explorar toda la selva, y no
seguir una nica senda. Un mal estudio exploratorio suele echar a perder los
subsiguientes estudios descriptivos y explicativos, con el consiguiente
derroche de tiempo y esfuerzo, ya que partimos de una base equivocada.
En un estudio exploratorio se puede partir de una hiptesis previa, o sea,

podemos tener alguna idea previa sobre qu factores estn vinculados con la
drogadiccin. Pero esta idea vaga es una gua muy general y slo nos sirve para
descartar la influencia de factores tales como si hay o no atmsfera en Jpiter, por
dar un ejemplo; no nos debe servir para descartar otros posibles factores
relevantes (o que podran serlo), tales como la inestabilidad poltica, social o
econmica de los pases donde aparece la drogadiccin.
b) Recoleccin de datos
Si aceptamos nuestra ignorancia, entonces nos decidiremos a explorar el
tema, pero, de qu manera? Fundamentalmente a travs de la recoleccin
de datos, lo cual puede realizarse de varias maneras.
Los datos que buscaremos no son solamente los que figuran en censos y
estadsticas, sino en cualquier otro tipo de bibliografa que, aunque no
15
contenga cifras ni cuadros, nos ayuden a empaparnos del tema. Por ejemplo
libros o artculos que hablen sobre los mtodos de prevencin de la
drogadiccin, sobre procedimientos curativos o sobre teoras psicoanalticas,
conductistas, etc., que den su propia explicacin sobre la cuestin. Podr
tambin buscarse informacin primaria a travs de cuestionarios, entrevistas
o dar un uso exploratorio a test como el de Rorschach. Podremos entrevistar
a toda persona que por uno u otro motivo est inmersa en el tema: un
drogadicto, los padres del drogadicto, un hermano o un amigo, un profesional
experto en la cuestin, un ex-drogadicto, etc.
La entrevista implica hacer preguntas en forma oral, y el cuestionario en forma

escrita. Habitualmente los cuestionarios son standard, o sea, a todos los
informantes se les hacen las mismas preguntas y en el mismo orden, bajo la misma
consigna. Estos cuestionarios podrn ser cerrados, cuando el sujeto simplemente
debe optar entre varias respuestas posibles fijadas de antemano (por ejemplo s,
no, no sabe) o abiertos, donde la persona contesta libremente lo que se le
ocurre.
Para recolectar datos tenemos an una opcin ms pica: podemos

despeinarnos, ponernos una ropa desprolija e ir a convivir con drogadictos en
sus lugares naturales simulando ser uno de ellos. Esto es lo que se llama
observacin participante, y con ella podremos obtener informacin que por
las tcnicas anteriores no fue posible conseguir, sea porque los entrevistados
no se animaron a decirlo, o porque directamente lo desconocan. Pero la
observacin participante tiene tambin su riesgo: encariarnos con la droga o
enamorarnos de una drogadicta podr pervertir nuestra intencin de
objetividad y hacernos olvidar para siempre la metodologa de la
investigacin.
Una ltima tcnica exploratoria consiste en el seguimiento clnico de casos
individuales a lo largo del tiempo: se supone que este camino nos dar una
informacin mucho ms profunda sobre la drogadiccin y sus causas, ya que
nos permite acceder a la infancia del sujeto, a sus ntimas motivaciones y
creencias, y a sus proyectos ms ocultos.
En suma: para explorar un tema relativamente desconocido disponemos
de un amplio espectro de medios para recolectar datos en psicologa y
ciencias sociales: bibliografa especializada, entrevistas y cuestionarios,
observacin participante (y no participante) y seguimiento de casos clnicos.
La investigacin exploratoria terminar cuando, a partir de los datos
recolectados, adquirimos el suficiente conocimiento como para saber qu
factores son relevantes al problema y cules no. En este momento, estamos
ya en condiciones de encarar una investigacin descriptiva.
3. El papel de la estadstica
Antes de examinar la etapa descriptiva de la investigacin, nos convendr
tener una idea general de la estadstica y de cmo se emplea en la actividad
16
cientfica, en la medida en que se trata de una herramienta fundamental que

la matemtica provee al investigador para poder resumir y analizar gran
cantidad de informacin.
Tanto en las investigaciones exploratorias como en las descriptivas y
explicativas, el cientfico no maneja un solo dato sino muchos, sea porque
estudia muchos individuos (las edades de todos los argentinos, o el cociente
intelectual de todos los adolescentes de un colegio), sea porque estudia un
solo individuo sobre el cual se hacen muchas observaciones que
proporcionarn, entonces, muchos datos (las calificaciones que obtiene
Juancito en las distintas asignaturas y a travs de varios aos).
Cuando, como en tales casos, hay que considerar una gran cantidad de
datos, necesitaremos una herramienta para poder organizarlos, analizarlos y
finalmente sacar conclusiones sobre la poblacin o el individuo de donde esos
datos fueron extrados, y este instrumento se llama estadstica. La utilidad de
la estadstica, entonces, no apunta necesariamente al estudio de muchos
individuos (poblacin), sino fundamentalmente al estudio de muchos datos,
sea porque provengan de un solo sujeto o de muchos. No obstante en lo que
sigue explicaremos el trabajo ms usual de la estadstica en ciencias sociales:
el estudio de poblaciones de individuos.
Todos sabemos la diferencia entre individuo y poblacin: una cosa es un
argentino determinado, y otra cosa el conjunto de los habitantes de ese pas.
O tambin: una cosa es la ciudad de Pars y otra el conjunto de todas las
ciudades del mundo, lo que viene a mostrarnos que lo que llamamos
individuo es simplemente un elemento dentro de un todo (poblacin) y que,
para evitar malos entendidos, llamaremos genricamente unidades de
anlisis. En psicologa las unidades de anlisis pueden ser personas, en
psicologa social grupos pequeos, en sociologa sociedades o clases sociales,
en demografa ciudades, en qumica metales, en biologa ratas, etc.
La distincin entre individuo poblacin es importante porque a la
estadstica que aqu vemos no le interesa el individuo aislado sino el conjunto
de la poblacin. Si al estadstico le interesa que Juancito tiene cociente
intelectual 110 es slo para llegar a saber que el promedio de cocientes
intelectuales de la poblacin es de 115 y que, entonces, Juancito est por
debajo de esa media.
La poblacin o universo, definible como el conjunto de todas las unidades
de anlisis, puede ser finita o infinita, segn tenga o no un nmero
determinado de individuos: podemos considerar infinito al conjunto de todos
los individuos posibles segn su combinacin gentica. La poblacin tambin
puede ser real o potencial: una poblacin real es el conjunto de todos los
argentinos mayores de 18 aos y menores de 20, y poblacin potencial es
por ejemplo el conjunto de todas las personas que podran utilizar el
servicio de psicopatologa de un hospital.
17
a) Muestra y muestreo
Nos interesarn, entonces, las poblaciones. Pero aqu surge un problema:
como habitualmente las poblaciones son muy grandes (cuando no infinitas),
no podemos obtener los datos de todos los individuos, y entonces nos
vemos obligados a seleccionar una parte de esa poblacin, que se llama
muestra. La muestra est as a mitad de camino entre el individuo y la
poblacin (aunque en ciertos casos una muestra puede estar constituda por
un solo individuo):
Poblaci
n
Muestra
Individu
o
Obviamente, deberemos asegurarnos de que la muestra sea

representativa de la poblacin: si queremos tomar una muestra de los
habitantes de una ciudad y slo seleccionamos veinte enfermos mentales de
un hospicio, esta muestra no representar adecuadamente a la poblacin. En
cambio si seleccionamos la misma cantidad de sujetos tomando uno de cada
100 de la gua telefnica aqu ya puedo empezar a pensar ms en la
posibilidad de cierta representatividad, pues estn tomados ms al azar.
An as no hay un azar total, pues en la gua no figuran por ejemplo individuos

de clase baja (no tienen telfono), y si nos decidimos por una lista de
empadronamiento para votar, all no figurarn los extranjeros residentes. Un
procedimiento bastante aleatorio, en cambio, consiste en elegir un individuo por
cada manzana.
El tamao elegido para la muestra es tambin importante, y variar de

acuerdo a cada investigacin pudiendo ser el 5%, el 20%, etc., de la
poblacin total. Suele ser difcil elegir el tamao justo, ya que no se puede
18
pecar por defecto (un solo individuo no representa a una ciudad, an

tomndolo al azar) o por exceso (una muestra que sea el 80% de la
poblacin es altamente confiable pero no econmica, ya que con menos
esfuerzo y dinero puede obtenerse una muestra considerablemente ms
pequea sin que vare en forma significativa su grado de representatividad).
El procedimiento por el cual seleccionamos una muestra se llama
muestreo, y clsicamente se los divide en probabilsticos y no probabilsticos.
Lo esencial del muestreo probabilstico es que cada individuo de la poblacin
total tiene la misma o aproximadamente la misma probabilidad de estar
includo en la muestra. Si tomamos una muestra de los habitantes de Londres
considerando uno de cada 100 de un listado alfabtico, la probabilidad que
tiene de haber sido seleccionado el seor Smith es la misma que tiene el
seor Brown o cualquier otro (en este caso, la probabilidad del uno por
ciento).
Hay varias tcnicas para realizar muestreos probabilsticos, y todas se basan en

la seleccin de individuos al azar ya que es ste quien presuntamente garantiza la
equiprobabilidad. El muestreo puede ser: a) simple: partiendo de toda la poblacin
se toman individuos al azar segn diversos procedimientos; b) estratificado:
previamente se seleccionan en la poblacin estratos (por ejemplo clases sociales:
alta, media y baja), y dentro de cada estrato se toman individuos al azar segn el
muestreo simple; c) por reas o conglomerados: se delimitan previamente reas
geogrficas (provincias, ciudades) y dentro de cada una de ellas se toman
individuos al azar segn el muestreo simple o estratificado.
En el muestreo no probabilstico los individuos de la poblacin no tienen

todos la misma probabilidad de aparecer en la muestra, ya que aqu no
hacemos una estricta seleccin al azar sino que tomamos casos tpicos (que
suponemos representativos de la media poblacional) o casos en forma
accidental (los que tenemos ms a mano), etc.
Una vez obtenida la muestra (preferiblemente mediante muestreo
probabilstico), procedemos ahora a hacer una descripcin de la muestra,
para lo cual usaremos ciertas medidas especiales diferentes a las medidas
que usamos para medir individuos. Si queremos describir sujetos individuales
usaremos una medida individual: Juancito tiene cociente intelectual 110, o
Pedrito tiene poco inters en poltica, etc. Pero, si queremos describir una
muestra usaremos lo que se llama una medida estadstica. Por ejemplo, tal
muestra se compone de sujetos cuyo promedio de cocientes intelectuales es
120, o tal otra muestra tiene un 70% de sujetos con poco inters en poltica,
etc. Como vemos, estas medidas estadsticas son verdaderas sntesis o
resmenes de muchas medidas individuales, y un ejemplo tpico es la media
aritmtica, o sea, un simple promedio.
Examinemos como ejemplo dos muestras diferentes, compuestas cada
una por tres individuos, y donde nos interesar describirlas considerando el
factor cociente intelectual:
19
Muestra 1) -----105------------110-----------115------------- (Promedio: 110)

Muestra 2) -----80------------110----------------------140---- (Promedio: 110)
Ambas muestras tienen el mismo promedio y sin embargo, son dos

muestras diferentes! Por lo tanto, solamente un promedio no basta para
describir e identificar adecuadamente una muestra, y deberemos usar una
segunda medida estadstica que nos permita conocer cun lejos o cun cerca
estn los individuos del promedio, o sea, su grado de dispersin. En el
ejemplo vemos que la muestra 1 es menos dispersa ya que los diferentes
valores obtenidos estn muy prximos al promedio, mientras que la muestra
2 es ms dispersa.
Recin cuando se han tomado ambas medidas podemos afirmar que
hemos descripto adecuadamente las muestras, con lo cual no queda
posibilidad de confundirlas con otras. Y an cuando dos muestras puedan ser
distintas porque las componen diferentes individuos, si tienen la misma
media aritmtica y la misma dispersin las consideraremos iguales a los
efectos del anlisis estadstico.
El primer tipo de medida estadstica se llama medida de posicin (o de
tendencia central), y nos est indicando alrededor de qu valor (en el
ejemplo 110) giran todos los valores individuales. El segundo tipo se llama
medida de dispersin, y nos indica cun prximos o alejados estn los
distintos valores del promedio, o sea de la medida de posicin, de lo cual se
desprende que no podremos tomar una medida de dispersin sin antes haber
tomado la correspondiente medida de posicin. Un ejemplo de medida de
dispersin es el desvo standard, que conceptualmente es un promedio de las
distancias de cada valor respecto de la media.
b) Pruebas de significacin
Hasta aqu lo nico que hicimos fue describir una muestra, pero lo que a
la estadstica le interesa en ltima instancia es la poblacin, con lo cual
debemos resolver una segunda cuestin: la representatividad de la muestra.
Es decir, interesa saber hasta qu punto las medidas que describieron la
muestra describen igualmente bien la poblacin de donde la muestra fue
extrada. Ms concretamente: el promedio 110 de la muestra podemos
tambin adscribrselo con confianza a la poblacin? Pasa lo mismo con la
medida de dispersin? Naturalmente que siempre habr un margen de error,
pues si nos animramos a sacar el promedio de la poblacin entera
seguramente no sera exactamente igual al promedio de la muestra. La
cuestin entonces no reside en eliminar esta diferencia, pues es imposible,
sino en poder saber hasta qu punto dicha diferencia se debe solamente al
azar. De comprobar realmente esto, entonces la diferencia no es importante
y concluimos que la muestra s es representativa. Para poder hacer estas
determinaciones nos bastar aqu con saber que la estadstica ha diseado
ciertas pruebas especiales, como por ejemplo las pruebas de significacin.
Son pruebas basadas en el clculo de probabilidades, ya que aqu lo que
20
debemos verificar es si lo concluido respecto de la muestra vale tambin para

la poblacin y con qu grado de probabilidad (pues hay grados de
probabilidad aceptables y no aceptables).
Hay dos tipos de probabilidad: lgica e inductiva. a) Probabilidad lgica: si yo

tengo un dado perfectamente balanceado (o sea que las seis caras tienen la misma
probabilidad de salir), no necesitar arrojarlo para saber qu probabilidad tiene de
salir el nmero 3. Como ya s que tiene seis caras equiprobables, su probabilidad
ser de uno sobre seis (p=1/6). b) Probabilidad inductiva: puede ocurrir, sin
embargo, que el dado no est balanceado, o que yo no sepa si el nmero 3 figura
en dos caras y el 5 en ninguna, etc., y slo s que tiene 6 caras. A priori, o sea
antes de arrojar los dados, en estos casos no puedo saber qu probabilidad tiene el
3 de salir, debido a mi desconocimiento del dado. No obstante tengo un medio de
saberlo: arrojo el dado una gran cantidad de veces (cuantas ms veces mejor) y
voy anotando los nmeros que aparecieron. Si constato que el 3 sali en un 50%
de los casos, entonces puedo conclur que la probabilidad ser de tres sobre seis
(p=3/6=1/2). Este dato no me aclara definitivamente si el dado estaba
desbalanceado o si en realidad en tres de sus caras estaba el nmero 3; slo me
sugiere la probabilidad de aparicin del nmero en cuestin.
En suma: en la probabilidad lgica y debido a que conozco el dado, puedo
calcular qu probabilidad tiene de salir determinado nmero sin necesidad de hacer
ninguna prueba. Es una probabilidad deductiva, puesto que deduzco de los datos
conocidos la probabilidad de cada alternativa. En cambio en la probabilidad
inductiva no conozco la naturaleza del dado, y entonces slo puedo conclur la
probabilidad de aparicin de un cierto nmero siguiendo un razonamiento inductivo,
vale decir, a partir de los casos observados que fui anotando.
Las mismas consideraciones que hicimos con las caras de un dado tambin
podemos hacerlas con los naipes de un mazo y con los individuos de una poblacin.
En estadstica, puesto que generalmente desconocemos la naturaleza de la
poblacin, el tipo de probabilidad empleado es el inductivo.
En este contexto, qu sera lo deseable? Sera que no hubiera diferencia

significativa entre la muestra y la poblacin, y esta situacin deseable es lo
que suele llamarse hiptesis nula(nula porque suponemos que no hay
diferencia significativa entre ambas cosas, con lo cual la muestra pasa a ser
representativa de la poblacin) (24).
Naturalmente que, como toda hiptesis, es una mera suposicin, y por lo
tanto es algo que debemos verificar mediante las mencionadas pruebas de
significacin. Al aplicar estas pruebas podemos cometer dos tipos de errores,
opuestos entre s: a) Error Tipo I, o error del desconfiado, y que consiste en
creer que la muestra no es representativa cuando s lo es (o sea rechazar la
hiptesis nula cuando en realidad es verdadera); y b) Error Tipo II, o error
del ingenuo: creer que la muestra es representativa cuando en rigor no lo es
(o sea aceptar la hiptesis nula cuando en realidad es falsa). Para evitar
ambos errores tomamos las dos precauciones de las que habamos hablado:
considerar un tamao adecuado de la muestra, y tomar los individuos al azar.
21
No sabemos si en realidad existe o no el azar, pero s podemos afirmar con
bastante seguridad que el hombre no puede producir azar absoluto. Si quisiramos
colocar en una serie nmeros al azar, tarde o temprano aparecera alguna
regularidad que hemos incluido inadvertidamente. Si pedimos a una persona que
escriba una secuencia al azar de unos y ceros, casi todos elegirn una secuencia
que alterna con demasiada regularidad. Aunque parezca paradjico, si los ceros y
los unos se mezclan con excesiva uniformidad, deja de ser azar (1). Adems,
cuando pretendemos armar una serie al azar generalmente partimos del prejuicio
de que el azar tiene memoria, y consideramos que si sali tres veces un cero, la
probabilidad de que salga cero la cuarta vez disminuye mucho (y entonces
ponemos un uno). Pero esto es falso: una serie al azar puede incluir muchos ceros
seguidos. Es el prejuicio del jugador de quinielas que le juega al 7 porque
simplemente hace mucho que no sale, y no comprende que cualquier nmero en
cualquier momento tiene la misma probabilidad de salir que cualquier otro.
Tampoco habra azar absoluto si quien arma la serie es una computadora, no
slo porque puede fallar el software (al fin y al cabo es el hombre quien la
programa), sino tambin el hardware (los circuitos electrnicos pueden sufrir algn
desgaste, con lo que empieza a aparecer alguna regularidad en la serie).
Si bien el azar absoluto no existe, ni menos an en estadstica, su empleo
resulta necesario pues hace disminuir la probabilidad de la influencia de ciertas
variables ms que de otras, o sea, el azar procura que ninguna variable est
ejerciendo influencia mucho ms que cualquier otra. Si tomamos una muestra de la
poblacin procuraremos siempre aleatoria, es decir, que los individuos sean lo
ms heterogneos en cuanto a edad, sexo, condicin social, salud mental, etc. No
podra tomar una muestra de la poblacin argentina si est constituida por 1000
mujeres solteras entre 40 y 50 aos y pretender, al mismo tiempo, que esa
muestra sea representativa de toda la poblacin (salvo que la nica poblacin que
nos interese sea el conjunto de todas las mujeres argentinas solteras entre 40 y 50
aos). El azar nos permite asegurar, entonces, hasta cierto punto confiable, la
equidad de los estudios estadsticos.
Por ltimo, no siempre debemos oponer casualidad con causalidad: la
casualidad (o azar) no implica necesariamente la ausencia de causas
(corrientemente, la expresin ocurri por casualidad suele significar ocurri sin
ninguna causa o motivo). Si partimos de una cosmovisin causalista, cosmovisin
en la cual se basa habitualmente la ciencia, cuando decimos que un determinado
acontecimiento ocurri por azar queremos solamente decir que est influenciado
por una gran cantidad de factores causales, muchos de los cuales son desconocidos
para nosotros y sin que prevalezca ninguno en especial.
c) Etapas de la estadstica
Podemos resumir todo lo dicho indicando cules son las dos etapas de la
investigacin estadstica: a) la estadstica descriptiva, que busca seleccionar
una muestra y luego describirla adecuadamente mediante medidas de
posicin y dispersin; b) la estadstica inductiva o inferencial, que busca
extender lcitamente nuestras conclusiones sobre la muestra a toda la
poblacin. Obviamente, el problema central de esta segunda etapa ser saber
hasta qu punto las medidas de la muestra describen tambin a la poblacin.
Si sabemos que la media de una muestra es 110, hasta qu punto esta
media ser tambin aplicable a la poblacin?
22
La estadstica descriptiva debe preocuparse de si la muestra est o no

bien descripta a partir de los datos de los individuos, mientras que la
estadstica inductiva se preocupar de establecer la representatividad de la
muestra respecto de la poblacin. Ms generalmente, la primera es
eminentemente descriptiva y no ampla mayormente nuestro conocimiento:
mas bien lo resume mediante las medidas estadsticas. En cambio la segunda
s ampla nuestro conocimiento pues lo extiende (con cierto margen de error)
a toda la poblacin. De aqu que tenga un carcter predictivo, pues
conociendo la muestra, puedo predecir hasta cierto punto confiable cmo
habr de ser la poblacin
La tarea central de la investigacin cientfica consiste en proponer
explicaciones acerca de la realidad (hiptesis), y luego probar sus
consecuencias empricamente. El presente texto trata acerca de los pasos
concretos que habitualmente da el cientfico cuando realiza una investigacin
en ciencias sociales.
Esta tarea comienza con un problema solucionable que se plantea el
cientfico. Para poder resolverlo, se traza un plan llamado esquema de
investigacin, consistente en recolectar, organizar y analizar datos
combinndolos entre s, con la intencin de hallar una respuesta al problema
original. Hay varios tipos de esquemas: experimentales, no experimentales,
de laboratorio, de campo, etc, aunque los ms relevantes a los efectos de la
organizacin de este texto son aquellos que coinciden con las tres etapas de
la investigacin cientfica: los esquemas exploratorio, descriptivo y
explicativo.
En el estudio exploratorio el cientfico buscar informacin para
compensar su desconocimiento del tema y familiarizarse con l. La actitud
deseable es la flexibilidad en la seleccin de la informacin, y la tarea central
es la recoleccin de datos mediante observacin, cuestionarios, entrevistas,
etc. La exploracin culmina con la seleccin de una serie de factores o
variables ahora considerados relevantes. Antes o despus del estudio
exploratorio el cientfico podr o no haber formulado alguna hiptesis
preliminar para comenzar a dar respuesta al problema que origin la
investigacin.
En la investigacin descriptiva se comienza a trabajar con las variables
seleccionadas en la etapa anterior. Cada una de ellas se categoriza y
operacionaliza, y luego se procede a obtener datos de una muestra
seleccionada, organizando la informacin en tablas, medidas estadsticas o
grficos. A continuacin se procede al anlisis de los datos o anlisis de
correlacin, con el fin de determinar si hay o no asociacin estadstica entre
las variables consideradas. A partir de aqu el investigador culmina su estudio
descriptivo en cualquiera de dos caminos: o bien emprende un anlisis de
regresin (con el nico fin de poder predecir acontecimientos sobre la base
de la correlacin constatada), o bien deja planteada la posibilidad de que
dicha correlacin implique un vnculo causal (es decir, esboza una hiptesis
causal), o tambin que, a pesar de esa correlacin, no hay tal vnculo.
23
En la etapa explicativa, el cientfico intentar probar o bien que el vnculo

causal existe (prueba de confirmacin), o bien que no existe (prueba de
refutacin). Para las pruebas de confirmacin se suelen utilizar diseos
experimentales bivariados (de los cuales explicamos seis tipos) o
multivariados (de los cuales explicamos el cuadrado latino). Respecto de las
pruebas de refutacin, hemos mencionado algunos ejemplos de pruebas de
espureidad.
Cuando el investigador concluye su tarea en cualquiera de las tres etapas,
suele confeccionar un informe para dar a conocer su indagacin a la
comunidad cientfica con el fin de evitar repeticiones, trazar comparaciones y
servir como fuente de inspiracin de nuevos trabajos.
Para quienes estn interesados en entender cules son concretamente los
pasos que sigue una investigacin tpica en ciencias sociales, hemos tambin
incluido en este texto un plan orientativo que describe, mediante un ejemplo,
las etapas de la misma.
Finalmente, hemos tambin incluido una introduccin a la estadstica y a
la medicin, dos herramientas indispensables de la investigacin. La
estadstica nos permite en una primera etapa organizar y analizar una gran
cantidad de informacin (estadstica descriptiva), y luego extender estas
conclusiones ms all del restringido mbito de los datos ya conocidos
(estadstica inferencial). Por su parte, la medicin es un procedimiento que
nos permite conocer cmo varan los fenmenos en el mundo real tanto en
calidad como en cantidad, lo cual es muy importante porque es gracias a que
existen variaciones que dependen de otras variaciones, que podemos
organizar nuestro conocimiento del mundo.
4. La investigacin descriptiva
Sabemos ya, por los resultados de la indagacin exploratoria, qu
aspectos son importantes o relevantes y cules no respecto del tema
estudiado. Tras haber aumentado as nuestro conocimiento sobre la
drogadiccin, sabemos ahora que los aspectos relevantes son por ejemplo la
desercin escolar, la zona de residencia y la edad, y sabemos que son mucho
menos importantes la raza, la inteligencia y el sexo. Todo esto lo hemos
llegado a saber en forma intuitiva a partir de los datos que fuimos
recolectando en el estudio exploratorio y, si tenemos la suficiente confianza
en nuestra intuicin (pues a veces falla), podremos adoptar la decisin de
considerar unos factores y rechazar otros. Pero ante la duda, convendr
seguir manteniendo en nuestro plan los factores sospechosos de ser
irrelevantes: en todo caso la duda quedar aclarada en la investigacin
descriptiva.
a) Hiptesis
Al comenzar el estudio descriptivo no slo ya hemos aumentado nuestro
conocimiento del tema sino que adems, y como consecuencia, hemos
24
reducido o achicado el nmero de posibles factores relacionados con la

drogadiccin. Por lo tanto, podemos empezar a dar forma aqu a nuestra
propia hiptesis sobre qu aspectos influyen sobre la adiccin a las drogas.
Comenzaremos por establecer qu es una hiptesis, cmo debemos
formularla, y cules son sus elementos constitutivos.
En una primera aproximacin intuitiva, diremos que una hiptesis no es
una pregunta sino una respuesta, una respuesta a un problema, un intento
de explicacin. Cotidianamente solemos formular hiptesis sin ser cientficos.
Si alguien no lleg a la cita (problema) buscamos alguna hiptesis para
explicar esta situacin (aunque se llame "excusa" si la explicacin la da el
impuntual): haba huelga de transportes, tuvo un accidente, se qued
dormido leyendo este libro, etc. Son todas respuestas tentativas que despus
podrn verificarse o no, segn nuestras ganas.
Pero el cientfico tambin inventa hiptesis; de hecho, su tarea central
consiste en formularlas y luego probarlas. Por ejemplo frente al problema de
porqu existe el dolor, puede ocurrrsele la hiptesis de que el dolor es un
aviso natural de alguna enfermedad para alertar al sujeto y poder combatirla.
As como las preguntas suscitan respuestas, as tambin los problemas
suscitan hiptesis.
En una segunda aproximacin ms tcnica, una hiptesis es una
proposicin general, sinttica y verificable. Esta definicin nos dice que ante
todo una hiptesis es una proposicin, o sea una afirmacin (o negacin)
acerca de algo. Cuando simplemente decimos aprendizaje no estamos
afirmando ni negando nada, pero cuando decimos que el aprendizaje es
estimulado con premios aqu s ya estamos afirmando algo (2). Aunque
tambin una negacin es una proposicin (el aprendizaje no es estimulado
por premios), lo habitual en la ciencia es la formulacin de hiptesis en
forma positiva o afirmativa.
La proposicin hipottica debe adems ser general: suponemos y
pretendemos que es aplicable a todos los individuos (incluso a los que an no
conocemos, con lo que la hiptesis tiene tambin un carcter predictivo). El
anterior ejemplo sobre el aprendizaje es una proposicin general; en cambio,
"Juancito aprende ms cuando es premiado" es singular, y en este sentido no
es una hiptesis. A lo sumo podr ser una proposicin deducible de una
hiptesis ("el aprendizaje aumenta con los premios") cuando no el resultado
de una observacin. El requisito de la generalidad deriva de una exigencia del
conocimiento cientfico que dice que tiene que ser general pues esto no slo
aumenta nuestro saber sobre la realidad sino que adems, al ser predictivo,
tiene una mayor utilidad prctica.
La hiptesis tambin debe ser una proposicin sinttica. De acuerdo con
cierta clasificacin de inspiracin kantiana (21), las proposiciones pueden ser
analticas, contradictorias y sintticas.
Las proposiciones analticas son siempre verdaderas: "lo que es, es", o "el
tringulo tiene tres ngulos", etc. Las proposiciones contradictorias son siempre
falsas: "una empanada no es una empanada", "un cuadriltero tiene cinco lados",
25
etc. Lo caracterstico de estas proposiciones es que sabemos su verdad o su
falsedad simplemente por el examen de la misma proposicin, con lo que no
necesitamos confrontarlas con la realidad: no necesitamos observar un tringulo
para saber que tiene tres ngulos, porque la misma expresin "tringulo" ya lo
dice.
Si en las proposiciones analticas (o contradictorias) tenemos siempre la
certeza de su verdad (o falsedad), en las proposiciones sintticas no
podemos saber de antemano (o "a priori", que es ms elegante) si son
verdaderas o falsas. Por ejemplo "el lpiz es azul", o "la frustracin genera
agresin". Puesto que no conocemos su verdad o falsedad, requerirn
entonces ser verificadas empricamente, lo que constituye otra de las
caractersticas de una hiptesis.
Pero para poder verificar una proposicin sinttica esta deber ser,
obviamente, verificable. "Lucifer vive en el infierno" es una proposicin
sinttica pues no sabemos de antemano si esto es cierto o no, pero no es
verificable pues no contamos con ninguna experiencia que pueda probarlo.
Recordemos que una hiptesis es una respuesta a un problema, y si
queremos que ste sea solucionable deberemos buscar una respuesta
verificable. "La frustracin genera agresin" s es verificable, por ejemplo
dando a las personas ciertos problemas para resolver (que en realidad son
insolubles) y luego ver si nos tiran con el problema por la cabeza o no. Es
entonces posible administrar estmulos frustrantes y observar luego si
aparecen o no respuestas agresivas.
Resumamos otras caractersticas de las hiptesis: a) Relevancia: la hiptesis

