Metodo Cuantitativo Investigacion

JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ
METODOLOGÍA DE LA INVESTIGACIÓN CUANTITATIVA
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODÍGUEZ
1
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ ÍNDICE
Índice……………………………………………………………………………………………..
Introducción………………………………………………………………………………….. Orientaciones
Metodológicas……………………………………………………….. Primera Unidad: El conocimiento
científico………………………………. Lección I: El conocimiento científico….…………………………………… El
conocimiento…………………………………………………………………………. Dificultades para la elaboración del
conocimiento…………………… Tipos de conocimiento………………………..……………………………………. El
conocimiento científico…………………………………………………………. Características del conocimiento
científico………………………………. ¿Cómo saber que lo que se sabe es real en
realidad?............. Lección II: Ciencia y Teoría…………………………………………………… La
ciencia…………………………………………………………………………………… Clasificación de la
ciencia…………………………………………………………. Elementos de la ciencia…………………………………………………………….. La
ciencia como producto y como proceso………………………………. La
teoría…………………………………………………………………………………….. Poder explicativo de la teoría
científica……………………………………. Lección III: Método científico e investigación
científica……….. El método científico………………………………………………………………….. Elementos del
método científico……………………………………………… La investigación
científica…………………………………………………………. Investigación y teoría………………………………………………………………..
Lección IV: Elementos del conocimiento científico…………………
Hecho………………………………………………………………………………………… Teoría………………………………………………………………………………………….
Modelo……………………………………………………………………………………….. Concepto…………………………………………………………………………………….
Constructo………………………………………………………………………………….
Variable……………………………………………………………………………………… Datos………………………………………………………………………………………….
Definición de conceptos…………………………………………………………….
Hipótesis……………………………………………………………………………………. Leyes………………………………………………………………………………………….
Segunda Unidad: El proceso de la investigación cuantitativa I Lección I: El
problema de investigación…….…………………………… Esquema del proceso de investigación
cuantitativa…………….…. El problema de investigación……………………………………….……………
Clasificación de los problemas de investigación………………………. 2 2 6 8 11 15 15 18 20 21
22 24 25 25 26 27 28 28 29 32 32 33 34 35 38 38 39 41 46 46 47 48 49 50 53 65 69 69
71 71
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ Aspecto
formal…………………………………………………………………………… Características de los problemas
científicos…………………………….. Ejemplos de problemas de investigación………………………………….
Pautas para la búsqueda de problemas……………………………………. Planteamiento del
problema……………………………………………………… Un error frecuente en el planteamiento del problema
de investigación…………………………………………………………………………… Una precisión
conceptual………………………………………………………… Lección II: Objetivos y justificación de la
investigación……….. Objetivos de investigación………………………………………………………… Clasificación
de los objetivos de investigación………………………… Presentación y
redacción………………………………………………………….. Justificación de la
investigación………………………………………………… Ejemplos de justificaciones……………………………………………………….
Lección III: El marco teórico y definición de términos básicos………………………………………………..
………………………………….. El marco teórico.……………………………………………………………………….. Propósito del marco
teórico……………………………………………………… Etapas en la elaboración del marco teórico………………………………
Partes del marco teórico…………………………………………………………… Lección IV: Estrategias o tipos de
investigación……………………. Clasificación de las estrategias o tipos de
investigación…………. Investigación exploratoria………………………………………………………… Investigación
descriptiva………………………………………………………….. Investigación
correlacional……………………………………………………….. Investigación
explicativa…………………………………………………………… Tercera Unidad: El proceso de investigación
cuantitativa II….… Lección I: Hipótesis………………………………………………………………… Concepto de
hipótesis….…………………………………………………………… Criterios para determinar si la hipótesis es
científica o no….…. Clasificación de las hipótesis……………….……………………………………. Prueba de
hipótesis.....…………………………………………………………….. Lección II:
Variable…………………………………………………………………. Concepto de variable…………………………………………………………………
Clasificación de variables………………………………………………………….. ¿Puede una variable cuantitativa
ser transformada en variable
categórica?......................................................…………………
Operacionalización de variables…………….…………………………………. Lección III:
Diseño………………………………………………………….……… Concepto de diseño…………………………………………………………………… 3 74
74 75 76 77 82 82 84 84 84 86 87 87 90 90 90 90 93 98 98 99 99 100 103 111 115 115
115 116 123 125 125 125 128 129 137 137
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ Selección del
diseño…….……………………………………………………………. Diseño experimental………………………………………………………………….
Varianza sistemática y varianza de error…………………………………. Validez
interna…………………………………………………………………………… Validez externa…………….……………………………………………………………
Validez de constructo o construcción…………………………….......... Validez
estadística…………………………………………………………………….. Mejoramiento de la validez
interna………………………………………….. Principio Maxmincon………………………………………………………………….
Clasificación de los diseños experimentales…………………………….. Lección IV: Diseños
preexperimentales, cusiexperimentales y experimentales
puros……………………………………………………………. Diseños preexperimentales……………………………………………………….
Diseños de un grupo sólo despúes…………………………………………… Diseños pretest-postest con un
solo grupo……………………………… Diseños de comparación estática o comparación de grupos sólo
despúes…………………………………………………………………………… Diseños
cuasiexperimentales……………………………………………………. Diseño de series temporales (o de series
de tiempo)……………… Diseño con pretest-postest y grupos intactos, uno de ellos de
comparación (o control no equivalente)………………………………….. Diseño
contrabalanceado………………………………………………………….. Diseños experimentales
puros……………………………………………….. Diseños de 2 grupos totalmente aleatorizados GE y GC con
pretest únicamente…………………………………………………………………. Diseño de grupos aleatorios antes y
despúes con un grupo control………………………………………………………………………………………. Diseño de dos grupos
apareados……………………………………………… Diseño de grupos aleatorios con más de dos condiciones
experimentales………………………………………………………………………… Diseño de cuatro grupos de
Solomon……………………………………… Diseño de grupos aleatorios con bloques………………………………… Diseño
de cuadrado latino………………………………………………………… Diseños
factoriales…………………………………………………………………… Diseños N= 1…………………………………………………………………………….
Diseños no experimentales……………………………………………………… Diseño
transeccionales……………………………………………………………. Diseños
longitudinales……………………………………………………………… Cuarta Unidad: El proceso de investigación
cuantitativa IV….… Lección I: Muestreo…………………………………………………………………. 4 137 137 139 140
145 149 150 151 155 156 158 158 158 159 160 161 162 163 164 166 168 169 170 171 172
173 175 176 180 181 181 183 194 198
Individuo……………………………………………………………………………………. Población……………………..
……………………………………………………………. Muestra……………………….……………………………………………………………..