procura dar explicaciones "esperables" de acuerdo al contexto donde se trabaja. En
un contexto cientfico no puedo afirmar como hiptesis que "la neurosis se debe a
que existe el universo". Indudablemente esto no carece de sentido, porque si no
habra universo no habra personas y por lo tanto tampoco neurticos, pero sta no
es la explicacin esperable en un contexto psicolgico. Del mismo modo, en el
contexto de la qumica sera irrelevante explicar un incendio diciendo que se debi a
que se quera cobrar el seguro. La explicacin relevante en el mismo contexto es
aportada por la teora de la combustin. b) Multiplicidad: habitualmente se
proponen varias hiptesis para resolver un problema, y luego se va haciendo una
seleccin sobre la base de los elementos de juicio a favor o en contra de cada una
de ellas. Hempel (3) cita un ejemplo donde para resolver el problema de por qu
las mujeres parturientas contraan la fiebre puerperal, se haban propuesto seis
hiptesis alternativas. c) Simplicidad: dadas dos hiptesis alternativas que fueron
ambas verificadas con la misma fuerza, se tiende a preferir la ms simple, o sea,
aquella que con los mismos elementos explica ms, o aquella que muestra una
realidad ms armnica y uniforme, o hasta incluso aquella que resulta
psicolgicamente ms entendible. Tras la aparente complejidad de su indagacin, el
cientfico trata de buscar la solucin ms sencilla.
Respecto del modo cmo deben formularse las hiptesis, tenemos

basicamente dos variantes: las hiptesis de correlacin y las hiptesis
causales. Las primeras tienen pocas pretensiones, pues se limitan a afirmar
que hay una cierta correlacin entre dos o ms factores, como cuando
26
decimos que "a mayor cohesin grupal mayor eficacia laboral". Esta hiptesis
me dice que cuanto ms unido es un grupo mejor trabaja, o sea me informa
que los factores cohesin y eficacia estn altamente correlacionados: cuando
aumenta uno tambin aumenta el otro. Pero cuidado: la hiptesis no dice
explcitamente que un factor sea la causa del otro (aunque podamos
suponerlo ntimamente o leerlo entre lneas), o sea que explcitamente no
est formulada como hiptesis causal. Hubiera sido as si hubisemos dicho
"la causa de la eficacia laboral es la cohesin grupal", o "la cohesin grupal
determina la eficacia laboral", donde la expresin "determina" ya sugiere en
forma explcita la idea de un vnculo causa-efecto. La correlacin podr ser
directa (ambos factores aumentan, o ambos disminuyen), o inversa (uno
aumenta y el otro disminuye, o viceversa).
Las hiptesis causales tienen mayores pretensiones: no solamente afirman
que dos factores se encuentran correlacionados sino que adems arriesgan la
idea que hay un vnculo causal entre ellos, o sea uno es la presunta causa y
el otro el efecto. Las hiptesis del tipo "la cohesin grupal es la causa de la
eficacia laboral"son claramente explicativas (explican la eficacia a partir de la
cohesin), mientras que las hiptesis de correlacin son mas bien
descriptivas, pues resumen las observaciones realizadas sobre cierta cantidad
de grupos donde se constat una cierta regularidad entre la cohesin y la
eficacia.
Normalmente, las hiptesis de correlacin van surgiendo en el transcurso
de una investigacin descriptiva, pero a medida que avanza esta descripcin
el investigador puede ir alimentando la sospecha de que entre ciertos
factores no slo hay una correlacin sino tambin una relacin causal. La
investigacin descriptiva, como veremos, termina con la formulacin de una
hiptesis causal, que luego deber ser probada mediante una investigacin
explicativa.
Puede tambin ocurrir que el cientfico alimente primero la sospecha de un

vnculo causal, en cuyo caso el paso posterior ser hacer una investigacin
descriptiva para constatar si hay o no correlacin, as como su grado o fuerza,
como paso previo para probar definitivamente el vnculo causal en el estudio
explicativo. De aqu que a veces se diga que en una investigacin descriptiva (y an
en una exploratoria) se puede o no partir de hiptesis previas.
b) Conceptos: constantes y variables

Examinaremos ahora los elementos constitutivos de una hiptesis,
partiendo del siguiente ejemplo: "En la provincia de Buenos Aires, a mayor
densidad poblacional menor solidaridad entre los habitantes". En esta
hiptesis los elementos que la componen son tres: "rea geogrfica",
"densidad poblacional" y "solidaridad", y los llamamos conceptos.
Para lo que aqu nos interesa, los conceptos son ante todo propiedades o
caractersticas de los sujetos o las poblaciones que estamos estudiando (o
sea, propiedades de las unidades de anlisis). Por ejemplo, tal sujeto o tal
27
poblacin tiene la propiedad de estar en tal zona geogrfica, con lo cual "zona
geogrfica" es un concepto. Del mismo modo tambin son propiedades de
una poblacin su densidad o su grado de solidaridad.
Los conceptos tienen diferentes grados de abstraccin: "sexo" o "raza"
son propiedades directamente observables, pero hay conceptos ms
abstractos como "aprendizaje", "personalidad" o "inteligencia". Estos no son
directamente observables (son hipotticos o tericos) salvo a travs de otras
propiedades ms empricas o menos abstractas: "inteligencia" puede
observarse mediante otros conceptos como "aptitud para la suma aritmtica"
o "habilidad para armar rompecabezas".
No debemos confundir el concepto con el trmino: el primero es una idea,
mientras que el segundo es una mera palabra. Muchas teoras utilizan el
mismo trmino como por ejemplo, "transferencia", pero cada una lo
conceptualiza de diferente manera y entonces son conceptos diferentes: una
cosa es la transferencia en el psicoanlisis, otra en las teoras del
aprendizaje, otra el ARN de transferencia en biologa, y an fuera de un
contexto cientfico tambin puede significar el trmite de cambio de
titularidad de un vehculo. Otro tanto podemos decir del trmino
"resistencia", que puede apuntar a un concepto fsico como a uno
psicoanaltico.
Si bien utilizamos conceptos en la vida cotidiana ("golosina", "alegra"), y los

hay tambin en la filosofa ("ente", "alma"), los conceptos que aqu nos interesan
son aquellos que pueden ser tratados cientficamente, para lo cual deben reunir dos
requisitos: a) deben poder observarse y medirse. Los conceptos abstractos no son
directamente observables, pero si podemos traducirlos a otros conceptos ms
empricos entonces s son cientficos. Precisamente al poder observarlos puedo
tambin medirlos. Medimos "inteligencia" a travs de la medicin de la "habilidad
para el clculo aritmtico"en un test. Para poder transformar un concepto terico
en conceptos empricos hago una operacionalizacin, proceso que describiremos
ms adelante; b) deben estar vinculados con otros conceptos a travs de una
hiptesis. "Solidaridad" como concepto aislado no es tratable cientficamente, salvo
que lo relacionemos con "densidad poblacional", o con "raza", etc. La hiptesis
permite al investigador relacionar conceptos entre s para determinar cmo varan
unos en funcin de otros y, de esta manera, ampliar y profundizar su comprensin
de la realidad.
Para algunos autores (4), si un concepto rene los dos requisitos apuntados
entonces puede usrselo en la investigacin cientfica y recibe el nombre de
"constructo".
Sin embargo, en una hiptesis no todos los conceptos funcionan de la

misma manera, y as, encontraremos bsicamente dos tipos de conceptos, a
los que se suele llamar constantes y variables.
Una constante es todo concepto que no sometemos a variacin en una
determinada investigacin: precisamente lo mantenemos constante. En
nuestro ejemplo anterior "rea geogrfica" es una constante, ya que en la
hiptesis queda claro que investigamos solamente poblaciones de Buenos
28
Aires, y no de Entre Ros o Catamarca. Al mantenernos slo en Buenos Aires

mantenemos constante el rea geogrfica. Constantes habituales en la
investigacin cientfica son las constantes espaciales (como "rea
geogrfica") y las temporales (como "ao").
Lo que en una determinada hiptesis puede funcionar como constante, en
otra hiptesis puede no hacerlo. Consideremos estas dos hiptesis: "En 1988,
el ndice de drogadiccin aument con la desercin escolar", y "Los ndices de
drogadiccin fueron aumentando en los ltimos aos". El concepto "ao"
funciona como constante en la primera hiptesis, porque lo mantenemos en
un valor fijo (1988); pero en la segunda no es constante pues lo sometemos
a variaciones (1986, 1987, 1988, etc.).
Precisamente llamaremos variable a todo concepto que esperamos que
vare a lo largo de una investigacin determinada. En nuestro primer ejemplo
variables son la "densidad poblacional" y la "solidaridad", ya que si
sometemos a variacin la densidad poblacional es esperable una variacin
correlativa de la solidaridad. Cmo sabemos que han variado? Porque las
hemos medido, y esta es la razn de la importancia de la medicin en la
investigacin cientfica. Obviamente podemos llevarnos una sorpresa: hemos
variado la densidad poblacional pero resulta que no vari la solidaridad. Esto
no quiere decir que solidaridad deje de ser variable, pues lo esencial de una
variable es ser un concepto sobre el cual recae una expectativa de variacin.
Si en la hiptesis anterior "densidad poblacional" funcionaba como
variable, en otra hiptesis puede funcionar como constante, como en el caso
siguiente: "En zonas de igual densidad poblacional, a mayor homogeneidad
de razas mayor solidaridad", lo cual demuestra que un concepto no es en s
msmo ni constante ni variable: esto lo habr de decidir la hiptesis donde lo
inclumos, o sea, el propsito de nuestra investigacin.
De entre las muchas clasificaciones de variables que existen hemos
seleccionado cinco, de las cuales la ltima ser la ms importante pues sobre
ella basaremos gran parte del presente libro.
CLASIFICACIN DE VARIABLES
Segn Simples (manifiestas)
complejidad Complejas (latentes)
Segn Activas
manipulacin Asignadas
Segn ubicacin Organsmicas
Situacionales
Segn medicin Cualitativas
Cuantitativas (estas pueden ser discretas y continuas)
Segn funcin Relevantes: Dentro de las relevantes encontramos las
independientes (X), las dependientes (Y), y las
adicionales (stas ltimas pueden ser antecedentes,
intervinientes y contextuales).
No relevantes
29
Segn su grado de complejidad, las variables pueden ser simples y

complejas. Las primeras pueden observarse y medirse directamente,
mientras que las segundas son ms tericas y slo pueden observarse y
medirse indirectamente traduciendo sus trminos abstractos a trminos
empricos. "Inteligencia" es variable compleja pues slo puede medirse a
travs de sus indicadores empricos, como por ejemplo "aptitud para
comprender refranes". Ms adelante, al hablar del proceso de
operacionalizacin, volveremos a caracterizar variables complejas como
aquellas constitudas por varias dimensiones, y variables simples como las
que no tienen dimensiones. De acuerdo con otras nomenclaturas, las
variables simples se llaman tambin manifiestas, y las complejas latentes.
Segn el grado de manipulacin ejercido por el investigador sobre las
variables, stas podrn ser activas o asignadas segn que sean manipuladas
o no, respectivamente, entendiendo por manipulacin la accin que realiza el
investigador de cambiar sus valores a voluntad. La edad suele ser una
variable de fcil control, ya que el investigador puede agrupar personas de
acuerdo a su edad en forma sencilla. Pero si intenta agrupar personas con la
misma motivacin podr tener dificultades debido a su desconocimiento de
las motivaciones de las diferentes personas para estudiar, jugar, aprender,
etc. "Motivacin" es as una variable asignada o de difcil control, salvo que el
investigador pueda "despertar" la motivacin y regularla sobre la base de
premios o castigos, en cuyo caso pasa a ser una variable activa. La distincin
entre variables activas y asignadas es importante por cuanto, como veremos,
la gran tarea del investigador es la de manipular variables.
No debe confundirse la manipulacin con el control. La manipulacin se
ejerce sobre las variables independientes, pues son stas las que el
investigador vara a voluntad para ver si se produce alguna variacin en la
variable dependiente. Mientras tanto, las otras variables adicionales que
podran estar tambin influyendo sobre sta ltima deben ser controladas,
es decir, se intentar evitar su influencia. En suma: las variables
independientes se manipulan, la variables adicionales o extraas se
controlan, y finalmente las variables dependientes se miden (para saber si
sufri alguna variacin por efecto de la variable independiente).
Segn su ubicacin, las variables pueden ser organsmicas y situacionales.
Las primeras son propias del sujeto (temperamento, tolerancia a la
frustracin, etc.), mientras que las segundas son ms propias del ambiente o
la situacin que rodea al sujeto (clima poltico, clima meteorolgico, tipo de
tarea a realizar, etc.). Ciertas variables como "inteligencia"son lo
suficientemente complejas como para inclur aspectos organsmicos (factores
genticos, maduracin nerviosa) y aspectos situacionales (alimentacin,
estimulacin recibida). No obstante, en cada teora puede predominar la
concepcin organsmica o la situacional de inteligencia: para el conductismo
ortodoxo, inteligencia es una variable eminentemente situacional en tanto
considera que una persona es ms o menos inteligente segn el ambiente y
los estmulos que en l se generan.
30
Segn el nivel de medicin empleado para medir las variables, stas

pueden ser cualitativas o cuantitativas. Toda variable tiene distintas
posibilidades de variacin: "religin" tiene como posibles variaciones
"catlico", "protestante", "judo", etc., y la variable edad admite variaciones
como "10 aos", "11 aos", etc. Las primeras se denominan cualitativas y las
segundas, al expresarse numricamente, son cuantitativas. Aqu los nmeros
no deben ser simples etiquetas, como los que identifican a los jugadores de
ftbol, sino que deben poder servir para realizar sumas, restas, etc. Otras
variables cualitativas son por ejemplo "partido poltico", "sexo", etc., y
variables cuantitativas son tambin "cantidad de hijos", "peso", etc.
Las variables cuantitativas pueden a su vez ser continuas y discretas, lo
que en ltima instancia depender de la decisin del investigador. As, la
variable "edad" ser considerada discreta si sus valores remiten slo a
nmeros enteros: 20, 21, 22 aos., etc., y ser considerada continua si sus
valores pueden ser enteros y fraccionarios (edades en aos, meses y das).
En las variables continuas es siempre posible agregar otro valor entre dos
valores dados cualesquiera.
Tambin depende de una decisin del investigador considerar una misma
variable como cualitativa o cuantitativa, segn su criterio. Si considera para
"altura" los valores "alta", "media" y "baja" la estar tomando como
cualitativa; no as si selecciona los valores "1,60", "1,70", etc. El importante
requisito de exactitud que debe regir toda investigacin nos har preferir
siempre que se pueda el nivel cuantitativo.
Llegamos ahora al criterio ms importante y ms utilizado para clasificar
variables: segn su funcin en el contexto de la investigacin. Si bien esta
clasificacin vara mucho de un autor a otro, propondremos aqu una que nos
parece lo suficientemente completa.
Primeramente encontramos variables relevantes y no relevantes. Estas
ltimas, que sern descartadas por el investigador son aquellas que, a juicio
de ste, no influyen en la investigacin que est realizando, o al menos
existen razonables elementos de juicio como para eliminarlas. Podemos
pensar que la dureza de los minerales no influye para nada sobre el humor de
las personas, salvo que nos arrojen una piedra por la cabeza.
Las variables relevantes son aquellas que s consideraremos en la
investigacin, sea porque son las variables que queremos estudiar
directamente (la independiente y la dependiente), sea porque sospechamos
que estn ejerciendo algn tipo de influencia que deseamos medir para
controlarlas y eventualmente anularlas (variables adicionales). As por
ejemplo, si estamos indagando la influencia del ruido sobre el estrs,
podemos sospechar que tambin acta una variable adicional, el tipo de
ocupacin, que tambin influira sobre el estrs. Para controlarla y anular su
influencia procuraremos que los sujetos sean lo ms heterogneos posible en
cuanto a sus respectivas ocupaciones.
Hipotticamente, en el medio de nuestra investigacin podemos empezar
a darnos cuenta que el ruido no tiene nada que ver con el estrs, sino la
31
ocupacin. Si entonces nos proponemos estudiar la influencia de sta ltima

sobre el estrs, entonces la variable adicional pasar a ser una variable
independiente, y ruido de ser variable independiente pasar a ser una
variable no relevante.
Llamaremos variable independiente a aquella que supuestamente acta
como causa (por ejemplo el ruido). En cambio la variable dependiente es el
efecto (el estrs). Si se la denomina dependiente es slo porque suponemos
que "depende" de la independiente. Por convencin universal a la variable
independiente se la designa X y a la dependiente Y, con lo cual la relacin
entre ambas variables puede expresarse del siguiente modo:
X -----------> Y
Esta expresin, tan sencilla como fundamental, significa que X es la

supuesta causa de Y ("supuesta" porque no necesariamente tuvo que haber
sido probada, como ocurre en los preliminares de la investigacin). A la
variable X se la suele llamar tambin variable experimental, porque es
aquella variable que manipular o har variar el investigador para ver si
tambin vara Y. As por ejemplo el cientfico producir diferentes
intensidades de ruidos (vara X) para comprobar si en la misma medida vara
tambin el estrs (variacin de Y). Observemos que no hace variar
directamente Y, sino indirectamente actuando sobre X. En sntesis: el
investigador acta sobre X, y X eventualmente actuar sobre Y.
Vale la reiteracin por ser una relacin importante: la variable
dependiente es aquella que depende de la independiente. En la hiptesis que
dice que "nuestra impresin de las personas depende de cmo hablan" se
est considerando que la impresin es la variable dependiente y el modo de
hablar la variable independiente.
En el caso anterior es el mismo enunciado de la hiptesis el que nos est
indicando explcitamente qu variable depende de la otra. Puede ocurrir sin
embargo que nos presenten dos variables aisladas -no vinculadas mediante
una hiptesis- como por ejemplo "edad" y "memoria". En estos casos la
mejor forma de saber cul es cul es hacernos interiormente la pregunta
"cul depende de cul?". Obviamente, tiene ms sentido decir que la
memoria depende de la edad, que decir que la edad depende de la memoria.
Esto ltimo puede funcionar como chiste, como cuando a una persona le
preguntamos su edad y hace que no se acuerda.
La cuestin puede complicarse cuando nos dan estas otras dos variables:
"clase social" e "inteligencia". Aqu cualquiera de las dos puede funcionar
como variable depediente o independiente, segn qu sea lo que nos interese
investigar.Tiene tanto sentido decir que la inteligencia depende de la clase
social (pues las clases ms altas alimentan mejor y dan ms estimulacin a
sus nios, con lo que estos desarrollarn mayor inteligencia), como decir que
la clase social depende de la inteligencia (sujetos ms inteligentes tienen
32
mayores posibilidades de escalar clases sociales). Otro tanto podemos decir

con respecto a las variables "cantidad de ensayos" y "nmero de errores".
El esquema simple X-------->Y nos sugiere la idea que los fenmenos
obedecen a una nica causa. Al respecto, se pueden sustentar tres posiciones
distintas:
a- Todo fenmeno tiene una sola causa.

b- Algunos fenmenos se deben a una sola causa, pero otros a varias.
c- Todo fenmeno responde a muchas causas.
El sentido comn sostiene habitualmente la primera postura. En nuestra

vida cotidiana solemos basarnos en este supuesto cuando afirmamos o
creemos en enunciados tales como "coma manzanas y adelgazar", o "si
estoy enojado se debe simplemente a que usted me hizo enojar", etc., o bien
"no aprob el examen porque el profesor se ensa conmigo". Si nos
mantenemos en esta ilusin de la nica causa se debe probablemente a que,
entre otras razones, en nuestra fantasa podremos controlar la ocurrencia o
la no ocurrencia de los acontecimientos controlando un solo factor, o sea de
la forma ms sencilla. Si yo pienso que me resfri simplemente porque me
desabrigu, podr supuestamente controlar el resfro abrigndome bien.
La psicologa conoce bien esta tendencia. De Vega refiere que el hombre
de la calle utiliza un principio de parsimonia intuitivo cuando busca
explicaciones causales a los fenmenos. Tendemos a sobreestimar el valor de
las atribuciones unicausales, a conformarnos con una sola causa plausible,
minimizando otras causas concurrentes (23).
Sin embargo, cuando empezamos a advertir que las cosas no son tan
sencillas empezamos a sostener insensiblemente la segunda postura, pero la
tercera posicin ya es sustentada por la actitud cientfica. Aos de
investigaciones ensean que la realidad es bastante ms compleja de lo que
se supone y que cualquier fenmeno, por simple y anodino que parezca,
obedece a muchas causas que actan conjuntamente para producirlo. Uno
podra pensar que la rotura de un vidrio tiene una sola causa: la piedra que
hemos arrojado contra l. Este acontecimiento obedece sin embargo a
muchas razones que intervienen simultneamente: el arrojar la piedra, la
dureza y la trayectoria de la misma, su velocidad, la fragilidad del vidrio,
nuestro propio instinto de agresin, etc. etc. Conoc un nio que habiendo
roto una ventana, se justific diciendo "qu culpa tengo yo si el vidrio es
frgil". Podra tambin haber dicho, apelando a otra posible causa, "qu culpa
tengo yo si el vidrio se interpuso en la trayectoria de la piedra".
Pero si el cientfico sostiene la tesis de la policausalidad, por qu
entonces se plantea habitualmente el simple esquema X Y? Podemos citar
dos razones importantes: a) es imposible poner a prueba simultneamente
todas las causas posibles (entre otras cosas porque las desconocemos), por
lo que el cientfico decide probar uno por uno cada factor causal en
investigaciones separadas e independientes sobre la base del esquema antes
33
indicado; b) al cientfico suelen interesarle, por razones prcticas, slo ciertos

factores que est en condiciones de controlar. En la causacin de la neurosis
intervienen muchas causas, entre las que podemos citar los factores
constitucionales heredados y los conflictos sexuales no resueltos de la
primera infancia. Como por ahora, y dado el relativamente exiguo avance de
la ingeniera gentica no se puede influr en los genes para evitar la neurosis,
cientficos como Freud se abocaron al estudio de la causalidad sexual infantil,
cosa que s es posible controlar o influenciar mediante una educacin
adecuada. Conciente de la necesidad de adoptar un punto de vista
policausalista, el creador del psicoanlisis se refiri tambin a los factores
constitucionales, pero slo se limit a mencionarlos.
No obstante lo dicho, el simple esquema X Y admite una complejizacin
ms. Si bien no se pueden investigar simultneamente todas las causas
posibles, mediante diseos ms complejos podemos estudiar unas pocas
causas al mismo tiempo, con lo cual resultan dos esquemas de investigacin:
X
1
X Y Esquema X Y Esquema
bivariado 2 multivariado
X
3
Las investigaciones ms simples son bivariadas: consideran solamente la

variable independiente X (posible causa) y la variable dependiente Y (efecto).
Tal es el caso del abordaje de hiptesis como "la memoria depende de la
edad", "ambientes con msica aumentan el rendimiento laboral", etc., o de
aquellas otras que la divulgacin cientfica suele expresar ms literariamente
como "el mal humor es una hormona" y "la tristeza atrae a los virus" (5).
En cambio, ejemplos de investigaciones multivariadas son la indagacin
simultnea de la edad, el sexo y la situacin familiar como posibles causas de
la drogadiccin. O la msica, el color de las paredes y la temperatura
ambiente como posibles factores que influyen sobre el rendimiento laboral.
Tanto en estos esquemas como en los simples bivariados, siempre la variable
dependiente es una sola, y lo que s puede variar es el nmero de posibles
causas o variables independientes tomadas en consideracin.
Por supuesto que tericamente cabe tambin la posibilidad de investigar
simultneamente dos variables dependientes (dos efectos) de una nica
causa, como sera el esquema:
34
Y
1
X
Y
2
Tal es el caso del enunciado "el ruido produce estrs y tambin

hipoacusia", pero en estas situaciones deberemos desglosar el enunciado en
dos hiptesis diferentes ("el ruido produce estrs" y "el ruido produce
hipoacusia") y emprender dos investigaciones diferentes y bivariadas, con lo
que volvemos al primer esquema simple. Y si bien es posible tambin
desglosar una investigacin bivariada en varias bivariadas, si se prefiere la
primera es porque ahorra tiempo y esfuerzo o porque no es posible separar
en la realidad la influencia de las otras posibles causas.
Veamos algunos ejemplos de relaciones X-Y, o sea de posibles vnculos
causales:
Edad Memoria Incentivo Rendimiento

Nivel econmico Hbitos alimenticios Nivel Inteligencia
socioeconmico
Area geogrfica Drogadiccin Cantidad de Nmero de
ensayos errores
Mtodo de Rapidez del Desercin Drogadiccin
enseanza aprendizaje escolar
Proximidad Voto decidido Frustracin Agresin
elecciones
Padres separados Desercin escolar Drogadiccin Soledad
En los ejemplos de la segunda columna la relacin causal puede darse en

cualquiera de ambos sentidos: si bien es cierto que el incentivo aumenta el
rendimiento, un mejor rendimiento puede a su vez funcionar como incentivo.
O tambin la droga hace que un adolescente falte al colegio, y a su vez la
ausencia del colegio hace que vaya a otros lugares donde puede adquirir el
hbito. En ltima instancia cul de los dos factores ser considerado causa
depende, lo dijimos, de la decisin del investigador, lo cual viene a
mostrarnos que fuera de todo contexto no podemos saber si una variable
dada es independiente o dependiente, y slo lo sabremos viendo cmo est
relacionada con otra variable: si como causa o como efecto. El solo hecho de
pensar que la variable conducta en psicologa es dependiente (pues
pensamos que la psicologa estudia las causas de la conducta), no debe
hacernos excluir la posibilidad de que, en este mismo mbito, pueda ser
considerada a veces como independiente, en la medida que se pretenda
35
investigar cmo influye nuestro comportamiento sobre nuestra visin de

nosotros mismos o en la consideracin de los dems.
En algunos de sus escritos Freud consider al sntoma en su doble aspecto de

causa y efecto. Lo entendi como efecto cuando sugiri que un sentimiento de
culpa o una intensa fijacin anal (causa) puede hacer que el paciente sea un
manitico de la limpieza (sntoma-efecto); y lo entendi como causa, cuando
agreg que su mana por la limpieza (sntoma-causa) puede tornarse tan
insoportable para el mismo sujeto que se defienda de ella con una extrema
suciedad (efecto, o sntoma secundario).
El solo hecho de llevar a cabo una investigacin bivariada no nos

garantiza, sin embargo, que sobre el efecto Y no estn actuando en la
realidad los otros posibles factores causales. Se hace necesario entonces
controlar (en el sentido de neutralizar) la influencia de ellos porque si no
nunca podremos saber si Y se produjo debido a X (que es lo que nos
interesa) o debido a los otros factores. Ya qued dicho que si no se puede
aislar la influencia de stos podremos optar por un diseo multivariado.
Estas otras posibles causas que es necesario controlar o neutralizar se
llaman variables adicionales. A lgunos autores la designan con la letra "t"
como Hyman (6), y otros con la letra "z" como Blalock (7). Tambin suele
designrselas como variables de control, factores de prueba, etc., en alusin
al uso que se les da en la investigacin. E n lo que sigue adoptaremos la
denominacin "z", con lo cual el esquema simple bivariado adquiere en
realidad la siguiente forma:
z
1
X Y
z
22
Las lneas punteadas indican que los factores adicionales estn

supuestamente ejerciendo influencia sobre Y, y entonces la debemos
neutralizar. Tal es la esencia de un experimento: aislar variables. Oneil (15)
da una excelente definicin de experimento cuando dice que es un modelo
particular de variacin y constancia, con lo cual, entre otras cosas, est
queriendo decir que en todo experimento hacemos variar solamente X para
ver cmo vara Y, mientras se mantienen constantes todos los otros posibles
factores z1, z2, etc. Muy genricamente, entonces, una variable adicional es
aquella de la cual sospechamos que puede estar ejerciendo influencia causal
36
sobre Y, con lo cual resulta que nos es X el nico factor causal pero s el
nico que nos interesa. En un esquema multivariado tambin habr que
controlar otros posibles factores z, mientras investigamos slo los que nos
interesan en ese momento (X1, X2, X3, etc.).
Estas variables adicionales o extraas pueden estar ejerciendo su
influencia de tres maneras distintas, de donde podemos decir que habr tres
tipos de variables adicionales (8).
z z
X z Y X Y
X Y
Variable Variable Variable contextual

antecedente interviniente
Los esquemas nos muestran que z acta como variable antecedente

cuando ocurre cronolgicamente antes de X; que acta como variable
interviniente cuando ocurre despus de X; y que acta como variable
contextual cuando ocurre al mismo tiempo (simultneamente) que X.
Examinemos un ejemplo de variable antecedente:
Tipo de ocupacin
Tiempo ausencia X Y Estrs

hogar
Tras haber realizado una investigacin descriptiva podemos empezar a

sospechar que X es causa de Y debido a la alta correlacin encontrada entre
ambas variables: cuanto ms tiempo alejada del hogar apareca una persona,
mayor nivel de estrs constatbamos en ella. Pero luego empezbamos a
sospechar que este vnculo causal es slo aparente, y que si afectivamente
hay una alta correlacin se debe en realidad a que hay otro factor z que
acta simultnea e independientemente sobre X y sobre Y. Efectivamente: el
37
tipo de ocupacin influye en forma independiente y simultnea sobre el