Parámetro…………………………………………………………………………………..
Estadístico…………………………………………………………………………………. Estimación de
parámetros………………………………………………………… Concepto de muestreo……………………………………………………………….
Procedimiento para hacer el muestreo…………………………………….. Elaboración de la muestra
probabilística…………………………………. Muestra no probabilística………………………………………………………… Tamaño
de la muestra probabilística……………………………………….. Tamaño de la muestra no
probabilística…………………………………… Lección II: Recolección de datos…………………………………..……….
Decisiones a tomar al planificar la colecta de datos……………….. Lección III: Análisis
cuantitativo de datos….………………………… Tipos de análisis………………………………………………………………………..
Propósitos del análisis de datos………………………………………………… Etapas del análisis de
datos…………………………………………………….. Elección de la prueba estadística……………………………………………..
Concepto de prueba estadística………………………………………………… Tipos de pruebas
estadísticas…………………………………………………… Criterios objetivos para elegir la prueba
estadística………………… Lección IV: Interpretación y explicación de resultados…………
Análisis, interpretación y explicación………………………………………… Aspectos específicos a tener
en cuenta en la interpretación y explicación de resultados………………………………………………………..
Un ejemplo de análisis e interpretación…………………………………… Dos ejemplos de explicación o
discusión de resultados………….. Conclusiones………………………………………………………………………………
Bibliografía General……..…………………………………………………………….. Anexo 1: Perfil de un informe de
investigación……………………….. Anexo 2: Referencias bibliográficas………………………………………….
Glosario……………………………………………………………………………………… 198 198 199 199 199 199 200 201 203 206
207 209 211 211 216 216 217 218 228 228 230 238 243 243 244 245 245 248 257 265 269
280
5
INTRODUCCCIÓN De forma ideal, las políticas y regulaciones sociales así como las
prácticas profesionales que tienen como objetivo mejorar la calidad de vida de una
persona o de una sociedad deben estar basadas en evidencia generada mediante el
método científico, lo cual está ganando adeptos en varias áreas (por ejemplo,
medicina, salud pública, psicología, educación, etc.). Hay que tener muy en cuenta
que los errores en los procesos de diagnósticos o evaluaciones así como en los
tratamientos o intervenciones pueden tener consecuencias adversas en aquellas
persona que, precisamente, deberían beneficiarse. Es de suma importancia conocer el
procedimiento a seguir para generar evidencia científica que guíe las
intervenciones sociales. Así, el presente libro busca brindar, a estudiantes,
profesionales y público en general, información teórica y aplicada que permita
desarrollar competencias y destrezas conceptuales, procedimentales y actitudinales
sobre la metodología de la investigación cuantitativa, como instrumento para la
adquisición del conocimiento científico. El libro identifica las etapas del método
de investigación cuantitativo desde la formulación de las hipótesis, antes de la
aplicación de la investigación, hasta la obtención de los resultados que permiten
aceptar o rechazar la hipótesis inicialmente planteada. Así, se concretiza la ruta,
mostrando las etapas de la investigación aplicada que, en condiciones apropiadas,
genera la evidencia necesaria para la toma de decisiones en la práctica clínica, la
salud publica y la educación. Se hace referencia también a la divulgación de los
resultados de las investigaciones, los cuales frecuentemente no quedan en las manos
del investigador una vez que éste los ha presentado en un forum público o los ha
publicado en una revista científica. Cada etapa crea demandas epistemológicas
concretas y diferenciadas que representan un reto a los conocimientos del
investigador. De esta manera, la claridad, coherencia y especificidad de la teoría
son claves para la formulación de una hipótesis en términos concretos, buscando
llevar a cabo la investigación necesaria que permita rechazarla o aceptarla. A su
vez, la formulación de la hipótesis debe sugerir el diseño científico a usar en la
investigación y las metodologías que permitan colectar y analizar los datos que se
obtengan para derivar conclusiones lógicas y pertinentes. Brevemente, el valor
empírico de una teoría dependerá de cuan clara y precisa es la definición de los
conceptos y de las relaciones propuestas entre éstos. La teoría es una fuente
primordial de las hipótesis que se ponen a prueba en el estudio del desarrollo
psicológico. Ello no niega, sin embargo, que la observación directa sea una rica
fuente de información para la identificación
6
de problemas y la formulación de hipótesis relevantes a la salud psicológica, salud
pública y educación. Sin embargo, generalmente en estos campos, ni la teoría ni las
observaciones sirven para definir el problema con precisión e identificar todos los
factores o condiciones que pueden influir sobre la naturaleza, variaciones, causas,
consecuencias y mecanismos detrás del problema. Para ello se necesita un
conocimiento amplio que permita llegar a concretar esa definición e identificar las
variables a considerar. No obstante, la existencia de conocimientos que llevan a
sustentar coherentemente una hipótesis no es una condición suficiente para asumir
la validez de esa hipótesis. Es la evidencia colectada a través del método
científico lo que permite tomar una posición sobre la validez de la propuesta. En
el libro, y a lo largo de los 16 capítulos, tratamos de describir el proceso
natural que se sigue en la investigación cuantitativa, y que básicamente se resume
en las siguientes fases: 1. Concebir la idea a investigar, 2. Platear el problema,
3. Elaborar el marco teórico, 4. Definir el tipo de investigación, 5. Formular las
hipótesis, 6. Identificar y definir las variables en estudio, 7. Seleccionar el
diseño apropiado de investigación, 8. Seleccionar la muestra, 9. Recolectar los
datos, 10. Analizar los datos y, 11. Presentar los resultados. Un logro importante
del libro es haber llevado a cabo una revisión crítica de los temas que componen
sus capítulos, buscando los datos más importantes que nos permitan entender el
proceso de investigación cuantitativo. Sin embargo, somos concientes que comprender
el proceso de investigación es una tarea titánca como comprender el fenómeno de la
vida en toda su magnitud, pues además del componente técnico, se suma y entrelazan
componentes filosóficos y sociales. Esperamos que el libro permita aclarar algunos
conceptos importantes en la investigación cuantitativa.
Jaime Aliaga & Tomás Caycho, 2011
7
Orientaciones Metodológicas Sumilla del Curso
La naturaleza de la asignatura es de formación general, de carácter

teóricopráctico, teniendo como propósito, orientar al estudiante en la metodología
de la investigación cuantitativa, como instrumento para la adquisición del
conocimiento científico. El curso prioriza una visión metodológica y de
procedimientos.
Descripción de las Unidades del Texto
I Unidad: Metodologia de la Investigacion Cientifica: Paradigma Cuantitativo de la