tiempo de ausencia del hogar y sobre el estrs. Por ejemplo: los ejecutivos
estn mucho tiempo ausentes del hogar pero tambin las exigencias y
responsabilidades de su profesin les producen estrs.
Si comprobamos que efectivamente el estrs es producido por el tipo de
ocupacin y no por el mayor o menor tiempo de ausencia del hogar, entonces
la relacin original X-Y deja de ser causal y pasa a ser una relacin
"esprea", o sea, el vnculo que primeramente nos pareca causal pero luego
constatamos que no lo es. Este tipo de constatacin se llama prueba de
espureidad, y la veremos con mayor detalle en otro captulo.
Otro ejemplo de variable antecedente son los factores genticos. El hecho de

que hayamos encontrado una alta correlacin entre la raza (X) y ciertos tipos de
cncer (Y) no prueba necesariamente que la raza sea la causa de esas patologas:
raza y cncer dependen de factores genticos (Z), por ejemplo: si pensamos que
entre X e Y hay una relacin causal es porque vimos alta correlacin, pero sta
puede deberse simplemente a que raza y cncer estn determinados por el mismo
cromosoma, portador al mismo tiempo del gen del color de piel (raza) y del gen
que predispone al cncer.
Otro investigador podr sospechar otra cosa: que el cncer se debe a la raza y
que los factores genticos no influyen, si por ejemplo piensa que el color de piel
hace que los rayos ultravioletas solares pentren ms profundamente en los tejidos
y tengan ms probabilidades de producirles lesiones malignas. En estos casos la
investigacin estar encaminada a probar que X es causa de Y, en lugar de intentar
probar que no lo es por existir otro sospechoso ms convincente (z).
Veamos ahora un ejemplo de variable interviniente. Originalmente, los

datos de una investigacin descriptiva nos pueden hacer sospechar que el
nivel de educacin de las personas (X) es lo que determina sus intenciones
de voto (Y) o sea, sus intenciones por participar activamente del sistema
democrtico, sea porque la educacin ensea la importancia del voto, sea
porque simplemente hemos advertido una alta correlacin entre ambos
factores (personas poco instrudas tienden a no votar, personas instrudas
tienden a querer votar).
Podemos sin embargo suponer que en realidad entre X e Y se interpone
una variable ms: el inters en poltica (z), de forma tal que el nivel de
educacin determina el inters en poltica y recin ste es la causa directa de
la intencin de votar:
X z Y
Nivel de Inters en Intencin de

educacin poltica voto
38
Podramos aqu argumentar que en rigor el nivel educativo es tambin

causa, aunque indirecta, de la intencin de votar. Esto es admisible, pero
tambin es cierto que lo que al cientfico le interesa es una causa mas bien
directa para poder controlar mejor la aparicin o la no aparicin de Y. Es ms
difcil controlar la intencin de votar a partir del nivel educativo pues puede
ocurrir que cierto tipo de educacin no despierta inters en poltica. En
cambio el inters poltico es ms seguro para controlar la intencin de voto.
Esta es slo una razn prctica para elegir causas directas, pero hay tambin
una razn terica: no aumenta en mucho nuestro conocimiento de un
fenmeno conociendo sus causas remotas. Efectivamente, cuanto ms
indirecta o remota sea la causa menor inters tendr para el cientfico: una
causa remota de la drogadiccin es por ejemplo la existencia del sol, ya que
si no hay sol no hay fotosntesis, y por lo tanto no hay plantas, y por lo tanto
no habr ni cocana ni marihuana, con lo cual no habr drogadiccin. La
explicacin de la adiccin a las drogas por el sol resulta ser inatingente.
Examinemos, por ltimo, la variable contextual. Una investigacin
descriptiva realizada en nuestro pas nos ha revelado que hay una alta
correlacin entre el sexo de los estudiantes y la carrera que estos eligen, ya
que por ejemplo los hombres se orientan sobre todo hacia la ingeniera y las
mujeres hacia la psicologa:
z Pa
s
X Y
Sex Carrera
o
Suponiendo que nuestra investigacin haya sido hecha a escala

internacional, podramos llegar a advertir que la relacin sexo-carrera sufre
variaciones segn el pas considerado. Podramos quizs constatar que en los
pases socialistas aumenta la proporcin de mujeres que estudian ingeniera,
etc. Sobre la original relacin X-Y est entonces actuando una variable
contextual (pas), la que obviamente no tendremos en cuenta si la
investigacin es slo a nivel nacional, en cuyo caso deja de ser variable
adicional y pasa a ser una constante.
Por lo general las variables contextuales son espacio-temporales. La
relacin sexo-carrera no slo puede depender de la regin o pas, sino
39
tambin de la poca considerada: hace 60 o 70 aos la proporcin de

mujeres que estudiaban medicina era considerablemente menor.
Otras relaciones entre variables.- No siempre una investigacin se ajusta

al esquema simple X>Y. Hay una cantidad enorme de esquemas diferentes,
de los cuales los siguientes son apenas una muestra.
Esquemas lineales
1 X X 2 X X X
n
3 X 4 X
X X X
X X
n n
X X X
5 X 6 X
X X X
n n n
X X
7 X X 8 X X
X X
n n
Esquemas
cibernticos
9 X X 1 X 1 X X
0 1
X X X X
Xn significa una X o
ms
Hemos clasificado estos diferentes esquemas en lineales y cibernticos.

Estos ltimos estudian especficamente procesos de feedback o
retroalimentacin: no es lo mismo estudiar como influye la alimentacin en la
inteligencia (esquema lineal X Y), que estudiar como ambas variables se
influyen mutuamente (X Y).
40
El esquema 8, en particular, es citado por caso por Blalock (22) como

ejemplo de complicacin de fuentes de espureidad: el vnculo entre religin
(X superior) y preferencia poltica (Xn) puede obedecer a dos causas
comunes (X izquierda y X derecha): la religin y la regin del pas.
Porqu en la figura anterior no hemos indicado ninguna Y (variable
dependiente)? En realidad en cualquiera de estos esquemas se puede
sustitur alguna X por Y, siempre y cuando a la Y llegue una flecha y al
mismo tiempo no salga ninguna flecha de ella. Estas sustituciones, sin
embargo, careceran de sentido en los esquemas cibernticos, donde todas
las variables son al mismo tiempo independientes y dependientes, pues todas
ellas influyen y son influidas.
c) Categorizacin y operacionalizacin
Si bien las constantes son importantes como marco de referencia, lo que
el investigador atiende son fundamentalmente las variables porque stas, al
variar o no variar, le permitirn sacar conclusiones sobre la aceptacin o
rechazo de su hiptesis. Este paso fundamental que es la prueba de hiptesis
no puede llevarse a cabo si antes no hemos sometido a todas las variables de
la hiptesis a un doble proceso: la categorizacin y la operacionalizacin.
La categorizacin es el proceso por el cual especificamos cules sern las
categoras de la variable que habrn de interesarnos. A su vez, las categoras
o valores son las diferentes posibilidades de variacin que una variable puede
tener. Qu posibilidades de variacin tiene clase social? Alta, media y baja,
y por lo tanto estas tres sern sus categoras. Y si queremos ser ms sutiles
podemos identificar cinco posibilidades: alta, media alta, media, media baja y
baja, y si acaso nuestro estudio se centra en un pas donde slo hay dos
clases sociales netamente diferenciadas, entonces slo adoptaremos dos
categoras, todo lo cual demuestra que las categoras se seleccionan segn
los propsitos de cada investigacin.
No obstante esta libertad para elegir, y sea cual fuese el sistema de categoras
seleccionado, ste debe reunir dos requisitos: a) las categoras deben ser
mutuamente excluyentes. No podemos decir que las categoras de la variable
religin son cristianos y catlicos porque hay una superposicin en las
mismas; b) deben ser adems exhaustivas, o sea deben agotar todas las
posibilidades de variacin, con lo cual no podramos decir que las categoras de la
variable raza son solamente blanca y negra. Hay veces en que son muchas las
categoras que habra que agregar para cumplir con este requisito, en cuyo caso
podremos agruparlas a todas las restantes bajo una categora residual caratulada
como otras.
Estos dos requisitos sirven en la medida en que permiten ubicar a cualquier
sujeto en una y slo una categora sin que surjan dudas. Si tengo que ubicar al
Papa no sabr si ponerlo en cristianos o catlicos, de aqu que podamos
tambin definir la exclusin mutua como la imposibilidad de que un sujeto
cualquiera pueda adquirir ms de un valor de la variable. En el caso de la variable
ocupacin, puede ocurrir que un individuo sea al mismo tiempo mdico y
41
psiclogo, en cuyo caso se podrn abrir categoras mixtas (por ejemplo mdico y
psiclogo) con lo que queda igualmente salvado el requisito de la mutua exclusin.
De idntica forma y para el segundo requisito, si tengo que ubicar a un japons
y slo cuento con las categoras blanco y negro no podr hacerlo, de aqu que
tambin podamos definir la exhaustividad como la imposibilidad de no poder
categorizar a un sujeto cualquiera.
Las posibilidades de variacin pueden llamarse categoras o valores. Se

acostumbra a llamar categoras a aquellas que no admiten un tratamiento
cuantitativo por medio de clculos, y por lo tanto regularmente se expresan
en palabras. Tales son las categoras de clase social, de raza, de partido
poltico, etc. En cambio suelen llamarse valores a las posiblidades de
variacin cuantitativa, por lo que han de expresarse numricamente. Es el
caso de las variables cuantitativas peso, altura, ingreso mensual, edad,
nmero de hijos, cantidad de ingesta diaria de alcohol, etc.
As como un concepto puede ser tratado como constante o como variable,
as tambin una variable puede ser tratada como cualitativa o cuantitativa,
aunque ya hemos indicado que siempre deben preferirse valores numricos.
La variable participacin social puede asumir categoras como intensa,
moderada, escasa o nula (lo que nos da una idea cualitativa de la
participacin de los sujetos en la sociedad), o puede asumir valores como
1, 2, 3, etc., designando con estas cifras la cantidad de instituciones a
las que el individuo est afiliado (lo que nos da una idea cuantitativa de un
grado de participacin en el seno social).
Pero a las variables no slo hay que categorizarlas, sino tambin
operacionalizarlas. Llamaremos operacionalizacin al proceso por el cual
transformamos o traducimos una variable terica en variables empricas,
directamente observables, con la finalidad de poder medirlas. Obviamente
una variable que ya es emprica no necesita ser operacionalizada, o, mejor, la
operacionalizacin es mucho ms sencilla. Para explicar la operacionalizacin
nos basaremos en el siguiente esquema, que describe suscitamente el
proceso:
42
Variable Definicin
terica
D D D Definicin real
1 2 3
I I I I I I Definicin
1 2 3 4 5 6 operacional
D=
Indice Dimensiones
I=
Indicadores
Desde un punto de vista ms tcnico, operacionalizar significa identificar

cul es la variable, cules son sus dimensiones y cules los indicadores y el
ndice (o, lo que es lo mismo, definirla tericamente, realmente y
operacionalmente), ya que todo ello nos permitir traducir la variable terica
en propiedades observables y medibles, descendiendo cada vez ms desde lo
general a lo singular.
Habamos dicho que una misma expresin poda referirse a conceptos
diferentes: el trmino inteligencia puede significar una institucin (Servicio
de inteligencia), una habilidad para resolver situaciones nuevas (en la
orientacin de Claparede) o puede hacer alusin a habilidades verbales,
manuales y sociales (en la orientacin de Weschler). El propsito de la
definicin terica es precisamente eliminar esta ambigedad para estar
seguros de cul es el concepto que queremos operacionalizar: slo
identificndolo de esta forma sabremos cules cuales pueden ser sus
correspondientes dimensiones e indicadores.
Cuando se trata de variables tericas o complejas, debemos discernir en
ellas varios aspectos o facetas para describirlas adecuadamente. Este no es el
caso de variables simples como sexo. Si bien el sexo puede tener varios
aspectos, habitualmente no necesitamos considerarlos a todos para saber a
qu sexo pertenece una persona: basta con mirar su aspectos general y, si
esto no resultare confiable, lo constatamos mediante el documento de
identidad, o se lo preguntamos directamente.
En cambio la variable inteligencia tiene muchos aspectos, y para
describirla y medirla no basta simplemente con decir que alguien tiene
inteligencia porque tiene una mirada inteligente ya que esto, adems de
subjetivo (otro observador puede estar en desacuerdo), es muy parcial (no
es el nico aspecto).
Todas las facetas que nos permiten describir adecuadamente una variable
compleja se llaman dimensiones. Dimensiones de inteligencia son por
43
ejemplo inteligencia verbal, manual y social. Estas dimensiones nos acercan

un poco ms al plano emprico, a lo observable, o sea permiten concretizar
ms una variable que antes haba sido definida slo tericamente. Si un
profano nos pregunta qu es la inteligencia y le damos una definicin terica,
mucho no habr entendido, pero si le enumeramos sus dimensiones tendr
una mejor comprensin porque aludimos a caractersticas o facetas ms
concretas: ser inteligente es saber usar las palabras, ser hbil con las manos,
y saberse manejar con las personas. Del mismo modo, dimensiones de la
variable clase social sern por ejemplo el prestigio ocupacional, el nivel
econmico, el nivel de educacin formal y modo de vida. Especificar las
dimensiones de una variable es dar una definicin real de la misma.
Dar una definicin terica no es slo importante porque nos permite inferir
las dimensiones de la variable definida (si tomamos la definicin terica de
Weschler las dimensiones sern verbal, manual y social), sino tambin para
decidir acerca de si tiene o no dimensiones (o sea, si es compleja o simple).
En sociologa, a la variable sexo se la considera simple, pero en medicina
puede considerrsela compleja, de aqu que en este ltimo contexto sexo
tenga varias dimensiones: sexo cromosmico, cromatnico, gonadal y
fenotpico. Otro tanto podemos decir de la variable clase social: en ciertos
pases y culturas las personas de distinta clase social se visten
inexorablemente en forma muy distinta, y basta este solo indicador para
saber enseguida a qu clase social pertenece una persona sin necesidad de
investigar su nivel econmico, el prestigio de su ocupacin, su nivel de
educacin, etc. En estos casos clase social pasa a ser una variable simple.
Suele a veces confundirse categora con dimensin, y una regla prctica nos
ayudar a distinguirlas. Una categora es una especie de casillero donde podemos
ubicar a un sujeto: clase media es una categora de la variable clase social porque
puedo encasillar all a un sujeto segn ciertas caractersticas que observ en l,
caractersticas que surgen de las dimensiones. No tiene sentido decir que
ubicaremos un sujeto dentro de ingresos o dentro de educacin formal, pues
estas son dimensiones: todo sujeto es ubicable en una determinada categora pero
contiene todas las dimensiones, pues cualquier sujeto tiene un cierto ingreso, una
cierta educacin formal, etc., y es gracias a este anlisis que puedo ubicarlo en tal
o cual categora.
Si bien las dimensiones nos permiten acercarnos un poco ms al plano

emprico, todava no nos alcanzan para poder observar y medir conductas
concretas. As como cuando dbamos una definicin terica el profano no
entenda de qu hablbamos, con el mismo derecho cuando ahora le
especificamos dimensiones puede decirnos que eso de inteligencia verbal es
an algo genrico y vago, con lo cual nos vemos obligados a descender an
ms al nivel emprico. O sea, a partir de las dimensiones buscaremos
indicadores.
Precisamente se llaman indicadores porque nos indican qu cosas
concretas y palpables debe realizar un sujeto para poder decir si tiene o no
44
inteligencia verbal, manual o social, y en qu medida. Indicadores de la

dimensin inteligencia verbal sern entonces qu amplitud de vocabulario
tiene, si puede o no completar frases, si puede encontrar absurdos en frases
como qu lstima que el sol se ponga de noche porque ese es justo el
momento donde ms lo necesitamos! o como llova, Juan se sumergi en el
ro para no mojarse.
Del mismo modo indicadores de la dimensin educacin formal podran
ser si complet o no la primaria, la secundaria o la universidad, e indicadores
de la dimensin nivel socioeconmico pueden ser el ingreso mensual por
trabajo, si es o no propietario, cuntos coches tiene, nivel de ingreso por
rentas, si es o no socio de un country, si tiene o no tarjeta de crdito, etc.
Generalmente necesitamos varios indicadores, pues uno solo no suele ser
suficiente para caracterizar la correspondiente dimensin: si juzgramos el
nivel socioeconmico slo a partir de si es o no propietario podramos
equivocarnos pues una persona podra haber heredado una propiedad
hipotecada, estar desempleado o ganar apenas para su subsistencia.
As entonces, un indicador es una propiedad manifiesta gracias a la cual
podemos medir directamente una propiedad latente que nos interesa (la
variable terica). La aptitud para armar rompecabezas es una caracterstica
manifiesta que me permite medir la inteligencia, que es una caracterstica
latente. En ltima instancia los indicadores, as como las dimensiones, son
tambin variables slo que ms empricas, pues tambin son susceptibles de
variacin: la aptitud para armar rompecabezas es un indicador que puede
adoptar distintos valores, como por ejemplo de 1 a 10, donde el nmero diez
correspondera al armado perfecto en el tiempo mnimo para determinada
edad.
Una definicin ms precisa de indicador dice que es una propiedad observable

que suponemos ligada empricamente (aunque no necesariamente en forma causal)
a una propiedad latente que nos interesa. Esto quiere decir que al seleccionar
indicadores podemos optar en principio e indistintamente por aquellos que
solamente estn altamente correlacionados con la variable, o por aquellos otros
que, adems, suponemos que son efectos de la causa que es la variable terica.
Un ejemplo de Lazarsfeld nos aclarar la cuestin. Al buscar indicadores de la
variable antisemitismo pueden seleccionarse dos tipos de indicadores, o una
mezcla de ambos: a) La obediencia y el respeto a la autoridad son las virtudes
ms importantes que debe aprender un nio. Esta es una afirmacin que figura en
un cuestionario que mide antisemitismo y el sujeto debe responder si est o no de
acuerdo, es decir, es un indicador. Pero este indicador no expresa directamente la
variable antisemitismo sino autoritarismo, y si lo consideramos es solamente
porque sabemos que hay una alta correlacin entre ambas variables. En rigor dicho
indicador no es manifestacin o efecto directo de la variable que nos interesa, que
son las inclinaciones antisemitas; b) La mayora de la gente no se da cuenta hasta
qu punto nuestras vidas estn regidas por las conspiraciones de los polticos. Este
indicador ya expresa directamente el antisemitismo (basta pensar en el presunto
fraude de los Protocolos de los Sabios de Sion), y est en una relacin de causa-
efecto con el mismo: el grado de antisemitismo es la causa de que la persona
responda si est o no de acuerdo con dicha afirmacin.
45
Lazarfeld (10) llama al primer tipo indicador expresivo y al segundo indicador
predictivo, pues slo se puede predecir una respuesta con cierta seguridad sobre
la base de un vnculo causal. Como luego veremos, efectivamente, la simple
correlacin no prueba que haya causalidad, y tiene menor potencia predictiva. En
suma: el primero es un indicador de otra variable muy correlacionada con la que
nos interesa, mientras que el segundo mide directamente esta ltima con la cual lo
suponemos ligado causalmente.
Antes de referirnos a los ndices, convendr previamente distinguir entre

otros tres conceptos que suelen confundirse: indicador, tem y dato. Cuando
uno se propone disear un test de inteligencia, busca crear varias pruebas
concretas de diversa ndole, o sea, deber bajar al plano emprico. Para
ello, como vimos, deber primero identificar las dimensiones y luego los
indicadores de cada dimensin. Uno de estos indicadores podr ser por
ejemplo habilidad para el clculo matemtico. Consiguientemente, en el
test deber figurar una o varias pruebas para medir esta habilidad: hacer
una suma, resolver una ecuacin, etc., pruebas que corresponden
respectivamente a habilidades para el clculo aritmtico y para el clculo
algebraico. Cada una de estas pruebas se llama tem y as, para un mismo
indicador puede haber uno o varios tems. Si en vez de un test se trata de un
simple cuestionario, los tems sern cada una de las preguntas que el sujeto
habr de responder. Por dar un ejemplo cualquiera, tres de estas preguntas
podrn corresponder a un indicador, o slo dos, o slo una, pero se supone
que la totalidad de las preguntas (o de las pruebas si es un test) habrn de
cubrir todos los indicadores que hemos seleccionado y por ende, tambin
todas las dimensiones elegidas para la variable que queremos medir,
pudiendo ocurrir a veces que un tem corresponda simultneamente a dos
indicadores de la misma dimensin o de dimensiones diferentes. La pregunta
sobre si cursa o no estudios en una universidad privada corresponde
simultneamente a dos dimensiones: nivel econmico (por lo de privada) y
nivel educacional (por lo de universidad).
Mientras hemos diseado el test slo hemos construdo los indicadores con
sus respectivos tems, pero todava no tenemos datos ya que an no lo
hemos administrado a ningn sujeto.
En tanto el tem es una pregunta o una prueba, debe admitir varias
alternativas de respuesta o de ejecucin. En el caso ms simple de un
cuestionario cerrado, el tem est de acuerdo con la actual situacin
econmica? podra admitir como alternativas posibles s, no, ms o
menos, y no sabe. En el caso de un test, el tem arme un rompecabezas
con las siguientes piezas podra tener como posibilidades de ejecucin
buena, mala y regular.
Una vez construdo el test y previstas las distintas posibilidades de cada
tem, podemos ahora administrarlo a un sujeto determinado. Una vez que
ste resopondi las preguntas o hizo las pruebas correspondientes ya
estamos en posesin de los primeros datos, ya que el individuo qued
ubicado en alguna de las alternativas posibles. Ejemplos de datos son
46
Juancito contest que s a la pregunta nmero 15, o Pedrito cumpli slo

regularmente la prueba del rompecabezas, o Fulanito se sac 6 en la
prueba de encontrar absurdos.
Supongamos, ms concretamente, que administramos nuestro test de
inteligencia a una persona. Cuando sta hubo resuelto todas las pruebas o
tems, procedemos ahora a evaluarla especificando para cada prueba en qu
alternativa la ubicamos. Por ejemplo en la primera prueba sac 7 puntos, en
la segunda 5, en la siguiente 6 y en las otras 7, 4, 5, 10, 8 y 2.
A los dos das nos visita esta persona con toda su familia y, ansiosa por
saber si es un genio o tan slo muy inteligente, nos pregunta por el resultado
del test. Nosotros entonces le decimos que su inteligencia es 7, 5, 6, 7, 4, 5,
10, 8 y 2, o sea los distintos puntajes que obtuvo. Con esta respuesta el
sujeto quedar desorientado como Adn en el da de la madre, pero, y lo que
es ms grave, tambin nosotros, porque nos resultar difcil apreciar
rpidamente su grado de inteligencia mediante una montaa de cifras
diferentes.
Nos vemos entonces obligados a resumir esta informacin para hacerla
ms fcilmente comprensible y para que, llegado el momento de hacer algn
promedio aritmtico sobre la inteligencia de una muestra de sujetos,
podamos disponer de una sola cifra para cada individuo. Es aqu donde
aparece la necesidad del ndice. El ndice ser la cifra que razonablemente
represente a los 20 o 30 datos obtenidos, como por ejemplo un simple
promedio de los mismos. Tal ndice suele definrselo como un indicador
complejo, ya que rene la informacin de todos los indicadores y sus
respectivos tems.
Hay muchas formas de construr ndices. Adems del simple promedio

aritmtico est tambin el promedio ponderado, donde asignamos mayor peso a
ciertas pruebas a los efectos del conteo final. Otras veces extraemos previamente
sub-ndices, uno para cada dimensin, para luego resumirlos en el ndice final, tal
como puede verse en el test WISC de inteligencia.
La utilidad del ndice no consiste slo en resumir mucha informacin en una sola
cifra,, sino muchas veces tambin compensar estadsticamente la inestabilidad de
las respuestas. Dicho en castellano: factores como la falta de atencin o el
desinters pueden malograr algunas respuestas del test, pero no por ello
juzgaremos al sujeto falto de inteligencia: en el ndice pueden quedar compensados
esos pobres resultados con otras pruebas donde se puso mayor inters y
concentracin, y donde se obtuvieron resultados ptimos.
Volviendo a nuestro ejemplo, si el promedio de todas las pruebas nos dio

por caso 7, ahora s el sujeto y nosotros podremos darnos una idea de su
inteligencia (siempre que conozcamos la media poblacional). La ventaja de
decir 7 en vez de un montn de cifras es entonces prctica, ya que
tericamente ambas cosas expresan casi lo mismo: con un ndice
comprendemos mejor la ubicacin del sujeto respecto de la variable
inteligencia.
47
Lo ideal es poder calificar las pruebas numricamente porque el nmero

se presta mejor al clculo a los efectos de obtener ndices y, en general, al
tratamiento estadstico. A veces no es posible hacer esta cuantificacin y en
vez de decir 7 decimos inteligencia regular, lo cual es tambin un ndice
en la medida que sintetiza o resume todos los resultados obtenidos en las
pruebas. Un ejemplo tpico de ndice numrico de la variable inteligencia es la
edad mental la cual, en combinacin con el indicador de la variable simple
edad cronolgica nos da un ndice compuesto llamado cociente intelectual
que tambin constituye un dato, aunque derivado de los datos originales que
eran los puntajes de cada prueba. Como podemos apreciar, unos datos
surgen a partir de otros: las respuestas a los tems nos dan datos derivados
(los ndices) y luego, sacando a su vez promedios de estos ndices obtenemos
nuevos datos sobre muestras y poblaciones. Un ndice por ejemplo puede ser
110, y el promedio de una muestra puede ser 115, lo que indica que el sujeto
que se sac 110 est por debajo de la media de la muestra. Si en cambio la
media de la poblacin se considera como 100, entonces estar por encima
del promedio poblacional. Podemos entonces ir sintetizando una definicin de
dato, diciendo que es el valor que adquiere una variable en un determinado
tem, en un determinado sujeto perteneciente a cierta muestra y poblacin.
Los primeros datos que obtenemos entonces son los resultados de las
distintas pruebas individuales del test (o las respuestas a las distintas
preguntas de un cuestionario). Estos datos se resumen en un dato final para
cierto sujeto, dado por el ndice (Fulano tiene un CI de 130). Podemos ir
sintetizando los pasos dados hasta ahora de la siguiente manera:
a) Definir tericamente la variable.

b) Especificar sus dimensiones (y sub-dimensiones, si las hubiere). Es lo
que se llama dar una definicin real de la variable.
c) Especificar los indicadores de las dimensiones (definicin
operacional).
d) Seleccionar los tems para cada indicador.
e) Especificar las alternativas posibles de respuesta en cada tem
asignndole a cada una de ellas una cifra convencional (por ejemplo
de 1 a 10). Este proceso, junto con el siguiente, podemos llamarlo
seleccin de un sistema de puntuacin.
f) Especificar un procedimiento para obtener un ndice.
g) Obtener o recolectar los datos administrando el test (o el
cuestionario) a un sujeto.
h) Resumir los distintos datos en un ndice, con lo cual cada sujeto
tendr su propio ndice.
Estrictamente hablando, el proceso de operacionalizacin comprende

todos estos pasos menos los dos ltimos, pues operacionalizar es preparar un
esquema de dimensiones, indicadores e ndices para luego ser aplicado
empricamente a un sujeto determinado. La historia de un test tiene tres
48
etapas: primero lo inventamos, luego lo administramos y despus lo

evaluamos. Los seies primeros pasos estn en la primera etapa, el sptimo
coincide con la segunda y el ltimo forma parte de la tercera etapa.
Esta compleja secuencia de pasos no se realiza o se simplifica
notablemente- cuando la variable es simple por cuanto no hay que buscar ni
dimensiones ni una pluralidad de indicadores. La variable edad tiene un solo
indicador, que puede ser la informacin que da el documento de identidad, o
tambin la simple pregunta qu edad tiene?. A nadie se le ocurrira hacerle
un test con varias pruebas a una persona para medir su edad cronolgica. Lo
ideal sera que todas las variables fuesen as de sencillas, pero tal cosa no
ocurre. Llevados por un ataque de simplicidad, podramos construr el test
ms simple de inteligencia el que, en vez de inclur varias pruebas distintas
constara de una sola pregunta: Es usted inteligente? (lo cual mide ms la
inteligencia del que lo invent que de quien lo contesta). Si el sujeto
responde s entonces concluiramos que el inteligente, y si dice no
conclumos que no lo es, pero lamentablemente este test, aunque puede ser
confiable, no es vlido. Cabe pensar que es confiable porque un sujeto muy
probablemente contestar siempre la misma respuesta al hacrcele varias
veces la misma pregunta, pero no es vlido porque no est midiendo
inteligencia sino por ejemplo autoestima, necesidad de agradar, o, si es un
test laboral, grado de inters por obtener un empleo. Confiabilidad y validez
son requisitos bsicos de un test, y sobre ellos volveremos ms adelante.
Por lo dems, este hipottico test de inteligencia tampoco resulta
cuantitativamente preciso, pues la simple respuesta s o no no nos
informa sobre cunto ms inteligente es el sujeto con respecto a otro que
contest lo mismo o con respecto a un promedio estadstico.
A travs del siguiente esquema resumimos la notable diferencia que hay
entre la operacionalizacin de una variable simple, como peso, y de una
variable compleja, como clase social.
VARIABLE PESO CLASE SOCIAL

Dimensiones Nivel econmico Nivel educacional
Indicadores Registro Ingreso Es o Tiene Nivel Es o no
balanza mensual no vehculo alcanzado autodidacta
dueo
Una vez que conocemos el ndice de un determinado individuo, damos

ahora el siguiente paso que es la categorizacin de ese dato, y que viene a
continuacin del paso h) anterior.
No debemos confundir la categorizacin de la variable con la
categorizacin del dato. Categorizar la variable fue lo que hicimos al principio
de todo cuando establecimos sus categoras o valores como posibilidades de
variacin. Por ejemplo para la inteligencia pueden establecerse cuatro
categoras (menos de 90, 91 a 110, 111 a 130, y 131 o ms). Conocidas las
categoras de la variable, podemos ahora categorizar el dato obtenido, que no
es otra cosa que ubicar a ste en alguna de las categoras establecidas. Como
49
Fulano obtuvo 130, lo ubicaremos en el casillero 111 a 130, y lo mismo

haremos con el resto de los sujetos de la muestra.
d) Organizacin de los datos

Una vez recolectados los datos, ahora deberemos cumplir las tres ltimas
etapas: la organizacin, el anlisis y la interpretacin de los mismos.
Supongamos que la muestra de la que venamos hablando en el prrafo
anterior est conformada por 85 personas. Lo que ahora necesitamos hacer
es empezar a resumir toda esta informacin de forma tal que en vez de tener
85 tests tomados sobre nuestro escritorio tengamos solamente una hoja
donde volcamos todos los datos obtenidos, colocando una marca en cada
categora, como vemos en la siguiente matriz de datos:
As por ejemplo, la matriz me informa que dentro de la muestra
encontramos tres personas que obtuvieron un puntaje de 115, y as
sucesivamente. As como al principio habamos resumido todos los resultados
de cada prueba o sujeto en un ndice, ahora estamos resumiendo todos los
ndices en una matriz de datos, y nuestro siguiente paso ser a su vez
sintetizar los datos de la matriz en una tabla o cuadro, proceso llamado
tabulacin.
Categora de Cantidad de individuos

CI
80 uuuuu
85 uuuuuuuu
90 uuuuuuuuuuuu
95 uuuuuuu
100 uuuuuu
105 uuuuu
110 uu
115 uuu
120 uuuuu
125 uuuuuu
130 uuuu
135 uuuuuuu
140 uuuuuu
145 uuuu
150 uuu
155 uu
Lo que una tabla muestra son esencialmente frecuencias, o sea, cantidad

de sujetos por cada categora o valor. La tabla siguiente condensa la
informacin de la matriz de datos precedente, y en dicha tabla la cifra 25 es
una frecuencia, o sea una indicacin que en la muestra hay 25 sujetos que
50
tienen 90 o menos de cociente intelectual. No debe pensarse, por ejemplo,

que 25 significa cociente intelectual. Esta tabla nos revela tambin que la
frecuencia total o sumatoria de frecuencias es 85, y ha de coincidir siempre
con la cantidad de sujetos investigados, es decir, con lo que habitualmente se
llama tamao de la muestra.
CI f (frecuencia)
menos de 90 25
91-110 20
111-130 18
ms de 131 22
Total 85
La informacin que nos suministra esta tabla podemos tambin

representarla de otras maneras, de acuerdo a qu nos interesa ms saber. El
siguiente esquema nos revela que podemos representar los datos como
frecuencias acumuladas (fac), como frecuencias porcentuales (f%), o como
frecuencias acumuladas porcentuales (fac%):
CI f fac f% fac%
menos de 90 25 25 29% 29%
91-110 20 45 24% 53%
111-130 18 63 21% 74%
ms de 131 22 85 26% 100%
Total 85 --- 100% ---
En la segunda columna fuimos acumulando (sumando) las frecuencias

anteriores, y as la frecuencia 63 corresponde matemticamente a la suma de
las anteriores frecuencias (25+20+18). Pero el nmero 63, como toda
frecuencia, adems de tener un significado matemtico tiene tambin un
significado emprico, importante a la hora de tener que analizar la tabla.
Empricamente, el nmero 63 me dice que hay 63 sujetos que tienen 130 o
menos de CI. Por otro lado observemos que si los clculos estn bien hechos,
la ltima frecuencia acumulada deber coincidir con el tamao de la muestra
(85).
Para obtener frecuencias porcentuales (f%) consideramos primeramente
el total de casos (85) como si fuera el 100%. A partir de aqu y por un simple
algoritmo de regla de tres simple, obtenemos por porcentajes parciales:
Si 85 ------------------------------ 100%
25 x 100
25 --------------------------------- x = ------------ = 29,41% = 29%
85
51
Luego, si as lo deseamos, podemos obtener las frecuencias porcentuales

acumuladas siguiendo el mismo criterio que aplicamos al obtener las
frecuencias acumuladas. Todas estas nuevas cifras tienen tambin su
significado emprico. Por ejemplo la cifra 24% significa que un 24% de la
muestra tiene CI entre 91 y 110, y la cifra 74% que ese porcentaje de la
muestra tiene un CI por debajo de 131.
Las tablas hasta aqu presentadas, como podemos darnos cuenta,
resumen la informacin con respecto a una sola variable (inteligencia).
Dijimos sin embargo que lo que realmente suele interesar al investigador no
es la variable aislada sino su vnculo con otras variables, por lo que nuestro
inters recaer ahora sobre tablas que puedan relacionar variables entre s.
Podemos, entonces, discriminar tres tipos de tablas:
a) Univariadas o de simple entrada (informan sobre una sola variable).

b) Bivariadas o de doble entrada (relacionan dos variables).
c) Multivariadas o de mltiple entrada (relacionan tres o ms variables).
A estas ltimas nos referiremos en un prximo captulo. Mientras tanto,

nos centraremos en la situacin ms habitual representada por la tabla o
cuadro bivariado, donde una de las variables ser la independiente y la otra
la dependiente. Comparemos una tabla univariada con otra bivariada:
CI f Alt Me Baj Tot

-90 140 a dia a al
90-110 160 -90 30 40 70 140
+110 150 90- 55 55 50 160
Total 450 110
Tabla univariada +11 80 50 20 150
0
Tota 16 145 140 450
l 5
Tabla bivariada
La primera describe la situacin de una sola variable, e informa que por

ejemplo hay 140 sujetos con CI inferior a 90, o que el total de la muestra era
de 450 individuos. El cuadro bivariado suministra ms informacin pues
entrecruza dos variables (inteligencia y clase social). En suma, los elementos
bsicos de una tabla bivariada son los siguientes:
LAS DOS VARIABLES A RELACIONAR.

a) Ttulo, que en este caso puede ser Inteligencia segn clase social en
adolescentes de la Ciudad de Buenos Aires, ao 1980. Como se ve,
estn aqu especificadas las coordenadas espacio-temporales (dnde
y cundo) pero tambin se especifica cul es la variable
independiente y la dependiente (la expresin segn nos lo sugiere).
52
b) Las categoras (o valores) de ambas variables. Por ejemplo de clase

social hemos consignado alta, media y baja. Un cuadro muestra
siempre categoras, pudiendo o no mostrar tambin dimensiones.
c) Las frecuencias, de las que diremos dos palabras.
Hay varios tipos de frecuencias. Por ejemplo la cifra 30, que significa que
hay 30 sujetos de clase alta con CI inferior a 90; o la cifra 145, indicadora
que hay 145 adolescentes de clase media; o la cifra 450, que indica el
nmero total de casos de la muestra. Estos tres ejemplos corresponden,
respectivamente, a las llamadas frecuencias condicionales, marginales y
totales. La frecuencia condicional corresponde al entrecruzamiento de dos
categoras distintas, y la frecuencia marginal slo a una. As, 20 es frecuencia
condicional y 150 frecuencia marginal.
Podemos ver tambin que las frecuencias marginales resultan de la suma
de las frecuencias condicionales correspondientes, y pueden ser horizontales
(como 140, resultado de sumar 30, 40 y 70) o verticales (como 145, que
resulta de sumar 40, 55 y 50). La suma de las frecuencias marginales
horizontales debe ser igual a la suma de las frecuencias marginales
verticales, y esa cifra debe equivaler a la frecuencia total (tamao de la
muestra).
Un cuadro bivariado puede tambin inclur la misma informacin pero bajo
la forma de frecuencias acumuladas (horizontales o verticales), frecuencias
porcentuales (horizontales o verticales) y frecuencias porcentuales
acumuladas (tambin horizontales o verticales). El esquema siguiente
ejemplifica estas alternativas:
Alta Media Baja Total

-90 30 40 70 140
Ejemplos de frecuencias 90- 55 55 50 160
110
+110 80 50 20 150
Total 165 145 140 450
1. Frecuencias absolutas
Alta Media Baja Total Alta Media Baja Total

-90 30 70 140 - -90 30 40 70 140
90- 55 110 160 - 90- 85 95 120 300
110 110
+110 80 130 150 - +110 165 145 140 450
Total 165 310 450 - Total - - - -
2. Frecuencias acumuladas 3. Frecuencias acumuladas verticales
horizontales
Alta Medi Baj Total Alta Media Baja Total

a a -90 18% 28% 50% -
-90 21 29% 50 100 90- 33% 38% 36% -
% % % 110
53
90- 34 34% 32 100 +110 49% 34% 14% -

110 % % % Total 100% 100% 100% -
+11 53 33% 14 100 5. Frecuencias porcentuales verticales
0 % % %
Total - - - -
4. Frecuencias porcentuales
horizontales
Alta Media Baja Total Alta Media Baja Total

-90 21% 50% 100% - -90 18% 28% 50% -
90- 34% 68% 100% - 90- 51% 66% 86% -
110 110
+110 53% 86% 100% - +110 100% 100% 100% -
Total - - - - Total - - - -
6. Frecuencias porcentuales acumuladas 7. Frecuencias porcentuales acumuladas
horizontales verticales
Como podemos ver, la misma informacin del cuadro original 1 puede

expresarse, segn nuestras necesidades, de seis maneras diferentes. Veamos
algunos ejemplos de cmo han de leerse las distintas posibilidades:
a) La cifra 110 del cuadro 2 indica que hay 110 individuos de clase media
con 110 o menos de CI. En cambio la cifra 95 del cuadro 3 indica que hay 95
sujetos con CI entre 90 y 110 y que adems pertenecen a las clases media y
alta. En el primer caso la acumulacin se hizo horizontalmente y en el
segundo verticalmente.
b) La cifra 53% del cuadro 4 indica que sobre el total de sujetos con CI
superior a 110, el 53% son de clase alta. En cambio la cifra 49% del cuadro 5
indica que sobre el total de sujetos de clase alta, un 49% posee un CI
superior a 110. Tambin en ambas tablas los porcentajes se calcularon
hirozontal y verticalmente, en forma respectiva. Una importante utilidad que
tienen los porcentajes es que permiten igualar las frecuencia con respecto a
una base comn (el 100%):
Edad Primaria Secundaria Total Edad Primaria Secundaria Total

30 12 142 154 30 20% 89% -
aos aos
40 18 18 36 40 30% 11% -
aos aos
50 30 - 30 50 50% - -
aos aos
Total 60 160 220 Total 100% 100% -
Tabla I Frecuencias absolutas Tabla II Frecuencias porcentuales
En la Tabla I encontramos dos frecuencias absolutas iguales (18 y 18),

pero ellas no tienen el mismo significado estadstico, pues un 18 se tom
sobre un total de 60 personas (escolaridad primaria) y el otro sobre un total
54
de 160 (escolaridad secundaria). Si igualamos 60 y 160 en una base comn

(100%) como en la Tabla II, vemos que en realidad uno de los 18 representa
el 30% del total y el otro tan slo el 11% del otro total. Esto nos permite
evaluar a simple vista qu proporcin de sujetos de 40 aos hay en cada
nivel de escolaridad: si bien la cantidad absoluta de sujetos es la misma (18),
hay mayor proporcin de sujetos primarios que secundarios.
c) La cifra 50% del cuadro 6 indica que el 50% de los sujetos con CI
inferior a 90 pertenecen a las clases alta y media. La cifra 28% en cambio, en
el cuadro 7, expresa que el 28% de los sujetos de clase media tiene CI
inferior a 90. Las acumulaciones de los porcentajes se realizaron en forma
horizontal y vertical, respectivamente. Obsrvese que la informacin del
cuadro 6 no es la misma que la del cuadro 7, pero es igualmente verdadera.
La eleccin de una u otra informacin depender de qu informacin nos
interese ms o, incluso, hay quienes utilizan esta posibilidad de elegir con el
propsito de convencer o persuadir. Por ejemplo, si quiero persuadir a
alguien que el cigarrillo es pernicioso para la salud, preferir decirle que el
90% de los cncer de pulmn son ocasionados por el cigarrillo a decirle que
slo el 10% de los fumadores mueren de cncer de pulmn, siendo que
ambas afirmaciones son igualmente verdaderas.
Sin embargo, la tabulacin no es la nica forma de resumir y organizar la
informacin. Existen tambin otros dos recursos estadsticos, que son la
graficacin y las medidas estadsticas descriptivas (tanto de posicin como de
dispersin). Ambas modalidades se construyen habitualmente sobre la base
de una tabla de distribucin de frecuencias como las ya vistas. A travs del
ejemplo siguiente veremos cmo la informacin que contiene una tabla puede
tambin presentarse bajo la forma de grficos o medidas estadsticas:
TABLA GRFICO
Edad f f
17 70 1
18 110 60
1
19 140 50
1
20 160 40
1
Total 480 30
1
20
1
10
17 18 19 20
1
00 Edad
0
90
0
MEDIDAS ESTADSTICAS 80
0
_ 70
X = 18,8 aos (Media aritmtica)

d = 0,9 aos (Desvo Standard)
X d = 18,8 0,9
55
En estos ejemplos se tom una muestra de 480 jvenes que cursaban

primer ao de la universidad, y por algn motivo al investigador le interes
tener informacin sobre sus edades. La tabla nos muestra que 70 de ellos
tienen 17 aos, 110 tienen 18 aos, etc. El grfico nos da la misma
informacin, con la diferencia que es ms fcil visualizarla de un golpe de
vista, especialmente para quien no est habituado a la estadstica: la forma
ascendente de la curva ya nos dice que hay ms jvenes de mayor edad o, si
se quiere, a edades ms altas corresponden mayores frecuencias. Este tipo
de grfico se llama polgono de frecuencias, pero hay otras modalidades de
grficos.
Las medidas estadsticas, por su parte, permiten condensar todas las
cifras de la tabla en dos, que tpicamente suelen ser la media aritmtica y el
desvo standard. Esta simplificacin hace que una parte de la informacin se
pierda, pues las medidas obtenidas no me dicen por caso cuntos jvenes de
19 aos hay. Esta desventaja (si as puede llamrsela, pues hay informacin
que no tiene mayor utilidad) queda ampliamente compensada con el hecho
de que conociendo las medidas estadsticas, entre otras cosas puedo efectuar
anlisis de correlacin y regresin (ver ms adelante) y pruebas de
significacin, es decir, seguir adelante con la investigacin estadstica y
consiguientemente con la investigacin en general.
En el ejemplo considerado, la media aritmtica me dice simplemente que
18,8 aos es el promedio de edades de alumnos de primer ao de la
universidad. Respecto del desvo standard, habamos ya sealado que se
trata de un promedio de las distancias o desvos de todos los valores respecto
de la media (18,8 aos) e indica entonces cun lejos o cerca de ella estn
todos los sujetos. La cifra 0,9 obtenida es muy pequea en comparacin con
la media 18,8 aos, lo que significa que las edades de los alumnos no son
muy dispares entre s, o sea, sus edades no difieren demasiado.
La media artimtica y el desvo standard son medidas estadsticas
utilizables cuando las variables son cuantitativas. Existen otras medidas,
como el modo o la mediana, que sirven especialmente para variables
cualitativas. Por ejemplo, el modo es la categora que ms se repite, mientras
que la mediana es la categora ubicada en el centro de la serie de las
categoras obtenidas, ordenadas en forma creciente o decreciente.
e) Anlisis e interpretacin de los datos

Obtener tablas, grficos o medidas estadsticas como las indicadas no son
ms que pasos preparatorios para llegar a la operacin central de la
investigacin descriptiva: el anlisis de los datos.
Desde el punto de vista de la evolucin de los datos en la investigacin, el

anlisis de los datos es la etapa posterior a la organizacin de datos, pero la etapa
previa a la interpretacin de los mismos. En sta ltima la informacin ya analizada
es integrada en un contexto ms amplio: con otras teoras, con otras
investigaciones, etc Por ejemplo interpretar puede significar explicar la correlacin
56
constatada en el paso del anlisis a la luz de una teora. Una alta correlacin entre
inteligencia y clase social ser interpretada de manera muy distinta por una teora
ambientalista y por una innatista: la primera insistir en que la inteligencia en
clases altas obedece a que los nios estn mas estimulados (hacen ms viajes,
tienen ms juguetes, etc), mientras que la segunda plantear la existencia de
mejores genes en las personas de clase alta.
Las cuatro etapas en el procesamiento de los datos (recoleccin, organizacin,
anlisis e interpretacin), y que en mayor o menor medida aparecen en
investigaciones exploratorias, descriptivas y explicativas, se encuentran explicadas
ms en detalle en (11).
Los datos pueden analizarse tanto a partir de una tabla, como de un

grfico o de las medidas estadsticas, pero aqu daremos una idea del modo
de hacerlo segn una tabla. Desde este punto de vista, el anlisis de los
datos es el momento donde debemos hacer hablar a la tabla para saber qu
nuevo tipo de informacin nos dar. Esta nueva informacin consiste
principalmente en determinar si las variables estn o no correlacionadas, qu
tipo de correlacin muestran (positiva o negativa), y hasta qu punto
mantienen una correlacin. Para los dos primeros puntos suele bastar con un
simple examen visual del cuadro, y ms concretamente de las frecuencias
condicionales.
Siguiendo con un ejemplo anterior donde relacionbamos inteligencia con
clase social, las cifras de la tabla nos estn diciendo que comparativamente
existen muchas personas de clase baja con CI bajo (70 personas) y muchas
de clase alta con CI alto (80 personas). Decir que 70 y 80 son frecuencias
comparativamente altas significa que lo son en comparacin con las otras
frecuencias condicionales (y no por ejemplo en comparacin con la frecuencia
total, en cuyo caso apareceran como frecuencias bajas).
El cuadro tambin nos est diciendo que hay pocas personas de clase baja
con CI alto (hay 30), y pocas personas de clase alta con CI bajo (hay 20),
donde 20 y 30 son frecuencias tambin comparativamente bajas. Todos
estos exmenes nos estn revelando a simple vista que existe una alta
correlacin entre ambas variables, pues vemos que a mayor nivel social le
corresponde mayor inteligencia, y a menor nivel, menor inteligencia. El
cuadro siguiente representara un ejemplo completamente opuesto, donde no
hay ningn tipo de correlacin:
Alta Media Baja Total

-90 50 50 50 150
90-110 50 50 50 150
+110 50 50 50 150
Total 150 150 150 450
Una vez que nos hemos asegurado que no hay correlacin constatable,
abandonamos este ltimo cuadro y continuamos la investigacin examinando
nuevas relaciones entre ms variables hasta encontrar correlaciones. Si no
57
las encontramos no podremos seguir avanzando hacia la etapa de la

investigacin explicativa.
Todo el proceso de la investigacin decriptiva apunta a un propsito
fundamental: buscar alguna correlacin entre las variables relevantes (con o
sin hiptesis previas que orienten nuestra seleccin de variables a
correlacionar). Sin embargo, este anlisis de correlacin tampoco es un fin en
s msmo, sino slo un medio para continuar nuestra investigacin por alguno
de dos caminos alternativos: el anlisis de regresin o la inferencia de
relaciones causales.
a) Una vez que hemos constatado mediante un anlisis de correlacin el
grado de asociacin existente entre dos variables, podremos ahora hacer un
anlisis de regresin, o sea, podremos predecir, dado un nuevo valor de la
variable, qu valor de la otra variable le corresponder. Por ejemplo: si los
datos ya conocidos me revelan que a mayor edad la memoria disminuye
(anlisis de correlacin), puedo entonces predecir que un nuevo sujeto al que
no conoca y que es muy anciano, tendr mala memoria (anlisis de
regresin). Este tipo de anlisis sirve entonces para, conociendo una variable,
predecir el comportamiento de la otra.
b) Una vez que hemos establecido que entre dos variables hay una
correlacin significativa, podemos ahora decidirnos a sospechar que entre
ellas hay algo ms que un simple correlacin: una relacin de causa-efecto.
En otras palabras, pasamos de una hiptesis por correlacin a una hiptesis
causal. Por ejemplo, la alta correlacin observada entre clase social e
inteligencia nos sugiere la idea de que la clase social determina o causa el
nivel de inteligencia de los sujetos.
Pero cuidado: la correlacin no prueba ni garantiza por s sola que haya
una relacin causal, y slo nos permite sospecharla. Si bien el anlisis de
correlacin presupone bastante conocimiento anterior (que ya haba
comenzado a incorporarse en la investigacin exploratoria), no prueba
necesariamente la idea de que una variable es la causa y otra el efecto.
Probar esta hiptesis causal ser la gran tarea de la investigacin explicativa,
cuestin que examinaremos en un prximo captulo.
Establezcamos, finalmente, una relacin entre el anlisis de regresin y la
inferencia de relaciones causales. Emprender la tarea de sospechar y luego
probar un vnculo causal no es, dijimos, el nico camino posible aunque s el
deseable segn y conforme la clsica idea de ciencia como conocimiento por
las causas. Pero si ampliamos esta idea de ciencia como posibilidad de
predecir, se torna posible hacer un anlisis de regresin sin presuponer que
haya ningn vnculo causal. Aunque las predicciones simplemente regresivas
no son tan firmes como las derivadas de un vnculo causal efectivamente
probado, muchos las prefieren por su sencillez y practicidad y porque tienen
una concepcin instrumentalista de la ciencia segn la cual las teoras
cientficas no explican sino que sirven para predecir. De lo dicho no debe
inferirse que no podamos hacer predicciones en base a explicaciones
causales: de hecho, el anlisis de regresin puede tambin hacerse sobre la
58
base de una conexin causal efectivamente verificada, en cuyo caso la

prediccin ser ms confiable.
Antes de pasar a la investigacin explicativa, haremos una somera
referencia al problema de la medicin, fundamental en la actividad cientfica,
no sin antes ir resumiendo los pasos de la investigacin descriptiva:
a) Formulacin de una hiptesis. Cuando no tenemos una hiptesis

previa describimos una muestra empezando desde el paso siguiente.
b) Identificacin de las constantes y variables en juego.
c) Categorizacin de las variables.
d) Operacionalizacin de las variables.
e) Obtencin de los datos hasta obtener ndices.
f) Categorizacin de los datos obtenidos. Construccin de una matriz de
datos.
g) Organizacin de los datos en tablas, grficos o medidas estadsticas.
h) Anlisis de los datos. Si se constata que hay correlacin
emprendemos directamente un anlisis de regresin, o bien dejamos
planteada nuestra sospecha en la existencia de una conexin causal.
Como dijo alguien, investigar es ver lo que todos ven y pensar lo que
nadie piensa.
5. El papel de la medicin
a) Medicin
Por ms simple que sea la investigacin o por ms primitiva que la
medicin sea, no es posible investigar sin hacer mediciones. En sentido
amplio, la medicin es un procedimiento por el cual asignamos una
determinada categora o valor a una variable, y para un determinado
sujeto, muestra o poblacin. Cuando a Juancito (sujeto) le asignamos
el valor 1,70 metros para la variable estatura, hemos hecho una
medicin. Tambin hacemos una medicin cuando a Pedrito le
asignamos la categora soltero para la variable estado civil, lo cual
muestra que estamos tomando la idea de medicin en sentido amplio,
ya que no slo abarca mediciones cuantitativas (1,70 metros) sino
tambin cualitativas (soltero). Esta ampliacin del concepto se hace
especialmente importante en las ciencias sociales porque en este
mbito se manejan mayor cantidad de variables cualitativas que en
ciencias como la fsica o la qumica, donde prevalecen las variables
cuantitativas y de donde hemos sacado la creencia de que slo se
puede medir con reglas, balanzas y decibelmetros.
Toda medicin debe inclur una especificacin de tiempo y lugar donde la

medicin tuvo efecto. Por ejemplo, en tal fecha y lugar, en Pedrito la
variable estado civil asume el valor soltero.
59
Las mediciones individuales recaen sobre sujetos, mientras que las

mediciones estadsticas recaen sobre muestras o poblaciones. As por
ejemplo decimos que medimos una muestra A cuando le asignamos la
media aritmtica 120 respecto de la variable inteligencia. Obviamente,
las medidas estadsticas se derivan de las individuales pues no se
puede obtener un promedio si desconocemos los valores individuales
de los sujetos de la muestra.
Para llevar a cabo una medicin, necesitamos obligatoriamente tres
cosas: a) un instrumento de medicin, b) un sistema de medicin (o
escala), ya que hay diferentes grados de precisin en la medicin, y c)
un procedimiento para hacer la medicin.
b) Instrumentos de medicin
Un instrumento de medida es un artificio usado para medir. Una
balanza es un instrumento para medir peso, un test mide
personalidad, inteligencia, aptitud vocacional, etc., un cuestionario
mide conocimientos, etc., pero sea cual fuere el instrumento utilizado,
para que sea eficaz debe reunir dos requisitos: confiabilidad y validez.
Si la misma balanza hoy me informa que peso 70 kg, maana 80 kg y
pasado 63 kg, es un instrumento poco confiable. Un test puede
tambin ser poco confiable si, respecto del mismo sujeto, arroja
resultados dispares en diferentes momentos de administracin.
Confiabilidad significa, entonces, estabilidad o constancia de los
resultados.
Esta constancia no es nunca perfecta. El hecho de que puedan existir ligeras

variciones debidas al azar no compromete la confiabilidad del instrumento
de medida, siempre que esas variaciones sean poco significativas. Tambin
debemos tener en cuenta los cambios propios del sujeto cuya propiedad
medimos. Si el sujeto aumenta de peso o mejora su rendimiento intelectual
por un efecto madurativo habr una variabilidad en los resultados, lo cual
no implica necesariamente que el instrumento no sea confiable. En la
confiabilidad, como aqu la entendemos, la constancia o la variabilidad en
los resultados depende de la labilidad del instrumento mismo, no del sujeto.
Por ejemplo si el instrumento tiene una consigna de aplicacin ambigua,
podr ser aplicado de manera distinta antes y despus, y los resultados
podrn ser diferentes.
Un test o cualquier otro instrumento puede ser confiable pero no

vlido: es vlido cuando mide lo que efectivamente pretende medir, lo
cual puede parecer una perogrullada pero que no es tal si nos damos
cuenta de los casos de instrumentos que queran medir una propiedad
y medan otra. Si con un determinado test pretendemos medir
memoria pero slo medimos ansiedad, no es vlido. La validez de un
test puede establecerse prospectivamente: nos percatamos que un
test de aptitud para la ingeniera es vlido cuando, andando el tiempo,
60
constatamos que quienes obtuvieron altos puntajes hoy son buenos

ingenieros, y quienes sacaron bajos puntajes no lo son.
c) Escalas de medicin
Examinemos ahora las escalas de medicin, o sea, los diferentes
procedimientos que podemos usar para medir segn se trate de
variables cualitativas o cuantitativas. Stevens distingue cuatro escalas
o niveles de medicin:
Para variables cualitativas 1. Escala nominal