Investigacion La unidad describe analíticamente el paradigma de investigación
científica, metodológica y conceptualmente, para una aplicación creativa. II
Unidad: Proceso de Investigacion Cuantitativa I La unidad identifica y distingue
los criterios para el planteamiento del problema, la formulación de objetivos, la
elaboración del marco teórico y las estrategias y tipos de investigación,
especificando la función y relaciones entre ellas, con la finalidad de orientar los
procesos de investigación.
III Unidad: Proceso de Investigacion Cuantitativa II

La tercera unidad identifica y distingue los criterios para la formulación de
hipótesis, operacionalización de variables y el diseño de investigación
experimental, preexperimental y cuasiexperimental, especificando la función y
relaciones entre ellas, con la finalidad de orientar los procesos de investigación.
IV Unidad : Proceso de Investigación Cuantitativa III La cuarta unidad hace
referencia a los procesos de muestreo, recolección de datos, análisis cuantitativo,
interpretación y explicación de resultados.
8
OBJETIVO DEL CURSO
Desarrollar competencias y destrezas conceptuales, procedimentales y actitudinales

para la orientar al estudiante en la metodología de la investigación cuantitativa,
como instrumento para la adquisición del
conocimiento científico
CRITERIOS DE EVALUACIÓN
Se evaluará las actividades de autoaprendizaje y el avance del proyecto de

investigación que será comunicado por medio de informes parciales al profesor
tutor, quien los revisará y aprobará. Los informes comprenderán cada una de las
siguientes partes: 1. Primera parte: Planteamiento del problema de investigación:
Selección y formulación del problema. Objetivos. Finalidad e importancia.
Limitaciones del estudio. 2. Segunda parte: Marco de referencia de la
investigación: Marco histórico. Antecedentes del estudio en el extranjero y el
país. Marco teórico. Definiciones conceptuales y operacionales. 3. Tercera parte:
Método: Tipo y diseño de investigación. Población. Muestra. Identificación de
variables. Técnicas e instrumentos de recolección de datos. Procedimiento.
Estadísticos y pruebas para el tratamiento estadístico. 4. Cuarta parte:
Resultados: Presentación, análisis e interpretación. Verificación de hipótesis.
Discusión de resultados. Resumen, conclusiones y recomendaciones. Referencias
bibliográficas. Informe final El informe final será presentado al profesor tutor
para su revisión y aprobación.
9
Sugerencias para el estudio: Recuerda: 1. Para aprender es necesario un aprendizaje

activo y reflexivo para lo cual tienes que. a. Activar la información previa que
tienes en relación al tema y sobre la base de ella iniciar la construcción de tu
aprendizaje: ¿Qué sé sobre este tema?, ¿Qué tarea me solicitan, es fácil o
difícil?; ¿Qué materiales necesito?
b. Al finalizar tu estudio la pregunta siempre debe ser: ¿Qué de

nuevo aprendí?
RECUERDA QUE PARA TENER ÉXITO NECESITAS SER UN ALUMNO AUTORREGULADO
10
Primera
UNIDAD
EL CONOCIMIENTO CIENTÍFICO
“Los psicólogos intentan comprender el comportamiento y los procesos mentales

mediante el desarrollo de teorías y la conducción de investigaciones psicológicas”
(Shaughnessy, Zechmeister y Zechmeister, 2007:23).
¿Qué es el conocimiento y cuáles son los tipos de conocimiento? ¿Qué es la ciencia?

¿En qué consiste el método científico? ¿Es la psicología una ciencia?
11
Competencias
CONCEPTUALES:
• •
Define la ciencia y su método en los diferentes campos de la actividad humana.

Identifica las características del método científico en psicología.
PROCEDIMIENTALES:
• •
Aplica el método científico en las actividades diarias. Utiliza el método

científico en actividades para constatar la necesidad de la ciencia en la obtención
del conocimiento objetivo.
ACTITUDINALES:
• •
Valora el método científico como expresión de la psicología como ciencia. Valora la

utilidad del método científico para la obtención de un conocimiento adecuado.
12
CONTENIDO TEMÁTICO
Lección I: El conocimiento científico El conocimiento Dificultades para la
elaboración del conocimiento Tipos de conocimiento El conocimiento científico
Características del conocimiento científico ¿Cómo saber que lo que se sabe es real
en realidad? Lección II: Ciencia y teoría La ciencia Clasificación Elementos de la
ciencia La ciencia como producto y como proceso La teoría Poder explicativo de la
teoría científica Lección III: Método científico e investigación científica El
método científico Elementos La investigación científica Investigación y teoría
Lección IV: Elementos del conocimiento científico Hecho Teoría Modelo Concepto
Constructo Variable Datos Definición de conceptos Hipótesis Leyes
13
ESQUEMA CONCEPTUAL
OBSERVACIÓN
HIPÓTESIS
EXPERIMENTACIÓN
RESULTADOS
TEORÍA
CONSECUENCIAS DEDUCIDAS EN TÉRMINOS FORMALES