2. Escala ordinal
Para variables 3. Escala de intervalos iguales
cuantitativas 4. Escala de cocientes o razones
El orden en que estn expuestas las escalas es importante. Estos

cuatro niveles son cada vez ms precisos y exactos, con lo cual
aumenta la informacin que recibimos al hacer la medicin. Somos
ms precisos y decimos ms si afirmamos que Juan tiene 52 aos
(escalas cuantitativas) que si decimos solamente que es adulto
(escalas cualitativas). De idntica forma, la medicin es ms precisa si
decimos que un objeto cae a 9,8 m/sg2 (escala de cocientes o
razones), que si solamente decimos que ese objeto cae ms
velozmente que otro (escala ordinal).
Cierto da un emperador, que deba invadir una fortaleza, reunin a cuatro

de sus espas para que ingresaran en ella y obtuviesen informacin. Luego
de varios das se presentan los cuatro espas con sus respectivos informes.
El espa nmero 1 informa que adentro de la fortaleza hay un jefe. El espa
nmero 2 informa que adentro de la fortaleza hay un jefe que es ms alto
que el hijo. El espa nmero 3 informa que adentro de la fortaleza hay un
jefe que es dos veces ms alto que el hijo. El espa nmero 4 informa que
adentro de la fortaleza hay un jefe que mide 1,90 metros. Los cuatro espas
utilizaron respectivamente los cuatro niveles de medicin: el primero
inform realmente muy poco, en comparacin con el ltimo, que
proporcion la informacin ms precisa.
De idntica manera, no es lo mismo decir que es de noche, es una hora
avanzada de la noche y son las once de la noche, siendo sta ltima
informacin ms precisa que la primera.
Esta precisin creciente es debida a que las propiedades de cada nivel

son acumulativas: el nivel 4 tiene las caractersticas de los tres
anteriores, ms alguna nueva. El nivel 3 tiene las caractersticas de los
dos anteriores, ms otras nuevas que harn que ese nivel sea ms
exacto y por tanto, ms informativo acerca de la propiedad o variable
a medir.
61
En un sentido genrico, una escala es el conjunto de categoras (o

valores) de una variable, conjunto que, como qued dicho, debe ser
exhaustivo y mutuamente excluyente. Estas categoras o valores
podemos representarlas grficamente mediante los puntos de una
lnea recta para una mejor visualizacin. Ejemplos:
FIGURA 1
Escala Ejem
Jud Catl Bud Pro Otr plo:
nominal
o i t o religin
Escala Ejem
ordinal Dia Hierr Cuer Cart Pape plo:
m o n l dureza
Escala de Ejemplo:
-2 -1 0 +1
intervalos temperatura
+2 +3
Escala 0m 1m 2m Ejem
de 3m plo:
cocientes altura
Una escala nominal es simplemente un conjunto de dos o ms

categoras de una variable, sin que interese el orden o la jerarqua
entre ellas. La escala nominal de la variable religin son sus distintas
categoras: judo, catlico, etc. El requisito fundamental que deben
reunir es que sean distintas entre si de manera que no puede haber
dos categoras con el mismo nombre, ni dos categoras que se
superpongan (como cristianos y catlicos). Obviamente, adems
las categoras deben ser homogneas: todas deben referirse a
religiones y no a partidos polticos, oficios o lugares de nacimiento.
Una escala nominal para la variable profesin puede representarse

de cualquiera de las siguientes maneras, entre otras:
62
FIGURA 2
Mdi Dentis Psiclo Veter Ingeni Arquitec

co ta go in ero to
De Veter Psiclo Mdi Arquitec Ingeni

ntista in go co to ero
Este ejemplo muestra que en una escala nominal no interesa ni el

orden en que colocamos las categoras, ni la distancia que hay entre
ellas. Si la variable hubiese sido prestigio de una profesin aqu s
hubiera importado el orden, pues hay profesiones ms prestigiosas y
menos prestigiosas. Tampoco la escala nominal informa sobre las
distancias entre las categoras: subjetivamente podemos pensar que la
distancia entre un mdico y un dentista no es la misma que hay
entre un ingeniero y un arquitecto, pero esta informacin no nos es
suministrada por la escala nominal.
Otro ejemplo de variable medible nominalmente es la numeracin del
1 al 11 de los jugadores de un equipo de ftbol. Aqu, puesto que las
categoras son numricas podramos pensar que estamos ante una
variable cuantitativa y por tanto medible en los niveles 3 o 4, pero si
pensamos as estaremos equivocados. Aqu los nmeros no funcionan
como tales en el sentido que no podemos manipularlos
aritmticamente sumndolos, restndolos, etc., sino slo como simples
etiquetas: el 1 representa simplemente la palabra arquero, el 10
delantero, etc. Nadie afirmara que el jugador con el nmero 6 es dos
veces ms capaz que el jugador nmero 3. Los nmeros empiezan a
funcionar como indicadores de cantidad recin en las escalas
cuantitativas.
En la escala ordinal, adems de la homogeneidad y la diferenciabilidad
entre categoras, importa el orden en que ellas se disponen. Las
variables dureza de los materiales y prestigio de una profesin son
ordinales, pues los materiales pueden ordenarse segn su dureza y las
profesiones de acuerdo a su prestigio. Una escala ordinal para la
variable prestigio ocupacional puede graficarse de cualquiera de las
siguientes formas, entre otras:
63
FIGURA 3
Basu Zap Eje

rero a c.
t tivo
ero
Bas Zap Eje
urer a c.
o tero t
r ivo
ero Eje
Bas cut
Esto nosure
muestra que sea cual fuere la ivo
forma de representacin,
siempre ro
ha de respetarse el orden. Este tipo de escalas tiene una
ventaja sobre las nominales, pero tambin tiene una limitacin: la
escala ordinal me informa si un individuo tiene mayor o menor
prestigio ocupacional que otro, pero no me dice cunto en forma
objetiva. Esto ltimo es importante porque subjetivamente uno
podra pensar que un ejecutivo tiene tres veces ms prestigio que un
zapatero, pero este criterio no sera compartido por otras personas, y
una escala ha de ser la misma para todos. Otros ejemplos de variables
medibles ordinalmente son el grado de mrito, el grado militar y la
gradacin de tonos de colores.
Segn la escala nominal, decimos que hemos hecho una medicin
simplemente cuando afirmamos que Fulano es mdico, y segn la
escala ordinal cuando afirmamos que Fulano tiene una ocupacin ms
prestigiosa que Zutano, aunque no sepamos cunto ms prestigiosa
es. Mientras una escala nominal permite hacer identificaciones, o
poner nombres (de all la expresin nominal), la escala ordinal
permite hacer comparaciones cualitativas.
Las comparaciones cuantitativas, o sea la medicin numrica, se hace
posible recin con las escalas cuantitativas. Si examinamos las escalas
cualitativas (nominales y ordinales) veremos que los intervalos o
distancias entre las categoras (o sea las distancias entre los puntos de
la recta) son irregulares y no responden a ningn criterio objetivo,
aunque s a muchos subjetivos. En la figura 3 vemos que zapatero
puede estar ms cerca de basurero segn algunos, o ms cerca de
ejecutivo segn otros. La escala ordinal permite comparar
profesiones en cuanto a prestigio, pero no permite comparar distancias
entre profesiones, o sea no es posible saber cunto mayor es la
distancia de basurero a zapatero respecto de la distancia entre
zapatero y ejecutivo.
En este sentido, las escalas cuantitativas son an ms informativas. A
los requisitos de homogeneidad, diferenciabilidad y orden se agrega
uno nuevo: los intervalos deben ser regulares, y ms especficamente
64
iguales. Las siguientes tres escalas representan todas ellas intervalos

iguales, o sea que los intervalos o distancias entre los puntos estn
determinados segn un cierto criterio matemtico:
FIGURA 4
1 2 3 4 5 6 7
8 9 10
1 2 3 4
5
1 2 4 8
16
En la primera vemos que los intervalos son iguales, pues la distancia

que hay de 1 a 2 es igual a la distancia que hay entre 2 y 3, etc., todo
lo cual, dicho matemticamente, equivale a afirmar que 1-2 = 2-3,
etc. Por la misma razn en la segunda escala las distancias tambin
son iguales aunque hayamos tomado intervalos mayores. En la tercera
ya parecera que los intervalos no son iguales pues van aumentando
cada vez ms hacia la derecha, pero si consideramos que se trata de
una escala logartmica (y no lineal como las dos anteriores), veremos
que tambin sus intervalos son iguales segn la siguiente serie de
igualdades, donde en vez de restar, dividimos:
1 2 4 8
------ = ------ = ------ = ------ = etc
2 4 8 16
Esta misma serie, expresada logartmicamente, es log1-log2 = log2-

log3, etc, o sea que en vez de restar nmeros como en la escala lineal
restamos logaritmos, pero igualmente sigue cumplindose la condicin
de igualdad de intervalos.
Toda escala que tenga intervalos iguales se llama escala mtrica, y a
este nivel ya s tiene sentido definir medicin ms familiarmente como
la operacin por la cual comparamos una cierta cantidad con otra
tomada como unidad. Por ejemplo, decimos que hemos medido el peso
de Fulano cuando hemos dicho que pesa 60 kg, o sea, su peso entra
60 veces en la unidad de medida de 1 kg.
65
Estas escalas mtricas, tpicas de los niveles cuantitativos de medicin,

siguen conservando las caractersticas de diferenciabilidad (o
identidad), y orden de la escala ordinal, pero se agregan otras nuevas:
no slo me dice que los pesos 35 kg y 70 kg son distintos (identidad),
y no slo me dice que 70 es un peso mayor que 35 (orden), sino que
adems me agrega nueva informacin al decirme: (a) que 70 kg es
cuantitativamente tan distinto de 35 kg como 35 kg lo es de 0 kg; y
(b) que 70 kg es dos veces ms pesado que 35 kg, o sea, me informa
acerca de cunto ms pesado es un objeto que otro.
Las escalas de intervalos iguales slo nos pueden dar la informacin
(a), mientras que la escala de cocientes o razones, adems, nos
suministra la informacin (b), con lo cual esta ltima resulta ser ms
precisa o con mayor contenido informativo.
Establezcamos ms en detalle las diferencias entre ambas escalas
cuantitativas, para lo cual comenzaremos por distinguir las escalas
absolutas y las relativas. Supongamos que tomamos cinco objetos
cualesquiera y medimos sus alturas, graficando del siguiente modo sus
valores respectivos:
FIGURA 5
A B C D
E
1m 2m 3m 4m
5m
Es indudable que estas alturas son reales: el objeto A mide

efectivamente dos metros, el objeto B tres metros, etc. A estas escalas
cuyos nmeros representan realmente el atributo fsico las llamamos
absolutas y en ellas, obviamente, la cifra 0 corresponder a la
ausencia de altura. Pero supongamos ahora que queremos considerar
la altura A, que es dos metros, como altura 0 en forma arbitraria. La
escala anterior y la nueva quedarn entonces correlacionadas del
siguiente modo:
66
FIGURA 6
A B C D
E Escala
2m 3m 4m 5m absoluta
6m
Escala
0m 1m 2m 3m relativa
4m
En esta nueva escala el objeto B no tiene realmente un metro de

altura: slo nos dice que B es un metro ms alto que A, es decir marca
su ubicacin respecto de otro objeto. De la misma forma esta escala
no dice que A no tenga altura, sino que arbitrariamente le hemos
asignado el valor 0 para que sirva de punto de referencia de los dems
valores: es una escala relativa o arbitraria. Obviamente, si disponemos
de una escala relativa y conocemos adems la altura absoluta de uno
cualquiera de los objetos, podremos calcular la altura absoluta de los
dems (tambin necesitamos una regla de transformacin, pero de
esto no nos ocuparemos).
Tambin podramos haber asignado el valor cero no a 2 sino a la
media aritmtica, que en nuestro ejemplo coincide con 4 metros. La
nueva escala relativa quedara entonces representada del siguiente
modo:
FIGURA 7
A B C D
E Escala
2m 3m 4m 5m absoluta
6m
Escala
-2m -1m 0m relativa
1m 2m
Estrictamente hablando no tiene sentido decir que algo mide menos 2

metros (-2), pues no hay alturas negativas, pero no obstante esa cifra
aparecida en la nueva escala nos est diciendo algo: que el objeto A es
tan alto con respecto al objeto B como ste con respecto al C, que es
la media, y el signo negativo nos indica solamente que la altura de A
67
est por debajo de la media aritmtica. Del mismo modo la altura cero
no significa aqu ausencia de altura, eror que cometi aquel tipo que,
cuando le dijeron que haca cero grado de temperatura exclam
alborozado: No hace ni fro ni calor!. Galeno haba sugerido como
punto cero de temperatura un calor neutro que no era ni fro ni calor,
pero Galeno estaba en realidad proponiendo una simple convencin.
Vemos as que la escala de temperatura es un tpico ejemplo de escala
relativa (con un cero arbitrario).
En las escalas de intervalos iguales tenemos escalas relativas (o sea
con un cero arbitrario) y en las escalas de cocientes o razones
tenemos escalas absolutas (con un cero absoluto o real). El cero
arbitrario no corresponde con la ausencia de la magnitud (cero grado
no significa ausencia de temperatura), pero el cero absoluto es real
(cero metros significa ausencia de altura). Ntese que lo que interesa
es la ausencia de la variable, no del individuo. Tanto cero metros como
cero cantidad de hijos significa ausencia de altura y ausencia de hijos,
y no interesa que el primer valor corresponda a un individuo
inexistente y el segundo a una pareja que s podra existir.
Las escalas de cocientes o razones son muy difciles de encontrar en
psicologa y en general en las ciencias sociales: en estas disciplinas se
manejan variables que, como motivacin, inteligencia o aprendizaje,
son muy difciles (o carecera de sentido) identificar su ausencia real, o
sea asignarles un cero absoluto, y en general sus valores se consiguen
establecer por comparacin con otros valores.
Pero, ms exactamente, porqu las variables psicolgicas suelen

medirse con escalas relativas y las variables fsicas con escalas
absolutas? O, si se prefiere, qu nos obliga a medir ciertas variables
mediante escalas relativas, cuando en rigor sera preferible usar
escalas absolutas por ser ms precisas y exactas?
Esta interesante cuestin tiene su complejidad, no obstante lo cual
orientaremos una respuesta en algn sentido que pueda interesarnos
como investigadores en ciencias sociales. Para ello comparemos un
fsico que debe medir la altura de 10.000 objetos, y un psiclogo que
debe medir la inteligencia de 10.000 sujetos de la misma edad. Una
vez que hicieron sus respectivas mediciones, cada uno obtiene un
promedio: el promedio de alturas es 1,53 metros, y el promedio de
inteligencias es 100.
Acto seguido, si ahora el psiclogo encuentra una persona y, tras
medir su inteligencia encuentra que tiene un valor 60, con justa razn
puede decir que tiene una inteligencia inferior a lo normal; pero si el
fsico encuentra un objeto que mide apenas 0,42 metros no tendr
sentido que diga que su altura es inferior a lo normal o que se trata
68
de un objeto retrasado en cuanto a altura. No es este el tipo de

comparacin que le interesa hacer al fsico, pero s al psiclogo. Este
ltimo desea saber si una persona est por encima o por debajo de la
media de su edad. Las escalas relativas como la inteligencia toman
como punto de referencia no un cero absoluto sino un promedio
estadstico al cual puede asignrsele tanto el valor 0 como el valor
100 o cualquier otro, y entonces estas escalas relativas son
especialmente aptas para comparar la situacin de un individuo
respecto de otros y ver as si tiene ms o si tiene menos inteligencia
que el resto. Ms an: si quien mide altura no es un fsico sino un
mdico o un psiclogo (por tanto ya estamos midiendo personas, no
objetos), empiezan a cobrar sentido las expresiones altura normal o
altura anormal, por la misma razn que tiene sentido hablar de
inteligencia normal o inteligencia anormal.
Quienes construyeron los tests de inteligencia no empezaron
eligiendo a un individuo con inteligencia nula (o sea, un cero
absoluto) y a partir de all luego los dems valores (10, 20, 30, etc).
Ellos comenzaron eligiendo una gran cantidad de individuos y luego
obtuvieron un promedio (supuestamente el promedio de toda la
poblacin humana, si acaso la muestra fuese representativa). A dicho
promedio le adscribieron convencionalmente el valor 100 y as, si
algn nuevo sujeto llegara a obtener cero segn esta nueva escala,
no significar que no tiene inteligencia (cero absoluto), sino slo que
su capacidad intelectual est muy por debajo de la media poblacional
(cero relativo).
Hasta aqu puede quedar justificado el uso de escalas relativas en
ciencias sociales, pero, entonces, porqu ciertas magnitudes fsicas
como la temperatura se miden habitualmente en escalas relativas y
no absolutas, que ya dijimos seran preferibles? En el caso especial de
la temperatura podemos invocar razones histricas y prcticas.
Tomemos con la mano un objeto cualquiera: inferimos que tiene una
cierta temperatura a juzgar por la sensacin trmica que nos
produce. Supongamos ahora que el cuerpo que sostenemos se
empieza a enfriar. Llegar un momento en que el fro es tan intenso
que nuestros dedos se congelan y dejan de funcionar nuestros
termorreceptores, o sea, no experimentamos ya ninguna sensacin y
quedamos anestesiados. Significa esto que el cuerpo no puede seguir
enfrindose? No. Puede seguir hacindolo aunque ya no podamos
darnos cuenta por el tacto, y entonces, para averiguarlo, decidimos
tomar otro punto de referencia, como por ejemplo su dureza.
Podemos as saber si se sigue o no enfriando examinando si su
69
dureza aumenta o no, pero aqu tambin la dureza puede tener un

lmite, y el hecho de que el cuerpo haya alcanzado una dureza
mxima y no pueda enducererse ms, ello no significa
necesariamente que no pueda seguir enfrindose. De hecho,
podemos seguir eligiendo ms criterios hasta el inifinito, pero la
termodinmica ha venido a resolver este problema tomando como
punto de referencia no la sensacin trmica ni la dureza del cuerpo,
sino el movimiento de sus molculas. Y as, cuando las molculas
cesan todo movimiento el cuerpo ya no podr seguir enfrindose
alcanzando entonces lo que se llama su temperatura absoluta,
designada convencionalmente como el cero grado en la escala Kelvin,
creada a tal efecto. Esta escala es absoluta porque el cero grado
corresponde realmente a la ausencia de temperatura. Podra
argumentarse que esto no es as que cero grado est indicando un
fro intenssimo en lugar de ausencia de temperatura pero no
debemos olvidar que la termodinmica, al crear esta escala, equipar
temperatura a movimiento molecular y no a sensacin trmica y
entonces el cero grado, al indicar ausencia de movimiento molecular,
indica tambin ausencia de temperatura. Si nuestros
termorreceptores pudiesen hipotticamente percibir la sensacin
trmica a cero grado Kelvin sin quedar arruinados, seguramente
retiraramos violentamente la mano y nadie podra convencernos de
que all no hay temperatura, pero esto es porque estamos habituados
a equiparar temperatura con sensacin trmica y no con movimiento
molecular. Por lo dems, se supone que el cero absoluto es
inalcanzable tanto tcnicamente como en teora, porque si cesara el
movimiento molecular la materia dejara de existir.
La idea de equiparar temperatura con movimiento molecular
deriva de la teora cintica del calor del siglo pasado, y sostiene que
el movimiento genera calor. Entonces, si las molculas comienzan a
moverse cada vez ms rpidamente, el cuerpo empezar a aumentar
su temperatura. Obviamente que esto no es ms que una teora: el
da de maana puede aparecer otra que tome como referencia de
temperatura no el movimiento sino otro parmetro hoy desconocido,
con lo cual se construir una nueva escala con el cero ms alejado y
donde el cuerpo podr seguir enfrindose an cuando haya cesado
todo movimiento molecular. Esto prueba que, en el fondo, el cero
absoluto es paradjicamente relativo, pues todo depender de qu
significado le demos a temperatura: si sensacin trmica, dureza,
movimiento molecular o un parmetro an no descubierto.
70
Histricamente, la primera escala de temperatura que se cre no

fue la escala Kelvin, ya que no exista la idea de vincular la
temperatura con el movimiento molecular y construr, sobre esa
base, una escala. Pero los fsicos necesitaban contar igualmente con
alguna que pudiese medir esta magnitud, y fue as que se crearon
varias, como la escala centgrada (Celsius), la escala Farenheit y la
escala Reamur. La escala Celsius le adjudic un poco arbitrariamente
el cero al punto de congelamiento del agua y el 100 a su punto de
ebullicin (todo a presin atmosfrica normal), dividindose luego en
100 partes iguales la escala entre uno y otro valor. Presumiblemente
la practicidad de esta escala radica en el hecho de que la mayora de
los objetos que manipulamos o los ambientes donde habitamos estn
entre 0 y 100 grados Celsius, utilizndose la escala Kelvin slo para
objetos muy fros. Haciendo las transformaciones necesarias (0 grado
Kelvin corresponden a -273 grados Celsius) podramos usar tambin
la escala Kelvin pero no lo hacemos, entre otras razones, por una
cuestin psicolgica o de acostumbramiento a las mismas cifras de
siempre. En otros casos el desacostumbramiento puede ser menos
difcil, y es cuando no hay que habituarse a nuevas cifras sino
simplemente a nuevas denominaciones. Tal es el caso del pasaje de
los milibares a los hectopascales (escala de presin atmosfrica):
aqu no se cambi de escala sino de nombre, ya que, por ejemplo,
1008 hectopascales siguen siendo 1008 milibares.
Adems del hecho de que una tiene un cero arbitrario y la otra un

cero absoluto, hay otra diferencia entre las escalas relativas y
absolutas, y que de alguna forma ya empezamos a adelantar.
En las escalas de intervalos iguales, que son relativas, no se puede decir
que un sujeto con CI 160 tenga el doble de inteligencia que otro de 80, del
mismo modo que dos grados no es el doble de temperatura que un grado en
la escala Celsius. A lo sumo podemos llegar a decir que la diferencia de
inteligencia que hay entre 120 y 140 es la misma que hay entre 100 y 120.
En las escalas de cocientes, que son absolutas, podemos obtener en cambio
ambos tipos de informacin como ocurre con las escalas de peso, sonido,
longitud o densidad. Adems de la inteligencia, otras escalas de intervalos
iguales son la energa y las fechas del calendario: del 2 al 4 de junio hay el
mismo intervalo temporal que hay entre 4 y 6 de junio, pero carecer de
sentido decir que el 4 de junio es el doble del 2 de junio.
Observemos la figura 6. En la escala absoluta s tiene sentido decir
que 6 metros (altura del objeto E) es el doble de 3 metros (la altura
de B). O sea, se cumple la igualdad E = 2.B. Si intentamos trasladar
esto mismo a la escala relativa esta igualdad no se cumple, pues 4 no
71
es el doble de 1. Para que la expresin E = 2.B valga en la escala

relativa debemos sumarle el nmero 2, que es la distancia que hay
entre el cero arbitrario y el absoluto (ya que aqu la escala relativa
aparece corrida dos lugares). La nueva frmula para esta escala
ser E = 2.B + 2, y entonces s se cumple que 4 = 2.1 + 2. Todo esto
es bastante terico, porque slo lo podemos hacer si conocemos el
corrimiento de la escala relativa respecto de la absoluta, o sea, si
conocemos la distancia del cero arbitrario al cero absoluto, cosa que
no siempre podemos hacerlo ni tampoco necesitarlo. Desde este
punto de vista, la escala absoluta pasa a ser un caso especial de la
escala relativa donde la distancia entre los ceros arbitrario y absoluto
es nula.
Esta clasificacin en cuatro niveles ya es clsica y corresponde a

Stevens, pero no han faltado otras variantes entre las que podemos
mencionar la de Coombs, quien agrega dos niveles ms:
a) Entre la nominal y la ordinal incluye la escala parcialmente

ordenada (figura 8). Se trata en ltima instancia de una variante de
la escala ordinal donde en algunas categoras, como B y C, no se
conoce la relacin de mayor o menor que tienen entre s: A es mayor
que B o que C, y por otro lado B o C son mayores que D, pero se
desconoce si B es mayor, menor o igual a C.
FIGURA 8
A > B > C > D > E Escala ordinal
B
A > > D > E
C Escala parcialmente
ordenada
b) Entre la ordinal y la de intervalos iguales, Coombs agrega la

escala mtrica ordenada, una variante de la escala de intervalos
72
iguales donde en vez de ser estos iguales son distintos pero estn
ordenados creciente o decrecientemente. A diferencia de la escala
meramente ordinal, aqu no slo se ordenan las categoras, sino
tambin los intervalos de acuerdo a su tamao. Evidentemente
informa ms que la simple escala ordinal pero menos que la de
intervalos iguales propiamente dicha, pues no aclara cunto mayor es
un intervalo que otro.
Siempre estamos haciendo mediciones. Por ejemplo, cuando

decimos que tal o cual individuo es catlico (medicin nominal), o que
tal sujeto tiene ms mrito que otro (medicin ordinal), o cuando
decimos que tal otro sujeto tiene 30 aos (medicin intervalar). Pero
la importancia de la medicin no reside simplemente en el hecho de
que siempre estamos haciendo mediciones, sino en que el acto de
medir nos permite conocer cmo varan los fenmenos de la realidad
tanto en cantidad como en calidad, lo cual a su vez es muy
importante porque es gracias a que existen unas variaciones que
dependen causalmente de otras, que podemos organizar nuestro
conocimiento del mundo.
6. La investigacin explicativa
Una vez que hemos constatado una alta correlacin entre variables, y,
como consecuencia de ello, pudimos arriesgar una hiptesis causal (o a la
inversa), llega ahora el momento crucial donde hay que probarla. Esta
verificacin es la gran tarea de la investigacin explicativa.
Cuando tal es la tarea que nos proponemos, la

investigacin explicativa puede denominarse, segn
Hyman, terica o experimental. Este autor parece
considerar como sinnimos ambos trminos, pero a
nuestro criterio cabe hacer una diferencia: en la
investigacin experimental buscamos confrontar una
hiptesis con la realidad, mientras que en la
investigacin terica buscamos confrontar hiptesis
entre s, de all que esta ltima sea una investigacin
predominantemente bibliogrfica.
Segn el mismo autor (12), adems del propsito

terico o experimental, una investigacin explicativa
puede apuntar a objetivos ms prcticos, de aqu que
73
tambin existan, de acuerdo a denominaciones de

Hyman, estudios explicativos de diagnstico, de
prediccin, y de evaluacin o programticos. En este
texto centraremos nuestra atencin en la tarea
principal: la prueba de la hiptesis causal.
En otro orden de cosas, si bien lo que caracteriza la
investigacin cientfica es la identificacin de las
causas de los fenmenos, en nuestras investigaciones
cotidianas no cientficas- muchas veces no nos
tomamos esta molestia. De hecho, podemos resolver
muchos problemas sin conocer las causas que los
ocasionan, como por ejemplo: a) Golpeamos
duramente el telfono y anda!!!; b) Reemplazamos
un electrodomstico que no anda por otro que s
funciona; c) Si la PC anda mal muchos tcnicos ni se
preocupan por averiguar la causa: directamente
formatean el disco rgido y reinstalan todos los
programas. Estas actitudes son tambin observables
en los mbitos que suponemos cientficos: la
esquizofrenia o la epilepsia puede curarse con un
electroshock, lo que no presenta gran diferencia con
arreglar un telfono golpendolo.
Dos tipos de sospechas pueden poner en marcha una investigacin

explicativa, y sobre ambas alternativas organizaremos nuestra exposicin:
primero, podemos sospechar que cierto o ciertos factores son la causa de un
fenmeno; segundo, podemos sospechar que cierto factor NO es la causa de
un fenmeno dado a pesar de las apariencias (por ejemplo, a pesar de la alta
correlacin).
a) Si pensamos que uno o varios factores son causa de cierto efecto,
deberemos efectuar una prueba de confirmacin, realizando un experimento
bivariado (si es un solo factor causal) o multivariado (si son varios).
Una prueba de confirmacin no es una prueba donde se confirma una
hiptesis, ya que el resultado puede confirmar o refutar la hiptesis
(aceptacin o rechazo), sino una prueba diseada con la intencin de
confirmar nuestra sospecha de causalidad. Si una prueba de confirmacin
fuese una prueba donde se confirma una hiptesis, para qu la
realizaramos si ya conocemos el resultado?
Como consecuencia de haber aplicado una prueba de confirmacin
tenemos, entonces, dos posibilidades: o confirmamos o rechazamos la
hiptesis. En rigor, y lo demuestra la historia de la ciencia, ninguna de ambas
alternativas es definitiva, pues indagaciones posteriores pueden obligar a
rechazar la hiptesis confirmada o a confirmar la rechazada, lo que
74
demuestra una vez ms que lo nico seguro del conocimiento cientfico es su

carcter probable.
b) Si pensamos, en cambio, que un cierto factor no es la causa de un
fenmeno a pesar de la alta correlacin constatada entre ambas, entonces
emprenderemos una prueba de refutacin, como por ejemplo la llamada
prueba de espureidad (o prueba de falsedad, pues se busca probar que a
pesar de parecer verdadera, la causa no lo es). En general, las pruebas de
espureidad se realizan mediante investigaciones bivariadas.
Una prueba de refutacin no es, entonces, una prueba donde se refuta
una hiptesis sino slo donde se intenta refutarla, y a partir de aqu se podr
o no tener xito en dicho intento. La sospecha que pone en marcha este tipo
de investigacin puede surgir antes, durante o despus de una prueba de
confirmacin. A veces en el curso de la investigacin y antes de poder
confirmar o rechazar nuesta hiptesis, puede surgir en nosotros una fuerte
sospecha de que X no es la causa de Y sino Z, o sea, una variable adicional.
En este punto podremos abandonar nuestros intentos originales por
confirmar y emprender una prueba de refutacin, consistente en tratar de
demostrar que X no es la causa sino Z.
a) El concepto de causa
Antes de explicar las pruebas de confirmacin y refutacin, comencemos
por aclarar qu debemos entender por causa en el contexto de una
investigacin explicativa. Ya habamos indicado que ningn fenmeno,
estrictamente hablando, tiene una sola causa. Si pretendemos ser un poco
objetivos, debemos admitir que la realidad es compleja y aceptar que un
fenmeno responde a una multiplicidad de causas que, actuando
conjuntamente, producirn el fenmeno en cuestin. Pero, debido a que
tampoco conocemos todas las causas que lo producen, slo podremos decir
que la intervencin de las causas conocidas simplemente aumentan mucho la
probabilidad de que el fenmeno ocurra.
Partiremos entonces del supuesto de la policausalidad: un efecto es
producido por varias causas. Las causas que determinan que aprobemos un
examen son varias: haber estudiado, no estar nervioso, un profesor
tolerante, etc. Esquemticamente:
Haber
estudiado
Tranquilidad Aprob
ar
Profesor
tolerante
75
Indudablemente que estudiar es una condicin necesaria, pero an no es

suficiente para aprobar, pues puede ocurrir que los nervios nos traicionen o el
profesor sea muy exigente. Otro tanto podemos decir de los otros factores:
tener un profesor tolerante es condicin necesaria pero no suficiente, pues
adems debemos haber estudiado y no estar nerviosos. Del mismo modo, la
sola intervencin del factor tranquilidad, si bien necesario, no alcanza a ser
suficiente por los mismos motivos anteriores. Nuestra primera conclusin es
entonces esta: cada uno de los factores causales, considerados en forma
independiente, son una condicin necesaria pero no suficiente.
Sin embargo, si ahora en vez de considerarlos independientemente los
consideramos conjuntamente, las cosas cambian, porque si todos esos
factores se dan juntos entonces aprobamos el examen. Todos ellos juntos
son entonces una condicin suficiente, lo que nos lleva a nuestra segunda
conclusin: si consideramos a los factores causales conjuntamente, funcionan
como condicin suficiente. De todo lo dicho se desprende que una condicin
suficiente es el conjunto de todas las condiciones necesarias.
En general, por causa entenderemos toda condicin necesaria y suficiente
para que ocurra un fenmeno. Condicin necesaria es aquella que si no est,
el efecto no se produce. Estudiar es condicin necesaria porque si no
estudiamos, no aprobamos. Del mismo modo cierta capacidad mental es
condicin necesaria para el aprendizaje (una piedra no puede aprender), y
tambin es condicin necesaria para ser drogadicto haber tenido alguna
experiencia con drogas.
En cambio una condicin suficiente es aquella que si est, el fenmeno se
produce. Condicin suficiente es la suma de estudiar, estar tranquilo y tener
un profesor tolerante, pues si se dan estos tres factores aprobamos. Podemos
decir tambin que una condicin suficiente para la ceguera es la destruccin
del nervio ptico, o que un conflicto grupal es condicin suficiente para su
bajo rendimiento.
Selltiz (13) dice que en la prctica es, sin embargo, muy difcil encontrar
condiciones necesarias y suficientes: la destruccin del nervio ptico no es la
nica condicin necesaria y suficiente para la ceguera, pues sta puede
existir an cuando no se haya destrudo dicho nervio, o sea, puede haber
otras condiciones distintas que produzcan este efecto. Por ello el cientfico
debe buscar una constelacin de otras posibles causas (adems de la
necesaria y suficiente), y que suelen clasificarse como condiciones
contribuyentes, contingentes y alternativas. Veamos un ejemplo, tomado del
mismo autor.
Es condicin necesaria y suficiente de la drogadiccin el hecho de no
poder el sujeto suspender voluntariamente el consumo de drogas: si no
puede suspender este consumo el sujeto es drogadicto, pero nadie que
investigue sobre las causas de la drogadiccin se puede conformar con esta
nica explicacin. Buscar entonces causas contribuyentes (ausencia de
76
padre), contingentes (el habitual consumo de drogas en el barrio), y