Predicción Explicación tiempo
HECHOS EMPÍRICOS OBSERVACIONES ANTECEDENTES
HECHOS EMPÍRICOS OBSERVACIONES CONSECUENTES
CONCEPTOS CLAVE Ciencia, conocimiento, investigación científica, método científico
14
Lección I El conocimiento científico
1.1 El Conocimiento 1.1.1 Concepto En una primera aproximación, el conocimiento es

la acción y el efecto del conocer. El conocer (del lat. cognoscere) es el acto de
aprehender o la aprehensión misma, operada por un sujeto, de un objeto cualquiera
de la realidad. Todo conocimiento tiene como fuente a la realidad y se constituye
en una relación interactiva entre un sujeto y un objeto -idea, hecho físico
cultural o social, otro o el mismo sujeto-, sin esta relación el conocimiento es
imposible. En consecuencia, el conocimiento siempre implica un sujeto cognoscente y
un objeto conocido, que puede, a veces, hacer parte del sujeto que conoce; en
efecto, se puede uno conocer a sí mismo, se puede conocer y pensar en sus
pensamientos. Asimismo, el conocimiento también implica la proposición, enunciado o
juicio resultante del acto del conocer. Ahora bien, si en la relación sujeto-objeto
se pone énfasis en el objeto la relación es de identidad o semejanza, consistiendo
ésta en la representación mental del objeto tal como se da en la realidad, un
ejemplo es el retrato de uno mismo pintado por un pintor retratista (Figura 1,
Autorretrato de Van Gogh); si se pone énfasis en el sujeto, la relación es de
trascendencia, vale decir, “el sujeto determina, conforma, construye al objeto,
hace representaciones mentales de este, según las categorías humanas; de modo que
la representación mental ya no pretende identidad alguna con el objeto, sino que es
considerada sólo como un símbolo o signo de éste; con la condición de que dicho
símbolo o signo conduzca a la localización del objeto y lo haga descriptible y
previsible” (Ezcurdia & Chávez, 1998), un ejemplo es la pintura Guérnica de
Picasso, que representa el bombardeo realizado por la aviación alemana de la ciudad
de Guérnica el 26 de abril de 1937 en la Guerra Civil Española (Figura 2). El
constructivismo y la psicología cognitiva, por ejemplo, privilegian en esta
relación al sujeto que conoce. En esta perspectiva, el conocimiento en una
aproximación más profunda es conceptuado como “las representaciones mentales que
hace el sujeto del mundo físico, social y sobre sí mismo” (Reátegui, 1999). Las
representaciones mentales o esquemas (guías de sucesos, marcos en la percepción
visual, estereotipos sociales) aluden a conceptos de un objeto, persona o situación
cuyos rasgos constituyentes se corresponden con los atributos del objeto
otorgándole significado, y se interpretan como un patrón general del conocimiento o
estructura
15
cognoscitiva organizada al cual se asimila los nuevos conocimientos y se representa
en redes semánticas complejas utilizables independientemente o en relación con
otros esquemas (Beltrán, 1993).
Figura 1.
Vincent Van Gogh (Autorretrato)
Figura 2. Guérnica de Pablo Picasso

Estas representaciones mentales en última instancia refieren a la naturaleza
(esencia y propiedad característica de cada ser cosa u objeto), a las cualidades
(cada una de las circunstancias o caracteres que distinguen a las personas, objetos
y las cosas), y a las relaciones de los objetos y las cosas (formas variables o
invariables en que interactúan). En
16
efecto, mediante el conocimiento, el humano penetra en las diversas áreas de la
realidad para tomar posesión de ella, la misma que presenta niveles o estructuras
diferentes en su constitución. Así, a partir de un “ente, un hecho o fenómeno
aislado, se puede ascender hasta situarlo dentro de un contexto más complejo, ver
su significado y función, naturaleza aparente y profunda, origen, finalidad,
subordinación a otros entes, en fin su estructura fundamental, con todas las
implicaciones que de ello resultan” (Zorrilla, Torres, Luiz & Aleino, 1999). La
penetración del conocimiento es las diversas áreas de la realidad se da por etapas
pues el proceso del conocimiento es sensorial y racional. En una primera etapa es
sensorial pues en la praxis de la interacción del ser humano con lo externo del
objeto, fenómeno o hecho, el conocimiento de lo concreto y sensible se da a través
de los sentidos que al ser excitados dan lugar a las sensaciones, que unificadas e
integradas constituyen las percepciones. La percepción reiterada de los mismos
objetos conforma a las nociones o imágenes de los objetos, aunque no se tengan
presentes todas sus propiedades, subyaciéndoles procesos como la observación, la
comparación y la memoria (Fiallo, Cerezal & Hedesa, 2008). La segunda etapa implica
el pensamiento abstracto, el razonamiento, que nos permite ir más allá del
conocimiento sensorial, mediante su elaboración separando lo no esencial de lo
esencial y destacando lo esencial como lo más característico de cada hecho o
fenómeno. Para este logro son indispensables la generalización y la abstracción.
Por la abstracción se separa lo trascendental de lo no trascendental, se destaca lo
principal, la propiedad o cualidad sin la cual no fuera viable el objeto. Por la
generalización, se analiza una cantidad de objetos, hechos o fenómenos buscando lo
que tienen de común, lo que es perteneciente a todos en general (también nos
permite determinar lo que tienen de diferente). Generalización y abstracción nos
permiten, a su vez, llegar al concepto, que precisa las características generales y
esenciales de un objeto o clase de objetos. Sin conceptos no puede haber
pensamiento. El ser humano emplea a diario muchos conceptos. Así cuando dice “La
inteligencia se vincula con el rendimiento escolar”, el conocimiento que se
manifiesta en esta afirmación se apoya en el domino de los conceptos “inteligencia”
y “rendimiento escolar”. En su evolución ascendente para penetrar en la realidad,
el pensamiento establece relaciones entre los conceptos mediante los juicios y
deducciones. El juicio conecta los conceptos reflejando sus relaciones. La
descripción, comparación, argumentación, explicación, predicción, comprensión y
otras actividades cognoscitivas como las hipótesis, las teorías, las leyes, se
realizan mediante juicios que suponen previamente el pleno domino de los conceptos
que los forman. Pero, hay juicios verdaderos y juicios falsos, dependiendo esta
conclusión de que las ideas que expresan se
17
correspondan o no con la realidad. Por ejemplo, si digo “Caracas es la capital de
Bolivia” este pensamiento es un juicio pero es falso. Un grado superior en el
proceso de penetración de la realidad lo tiene la deducción o acto del pensamiento
que extrae de juicios verdaderos un nuevo juicio. Una deducción es el paso de la
verdad de una proposición a la verdad de otra proposición. Por ejemplo, sea la
proposición verdadera “Todos los peruanos son americanos”, entonces la proposición
“algunos peruanos son americanos” deberá ser necesariamente verdadera. Existe una
conexión necesaria, absoluta entre la verdad de la primera proposición y la verdad
de la segunda (Miro Quesada, 1969). La deducción es fundamental en el conocimiento
de objetos que no pueden ser percibidos directamente por los sentidos,
principalmente para determinar su aspecto interno, la esencia de los fenómenos y
procesos. Por ejemplo, en el estudio de la estructura de la materia, partiendo de
un conjunto de juicios verdaderos sobre la posible existencia de los átomos,
elemento postulado desde la antigüedad griega por los filósofos Demócrito, Leucipo
y Epicuro, se pudo demostrar su autenticidad mediante una serie de deducciones.
Conceptos, juicios y deducciones como formas de pensamiento lógico son las tres
formas básicas en las que ocurre todo el pensamiento científico (Fiallo, Cerezal &
Hedesa, 2008). En efecto, como dice el egregio filosofo y lógico peruano Don
Francisco Miro Quesada “Es gracias al pensamiento lógico que las ciencias exactas
como las matemáticas y la física teórica y aspectos importantes de las ciencias
empíricas, pueden constituirse como disciplinas organizadas que brindan al hombre
conocimientos sobre las verdades y las cosas” (Miro Quesada, 1961). 1.1.2
Dificultades para la elaboración del conocimiento.
Como hemos visto, el conocimiento implica una proposición, enunciado o juicio

resultante del acto del conocer, que debe ser objetivo. La objetividad, sea en el
sentido de intersubjetividad o acuerdo de varios observadores; o de calidad de la
observación realizada por un sujeto (House, 1994), se atiene siempre a los hechos,
sin inclinaciones tendenciosas. Un ejemplo de falta de objetividad lo tenemos en la
proposición “El agua de río es negra”. La objetividad puede ser afectada por causas
fisiológicas, psicológicas e ideológicas. Las fisiológicas se vinculan con
anomalías o patologías del sistema nervioso que alteran la captación correcta de la
información a través de los sentidos. Ejemplos son las ilusiones ópticas –
captación cognitiva de un objeto real, pero en forma errada o distorsionada (Figura
3)-, y las alucinaciones –percepciones erróneas, sin que existan estímulos reales.
Las psicológicas se vinculan al temperamento, motivación, experiencia creadora,
personalidad del sujeto cognoscente, en tanto que las ideológicas se vinculan con
la situación social, intereses económicos, culturales en la que este sujeto se
formo o pertenece; y, desde la cual percibe o “ve” la realidad y la juzga
(Caballero, 2004). (Cuadro 1).
18
Figura 3.
Ilusiones ópticas.
19
Tabla 1. Influencias de las cuales debe ser consciente y debe controlar el
investigador (Basado en Pardinas, 1983)
Etnocentrismo: Tendencia a erigir valores y costumbres del grupo en que se nacido y

educado como normas infalibles de juicios y valoración de las conductas de
cualquier otro grupo sociocultural. Subjetividad: Tendencia a juzgar los hechos
observados y las situaciones con base en la emoción o la afectividad. Autoritarismo
(En el sentido de falacia de apelación a la autoridad): tendencia a aceptar como
verdadera una afirmación sólo por lo que lo dice otra persona, generalmente una
denominada autoridad en una materia, sin que este apoyada en razones, experimentos
o investigaciones probadas. Dogmatismo: Tendencia a dar opiniones que erigen
conocimientos en verdades indiscutibles, al margen del estudio, de la crítica y del
debate Impresionismo: Tendencia a confundir experiencias transitorias con verdades
comprobadas. Afirmar de toda una clase de gente, lo que únicamente nos consta de
una persona o de un pequeño grupo de personas. Estereotipos: Tendencia a aceptar
imágenes no comprobadas que le forman al individuo desde la infancia, o hemos
formado nosotros mismos, respecto, particularmente, a grupos étnicos, culturales,
nacionales, etc. Especialismo: Tendencia a devaluar cualquier conocimiento que no
se encuentre dentro del área de nuestra especialidad.
1.1.3
Tipos de conocimiento
El objeto del conocimiento es Lo Real – todo lo que existe -, que a su vez es

bastante complejo. La complejidad de lo real se relacionará con formas diferentes
de apropiación de este por parte del sujeto cognoscente, que darán origen a
diversos niveles de conocimiento según el grado de penetración del conocimiento y
consiguiente posesión más o menos eficaz de la realidad, tomando en cuenta el área
o estructura considerada. Generalmente se consideran los siguientes tipos o niveles
de conocimiento; vulgar o empírico, filosófico y científico, aunque diversos
tratadistas incluyen otros tipos de conocimiento como el teológico o religioso. El
psicólogo debe distinguir con facilidad estos tres tipos de conocimiento y
examinarse a sí mismo sobre los niveles que ha alcanzado en las materias que ha
estudiado (Pardinas, 1983). En los dos siguientes apartados trataremos acerca del
conocimiento ordinario y del conocimiento filosófico.
20
1.1.3.1 El conocimiento vulgar u ordinario. A través de su experiencia personal, el
saber de otros, tradiciones de su colectividad, el humano logra un conocimiento
ordinario, empírico, que le permite conocer los hechos y su orden aparente y tener
explicaciones concernientes a las razones de ser de las cosas y de los hombres,
pero llega a este logro de una manera ametódica, asistemática, es decir, sin una
crítica expresa de las fuentes de este conocimiento, no pudiendo dar las razones
que le dan validez. Puede decirse que son series de proposiciones que en algunos
casos pueden estar acompañados de algún intento de explicación sin que esta
explicación a su vez este comprobada o disprobada (Zorrilla, et al, 1999; Pardinas,
1983). Por ejemplo, en el Perú Colonial se conocía que la corteza de la quinina
servía para curar la malaria pero no se sabía los principios químicos de esta
corteza y la manera de su actuación para la cura.
1.1.3.2 El conocimiento filosófico La filosofía no es una ciencia tal como

definimos a esta más adelante, pero es una forma racional de “Saber”, es decir,
“saber” y “ciencia” no se identifican. La actitud filosófica se interesa por lo que
las cosas y el humano “son en realidad”. Pero no por afán de dominio sino, en
principio, por una aspiración que es doble: el deseo de saber y el encontrar la
felicidad. Esta actitud asienta en la curiosidad y se manifiesta en el interrogar,
un continuo cuestionar sobre sí y sobre la realidad procurando comprender está en
su contexto más universal. Se piensa la realidad para esclarecerla a través del
discurso. Preguntas filosóficas son por ejemplo: ¿Cuál es el sentido del hombre y
de la vida? ¿Hay libertad?, el hombre, ¿será dominado por la técnica? ¿El hombre
será producido en serie, en tubos de ensayo? ¿El progreso técnico es un beneficio
para la humanidad? ¿Cuál es la relación entre el desarrollo y la tecnología?. Es de
indicar que ramas de la filosofía son la epistemología, que se ocupa del
conocimiento científico, y la metodología, cuyo ámbito de acción está vinculado al
tratamiento de los métodos de investigación.
1.2
El conocimiento científico
Es gracias al conocimiento científico que el Humano construye, elabora, la mejor