alternativas (presencia de un padre hostil).
Condicin contribuyente es aquella que aumenta las probabilidades de
ocurrencia del fenmeno, pero no lo hace seguro. La ausencia de padre
aumenta las probabilidades que el adolescente sea drogadicto.
Sin embargo, esta condicin contribuyente podr funcionar efectivamente
como causa siempre y cuando en el barrio el consumo de droga sea habitual
(condicin contingente). Y as, una condicin contingente es una situacin
especial en la cual la condicin contribuyente puede realmente actuar como
causa. En suma: en las vecindades donde el uso de drogas est generalizado
(condicin contingente), la ausencia del padre del adolescente (condicin
contribuyente), contribuye o ayuda a aumentar las probabilidades de que el
muchacho sea drogadicto. Decimos que aumenta su probabilidad pero no lo
hace 100% seguro, porque adems el sujeto debe no poder desprenderse
voluntariamente de su hbito (condicin suficiente).
La condicin contribuyente (ausencia del padre) tiene una condicin
alternativa (presencia de un padre que trata en forma hostil o indiferente al
sujeto). En rigor esta ltima es tambin una condicin contribuyente en tanto
tambin aumenta la probabilidad que el hijo sea drogadicto. Lo que interesa
entonces destacar ac, segn nuestro parecer, es que si una condicin
contribuyente tiene alguna condicin alternativa que es tambin capaz de
producir el fenmeno, entonces aumentan an ms las probabilidades de que
este ocurra pues ambas condiciones cubrieron todo o casi tod el espectro de
posibilidades de la situacin del padre.
b) Requisitos de causalidad
Sea una prueba de confirmacin o una de refutacin, en toda
investigacin explicativa lo que se hace es una prueba de causalidad, y para
poder probar que ralmente la relacin X-Y es causal deben cumplirse
obligatoriamente tres condiciones, que podemos llamar requisitos de
causalidad.
1) Variacin concomitante (correlacin).- X e Y deben variar conjunta o
concomitantemente en la forma prevista por nuestra hiptesis. Sin embargo,
hemos dicho ya que una simple correlacin de este tipo no prueba
necesariamente que haya una relacin causa-efecto, pues puede ocurrir que
X e Y varen en el mismo sentido slo porque son ambas efectos de una
causa desconocida Z (vase ms adelante Pruebas de espureidad).
Puede ocurrir que X e Y no aparezcan en un primer momento correlacionadas,

pero ello no significa que no estn conectadas causalmente, ya que otras variables
que no podemos controlar en ese momento pueden estar distorsionando la
correlacin subyacente (como por ejemplo errores de medicin). Estas situaciones
especiales no deben hacernos pensar que puede haber causalidad sin correlacin:
all donde hay causalidad siempre ha de haber correlacin, aunque sta pueda
aparecer encubierta.
77
La existencia de una correlacin (encubierta o no) es condicin necesaria

para que hay un vnculo causal, pero an no suficiente, porque adems
deben cumplirse los restantes dos requisitos.
2) Ordenamiento temporal.- Para que X sea causa de Y es preciso que la
causa X ocurra cronolgicamente antes que el efecto Y, o por lo menos
simultneamente con l. No se rompe primero el vidrio y despus tiramos la
piedra. Robert Koch, bacterilogo alemn, bromeaba con que haba un solo
caso donde la causa sigue al efecto, y es cuando el mdico va detrs del
fretro de su paciente.
3) Eliminacin de otros posibles factores causales.- Si la tarea de
establecer la correlacin era propia de una investigacin descriptiva, el
trabajo de eliminar la influencia de otros posibles factores causales es ya lo
ms caracterstico de una investigacin explicativa. De aqu en ms,
entonces, nos ocuparemos de este problema.
Cuando intentamos averiguar si X es la causa de Y casi siempre existe la
sospecha de que hay otras variables adicionales o ajenas al experimento en
s que pueden estar ejerciendo tambin influencia sobre Y, y entonces podr
ocurrir que Y vara por influencia de esas otras variables ajenas y no por X.
Por lo tanto, debemos anular al mximo estas influencias externas para
saber si realmente la variacin de Y se debe o no a X. Si nuestro inters est
en averiguar la influencia causal de la educacin (X) sobre la inteligencia (Y),
procuraremos anular la influencia de variables extraas como por ejemplo la
alimentacin, pues tenemos la sospecha que la inteligencia tambin depende
de ella. Notemos que se trata de una simple anulacin metodolgica pues no
estamos anulando la condicin causal de la alimentacin como tal, sino slo
su influencia (de hecho, el nio con el que experimentamos contina
alimentndose).
Hay muchas variables adicionales que pueden estar ejerciendo influencia
sobre la variable dependiente Y, adems de X, pero podemos agruparlas en
dos categoras.
a) Variables organsmicas: o factores que dependen del sujeto mismo,
tales como sus experiencias pasadas y los cambios debidos a la maduracin o
al desarrollo. Si queremos indagar la influencia de los premios o castigos (X)
sobre el aprendizaje (Y), puede ocurrir que el sujeto aprenda mejor debido a
sus cambios madurativos (variable adicional) y no a los refuerzos, sobre todo
si el experimento implica un seguimiento de nios muy pequeos a lo largo
de varios meses. Del mismo modo, si queremos conocer la influencia del
ruido (X) sobre el estrs (Y), puede ocurrir que ciertos sujetos sean
hipersensibles a los ruidos por alguna experiencia traumtica o simplemente
por factores constitucionales, y entonces revelen mayor nivel de estrs
debido a su hipersensibilidad (variable adicional).
b) Variables situacionales: o factores que dependen del ambiente. Al
investigar cmo influye el ruido sobre el estrs, puede ocurrir que los sujetos
elegidos para el experimento habiten en un pas econmicamente inestable,
con lo cual el estrs se ver influenciado tambin por esta condicin (variable
78
adicional), con lo que correremos el riesgo de no saber si el estrs se debe al

ruido o a la inestabilidad econmica.
Un caso muy especial de variable situacional son las variables derivadas
del experimento, ya que muchas veces ocurre que es el mismo experimento
quien influye sobre Y. Al investigar el vnculo ruido-estrs puede ocurrir que
el sujeto, al sentirse como una especie de conejillo de Indias al que
investigan crudamente, por ese solo hecho aumente su nivel de estrs.
Quizs estamos usando una amenazadora mquina para medir su estrs y el
individuo se estresa con slo mirarla, con lo cual no podremos saber si tal
estrs se debe al experimento mismo o a los ruidos. Esta influencia que
puede ejercer la misma situacin experimental es llamada accin retroactiva
por Oneil, influencia de la pre-medida por Selltiz, efectos de las mediciones
previas segn Blalock, etc., pero todas esas denominaciones apuntan a la
misma idea.
Un conocido ejemplo de influencia del experimento y que preocup durante

mucho tiempo a los mdicos fue la llamada hipertensin del guardapolvo blanco.
Cuando el mdico intentaba tomarle la presin a una persona, la sola presencia del
galeno munido de un tensimetro bastaba para que la presin subiera
espontneamente, con lo cual el mdico nunca poda saber si la hipertensin era un
signo patolgico o simplemente un momentneo aumento de la presin ante la
visin del guardapolvo blanco y el instrumento de medicin.
Otro ejemplo aparece en Blalock (14). Un grupo de obreras aument su
rendimiento laboral pero no debido a que haba mayor iluminacin y horarios de
descanso, como se pensaba, pues cuando estos factores se suprimieron, el
rendimiento no decay. Este se deba en realidad a que fueron separadas y aisladas
para realizar el experimento: esto las halag pues crean estar siendo objeto de un
trato preferencial, y entonces aumentaron su rendimiento.
Los factores debidos al experimento mismo no se ven slo en el mbito de las
ciencias sociales: pueden detectarse tambin en experimentos de microfsica
cuando se trata de averiguar la causa de ciertas caractersticas de las partculas
subatmicas. Una de las interpretaciones del principio de incertidumbre de
Heisenberg dice que, cuando el fsico quiere observar la trayectoria de una partcula
subatmica, su sola presencia material hace que esa trayectoria se modifique, con
lo cual nunca puede saber hasta qu punto depende de su presencia fsica o de otro
factor que en ese momento resulte importante investigar.
c) Control de variables adicionales

Sea que se trate de variables organsmicas o situacionales, lo que el
cientfico buscar hacer con estas variables adicionales es controlarlas y
conocer su grado de influencia, por lo menos mientras el experimento dura.
Para esto dispone de dos recursos fundamentales: la aleatorizacin y los
grupos de control.
1) Aleatorizacin.- Los experimentos suelen hacerse con una muestra, y
los individuos deben ser preferiblemente elegidos al azar (aleatorizacin).
Esta seleccin al azar permite controlar la influencia de las variables
adicionales y as por ejemplo, si queremos estudiar la influencia del ruido
79
sobre el estrs, los sujetos elegidos no podrn ser todos ellos veteranos de
guerra o bien todos ejecutivos, porque entonces las variables extraas
experiencias traumticas y tipo de ocupacin estarn tambin influyendo
sobre los niveles de estrs. En cambio si tomo los sujetos al azar (donde
entrarn verosmilmente veteranos y no veteranos, ejecutivos y no
ejecutivos), esto se supone que garantizar la heterogeneidad del grupo en
cuanto a experiencias traumticas y ocupaciones, con lo que la influencia de
stas se reducir considerablemente hasta un nivel aceptable donde su
intervencin no resulta significativa.
En este punto podramos preguntarnos lo siguiente: para qu recurrir a la

aleatorizacin, si podemos controlar las variables adicionales mantenindolas
constantes? Sera como decir que al estudiar el vnculo ruido-estrs seleccionamos
solamente a veteranos de guerra (es decir mantenemos constante la variable
extraa experiencias traumticas pasadas) y entonces, cualquier variacin en el
grado de estrs entre los que recibieron ruidos y los que no, se deber solamente al
factor ruido ya que ambos grupos, al ser todos veteranos de guerra, estn en
igualdad de condiciones.
Esta solucin sera viable si fuese solamente una la variable extraa que hay
que controlar, pero habitualmente son varias y realmente resulta muy difcil,
cuando no imposible, mantenerlas constantes a todas, o sea, reunir un grupo
homogneo respecto de todas las variables adicionales. De hecho, ya poder
seleccionar un grupo donde todos sean veteranos de guerra y al mismo tiempo
todos ejecutivos es bastante engorroso. Elegimos entonces el procedimiento de la
aleatorizacin, por su mayor sencillez. El azar, como la muerte, es el gran
nivelador, y por s solo es capaz de colocar en igualdad de condiciones a todos los
sujetos de un experimento.
2) Grupos de control.- Cuando es necesario aumentar nuestro control de

las variables adicionales, utilizaremos tambin grupos de control, un recurso
bastante habitual. Una vez extrada una muestra de una poblacin, dentro de
la misma seleccionamos dos grupos: el grupo experimental y el grupo de
control. Llamamos grupo experimental al que sometemos a la influencia del
posible factor causal que nos interesa (X), o sea a la influencia de la variable
independiente o experimental, y llamamos grupo de control a cualquier otro
grupo usado como referencia para hacer comparaciones. Habitualmente los
grupos de control son aquellos a los que no sometemos a la influencia del
posible factor causal. Ejemplo: a los efectos de investigar el estrs, el grupo
experimental es aquel al que sometemos a distintas intensidades de ruidos, y
el grupo de control no. Obviamente que los individuos de ambos grupos
deben haber sido elegidos al azar: nuestro experimento fracasara si
ponemos en el grupo experimental a todos los veteranos de guerra y en el de
control a sujetos sin experiencias traumticas pasadas.
El grupo de control es un adecuado procedimiento para neutralizar la
influencia de las variables adicionales porque, al quedar minimizada su
influencia por la aleatorizacin, se puede notar con mayor claridad la
influencia de la nica variable no aleatorizada, o sea X. Si los sujetos son
80
muy distintos en cuanto a ocupacin, experiencias pasadas, raza, estado

civil, sexo, edad, etc., pero a todos los sometemos (o no) a los mismos
ruidos, entonces se aprecia mejor la influencia de estos sobre el estrs.
Consignemos, finalmente, porqu en las investigaciones explicativas se
suele utilizar un grupo y no una persona nica, cuando este ltimo recurso
podra ser ms sencillo. Al respecto, se considera que un solo caso puede
ejemplificar un vnculo causal, pero no tiene poder probatorio. Es ms seguro
conclur que la psicoterapia cura la depresin cuando hemos analizado 50
casos que cuando hemos analizado un nico caso, y ello es as en gran parte
debido a que en un grupo es posible aleatorizar, es decir, controlar muchas
otras variables que tambin podran haber ocasionado la cura.
d) El diseo experimental
Una vez que hemos tomado la precaucin de elegir los sujetos al azar,
estamos ahora en condiciones de elegir un plan para hacer el experimento
que probar si hay o no causalidad entre X e Y. Este plan se llama diseo
experimental, y podemos definirlo con Oneil (15) como un modelo particular
de variacin y constancia. Es particular porque se aplica a una muestra
concreta, no a toda la poblacin, con lo cual luego deber resolverse si las
conclusiones obtenidas para la muestra son igualmente aplicables a toda la
poblacin, tarea que competer a la estadstica inferencial.
Tambin es un modelo de variacin, porque nuestro experimento consiste
en hacer variar la variable independiente X para ver si tambin vara la
variable dependiente Y. Es tambin un modelo de constancia porque al
mismo tiempo que hacemos variar las variables principales debemos
controlar la influencia de las variables extraas, lo que podemos hacer
mantenindolas en valores constantes. Dijimos que tericamente esto sera lo
ideal, pero como no se pueden mantener constantes tantas variables
extraas al mismo tiempo, podemos lograr el mismo control mediante la
aleatorizacin, situacin en la cual si bien no se mantienen constantes sus
valores, sus fluctuaciones quedan razonablemente neutralizadas. En ciertos
casos, no obstante, ciertas variables adicionales pueden mantenerse
constantes, como por ejemplo cuando queremos estudiar la relacin entre
volumen y temperatura de un gas, a presin constante.
No debe confundirse el diseo experimental con el experimento: el diseo

experimental es un plan general para hacer un experimento, de la misma manera
que el plano de una casa es un plan para construrla. La definicin de Oneil antes
indicada es una definicin de experimento, pero en lo esencial la juzgamos
igualmente aplicable al diseo experimental.
Un experimento implica siempre en mayor o menor medida crear una

situacin controlada, donde mantenemos constantes ciertos factores y
hacemos variar otros. Pero a veces, para probar una hiptesis, no podemos
recrear una tal situacin, y debemos esperar a que ocurra espontneamente.
81
Esto se aplicara por ejemplo en el caso de querer verificar la hiptesis de la

periodicidad de las manchas solares o de los eclipses, en cuyo caso no
tenemos otro remedio que esperar una detemrinada fecha para ver si se
producen o no, y para colmo tampoco podemos mantener constantes todos
los otros posibles factores edicionales.
En cambio si lo que quiero verificar es la temperatura de ebullicin del
agua, aqu s puedo crear una situacin en la cual pongo a hervir agua y
compruebo con un termmetro a qu temperatura se transformar el vapor,
manteniendo al mismo tiempo constantes otros factores como presin
atmosfrica, cantidad de solutos disueltos, etc. Esta ltima es, dijimos, una
investigacin claramente experimental, mientras que el caso anterior del
eclipse corresponde a una investigacin no experimental. En suma: un
experimento es una situacin provocada y controlada.
Realizar experimentos en ciencias sociales presenta algunas dificultades
especiales: a) experimentar con seres humanos suele tener una limitacin
tica. La alternativa podra ser encarnizarse con animales no humanos, pero
aqu surge otra dificultad: podemos desconocer hasta qu punto las
conclusiones obtenidas sobre animales son extensibles a los seres humanos.
De hecho este problema se presenta an en ciencias biolgicas, cuando se
investigan nuevas drogas para curar enfermedades; b) el ser humano es
particularmente complejo, y por lo tanto un experimento implicar controlar
una mayor cantidad de variables adicionales, lo cual hace que debamos
complejizar nuestro diseo experimental bivariado o, incluso, pasar a uno
multivariado.
7. Pruebas de confirmacin
Al intentar confirmar nuestra hiptesis, podremos optar por un diseo
experimental bivariado o por uno mltiple, segn nuestras necesidades o
posibilidades. Comencemos con el primero.
a) Diseos experimentales bivariados

Dentro de los diseos experimentales bivariados hay varios tipos, pero el
objetivo es aqu siempre probar la relacin X-Y como causal. Los iremos
describiendo en orden de complejidad creciente basndonos en la versin
Selltiz Jahoda Deutsch Cook (13). Cuando sospechamos que realmente
hay pocas variables extraas utilizaremos un diseo ms simple, pero cuando
no es as nos vemos obligados a tomar ms recaudos mediante un diseo
ms complejo. Los diseos que veremos son seis y no son los nicos
posibles, pero bastarn para que el paciente lector se forme una idea sobre
cmo estn hechos y cmo pueden aplicarse.
En el esquema siguiente se resumen los distintos tipos de diseos
experimentales bivariados, desde el ms sencillo al ms complejo. Todos los
grupos fueron tomados al azar, y se supone adems que estn ejerciendo
influencia variables adicionales o extraas al experimento: de otro modo no
82
tendra sentido usar estos diseos, cuyo propsito es precisamente

controlarlas.
Diseos experimentales bivariados (Versin ligeramente modificada por el
autor de Selltiz-Jahoda-Deutsch-Cook)
83
Tipo de diseo Grupos Y antes X Y Cambio Interaccin Ejemplos

(19) despus (d) (I)
1. Solo Experimental ---- X Y2 d= ---- X = Proyeccin
despues Control ---- ---- Y2 Y2-Y2 de un film de
guerra
Y = Opinin
sobre la guerra
2. Antes y Experimental Y1 X Y2 d= ---- X = Frustracin
despues con un Y2-Y1 Y=
grupo Constructividad
ldica
3. Antes y Experimental ---- X Y2 d= ---- X = Campaa
despues con Control Y1 ---- ---- Y2-Y1 publicitaria
grupos Y =Efectividad
intercambiables de la campaa
4. Antes y Experimental Y1 X Y2 d= ---- X = Proyeccin
despues con un Control Y1 ---- Y2 Y2-Y1 de un film de
grupo de d = guerra
control Y2-Y1 Y = Opinin
sobre la guerra
5. Antes y Experimental Y1 X Y2 d= I=d X = Curso de
despues con Control I Y1 ---- Y2 Y2-Y1 (d+d) entrenamiento
dos grupos de Control II (Y1) X Y2 d = en relaciones
control Y2-Y1 humanas
d = Y = Opinin
Y2- sobre las
Y1 relaciones
humanas
6. Antes y Experimental Y1 X Y2 d= I=d -----
despues con Control I Y1 ---- Y2 Y2-Y1 (d+d-
tres grupos de Control II (Y1) X Y2 d = d)
control Control III (Y1) ---- Y2 Y2-Y1
d =
Y2-
Y1
d =
Y2-
Y1
En este esquema observamos las expresiones Y antes, X e Y

despus. Si retomamos el ejemplo de la relacin ruido-estrs, Y antes
significa la medicin del estrs antes de aplicar el ruido (o premedida de Y),
X significa aplicacin del estmulo sonoro, e Y despus indica la medicin
del estrs despus de haber aplicado dicho estmulo (posmedida de Y). Esta
ltima medicin debe realizarse para constatar si hubo o no alguna
diferencia.
En funcin de lo dicho encontraremos dos tipos de diseo bivariado: a) de
slo despus, donde no tomamos la premedida, sino solamente aplicamos el
84
ruido y luego medimos el estrs; y b) de antes y despus, donde tomamos

tanto la premedida como la posmedida. Se trata de diseos ms complejos y,
como se ve en el esquema, admiten cinco variantes.
1) Diseo de slo despus.- Es un diseo sencillo donde trabajamos con

un grupo experimental y otro de control, sin haber tomado a ninguno la
premedida. Lo que hacemos es someter a estmulos sonoros (X) al grupo
experimental, y luego averiguamos las posmedidas de estrs en ambos
grupos (Y2 e Y2). Si hay diferencia significativa entre ambas medidas de
estrs, cabe pensar entonces que X es la causa de Y. En otras palabras, la
diferencia d (ver columna de cambio) debe ser distinta a cero. En
principio, cuanto ms diferente de cero sea d, tanto ms probable es la
influencia de X como factor causal. Si d da cero o valores muy prximos a
cero no hubo cambio, o sea el nivel de estrs en ambos grupos es igual, de
donde pensamos que el factor ruido no tuvo influencia causal. Supongamos
un ejemplo numrico:
Grupo Y antes X Y despus Cambio

Experimen ---- X 20 d = 20-15 = 5
tal ---- --- 15
Control -
En este experimento imaginario el nivel de estrs de quienes sufrieron

ruidos es 20 (por ejemplo 20 ml de adrenalina en sangre), y el nivel de los
que no sufrieron los ruidos es 15. Aparece una diferencia significativa, que es
5, y por lo tanto conclumos que el ruido ejerce influencia causal.
Cuando aplicamos este diseo, estamos suponiendo que los niveles de
estrs antes del ruido (premedidas) son aproximadamente iguales en ambos
grupos y que tienen en este caso el mismo valor 15, pues ambos grupos
fueron extrados de la misma muestra, se suponen homogneos entre s y los
sujetos fueron elegidos al azar. De esta forma el grupo de control, al no
haber sido expuesto a ruidos, seguir manteniendo el valor 15 de estrs,
pero no as el grupo experimental. Esquemticamente, la situacin sera as:

Experimen (15) X 20 d = 20-15 = 5
tal (15) --- 15
Control -
El valor 15 entre parntesis indica que slo suponemos dicho valor

para ambos grupos antes de aplicar el ruido, pues en realidad en este
tipo de diseo no hemos tomado efectivamente las premedidas. Si
tenemos fuertes razones para suponer que las premedidas son
iguales, no nos molestaremos en tomarlas, pero puede ocurrir que
85
tengamos alguna duda y, al medirlas, comprobamos que en realidad

son bastante distintas, como sera en el siguiente ejemplo hipottico:
Experimental (20) X 20 d = 20-15 = 5
Control (15) ---- 15
Si las cosas ocurren as, entonces nos hemos equivocado al suponer que
el ruido causa el estrs, ya que en el grupo experimental el nivel de estrs
antes y despus del ruido es igual. Por lo tanto, cuando tenemos suficientes
razones para sospechar que las premedidas son distintas, debemos tomarnos
la molestia de medirlas, y entonces ya no estaremos utilizando el diseo de
slo despus, sino cualquiera de los diseos de antes y despus.
En esta clase de diseos s habr de interesarnos tomar las premedidas y,
cuando lo hacemos, pueden suceder dos cosas: a) que las premedidas sean
iguales, situacin que es la ms deseable porque de entrada pone en el
mismo nivel a todos los grupos respecto de la variable Y (estrs). Fueron
grupos bien elegidos y proseguimos el experimento con ellos sin cambiarlos;
b) que las premedidas sean distintas entre s, en cuyo caso volveremos a
seleccionar otros grupos que sean homogneos respecto de sus premedidas,
a efectos de nivelarlos. Otra posibilidad sera continuar con los grupos
originales desiguales, pero en esta situacin habremos de tener en cuenta
sus diferencias al momento de la evaluacin de los resultados finales.
Antes de examinar los diseos de antes y despus, demos un ejemplo de diseo

de slo despus (Selltiz). El problema que gener la investigacin fue saber hasta
qu punto la proyeccin de un film de guerra (X) influa sobre la opinin de las
personas sobre los temas blicos (Y). Antes de la proyeccin del film al grupo
experimental, se parti de la base de que las personas de ambos grupos
(experimental y de control) tenan ms o menos las mismas opiniones sobre la
guerra, con lo cual no era necesario tomar las premedidas de Y. Acto seguido se
proyectaron varios films de guerra slo al grupo experimental, y despus se
hicieron encuestas sobre opiniones de temas blicos a ambos grupos: si haba
diferencia significativa entre estas opiniones, entonces se comprobaba la influencia
causal de la proyeccin del film, y si no, no.
2) Diseo de antes y despus con un grupo.- Es el diseo ms sencillo en

cuanto utilizamos un solo grupo: el experimental. En l, medimos el estrs
antes del estmulo sonoro (Y1), aplicamos este estmulo (X), y voolvemos a
medir el estrs despus (Y2). Si hay diferencia significativa entre Y2 e Y1,
entonces el ruido es factor causal del estrs.
Selltiz da un ejemplo para el tipo de diseo 2. Se puede averiguar qu influencia

tiene la frustracin (X) sobre la constructividad en el juego en los nios, para lo
cual se ubican infantes con juguetes en una habitacin donde el investigador puede
observarlos a ellos pero no estos a l. Los nios comenzarn a jugar, y se evala
luego de cierto tiempo el grado de constructividad que despliegan. Luego se los
somete a estmulos frustrantes (ocultarles los juguetes, mostrales juguetes ms
nuevos pero que no pueden tocar, etc.) y se mide despus nuevamente el grado de
86
constructividad cuando sigan jugando para saber si hubo o no alguna variacin
significativa. Este experimento resulta tambin til para evaluar el grado de
sadismo del investigador.
La simplicidad de este diseo radica en que el investigador que lo utiliza

supone que las distintas variables extraas que pueden actuar sobre el estrs
estn razonablemente controladas o anuladas por la simple aleatorizacin, y
no es necesario entonces el empleo de grupos de control. Sin embargo, si
sospechamos que esas variables s estn ejerciendo su influencia, entonces
deberemos usar diseos ms complejos, que enseguida veremos. Entre estas
variables extraas hay dos que son particularmente importantes: la influencia
de la premedida y la interaccin. Si creemos que la variable que interviene es
solamente la premedida, optaremos por realizar un experimento segn el
diseo de antes y despus con grupos intercambiables.
3) Diseo de antes y despus con grupos intercambiables.- Se trata de un

diseo especial para el control de la influencia de la premedida de Y. el slo
hecho de tomar una premedida del estrs puede hacer aumentar el estrs de
la persona (por ejemplo por sentirse investigada). Por lo tanto habr aqu dos
factores concurrentes que producen estrs: la premedida y el ruido. Si
queremos eliminar la influencia de la premedida recurrimos a un expediente
muy simple: sencillamente no la tomamos. En el esquema general de los
diseos experimentales bivariados se aprecia, efectivamente, que el grupo
experimental no es premedido: solamente es expuesto a X y luego
posmedido.
Sin embargo, necesitamos conocer el valor de la premedida del grupo
experimental, y entonces recurrimos a un procedimiento tambin sencillo: le
tomamos la premedida a otro grupo (grupo de control), el cual, por haber
sido tomado de la misma muestra que el grupo experimental, existe
suficiente seguridad estadstica de que ambos grupos tendrn
aproximadamente las mismas premedidas, o sea, el mismo nivel previo de
estrs. Por lo tanto el valor de la premedida del grupo de control (Y1)
podremos considerarlo como si fuese el valor de la premedida del grupo
experimental, con lo cual slo nos resta comparar si sta ltima y la
posmedida son o no iguales: si la diferencia se aproxima a cero, entonces el
ruido no influye como causa, y en caso contrario, s. La nica utilidad que
entonces tiene aqu el grupo de control es la de proveernos de un datos
premedido.
Notemos tambin que en este tipo de diseo la diferencia d se obtiene
comparando una premedida con una posmedida, en contraste con el diseo
de slo despus donde comparbamos dos posmedidas.
Supongamos que queremos hacer una campaa publicitaria para vender relojes
que funcionen con energa solar. Si queremos saber si fue o no efectiva podemos
hacer una encuesta antes de la campaa preguntndoles a las personas sus
preferencias en materia de relojes de distinto tipo, y luego otra encuesta despus
87
de la campaa para ver si las preferencias cambiaron o no como consecuencia de la
misma.
Pero, el slo hecho de hacer una encuesta antes puede estar ya influenciando
(influencia de la premedida) en el sentido que las personas podrn poner mayor
inters en la campaa posterior, con lo cual sta ya no ser la campaa original (o
bien la opinin previa puede influr en la opinin posterior por cierta tendencia de
las personas a responder siempre lo mismo). Para evitar esa influencia, la encuesta
previa la hacemos con personas de la misma poblacin pero que vivan fuera del
alcance de la campaa publicitaria, con lo cual la encuesta posterior (posmedida)
reflejar en el grupo experimental solamente la efectividad de la campaa, sin la
influencia de la encuesta previa. Este experimento es entonces un ejemplo de
aplicacin del diseo de antes y despus con grupos intercambiables.
4) Diseo de antes y despus con un grupo de control.- Es muy similar al

esquema de slo despus, con la nica diferencia que aqu hemos tomado las
premedidas para asegurarnos de la igualdad de condiciones de ambos
grupos. Para que con este nuevo diseo podamos probar que X es causa de
Y, debern verificarse simultneamente dos condiciones: que d sea distinto
de cero, y que d sea igual o muy prximo a cero. Ejemplo:

Experimen 15 X 20 d = 20-15 = 5
tal 15 --- 15 d = 15-15 = 0
Control -
Este diseo nos sirve especialmente, entonces, para averiguar cmo son
las premedidas entre s de ambos grupos, pero no permite controlar si hay o
no influencia de la interaccin, influencia de la premedida, u otras influencias.
Por lo tanto, lo aplicaremos cuando tenemos fuertes razones para pensar que
todas estas variables extraas no estn ejerciendo influencia significativa.
5) Diseo de antes y despus con dos grupos de control.- El propsito

central de este tipo de diseo es el de controlar la influencia de la interaccin,
y entonces lo aplicamos cuando sospechamos su existencia. El diseo puede
medir tambin la influencia de la premedida; efectivamente, notemos que
aqu la situacin de los grupos de control II y I es igual a la situacin de los
dos grupos del diseo 3, el cual serva precisamente para el control de esta
variable extraa.
Aclaremos el concepto de interaccin. Supongamos que el hambre (X)
produce agresividad (Y), como pueden sugerirlo los saqueos a los
supermercados en pocas de crisis. Si pudisemos disponer de un
agresivmetro, supongamos que el hambre produce una agresividad de 3.
Por otro lado, otras observaciones nos pueden sugerir que tambin la fatiga
produce agresividad: si la pelcula es muy larga el pblico se puede enojar.
Supongamos que aqu la fatiga produce agresividad 1. El sentido comn
puede sugerirnos que, si los factores hambre y fatiga actan conjuntamente,
88
el sujeto responder con una agresividad 4 (3 por hambre y 1 por fatiga).