representación mental o imagen de la realidad en un momento dado, perfectible y
cambiante por la propia dinámica científica.
21
1.2.1 Concepto Es aquel tipo de conocimiento generado en y por la ciencia y que va
más allá del conocimiento empírico de los fenómenos o hechos estudiados, pues los
trasciende buscando las causas, las regularidades, principios o leyes que los
rigen, todo ello para describirlos, predecirlos, retrodecirlos, explicarlos y
comprenderlos mejor.
1.2.2
Características
Caracteriza al conocimiento científico lo siguiente: 1) Es crítico y fundamentado.

Debe justificar sus contenidos y dar pruebas de su verdad 2) Es sistemático. Es un
saber ordenado lógicamente constituyendo un sistema que permite relacionar hechos
entre sí. Las interrelaciones entre los conocimientos es lo que da sentido a las
TEORÍAS (formulaciones que pretenden explicar un aspecto determinado de un
fenómeno), que se estructuran en LEYES (principalmente en las ciencias naturales) y
se representan mediante MODELOS (representaciones simplificadas de la realidad que
muestran su estructura y funcionamiento). 3) Es verificable. Se centra en fenómenos
susceptibles de ser comprobados experimentalmente o al menos contrastados
experiencialmente (de manera que demuestren su adecuación, su utilidad). 4) Es
metódico. Los conocimientos científicos no se adquieran al azar, sino que son fruto
de rigurosos procedimientos (observación, reflexión, contrastación,
experimentación, etc.). 5) Es comunicable. Debe utilizar un lenguaje científico,
unívoco en términos y proposiciones, y que evite las ambigüedades. 6) Es
provisorio. En ciencia no existe la verdad absoluta, esta es provisoria. En este
sentido, Díaz & Heler, 1985, (citados en Marqués Graells, 1999) consideran que el
término verdad debería ser sustituido por el de certeza, entendiéndola como una
adecuación transitoria del saber a la realidad. El saber científico está en
permanente revisión, y así evoluciona
En el cuadro 2 se muestran algunas comparaciones entre el conocimiento ordinario y

el conocimiento científico.
22
Tabla 2. Comparación del conocimiento ordinario y del conocimiento científico.
Conocimiento ordinario Se origina por el buen sentido o sentido común (Facultad de
juzgar correctamente en casos determinados, pero sin que se pueda justificar el
juicio; conjunto de opiniones que generalmente en un medio determinado, se imponen
al espíritu (Escurdia y Chávez, 1998: 199) Busca una explicación racional de los
hechos de la experiencia. Es asistemático (los conocimientos se juntan laxamente)
Su objetividad está limitada a la percepción y a la acción; no rebasa los límites
de las propiedades empíricas observables de los objetos y fenómenos de la realidad
(cuando lo hace se remite al “mito”) (Tafur, 1994: 27). Conocimiento científico
Parte del sentido común, haciendo un deslinde y superándolo. Es producido por la
investigación científica utilizando el método científico.
Busca una explicación racional de los hechos. Es sistemático (los conocimientos se

estructuran en la teoría). Su objetividad va más allá de los datos e impresiones
que ofrece la realidad empírica. Construye imágenes de la realidad pretendidamente
verdaderas e impersonales; configura una superación de las condiciones de vida
cotidiana, la experiencia propiamente personal y subjetiva. Es especializado (Saber
sobre una clase definida de objetos)
Es no especializado (Saber popular)
No es preciso y puede equivocado (puede haber considerado científico).
estar Corrige o proporciona mayor sido precisión al conocimiento ordinario.
Ejemplos: Ejemplos: - Los cuerpos dejados libremente en - Los cuerpos lanzados al

aire caen a la atmósfera son atraídos por el la Tierra. centro de la Tierra (Ley de
la gravedad). - Los precios varía en el mercado de - Los precios en el mercado a
veces acuerdo a la ley de la oferta y la suben a veces bajan. demanda. - Hay que
enviar al niño a la cama - Retirar un reforzador positivo para sin comer para que
así no vuelva a extinguir una conducta. hacer lo que hizo.
23
1.2.3 ¿Cómo saber que lo que se sabe es real en realidad? Entendiendo por Real a la
existencia efectiva de un objeto concreto que se expresa en su manera o modo de
ser; y por realidad a todo lo que existe en tanto que el conocimiento de ese
existente es cierto, y que esta certeza supone la verdad del conocimiento y la
validez del proceso lógico del conocimiento (Rodríguez, 2002), entonces para saber
que lo que sabe es real una respuesta la tiene la ciencia. En efecto, los
científicos tienen ciertos criterios para aceptar la realidad de algo que ellos
mismos no experimentaron: Las afirmaciones deben tener: a) apoyo lógico y, b) apoyo
empírico, es decir deben tener sentido y no deben contradecir las observaciones
reales. Por ejemplo, ¿por qué los científicos aceptan la afirmación de que hace
frío en el lado oscuro de la Luna? Por lo siguiente: a) tiene sentido si se
considera que el calor superficial de la Luna proviene de los rayos del Sol; b) las
mediciones científicas realizadas en el lado oscuro de la Luna confirman la
suposición (Babbie, 2000). Por otro lado, el acercamiento a la realidad a través de
la propia experiencia la realizan los científicos y los investigadores por medio de
la investigación científica que persigue entender porque ciertos fenómenos se
relacionan con otros, por qué suceden ciertas regularidades y divergencias, para
así poder hacer explicaciones, predicciones y comprender mejor la realidad Este
entendimiento se sintetiza y se genera en el conocimiento científico.
24
Lección II Ciencia y Teoría
2.1
La ciencia
2.1.1 Concepto
El término Ciencia proviene del latín Scire que significa saber, conocer, y como
tal es producto de la inteligencia del ser humano para responder algunas preguntas,
que Rodríguez (2002) sinteriza en dos: ¿En qué consiste el mundo realmente, en sus
estructuras cósmicas, físicas, biológicas, sociales y de las cuales somos parte? y,
¿Qué sentido tiene y debe tener la acción social del ser humano con relación a esas
estructuras del mundo real?. En este contexto, es tarea difícil conceptualizar a la
ciencia, incluso autores como Kerlinger & Lee (2002) prefieren no dar una
definición explicita de la misma, y citan a Sampson quien en 1991 analizo dos
puntos de vista opuestos: la perspectiva tradicional y la socio-histórica. El
objetivo de la primera es describir con el máximo grado de exactitud cómo es el
mundo en realidad. La ciencia sería como un árbitro objetivo que distinguiría lo
que es cierto y correcto de aquello que no lo es. El objetivo de la segunda es
concebir a la ciencia como una historia, pues la realidad sólo puede ser
descubierta a través de las historias que se cuentan de ella. Los científicos son
narradores, no hay un árbitro neutral pues cada historia esta permeabilizada por la
orientación del narrador por lo que no hay una historia verdadera, única.
(Kerlinger & Lee, 2002). Sin embargo, es necesaria una caracterización general de
la ciencia. La entenderemos en tanto que construcción artificial de la mente humana
como un ‘cuerpo de ideas’ (Bunge, 1984) o conjunto racional de conocimientos
objetivos, ciertos y probables, sistematizados y comprobables que hacen referencia
a objetos de una misma naturaleza, resultantes de la investigación hecha con un
método válido y enunciados en proposiciones lógicas. Es un conjunto racional de
conocimientos porque se fundamenta en la razón, vale decir en ideas y razonamientos
y no en sensaciones, opiniones, pareceres o dogmas. Son conocimientos objetivos,
ciertos y probables por cuanto sus afirmaciones pretender ser concordantes con los
objetos de la realidad y deben someterse al contraste de la realidad (comprobables
empíricamente si la investigación es fáctica; o demostrados lógicamente si la
investigación es formal). Son conocimientos sistematizados porque aparecen
estructurados y coherentes y no formando un cúmulo de
25
enunciados inconexos. Son conocimientos producidos por la investigación hecha con
un método válido pues se basa en pruebas verificables (la experiencia es
fundamental para la verificación de las proposiciones científicas en las ciencias
fácticas). Son conocimientos enunciados en proposiciones lógicas, porque la ciencia
como producto de la investigación metódica está constituida por un cuerpo de
enunciados expresados y organizados lógicamente (Teoría). En buena cuenta, para
explorar, describir, predecir, explicar, comprender y controlar las realidades de
nuestro mundo, nos es necesario precisión y claridad, orden y consistencia, lógica
y sistema. Sólo la ciencia permite afrontar estas cuestiones. El ideal de la
ciencia es la sistematización, es decir el logro de una interconexión sistemática
de los hechos, a partir de la cual se justifica la interdisciplinariedad, es decir,
el concurso de varias disciplinas conexas entre sí y con relaciones definidas a fin
de que sus actividades respecto al estudio de un objeto o hecho no se produzcan en
forma aislada, dispersa o fraccionada, y en consecuencia se llegue a un
conocimiento más pleno del mismo. (Tamayo, 2002). 2.1.2 Clasificación Se han
propuesto varias clasificaciones de la ciencia. En este texto emplearemos la
propuesta por Barriga (1997) quien las clasifica en ciencias teóricas y ciencias
tecnológicas. 2.1.2.1 Ciencias teóricas
Son ciencias que proporcionan información sobre los objetos comprendidos en su

campo de estudio. Se dividen en: 1. Ciencias formales: Aquellas que estudian ideas
o construcciones conceptuales que no existen en la realidad. Corresponden a la
lógica y la matemática. Su verdad no depende de la observación ni de la
experimentación sino de la demostración, es decir de “un razonamiento o una serie
de razonamientos que prueba la validez de un nuevo conocimiento, estableciendo sus
conexiones necesarias con otros conocimientos” (de Gortari, 1972), por ejemplo: (1)
Todos los seres que tienen cuatro patas son animales. (2) Todos los caballos tienen
cuatro patas. (3) Por lo tanto, todos los caballos son animales. Al llegar a este
último punto hemos obtenido un conocimiento nuevo habiendo partido de otro
conocimiento más general ya conocido. La demostración puede ser lógica o
matemática, y es completa y final (Bunge,
26
1980). 2. Ciencias factuales o fácticas: Aquellas que estudian los hechos que se
dan en la realidad, lo directamente observable por los sentidos o que no es
observable directamente, como los átomos pero que, de una u otra manera, pueden
contrastarse con la realidad recurriendo a experiencias sensibles. Estas ciencias
recurren a la verificación (verdad o falsedad de una hipótesis) empírica por medio
de la observación y la experimentación. Por ejemplo, el enunciado: “El calor dilata
los metales” es verificable recurriendo a la experiencia empleando la observación y
la experimentación. El término empírico –que no debe confundirse con lo
experimental– implica todo aquellos que se deriva de la experiencia que puede ser
externa o de los fenómenos que están fuera de nosotros, o interna, que es la que
tenemos de nuestro propio cuerpo y mente. Ejemplos de ciencias fácticas son la
física, la psicología, las ciencias sociales. Las ciencias fácticas por la
naturaleza del objeto se dividen, a su vez, en ciencias naturales y en ciencias
histórico-sociales. Las ciencias naturales se ocupan del estudio de aquello que
existe con independencia del ser humano, aquí se encuentran la física, la química y
la biología, Las ciencias histórico-sociales se ocupan de la realidad que el hombre
ha creado como consecuencia de su acción sobre la naturaleza. Ejemplos de estas
ciencias son la Economía, la Psicología Social, la Sociolinguística, la Demografía,
la Ciencia Política. 2.1.2.2 Ciencias tecnológicas
Son aquellas que en base a la información de las ciencias teóricas buscan