Esquemticamente:
X Y
Hambre Agresividad 3
Fatiga Agresividad 1
Hambre + fatiga Agresividad 4
Sin embargo, puede ocurrir que estos efectos no sean aditivos. Si un
individuo est hambriento y encima fatigado, probablemente no le quede
mucha energa para ser agresivo, y entonces en estos casos podemos
obtener un valor 0.5 para su agresividad. Qu ha ocurrido? Las variables
hambre y fatiga han interactuado, o sea produjeron un efecto inesperado, no
aditivo: la agresividad resultante fue mucho menor a la esperada, aunque en
otros casos los efectos pueden ser mayores que la simple suma, vale decir
que al interactuar, las variables potencien sus efectos como en el caso del
consumo simultneo de alcohol y drogas. El primero produce dao cerebral 7
(una cifra cualquiera) y las segundas dao cerebral 9; pero, si ambos
factores actan juntos, el dao cerebral no ser 16 sino 30.
Definiremos entonces interaccin como toda situacin en la cual dos o
ms variables, por el solo hecho de actuar conjuntamente sobre un efecto,
producen una influencia no aditiva sobre ste, sea reducindolo, sea
potencindolo. Se trata entonces de efectos combinados que van ms all de
los simples efectos aditivos. Otros autores dan definiciones similares. Una de
ellas, por caso, afirma que entre dos variables ocurre interaccin cuando el
efecto que ejerce una de ellas en la variable dependiente cambia conforme
los valores que adquiere la otra, es decir, cuando la accin de una de las
variables depende de cmo acta una segunda (20).
La consideracin de la interaccin puede tener gran importancia prctica.
Pinsese, por ejemplo, en la posibilidad de que dos tratamientos combinados
(psicoterapia y farmacoterapia) puedan producir efectos curativos que van
ms all de la simple suma de los efectos curativos de cada tratamiento.
Blalock (16) cita un ejemplo para comparar los efectos aditivos (que este autor
y otros varios llaman efectos principales) con los efectos de interaccin. Las
variables educacin, sexo y raza determinan aditivamente el ingreso mensual: 2000
dlares por tener ttulo secundario, ms 2000 dlares por ser varn, ms 2000
dlares por ser blanco.
Sin embargo esta aditividad puede distorsionarse, o sea pueden aparecer
efectos de interaccin, como por ejemplo cuando la diferencia de ingresos entre
blancos y negros es pequea para un bajo nivel educacional, pero mayor en los
altos niveles de educacin. As, si un blanco posee solamente ttulo primario, su
sueldo por ser blanco se acercar ms al sueldo de un negro con primaria y ganar
en tal concepto slo 500 dlares ms (y no 2000). Estn aqu interactuando las
variables educacin y raza produciendo un efecto no aditivo sobre el ingreso
mensual.
89
Traslademos ahora el concepto de interaccin al diseo 5. En este caso lo

que queremos averiguar es si hay o no interaccin entre la premedida (Y1) y
la variable experimental (X), es decir, si producen o no un efecto no aditivo
sobre la posmedida (Y2). Por lo tanto, la sospecha estar recayendo
solamente en el grupo experimental, nico grupo donde ambos factores
actan conjuntamente.
Para saber si existe o no interaccin, primero averiguaremos los efectos
que producen independientemente Y1 y X, o sea, cuando actan solos, lo que
podemos saber mediante los grupos de control I y II respectivamente. Vemos
as que el diseo 5 hace posible la separacin de la influencia de la variable
experimental de la influencia de la premedida, an cuando haya interaccin
entre ellas. Aclaremos que en el grupo de control II la premedida no fue
efectivamente tomada (pues slo nos interesa la influencia de X), pero como
necesitamos igualmente conocer su valor, simplemente la inferimos a partir
de las premedidas de los otros dos grupos, pudiendo ser un simple promedio
de ellas. En el esquema general de diseos experimentales bivariados, los
parntesis significan que se trata de una premedida inferida. Comparemos
ahora los siguientes dos ejemplos: uno donde no hay interaccin y otro
donde s la hay.
Cuadro A (sin interaccin)
Grupo Y antes X Y despus Cambio Interaccin

Experimental 15 X 40 d = 25
Control I 15 ---- 15 d = 0 I = d (d + d)
Control II (15) X 40 d = 25 I = 25 (0 + 25) = 0
Cuadro B (con interaccin)
Grupo Y antes X Y despus Cambio Interaccin

Experimental 15 X 40 d = 25
Control I 15 --- 15 d = 0 I = d (d + d)
Control II (15) -X 20 d = 5 I = 25 (0 + 5) = 20
El grupo de control I detecta si hay o no influencia de la premedida (pues

all no se aplica ruido y mucho menos interviene la interaccin entre
premedida y ruido). Si comprobamos que efectivamente no existe esta
influencia (como en los cuadros A y B), cualquier diferencia entre las
posmedidas del grupo de control II y el grupo experimental ser debida a la
interaccin (tal como ocurre en el cuadro B). En el caso de constatarse la
existencia de interaccin, el experimento deber complejizarse para poder
ponderar su influencia segn qu valores asuman las variables interactuantes
(pues puede ocurrir que para determinados valores la interaccin quede
anulada, para otros potencie sus efectos y para otros los reduzca por debajo
de lo aditivamente esperable).
90
A partir de lo dicho fcil es darse cuenta que puede haber influencia de la

premedida sin que haya interaccin (caso donde la premedida y X dan
efectos simplemente aditivos), pero no puede haber interaccin sin influencia
de la premedida (pues en estos diseos precisamente la interaccin se
establece entre la premedida y X). En los cuadros A y B, observando los
valores del grupo de control I nos damos cuenta que no hubo influencia de la
premedida, lo cual no significa que sta pueda empezar a ejercer influencia a
propsito de su accin conjunta con X en el grupo experimental.
Muchas veces con slo mirar los valores de los cuadros podemos saber
intuitivamente si hubo o no interaccin, pero si queremos conocer
cuantitativamente su valor preciso aplicaremos la frmula de la interaccin
(ubicada a la derecha de los cuadros A y B): a medida que el resultado se
aproxime a cero, la interaccin ser cada vez menor. Cuando el valor
obtenido es cero, no la hay.
Selltiz cita un ejemplo de diseo 5, donde los investigadores trataron de

averiguar si los cursos de entrenamiento en relaciones humanas (X) influan o no
sobre la informacin y opinin sobre temas de relaciones humanas en las personas
que hicieron dichos cursos. Se supuso que poda haber interaccin entre la
premedida (encuesta previa al curso) y la variable experimental (curso), y entonces
se utilizaron otros dos grupos: uno hizo directamente el curso sin encuesta previa
(grupo de control II), y el otro fue sometido a esta encuesta previa sn hacer el
curso (grupo de control I), con lo cual pudieron medirse esas influencias en forma
independiente.
6) Diseo de antes y despus con tres grupos de control.- Adems de

medir la influencia de la interaccin y de la premedida, este diseo tiene la
ventaja adicional de poder controlar la influencia de otras variables extraas
desconocidas, tanto organsmicas (cambios madurativos, etc) como
situacionales (clima, etc) que eventualmente puedan tambin estar
ejerciendo su influencia.
Este sexto diseo es igual al anterior excepto que tiene agregado un
grupo de control III, que es precisamente el que nos permite averiguar si
influyen o no las otras variables adicionales. En l volvemos a encontrar una
premedida inferida, o sea un premedida no tomada pero cuyo valor se
supone similar a las premedidas tomadas en los otros grupos. La necesidad
de contar con este valor deriva del hecho que necesitamos compararlo con la
posmedida correspondiente para ver si existe o no una diferencia d.
El razonamiento que debemos hacer entonces es el siguiente: sobre la
posmedida del grupo de control III nunca podr ejercer su influencia ni la
premedida ni la variable experimental, pues no fueron aplicadas, ni mucho
menos la interaccin entre ellas. Por lo tanto, cualquier diferencia que
aparezca entre la premedida inferida Y1 y la posmedida Y2 ser debida a
la influencia de las otras variables adicionales, lo cual nos permite entonces
detectar sus intervenciones.
91
En sntesis: los tipos de diseo experimental aqu examinados estn

destinados a probar si X es factor causal de Y mediante el control de las
variables adicionales. Estas ltimas son fundamentalmente la influencia de la
premedida, la interaccin, y otras posibles variables que pueda haber.
Cuando consideramos que las variables adicionales ya estn controladas
de antemano y suponemos que las premedidas son iguales o controlables,
aplicamos el diseo 1. Cuando no conocemos las premedidas y creemos que
son distintas, nos sacaremos la duda aplicando los diseos de antes y
despus 2 y 4. Cuando sospechamos que adems puede ejercer influencia la
premedida, aplicamos el diseo 3. Cuando pensamos que interviene la
interaccin, aplicamos el diseo 5 y finalmente, cuando creemos que adems
de la premedida y la interaccin intervienen otros factores que es preciso
tambin controlar, nos decidiremos por el diseo 6.
Cmo averiguar qu tipo de diseo fue aplicado en un experimento dado? Para

saberlo podemos contar con una regla prctica: si en el experimento no se tomaron
premedidas, se aplic el diseo 1, y si efectivamente fueron tomadas, quedan los
diseos 2 al 6. Si se trabaj con un solo grupo se us el diseo 2, con tres grupos
el diseo 5 y con cuatro grupos el diseo 6. Restan los diseos 3 y 4, ambos con
dos grupos. Reconocemos la aplicacin del diseo 3 si se tom una sola premedida
(al grupo de control), y fue usado el diseo 4 si se tomaron las premedidas en
ambos grupos.
b) Diseos experimentales multivariados

Adems de estos diseos experimentales bivariados existen tambin los
diseos experimentales multivariados, tambin llamados mltiples o
factoriales. En ellos, la variable dependiente Y sigue siendo una sola, y lo
nico que aumenta es el nmero de variables independientes o
experimentales (X1, X2, X3, etc), pues lo que se busca investigar son varios
posibles factores causales al mismo tiempo, con el objeto de probar cul o
cules de ellos influyen como causa y en qu medida lo hacen.
Tales diseos multivariados se justifican por ejemplo cuando: a) no
podemos aislar y controlar en la realidad las distintas variables
independientes, con lo que no nos queda otro remedio que considerarlas
conjuntamente mediante un diseo mltiple; b) cuando resulta menos
costoso en tiempo y dinero tratar conjuntamente todas las variables en lugar
de hacer varios diseos bivariados separados (como X1-Y, X2-Y, etc).
Ejemplos de diseos multivariados son los siguientes:
Ejemplo 1 Ejemplo 2 Ejemplo 3

Variables X1 = Nmero de X1 = Variedad vegetal X1 = Mtodo de enseanza
independientes o palabras a recordar X2 = Tipo de suelo X2 = Personalidad profesor
experimentales X2 = Nivel de ansiedad X3 = Clima X3 = Proximidad exmenes
Variable dependiente Y = Memoria Y = Velocidad de Y = Rendimiento escolar
crecimiento
92
Estos diseos se complicaran si suponemos que existe interaccin entre

las variables experimentales consideradas, pero no examinaremos aqu esa
posibilidad.
Tomemos el ejemplo 3, en el cual queremos averiguar cmo influyen
sobre el rendimiento escolar el mtodo de enseanza, la personalidad del
profesor y la proximidad de los exmenes. Para examinar todas estas
variables a la vez hay varias tcnicas, de las cuales citaremos a modo de
ejemplo la tcnica del cuadrado latino.
Antes de ser utilizado en la investigacin experimental, el

cuadrado latino era un simple entretenimiento que en la poca
medieval reemplazaba a la televisin, slo que haca pensar.
Consista en disponer en una tabla cuadrada letras de tal forma
que ninguna de ellas poda repetirse en ninguna columna vertical-
ni hilera horizontal-. Por ejemplo, si las letras eran A, B y C, el
cuadrado latino se solucionaba del siguiente modo:
A B C
C A B
B C A
Aqu la letra A aparece slo una vez en cualquier columna o hilera, y lo mismo
sucede con las letras B y C. Una vez resuelto, se intentaran luego pruebas ms
difciles utilizando por ejemplo cuatro columnas, cuatro hileras y cuatro letras, y as
sucesivamente.
Con el cuadrado latino se investigan cuatro variables (tres independientes

y una dependiente), y el nmero de columnas o hileras guarda relacin no
con el nmero de variables sino con el nmero de categoras de las mismas.
Si queremos estudiar la influencia de tres variables independientes (mtodo
de enseanza, personalidad del profesor y proximidad de los exmenes)
sobre la variable dependiente (rendimiento escolar), y tomar tres categoras
para cada una de esas variables, organizaremos el experimento sobre la base
del siguiente cuadrado:
Examen lejano Examen intermedio Examen prximo

Profesor A M1 M2 M3
Profesor B M2 M3 M1
Profesor C M3 M1 M2
En este cuadrado quedaron formados nueve casilleros. En la prctica, esto

significa que hemos tomado nueve grupos de alumnos, y as por ejemplo el
primer grupo est formado por alumnos que tienen el profesor A, cuyos
exmenes estn lejanos, y con los cuales se utiliz el mtodo de enseanza
M1, y as sucesivamente con los dems grupos. Observemos que los nmeros
93
1, 2 y 3, las tres categoras de la variable mtodo de enseanza, han sido

dispuestas de acuerdo al criterio del cuadrado latino: no se repite ninguna
cifra ni por hilera ni por columna. Esto resulta muy importante porque
mezcla todas las variables y categoras lo suficiente como para que no haya
predominio de ninguna en especial en el conjunto de los nueve grupos. As
por ejemplo, si en lugar de haber puesto en la primera hilera horizontal M1,
M2 y M3 hubisemos puesto M1, M1 y M1, en esa hilera habra un neto
predominio del mtodo de enseanza 1 y del profesor A. En cambio, con la
disposicin del cuadrado latino se procura que no aparezcan estos
predominios.
Obviamente el cuadrado no contempla todas las posibilidades de
combinacin, pues faltan por ejemplo los grupos con profesor A, cercana de
exmenes y mtodo de enseanza 1. Esta y otras posibilidades fueron
anuladas para evitar el predominio anteriormente citado, y los nueve grupos
seleccionados bastan para poder emprender la investigacin con ellos sin
considerar los 27 posibles, con el consiguiente ahorro de esfuerzo, tiempo y
dinero.
El hecho de que no aparezcan los predominios indicados tiene un motivo
fundamental. Siguiendo con el ejemplo anterior, si en la primera hilera
aparecen predominando el profesor A y el mtodo de enseanza 1, un muy
alto rendimiento escolar en esos tres grupos no sabramos si atriburlo al
profesor o al mtodo de enseanza, con lo cual habramos desvirtuado el
propsito del experimento, a saber, conocer el grado de influencia causal de
cada uno de los factores considerados.
Una vez que hemos seguido durante meses la evolucin de los nueve
grupos formados, hipotticamente podemos haber obtenido los siguientes
valores de rendimiento escolar:
Examen lejano Examen intermedio Examen prximo

Profesor A 9 5 2
Profesor B 6 1 8
Profesor C 3 8 4
Estos valores no son frecuencias sino ndices de rendimiento escolar, que

pueden resultar por ejemplo del promedio de calificaciones de los alumnos de
cada grupo. Por ejemplo, 9 fue el promedio de calificaciones obtenidos por el
grupo con profesor A, examen lejano y mtodo de enseanza 1.
Cmo analizamos esta informacin? El primer lugar podemos comenzar
observando dnde estn las calificaciones ms altas (8-8-9), y vemos que
coinciden justamente con los grupos donde se aplic el mtodo de enseanza
1. En segundo lugar podemos observar dnde estn las calificaciones ms
bajas (1-2-3), que aparecen en los grupos donde se us el mtodo de
enseanza 3. Ambas observaciones nos sugieren que el factor mtodo de
enseanza es muy importante para el rendimiento escolar, y adems que las
otras dos variables tienen escasa influencia, ya que por ejemplo tanto en los
94
grupos con bajas calificaciones como en los de altas calificaciones, existieron

diversos profesores y diversos grados de proximidad temporal al examen.
Adems, por ejemplo, cada profesor tuvo alumnos con rendimientos muy
dismiles en sus respectivos tres grupos.
Los resultados de la investigacin tambin podran haber sido estos otros:
5 4 1 6 5 6
4 5 1 7 6 5
9 4 2 5 6 6
Caso Caso
A B
En el caso A podemos sacar dos conclusiones importantes: primero, que el

rendimiento escolar aumenta notablemente con la feliz combinacin del
profesor C que imparte el mtodo de enseanza 3 lejos de los exmenes
(promedio de calificaciones 9), con lo cual pueden organizarse las clases en
un colegio con estos criterios; y segundo, que la proximidad de los exmenes
disminuye notablemente el rendimiento escolar, pues all las calificaciones
fueron bajas (1-1-2) en comparacin con las calificaciones de los otros
grupos.
En el caso B el anlisis de los datos nos revela que ninguno de los tres
factores es ms importante que el otro, ejerciendo todos ellos una influencia
ms o menos igual, que hasta incluso podra ser nula. En el anlisis de los
datos es tan importante darse cuenta qu nos dicen como qu no nos dicen,
y as, el caso B no nos informa acerca del porqu de las calificaciones
regulares (5-6-7), lo cual puede atriburse a alguna variable contextual como
por ejemplo la edad de los alumnos: en la adolescencia, se piensa en
cualquier cosa menos en estudiar.
8. Pruebas de espureidad
Tanto los diseos experimentales bivariados como los mltiples
examinados precedentemente estaban destinados a probar que uno o varios
factores eran causa de Y. Podemos llamar a estos diseos, entonces, pruebas
de confirmacin, ya que con ellos el cientfico busca confirmar su sospecha de
la existencia de causalidad, lo cual no significa que siempre lo consiga.
Pero otras veces lo que el cientfico sospecha es que cierto factor X en
realidad no es factor causal de Y, y entonces deber emprender una prueba
de refutacin. Las pruebas de espureidad son de este tipo y buscan
demostrar que, a pesar de las apariencias, X no es causa de Y por existir otro
factor que podra ser la verdadera causa. La prueba de espureidad tiene la
estructura de un experimento crucial, donde se busca decidir entre dos
hiptesis alternativas y donde una de ellas debe quedar refutada. La
diferencia est en que en el experimento crucial se comparan dos hiptesis
mutuamente excluyentes (esto es, lgicamente contradictorias), cosa que no
95
es indispensable en una prueba de espureidad donde eventualmente puede

ocurrir que ambas hiptesis queden refutadas.
Podemos entender una prueba de espureidad como un diseo multivariado,

puesto que en ellas debemos considerar la influencia sobre Y de al menos dos
variables que funcionan como independientes: la variable de la cual sospechamos
que no es causa, y la variable de la cual sospechamos que s lo es. Esta ltima se la
considera frecuentemente variable adicional mientras no se pruebe
fehacientemente el vnculo causal, y entonces la prueba de espureidad sera
bivariada. De cualquier manera que se la conciba, la cuestin no resulta relevante a
los efectos de comprender su esencia.
Tres ejemplos nos ilustrarn sobre algunas formas en que pueden

presentarse las pruebas de espureidad.
a) Ejemplo 1.- Una investigacin descriptiva nos revel que exista una
alta correlacin entre el estrs y el tiempo en que las personas estaban fuera
del hogar. En un primer momento se sospech que el estrs se deba a esas
prolongadas ausencias, pero por uno u otro motivo fue creciendo en el
investigador la sospecha de que el tiempo de alejamiento (variable
independiente) no era la causa del estrs (variable dependiente) sino el tipo
de ocupacin de la persona (variable adicional), y que si las dos primeras
estaban altamente correlacionadas era porque sobre ellas actuaba
independiente y simultneamente el tipo de ocupacin (o sea, el tipo de
ocupacin influye tanto sobre el estrs como sobre el tiempo de alejamiento
del hogar). Esquemticamente:
Tipo de
ocupacin
z
Tiempo de X Y Estrs
ausencia
En este esquema las dos flechas llenas indican que efectivamente Z es

causa de X y de Y, y la flecha punteada indica que la relacin X-Y es esprea,
es decir, aparenta ser un vnculo causal pero no lo es. Examinemos ahora
cmo se ha procedido para llegar a esas conclusiones.
La alta correlacin existente entre X e Y, que haba hecho suponer al
investigador que exista un vnculo causal, surgi originalmente a partir de la
lectura del cuadro siguiente:
% de estresados
96
Ms tiempo fuera del hogar 80%

Menos tiempo fuera del hogar 60%
Una vez que se afianz la creencia de que este vnculo slo tiene
apariencia de causal pero en realidad no lo es (relacin esprea), y de que la
causa pareca ser en realidad el tipo de ocupacin, el investigador procedi a
recoger los datos en un segundo cuadro pero, esta vez, incluyendo la variable
adicional Z para ver si se produca algn cambio:
% de estresados
Ms tiempo fuera del hogar Menos tiempo fuera del hogar
Ejecutivos 81% 78%
No ejecutivos 62% 61%
Este nuevo cuadro trivariado- confirma la espureidad del vnculo original

X-Y. En efecto, aqu se aprecia que la diferencia en el porcentaje de
estresados entre los que estn ms tiempo y menos tiempo fuera del hogar
(81% y 78%, o bien 62% y 61%), no es significativa si la comparamos con la
diferencia en el porcentaje de estresados entre los ejecutivos y los no
ejecutivos (81% y 62%, o bien 78% y 61%), todo lo cual indica que el estrs
no es debido al mayor o menor tiempo fuera del hogar sino al tipo de
ocupacin.
Ms concretamente, vemos que la diferencia en cuanto a porcentaje de
estresados entre ejecutivos y no ejecutivos es del 19% (que resulta de restar
81% y 62%), diferencia que es grande en comparacin con la diferencia en el
porcentaje de estresados entre los que estn ms tiempo y menos tiempo
alejados del hogar, que es apenas del 3% (resultado de restar 81% y 78%).
b) Ejemplo 2.- Blalock (17) cita un ejemplo donde se constat una alta
correlacin entre la religin y la preferencia poltica, lo que llev a pensar que
era la religin no que determinaba a sta ltima. No obstante, se sospech
que en realidad la influencia provena del tipo de ocupacin, o sea de si las
personas eran empleados u obreros. El esquema correspondiente es:
Tipo de
ocupacin
z
Religin X Y Preferencia
poltica
97
Los datos que llevaron a la suposicin de un vnculo causal entre X e Y

haban surgido del cuadro siguiente, donde figuran por igual obreros y
empleados sin discriminar, ya que an no se sospechaba la influencia del tipo
de ocupacin:
Protestantes Catlicos
Republicanos 62% 38%
Demcratas 38% 62%
Cuando se empez a pensar en la espureidad de este vnculo entre

religin y preferencia poltica se construyeron dos nuevos cuadros con la
misma muestra de sujetos que haba servido para el primero: uno con
empleados solamente y otro con slo obreros, siendo los resultados los
siguientes.
Empleados Protestantes Catlicos

Republicanos 56% 24%
Demcratas 14% 6%
Obreros Protestantes Catlicos

Republicanos 6% 14%
Demcratas 24% 56%
Estos datos muestran que efectivamente el vnculo X-Y es espreo, y

adems agrega elementos de juicio favorables a la hiptesis del tipo de
ocupacin como factor causal. Este segundo ejemplo nos muestra adems
que el cuadro trivariado del primer ejemplo puede ser desglosado en dos
cuadros bivariados, uno para cada categora de la variable adicional.
Las pruebas de espureidad pueden establecer inequvocamente que la
relacin X-Y no es causal, pero algunas veces no alcanzan para probar
simultneamente que Z sea la causa real de Y, con lo cual nos vemos
obligados a recurrir a algn tipo de diseo experimental bivariado para llevar
a cabo esta ltima prueba de confirmacin, o bien a realizar una nueva
prueba de espureidad si sospechamos de una nueva variable adicional Z,
como factor causal real.
c) Ejemplo 3.- Hyman (18) propone un ejemplo donde la variable adicional

no es una variable antecedente, como en los dos ejemplos anteriores, sino
una variable interviniente. Es decir:
98
X z Y
Nivel de Inters en Intencin de

educacin poltica voto
Realizando la lectura igual que en el primer ejemplo, el cuadro I fue el que

originalmente sugiri que el nivel de educacin es causa de la intencin de
votar, mientras que el cuadro II mostr finalmente la existencia de un factor
causal ms directo, que fue el inters en poltica:
Cuadro I Intencin de voto

Secundario 92%
Primario 82%
Cuadro II Intencin de voto

Secundario Primario
Mucho inters 99% 98%
Moderado inters 93% 90%
Poco inters 56% 59%
Podramos aqu argumentar que en realidad no estamos refutando X ya

que, si bien indirecta, la causa sigue siendo la causa de Y. Sin embargo se
puede considerar por simple convencin que la causalidad indirecta es
irrelevante y, por tanto, una prueba de espureidad considerar la refutacin
en un sentido muy amplio, es decir no slo implicar declarar falsa una
hiptesis sino tambin no relevante.
Correlacin y causalidad.- La importancia que tienen las pruebas de

espureidad, sea cual fuere la forma que adopten, radica en que hay muchas
situaciones donde dos variables aparecen estadsticamente correlacionadas,
pero que sin embargo, carecen de todo vnculo causal.
Evidentemente puede haber una alta correlacin entre el hecho de que un
profesor comience una clase a las 20 horas y otro, en la misma aula, lo haga
a las 22 horas, pero ello no significa que la primera situacin sea la causa de
la otra. En estos casos, ambas variables dependen de una tercera, que es la
organizacin horaria de la universidad.
De la misma manera, hay una alta correlacin entre los hechos amanece
en Buenos Aires y amanece en Chile, ya que cada vez que amanece en
Buenos Aires, poco despus tambin amanece en Chile. Sin embargo, nadie
se animara a decir que lo primero es la causa de lo segundo. La tercera
variable de la cual dependen ambas es, en este caso, la rotacin de la tierra.
Existe cierta tendencia muy humana a considerar que las simples
correlaciones estadsticas indican una relacin causal. Antiguamente, se
99
pensaba que cuando ocurran ciertos fenmenos como un viento que soplaba
del este, el resultado era que a los nueve meses se produca el nacimiento de
un hijo, ya que se haba atendido a la correlacin viento-nacimiento.
Obviamente se trata este de un caso de correlacin sin causalidad, ya que el
viento, si bien poda estar asociado por un nacimiento, nadie hoy en da dira
que el viento es la causa del mismo. Y es que a nadie se le haba ocurrido por
entonces relacionar el coito con el nacimiento: hoy sabemos que la relacin
coito-nacimiento no slo es una correlacin sino que adems tambin es un
vnculo causal. Despus de todo, dicen algunos chistosos, el Da del Padre se
cumple nueve meses antes que el Da de la Madre.
9. El informe de investigacin
Como toda palabra que termina en cin, el trmino investigacin puede
designar la accin o el efecto de esa accin. Por lo tanto, la investigacin
puede referirse a la accin de investigar, o al efecto de esa accin, es decir, a
la investigacin ya realizada. En el primer caso la investigacin es concebida
como un proceso o actividad, y en el segundo caso como un resultado.
En nuestros captulos anteriores hemos descripto la investigacin como
proceso, mientras que ahora abordaremos la cuestin de cmo llegar a la
investigacin como resultado. As como la investigacin como proceso se
materializa en una serie de acciones concretas de los investigadores
(administrar encuestas, hacer clculos, buscar bibliografa, manipular
estmulos para ratas, etc.), la investigacin como resultado se materializa en
un discurso verbal, como por ejemplo, tpicamente, una comunicacin
cientfica (paper, monografa, informe de investigacin, artculo, libro, etc.).
En efecto, una vez que el investigador llev a cabo su estudio
exploratorio, descriptivo y/o explicativo, puede tener inters en comunicar
sus resultados a la comunidad cientfica nacional o internacional, y entonces
emprende la ltima tarea, la redaccin del informe final, que habitualmente
aparecer en las revistas especializadas como un artculo cientfico, o ser
ledo en algn congreso, o, si es ampliado y profundizado, tomar la forma
de un libro.
El intercambio de informacin entre los cientficos es importante porque
cualquiera de ellos puede saber qu se investig y qu no se investig sobre
tal o cual tema en el mundo, lo que a su vez permite evitar repetir
experimentos, inventar hiptesis ya inventadas, o disponer de nuevas fuentes
de inspiracin para continuar investigaciones o plantear nuevos problemas e
hiptesis.
Todo informe final contiene tres partes esenciales: el ttulo, el abstract y
el informe propiamente dicho. Este ltimo se resume en el abstract y el
abstract, a su vez, queda resumido en el ttulo. El ttulo es tan importante
para el informe como el nombre y apellido puede serlo para identificar a una
persona, slo que el nombre y el apellido nos dicen poco sobre ella.
100
Aclaremos la diferencia entre el resumen del informe, y las conclusiones que
suelen figurar al final del mismo.
a) La conclusin hace referencia a las consecuencias ms importantes de la
investigacin realizada, sea que consistan en los nuevos problemas que plantea, en
las soluciones prcticas que pueda ofrecer, en su repercusin para la ampliacin, la
reconsideracin o la refutacin de las teoras cientficas establecidas que sirvieron
de marco de referencia a la investigacin, etc. b) Mientras una conclusin adelanta
consecuencias, un resumen comprime informacin. El resumen es un texto que
reduce el artculo a las ideas principales dejando de lado las secundarias, y permite
al lector darse una idea de su contenido en un tiempo bastante ms breve. Un
resumen es una sntesis analtica, una conclusin es una sntesis dialctica. A veces
se emplea tambin la palabra abstract, aunque generalmente sta se aplica a un
resumen algo ms lacnico y ubicado al comienzo del artculo.
Esta organizacin del informe en tres partes facilita enormemente su

bsqueda en el inmenso ocano de informacin que circula en Internet o en
las bibliotecas. As, si lo que buscamos es por ejemplo informacin sobre las
relaciones entre familia y drogadiccin, no nos veremos obligados a leer
todos los informes en su totalidad, sino solamente sus ttulos. Sobre 3000
ttulos seleccionados se podrn elegir 300, de los cuales leeremos solamente
los abstracts. Una nueva seleccin en funcin de estos ltimos finalmente,
podr conducirnos a la seleccin de 30 informes, que s podremos leeer con
mayor detenimiento.
El informe propiamente dicho no necesita obligatoriamente explicar todas
las vicisitudes, marchas y contramarchas de la investigacin, siendo
suficiente explicar en forma clara pero rigurosa los objetivos de la
investigacin emprendida, las conclusiones obtenidas, los elementos de juicio
que las avalan y las tcnicas empleadas en la investigacin, el tipo de diseo,
las caractersticas de los instrumentos de medicin utilizados, etc. Incluso la
exposicin puede ser amena sin que por ello el informe deba transformarse
en un artculo de divulgacin cientfica, ms destinado a al pblico general
que al pblico especializado. Adems, un texto cientfico tiene ciertas
caractersticas que no tiene un texto literario como una novela o una poesa,
ya que su finalidad primaria no es la de expresar estticamente sentimientos
o dar rienda suelta a la fantasa, sino la de comunicar informacin.
En este sentido, consignemos finalmente algunas cuestiones acerca del
estilo. La comunicacin de los resultados de una investigacin cientfica
puede adoptar dos formas: oral o escrita, las que determinarn dos estilos
diferentes.
El estilo oral es ms coloquial e informal, y el discurso no suele estar tan
organizado como en un material escrito, donde generalmente se ha cuidado
de utilizar un lenguaje ms riguroso y de estructurar las ideas en forma ms
coherente, como por ejemplo mediante el empleo de ttulos.
El estilo oral est estructurado temporalmente, porque las palabras
pronunciadas tienen duracin, de aqu la utilizacin de muletillas del tipo
"ahora veremos..." o "si nos queda tiempo...", etc. En cambio, el estilo
escrito est organizado espacialmente, porque las palabras escritas ocupan
101
un lugar fsico (en el papel o en la pantalla de la computadora). Por ello, las

muletillas tpicas son, por ejemplo, "ms arriba dijimos", o "aqu veremos...",
etc.
Ejemplo tpico de empleo del estilo oral son las clases. Con el tiempo,
estas clases podrn transformarse en discurso escrito: apuntes impresos,
artculos cientficos, libros, etc. Para ello, suelen antes pasar por una etapa
intermedia: la clase desgrabada, que, si bien es escrita, mantiene la
estructura temporal, el lenguaje poco riguroso y la organizacin informal.
Los estilos escritos pueden adoptar, por su parte, dos formas, segn sus
destinatarios naturales. Por un lado encontramos el estilo acadmico,
presente en informes en simposios, artculos de revistas especializadas, etc,
y estn destinados a otros cientficos o colegas. Por otro lado, como qued
dicho, encontramos el estilo periodstico, tal como puede aparecer en diarios
o revistas de inters general o de divulgacin cientfica. Sus destinatarios son
el pblico profano, y por ello el lenguaje empleado no es tan riguroso y, con
frecuencia, ms llamativo e impactante.
10. RESUMEN
La tarea central de la investigacin cientfica consiste en proponer
explicaciones acerca de la realidad (hiptesis), y luego probar sus
consecuencias empricamente. El presente texto trata acerca de los pasos
concretos que habitualmente da el cientfico cuando realiza una investigacin
en ciencias sociales.
Esta tarea comienza con un problema solucionable que se plantea el
cientfico. Para poder resolverlo, se traza un plan llamado esquema de
investigacin, consistente en recolectar, organizar y analizar datos
combinndolos entre s, con la intencin de hallar una respuesta al problema
original. Hay varios tipos de esquemas: experimentales, no experimentales, de
laboratorio, de campo, etc, aunque los ms relevantes a los efectos de la
organizacin de este texto son aquellos que coinciden con las tres etapas de la
investigacin cientfica: los esquemas exploratorio, descriptivo y explicativo.
En el estudio exploratorio el cientfico buscar informacin para compensar
su desconocimiento del tema y familiarizarse con l. La actitud deseable es la
flexibilidad en la seleccin de la informacin, y la tarea central es la
recoleccin de datos mediante observacin, cuestionarios, entrevistas, etc. La
exploracin culmina con la seleccin de una serie de factores o variables ahora
considerados relevantes. Antes o despus del estudio exploratorio el cientfico
podr o no haber formulado alguna hiptesis preliminar para comenzar a dar
respuesta al problema que origin la investigacin.
En la investigacin descriptiva se comienza a trabajar con las variables
seleccionadas en la etapa anterior. Cada una de ellas se categoriza y
operacionaliza, y luego se procede a obtener datos de una muestra
seleccionada, organizando la informacin en tablas, medidas estadsticas o
grficos. A continuacin se procede al anlisis de los datos o anlisis de
correlacin, con el fin de determinar si hay o no asociacin estadstica entre
102
las variables consideradas. A partir de aqu el investigador culmina su estudio

descriptivo en cualquiera de dos caminos: o bien emprende un anlisis de
regresin (con el nico fin de poder predecir acontecimientos sobre la base de
la correlacin constatada), o bien deja planteada la posibilidad de que dicha
correlacin implique un vnculo causal (es decir, esboza una hiptesis causal),
o tambin que, a pesar de esa correlacin, no hay tal vnculo.
En la etapa explicativa, el cientfico intentar probar o bien que el vnculo
causal existe (prueba de confirmacin), o bien que no existe (prueba de
refutacin). Para las pruebas de confirmacin se suelen utilizar diseos
experimentales bivariados (de los cuales explicamos seis tipos) o multivariados
(de los cuales explicamos el cuadrado latino). Respecto de las pruebas de
refutacin, hemos mencionado algunos ejemplos de pruebas de espureidad.
Cuando el investigador concluye su tarea en cualquiera de las tres etapas,
suele confeccionar un informe para dar a conocer su indagacin a la
comunidad cientfica con el fin de evitar repeticiones, trazar comparaciones y
servir como fuente de inspiracin de nuevos trabajos.
Para quienes estn interesados en entender cules son concretamente los
pasos que sigue una investigacin tpica en ciencias sociales, hemos tambin
includo en este texto un plan orientativo que describe, mediante un ejemplo,
las etapas de la misma.
Finalmente, hemos tambin includo una introduccin a la estadstica y a la
medicin, dos herramientas indispensables de la investigacin. La estadstica
nos permite en una primera etapa organizar y analizar una gran cantidad de
informacin (estadstica descriptiva), y luego extender estas conclusiones ms
all del restringido mbito de los datos ya conocidos (estadstica inferencial).
Por su parte, la medicin es un procedimiento que nos permite conocer cmo
varan los fenmenos en el mundo real tanto en calidad como en cantidad, lo
cual es muy importante porque es gracias a que existen variaciones que
dependen de otras variaciones, que podemos organizar nuestro conocimiento
del mundo.
11. Ejercitacin
En este ltimo captulo ofrecemos a los docentes que utilizan este texto
como fuente de consulta dos maneras posibles en que se pueden aprovechar
para la enseanza las investigaciones abajo detalladas:
a) Si se trata de ensear todo el proceso de la investigacin, puede
pedrseles a los alumnos que, dada una investigacin, indiquen como fueron
cumplidos todos los pasos indicados en nuestra seccin Etapas de una
investigacin tpica. En aquellos pasos donde no se encuentra informacin
en el texto, plantear como se habra procedido en el marco de la
investigacin elegida. Por ejemplo, si no se indican las dimensiones de alguna
variable, o si no se inform sobre el instrumento de medicin.
b) Si se trata de ensear algn concepto en particular, podemos pedir al
alumno que lo indique en las investigaciones propuestas. Por ejemplo, cules
son en cada caso las variables independiente y dependiente, o qu tipo de
103
diseo experimental fue utilizado en cada investigacin (en caso de haber

sido utilizado alguno de los diseo explicados en el texto).
1) El 66 por ciento de los superdotados tiene bajo

rendimiento escolar
Aunque resulte paradjico, el fracaso escolar puede ser consecuencia de
una elevada inteligencia. As se desprende de las estadsticas. En Espaa,
alrededor del 2 por ciento de la poblacin escolar es superdotada. Es decir,
en cada clase, al menos un nio tiene un coeficiente intelectual por encima
de los 130 puntos. Sin embargo, el 66 por ciento de estos tiene un bajo
rendimiento escolar que la mayora de las veces desemboca en fracaso.
En Espaa, se calcula que alrededor del 2 por ciento de la poblacin
escolar es superdotada, lo que significa que uno de cada 25 nios puede
serlo. Es decir, en cada clase puede haber al menos uno de estos alumnos.
Sin embargo, a pesar de su inteligencia, el 66 por ciento de los superdotados
tiene un bajo rendimiento escolar, que, en muchos casos, llega incluso al
fracaso, segn datos de los ltimos estudios internacionales.
Este porcentaje tan elevado se debe a que en las clases ordinarias, se
aburren al no disponer de los recursos tcnicos y materiales necesarios para
desarrollar sus capacidades, explica el presidente de la Asociacin Espaola
de Superdotados y con Talento (AEST), Esteban Snchez. El fracaso escolar
radica tambin en el hecho de que no cuentan con profesores preparados, as
como la inexistencia de tareas apropiadas donde poder demostrar sus
habilidades. La desmotivacin ante los trabajos, el aburrimiento y las escasas
posibilidades para desarrollar su creatividad hacen que en muchas ocasiones
el profesor califique al nio de poco brillante.
Es lgico pensar que todos los nios superdotados, desde que entran en
la escuela presenten un bajo rendimiento escolar, ya que la enseanza no se
ajusta a su nivel de aprendizaje, explica la directora del centro Huerta del
Rey, Yolanda Benito, en un extenso informe publicado por este centro. Un
claro ejemplo es la contestacin que un nio de 5 aos daba a sus
compaeros: Vosotros empezar a hacer los deberes que yo os pillo.
Fuente: I. Gallego. Recorte del diario ABC, de Madrid.
http://www.eltercertiempo.net/recortes/recort10.htm
2) El trato en el trabajo se refleja en la casa

Cuando los padres llegan a casa, generalmente tienen dos alternativas:
estar relajados, con ganas de compartir y jugar con sus hijos o sentirse
cansados, agobiados y lo nico que ambicionan es estar solos.
Segn un reciente estudio, el comportamiento que tenga cada padre en el
hogar est estrechamente relacionado con la forma en que lo tratan en su
trabajo.
Los padres cuyos trabajos estn claramente definidos, que tienen
autonoma y jefes comprensivos tienden a tener una mayor autoestima y
104
tratan a sus hijos con ms aceptacin y cario, de acuerdo con el estudio de

la Universidad de Illinois, EEUU. Asimismo tienden a usar un sistema de
disciplina menos estricto.
La investigacin que se bas en 59 personas donde ambos padres
trabajan muestra una fuerte relacin entre condiciones de trabajo,
autoestima y paternidad.
Estos resultados son similares a los de un estudio realizado entre
profesionales que tambin evidencia que los padres que estn bien en su
trabajo y se sienten "buenos proveedores" tienen una relacin ms cariosa
con sus hijos. A la inversa, "los hombres que tienen das estresantes y
agotadores, tienden a llegar a casa y aislarse" de los otros miembros de la
familia, dice la Dra. Maureen Perry-Jenkins, coautora del estudio.
Investigaciones del Instituto de la Familia y el Trabajo, de Nueva York,
afirma que las familias con frecuencia sufren el impacto del estrs del
trabajo. Richard Capuzzo, administrador de una panadera, a menudo sale en
bicicleta con sus hijas y despus del trabajo pasa a buscar a su pequea de
tres aos del jardn de infantes. Pero cuando antes trabajaba en una
imprenta, llegaba a casa tan cansado que se aislaba.
La Dra. Perry-Jenkins dice que la investigacin sugiere que los esfuerzos
de los empleadores para crear un ambiente de trabajo sano y justo tambin
ayuda a mejorar la vida familiar de sus empleados.
Sin indicacin de fuente.
3) Leer el diario mejora a la gente

La lectura del diario ejerce una influencia moderadora y acta como una
fuerza estabilizadora sobre la cultura poltica de un pas.
La televisin no slo inhibe la voluntad de las personas para participar
activamente como miembros de la sociedad sino la confianza en el prjimo y
en el gobierno. A estas conclusiones llegaron -por lo menos para los Estados
Unidos- los socilogos y demgrafos despus de recientes estudios sobre
comportamiento social y consumo de los diversos medios de comunicacin.
El profesor de Harvard Robert D. Putnam rompi filas respecto de sus
colegas durante la conferencia anual de la Asociacin Norteamericana de
Ciencias Polticas, celebrada en Chicago. Sus colegas discutan principalmente
si la victoria republicana en las elecciones legislativas de 1994 represent el
comienzo de una nueva etapa o si fue un resultado accidental. Putnam
sostiene que desde la irrupcin de la TV en los aos cincuenta, la confianza y
el compromiso social -el "capital social" de los Estados Unidos- comenzaron a
debilitarse gradualmente.
Confianza y compromiso.- El profesor Putnam observ que inclusive entre
las personas de distinto nivel de educacin haba una interrelacin entre la
cantidad de tiempo que la gente pasaba frente al aparato de TV y el grado de
predisposicin que posean para incorporarse a un grupo social y el grado de
confianza -incluyendo la confianza poltica- que tenan en su gobierno.
105
Esto significa que los niveles de compromiso y confianza disminuyeron en

relacin con la cantidad de tiempo frente al televisor. Putnam descubri
tambin cierta diferencia entre las generaciones nacidas antes de la Segunda
Guerra Mundial, ms comprometidas y satisfechas, y las que nacieron
despus y quedaron expuestas a la TV. El profesor de Harvard est
convencido de que cuanto ms uno lee diarios, tanta ms confianza tiene,
mientras que cuanto ms mira televisin, tanta menos confianza adquiere.
Una reciente encuesta realizada por la Universidad de Oho junto con el
Servicio de Noticias Scripps Howard revel resultados similares. El sondeo
mostr una clara relacin entre el consumo de noticias y la participacin
electoral. El 76% de las personas que habitualmente seguan las alternativas
de la poltica internacional por televisin y en los diarios vot en las ltimas
elecciones legislativas norteamericanas. El porcentaje de los votantes
indiferentes a las noticias fue slo la mitad. Sin embargo, los demgrafos
descubrieron que un nmero desproporcionadamente elevado de personas de
este grupo estaba disconforme con el Gobierno, las leyes y la Constitucin.
Aos de lectura.- La encuesta revel que cuanto ms aos tiene la gente,
tanto mayor es la probabilidad de que lean diarios y voten en las elecciones.
Sin embargo, no se puede culpar a la TV por la baja afluencia de votantes en
las elecciones norteamericanas -generalmente entre 50 y 60%- porque antes
de que existiera la televisin las cifras eran inclusive ms bajas.
La encuesta de la Universidad de Oho apuntala la opinin de Putnam de
que la TV lleva a tener menos confianza en los polticos y funcionarios del
gobierno. Indic que los lectores de diarios tienden a tener un criterio ms
equilibrado y positivo de las cosas que quienes slo miran televisin. Curtis
Gans, director de la Comisin para el estudio del electorado norteamericano,
cree tener una explicacin: "La informacin que reciben los lectores del
diarios no es tan generalizada y simplificada. La influencia de los medios
visuales no es liberal ni conservadora, sino visual. La TV nos presenta
imgenes de las luchas de poder en lugar de mostrar los aspectos
sustanciales de la obra de gobierno". El actual nimo poltico no parece
reflejar realmente un creciente sentimiento contra las altas esferas polticas
de Washington, una prdida de confianza tanto en los demcratas, que
predominan en la Casa Blanca, como en los republicanos, cuyo predominio se
halla en el Congreso. Hace poco, una encuesta realizada por el diario The
New York Times y la CBS News indic que el 55% del electorado vera con
beneplcito la aparicin de un nuevo partido independiente. De acuerdo con
la mayora de los consultados, su misin debera "representar al pueblo".
Los demgrafos hablan acerca de uno de los niveles ms bajos del nimo
pltico del electorado norteamericano en los ltimos tiempos. El 59% de los
consultados no consigui nombrar a un solo poltico norteamericano de su
admiracin y solamente el 6% nombr al presidente. El 79% incluso fue de la
opinin de que el gobierno estaba controlado por un reducido grupo de gente
influyente con intereses especficos y que los utilizaban para su propio
beneficio. La alienacin entre los gobernantes y los gobernados en los
106
Estados Unidos no es un descubrimiento. Lo novedoso, sin embargo, es que

el profesor Putnam cree haber identificado lo que por lo menos es en parte
responsable de esa alienacin: la TV norteamericana. Los primeros captulos
de la serie "La telecracia" estn en el aire.
Fuente: Diario La Nacin, Buenos Aires.
4) Lo peor de los viajes puede ser la vuelta

Olvdese de la ansiedad de separacin. Llegar a casa a veces es lo ms
difcil. Los matrimonios pueden fracasar cuando uno de los esposos viaja
extensamente. Pero la tensin puede aumentar no cuando estn separados,
sino cuando estn juntos.
Una investigacin sobre viajes de trabajo y separacin familiar del doctor
en Psicologa de la Universidad de Carolina del Sur, Frederic Medway,
descubri que algunos trabajadores no llegan de sus viajes con la mejor de
las sonrisas. "Las parejas de algunos ejecutivos se han quejado que cuando
sus esposos vuelven a casa despus de un largo viaje, lo primero que dicen
es 'Dnde est el correo?' y a la esposa le dan ganas de decir 'Y yo que soy,
una foto en la pared?'", relata el Dr. Medway. Tpicamente, las peleas ocurren
porque el que viaja y el que se queda en casa tienen diferentes percepciones
sobre lo que realmente pasa en un viaje de negocios. Lo que para el viajero
son una serie de aburrridos aeropuertos y hoteles solitarios, para el que se
queda son comidas elegantes y aventuras de cinco estrellas.
Lo que es ms, ambos creen que merecen algn tipo de compensacin. El
que se qued lidiando con la mantencin de la casa y el cuidado de los hijos
quiere salir a comer afuera y recibir regalos. Por su parte, el cansado viajero
desea una comida hecha en casa y tiempo para relajarse. Segn el Dr.
Medway los hoteles pueden regalar juguetes que no sean muy caros para los
nios que quedaron en casa, pero lo ms importante es que ambos esposos
se comuniquen mejor sobre lo que hacen mientras el otro est de viaje.
Sin indicacin de fuente.
5) Actitudes frente a la delincuencia

La participacin de la sociedad en actividades de prevencin de la
delincuencia depende tanto del conocimiento, como de las actitudes que la
colectividad tiene sobre estas iniciativas preventivas. De dichos
conocimientos y actitudes depende la colaboracin de la ciudadana. Pero
tambin los profesionales ligados directa o indirectamente a la delincuencia
tienen su importancia.
Opinin pblica y delincuencia.- Algunas investigaciones mostraron una
actitud negativa de la opinin pblica hacia los delincuentes, mientras otras
revelaron que los consideraban personas normales, capaces de modificar su
comportamiento.
La opinin pblica ve la delincuencia como el producto de muchas causas,
y distintas segn cada delito. Por ejemplo las violaciones eran adjudicadas a
107
inestabilidad mental y educacin deficiente, los robos a la influencia

ambiental, etc. Se vio tambin que las personas autoritarias y conservadoras
tienden a promover el 'castigo' de los delincuentes, y quienes apoyan mas
bien una rehabilitacin son aquellos que ven en la delincuencia causas
sociales y econmicas.
Son diversas las actitudes hacia la gravedad de los delitos, la severidad de
los castigos y el tratamiento de los delincuentes. As, la percepcin de los
delitos depende del nivel educativo-cultural: cuanto mayor nivel cultural,
menos prejuicios y ms flexibilidad hay ante el delincuente. En general, sin
embargo, la opinin pblica es ms severa que los jueces cuando se trata de
castigar al delincuente.
Los delitos violentos son los que ms llaman la atencin de los
ciudadanos, estimulados a su vez por los medios de comunicacin. La
delincuencia de cuello blanco parece ser considerada menos grave por la
opinin pblica.
Las investigaciones sobre actitudes hacia la delincuencia deben ser en
general ms precisas y cuidadosas para poder ser tenidas en cuenta a la hora
de instrumentar polticas de justicia penal. Por ejemplo, deben especificar los
tipos de actitudes sobre tipos de delincuente y formas de delincuencia.
Actitudes de profesionales relacionados con la delincuencia.- Los
profesionales de la salud presentan en general actitudes desfavorables hacia
pacientes etiquetados como delincuentes o psicpatas. Otras investigaciones
revelaron que en el momento de tratarlos, se vieron actitudes favorables en
psiquiatras y asistentes sociales. Los mdicos en particular tienden a
adjudicar a la delincuencia causas orgnicas, como por ejemplo el consumo
de estupefacientes.
Por su parte los funcionarios de las crceles son ms benevolentes al
juzgar la delincuencia, y lo mismo respecto de los policas, aunque hay
variaciones segn cada establecimiento penitenciario. Asimismo y en
oposicin a los profesionales de la salud, los funcionarios carcelarios y
policas tienen actitudes menos favorables hacia las causas socioambientales
y las medidas de prevencin y los tratamientos rehabilitadores.
En cuanto a la actitud de los funcionarios judiciales, estas varan segn el
nivel educacional y su ocupacin. Los jurados de mayor nivel educativo
tienen actitudes menos estereotipadas hacia la delincuencia, y tienden a
considerar cada caso particular. Los abogados defensores tienden por su
parte a considerar menos culpables a los delincuentes, y los jueces mostraron
actitudes neutras; estos ltimos tambin adjudican las causas de la
delincuencia al rea socioambiental.
Conclusiones.- En general, la opinin pblica es favorable a la
rehabilitacin de los presos. Los profesionales de los medios de comunicacin
ejercen mucha influencia sobre las medidas de prevencin y tratamiento de
los delincuentes, e influyen sobre la opinin pblica al respecto.
Fuente: Ortet y Fabregat, La delincuencia: opinin pblica y actitudes de
profesionales.
108
Referencias bibliogrficas
(1) Gleick J (1988). Las investigaciones del factor azar. Buenos Aires: La
Nacin, 23 de mayo de 1988.
(2) Desde el punto de vista lgico la proposicin es una estructura
intermedia entre el concepto y el razonamiento: varios conceptos constituyen
una proposicin, y varias proposiciones un razonamiento.
(3) Hempel C (1977). Filosofa de la ciencia natural. Madrid: Alianza
Editorial. 3 edicin, captulo 2.
(4) Arnau Gras J (1980). Psicologa Experimental. Mxico: Trillas, pg.
129.
(5) Revista Muy Interesante, Chile: Ed. Garca Ferr, nmeros 43 y 46.
(6) Hyman H (1984). Diseo y anlisis de las encuestas sociales. Buenos
Aires: Amorrortu, pg. 346.
(7) Blalock H (1982). Introduccin a la investigacin social. Buenos Aires:
Amorrortu, pg. 26.
(8) Hyman H, Diseo y anlisis de las encuestas sociales, pg. 351.
(9) Korn F (1970). Qu es una variable en la investigacin social. Buenos
Aires, Facultad de Filosofa y Letras de la Universidad de Buenos Aires. Ficha
N 476.
(10) Lazarsfeld P (1980). Origen y desarrollo de las variables sociolgicas,
includo en Korn F. Conceptos y variables en la investigacin social. Buenos
Aires, Nueva Visin.
(11) Selltiz C Wrightsman L Deutsch X y Cook S (1980). Mtodos de
investigacin en las relaciones sociales. Madrid: Rialp, 9 edicin, caps. 8 a
14.
(12) Hyman H, op. cit., pg. 100.
(13) Selltiz C Wrightsman L Deutsch X y Cook S (1980). Mtodos de
investigacin en las relaciones sociales. Madrid: Rialp, 9 edicin.
(14) Blalock H (1982). Introduccin a la investigacin social. Buenos
Aires: Amorrortu, cap. 2.
(15) Oneil W (1968). Introduccin al mtodo en psicologa. Buenos Aires:
Eudeba, cap. 2.
(18) Hyman H, op. cit., pgs. 353-356.
(19) En la versin Selltiz-Wrightsman-Cook solamente figuran los diseos
1, 4 y 6. En dicha versin, el esquema 4 se llama diseo simple y el 6 se
llama diseo ampliado o esquema de los cuatro grupos de Solomon. Esta
ltima denominacin figura en ambas versiones.
(20) Definicin de Reuchlin citada en Arnau Gras J, Psicologa
experimental, pg. 392.
(21) Mc Guigan, Psicologa Experimental, pg. 53.
109

(23) De Vega M (1984). Introduccin a la psicologa cognitiva. Madrid:
Alianza.
(24) Este es uno de los sentidos del trmino hiptesis nula. No debemos
confundirlo con el sentido ms habitual que se utiliza en las pruebas de
significacin para las hiptesis que se ponen a prueba en las investigaciones
tpicas, donde la hiptesis nula es aquella que dice lo contrario de la hiptesis
propuesta. Vase al respecto Hernndez Sampieri y otros (1991).
Metodologa de la Investigacin. Mxico: McGraw-Hill.
http://www.galeon.com/pcazau/guia_met.htm
110

Cazau Metodologia

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cazau Metodologia

Încărcat de

Drepturi de autor:

Formate disponibile

Metodologa de la

Prlogo a la segunda edicin.- Hemos incorporado tres novedades

Prlogo a la primera edicin.- El presente trabajo, fruto de varios aos de

que el problema a resolver no es tan sencillo, o tambin a la magnitud de la

c) Tipos de esquemas de investigacin

Segn datos: con datos primarios

Segn la fuente de donde obtiene los datos, el esquema de

Cierto tipo de investigaciones se prestan para planificarse indistintamente como

Segn el grado de control ejercido sobre las variables, el esquema

d) Etapas de una investigacin tpica

1) Seleccin del tema de investigacin.- El tema de la investigacin es

3) Explicitacin del marco terico.- Las variables elegidas han de ser

hiptesis especfica, pueden especificarse varias cosas: el vnculo entre las

13) Seleccin de los grupos.- Dentro de la muestra elegimos al azar los

Sujeto Estado civil Estado de nimo

En el caso de tratarse de variables cuantitativas, en esta matriz se

Muy Deprimido Alegre Muy TOTALES

Por ejemplo, hemos colocado la frecuencia 7 en el primer casillero porque

23) Comunicacin de los resultados.- Mientras fuimos cumpliendo los

Para el paso Consultar seccin

En un estudio exploratorio se puede partir de una hiptesis previa, o sea,

La entrevista implica hacer preguntas en forma oral, y el cuestionario en forma

Para recolectar datos tenemos an una opcin ms pica: podemos

cientfica, en la medida en que se trata de una herramienta fundamental que

Obviamente, deberemos asegurarnos de que la muestra sea

An as no hay un azar total, pues en la gua no figuran por ejemplo individuos

El tamao elegido para la muestra es tambin importante, y variar de

pecar por defecto (un solo individuo no representa a una ciudad, an

Hay varias tcnicas para realizar muestreos probabilsticos, y todas se basan en

En el muestreo no probabilstico los individuos de la poblacin no tienen

Muestra 1) -----105------------110-----------115------------- (Promedio: 110)

Ambas muestras tienen el mismo promedio y sin embargo, son dos

debemos verificar es si lo concluido respecto de la muestra vale tambin para

Hay dos tipos de probabilidad: lgica e inductiva. a) Probabilidad lgica: si yo

En este contexto, qu sera lo deseable? Sera que no hubiera diferencia

La estadstica descriptiva debe preocuparse de si la muestra est o no

En la etapa explicativa, el cientfico intentar probar o bien que el vnculo

reducido o achicado el nmero de posibles factores relacionados con la

Resumamos otras caractersticas de las hiptesis: a) Relevancia: la hiptesis

Respecto del modo cmo deben formularse las hiptesis, tenemos

Puede tambin ocurrir que el cientfico alimente primero la sospecha de un

b) Conceptos: constantes y variables

Si bien utilizamos conceptos en la vida cotidiana ("golosina", "alegra"), y los

Sin embargo, en una hiptesis no todos los conceptos funcionan de la

Aires, y no de Entre Ros o Catamarca. Al mantenernos slo en Buenos Aires

Segn su grado de complejidad, las variables pueden ser simples y

Segn el nivel de medicin empleado para medir las variables, stas

ocupacin. Si entonces nos proponemos estudiar la influencia de sta ltima

Esta expresin, tan sencilla como fundamental, significa que X es la

mayores posibilidades de escalar clases sociales). Otro tanto podemos decir

a- Todo fenmeno tiene una sola causa.

El sentido comn sostiene habitualmente la primera postura. En nuestra

indicado; b) al cientfico suelen interesarle, por razones prcticas, slo ciertos

Las investigaciones ms simples son bivariadas: consideran solamente la

Tal es el caso del enunciado "el ruido produce estrs y tambin

Edad Memoria Incentivo Rendimiento

En los ejemplos de la segunda columna la relacin causal puede darse en

investigar cmo influye nuestro comportamiento sobre nuestra visin de

En algunos de sus escritos Freud consider al sntoma en su doble aspecto de

El solo hecho de llevar a cabo una investigacin bivariada no nos

Las lneas punteadas indican que los factores adicionales estn

Variable Variable Variable contextual

Los esquemas nos muestran que z acta como variable antecedente