determinar los procedimientos técnicos para cambiar los objetos, “(…) para
controlar, transformar o crear cosas o procesos naturales o sociales” (Instituto de
Investigaciones de la Universidad Inca Garcilaso de la Vega, 1993). Ejemplos de
estas ciencias son las ingenierías, la agronomía, la medicina humana, la
administración, la psicoterapia, la pedagogía. También hay tecnologías que tienen
por propósito organizar la acción para actuar eficazmente sobre los objetos. Aquí
se encuentran, entre otras, la investigación operativa y la contabilidad. (Barriga,
1997). 2.1.3 Elementos de la ciencia
Toda ciencia tiene tres elementos principales: 1. Objeto o campo de estudio. Cada
ciencia particular estudia un segmento de la realidad que puede compartir, a su
vez, con otras. Por ejemplo, el
27
objeto de estudio de la psicología según uno de sus paradigmas vigentes es la
conducta y los fenómenos mentales que la originan, dirigen y modulan 2. Contenido.
Conocimientos propios o especializados sobre la realidad objetivada en sistemas de
Teorías, Leyes, Principios, Hipótesis, Conceptos, etc. Por ejemplo, en psicología
uno de sus contenidos es la teoría acerca del aprendizaje autorregulado. 3.
Procedimientos especiales de abordar el objeto o campo de estudio, distinguiéndose
un método general común a todas las ciencias, él Método Científico, y métodos (o
técnicas) específicos de una o varias ciencias. Por ejemplo, en psicología son
técnicas la entrevista y los tests. 2.1.4 La ciencia como producto y como proceso
En el concepto de ciencia que dimos líneas arriba, se puede percibir dos sentidos
diferentes: 1. Un sentido como producto. La ciencia se expresa en un cuerpo
sistematizado de principios y leyes (Teoría), que finalmente se manifiesta a través
del lenguaje científico. 2. Un sentido como proceso. La ciencia es un proceso de
producción de nuevos conocimientos realizado por la investigación con acuerdo a un
método. En la generación del conocimiento mediante la investigación se realizan un
conjunto de actividades como observar, experimentar, medir, registrar, formular,
contrastar, entre otras más. 2.2 La Teoría La ciencia hace posible la mejor imagen
de la realidad en un momento dado. Para el logro de esta imagen, elabora teorías o
sistemas de proposiciones concernientes a un conjunto de constructos que sirven
para describir, explicar, predecir, retrodecir y. añadimos, comprender, algunos
aspectos limitados de su dominio; teorías que son sometidas a contraste mediante la
investigación realizada de acuerdo al método científico. 2.2.1 Concepto La ciencia
está formada por teorías que unifican los distintos elementos del conocimiento
científico, pues en ellas se encuentran leyes; en las leyes, hipótesis; en las
leyes e hipótesis, categorías, conceptos y constructos. La
28
ciencia puede ser vista como el contexto de teorías referente al ámbito que abarca.
Sin embargo, el término “teoría” significa muchas cosas diferentes para personas
diferentes, abarcando casi cualquier idea o explicación que estas puedan dar. En la
asignatura la conceptuamos como el Conjunto de constructos (conceptos)
interrelacionados, definiciones y proposiciones que presentan una visión
sistemática de los fenómenos al especificar las relaciones entre variables con el
propósito de explicar y predecir los fenómenos (Kerlinger & Lee, 2002: 10) y,
añadimos, comprenderlos. 2.2.2 Poder explicativo de la teoría científica Uno de los
propósitos de la investigación psicológica aplicada al proceso de enseñanza-
aprendizaje es contribuir a producir de un modo efectivo ciertos efectos en el
desarrollo de determinadas capacidades académicas, la producción de ciertos
aprendizajes. El lograrlo depende de una comprensión profunda de las causas
subyacentes de la conducta del escolar, las que se encuentran por debajo de la
superficie de esta. El “porqué” de la conducta no se resuelve observando
simplemente lo que la gente hace, pero una vez que comprendemos el “porqué” y hemos
establecido relaciones funcionales estables mediante las cuales podemos realizar
predicciones exactas, vale decir que hemos elaborado teorías, estamos en situación
de producir los efectos predeterminados que deseamos. En efecto, la teoría
científica tiene poder explicativo, permitiendo responder la pregunta de por qué
suceden los fenómenos de un campo dado, claro está bajo ciertas condiciones dentro
de las cuales la explicación es correcta. Si lo es, entonces se podrá predecir
aquellos fenómenos y si fuera necesario intervenir para generar o corregir un
estado de cosas. Ejemplo: una Directora de Escuela observó un nivel muy bajo de
rendimiento en matemáticas en sus alumnos; para afrontar esta situación, reunió a
los profesores para discutir sobre los procedimientos de enseñanza y el trato a los
alumnos, y también se reunió con los padres de familia para revisar el método de
crianza y el apoyo que daban a los niños. La Directora procedió así porque estaba
aplicando el principio teórico según el cual el rendimiento en los niños es una
consecuencia directa de las relaciones afectivas que guarda con los adultos, y de
los procedimientos de enseñanza de los profesores (Ejemplo modificado de Flores,
1995). Con propósitos pedagógicos veamos otro ejemplo bastante simplificado que
elabora una “explicación” del rendimiento académico. Esta teoría, - más bien
“microteoría” por el número de sus variables -, está conformada por tres variables.
Su elaboración se hace para saber la razón por la cual algunos estudiantes tienen
un bajo rendimiento. Se ha tomado en cuenta lo siguiente: 1) Se sabe que la
inteligencia es una variable explicativa: los niños que poseen un nivel de
inteligencia inferior a cierto criterio tienden a
29
desempeñarse mal en la escuela. Pero muchos de estos niños sí se desempeñan bien y
muchos niños con un nivel de inteligencia más alto o no lo hacen. En consecuencia,
la inteligencia por sí sola, es una explicación parcial del aprovechamiento
académico. 2) También se sabe que muchos niños de clase social baja no se
desempeñan tan bien en los colegios comparados con los niños de clase media. 3) Se
ha pensado que la motivación - estar dispuesto o no a desempeñarse bien – es una
variable importante que influye sobre el aprovechamiento escolar. Efectuados los
estudios pertinentes, los resultados permiten realizar una “explicación” que se
indica en la figura 4, donde las flechas muestran la relación o influencia. Las
flechas continúas unidireccionales significan influencia; las flechas continuas
bidireccionales indican influencia mutua, o simplemente una relación (“Influencia”
involucra por lo general, efecto en una sola dirección; “relación” implica que la
influencia puede ser una, en otra o en ambas direcciones).
30
Inteligencia
Motivación
Aprovechamiento Escolar
Clase Social
Figura 4. Modelo de una teoría científica
La gráfica así elaborada de los vínculos entre las variables que “explican” el
aprovechamiento escolar demuestra que la inteligencia y la motivación influyen de
manera directa sobre el aprovechamiento académico. Tienen un rendimiento académico
mayor los niños más inteligentes y los niños más motivados por hacer su trabajo
escolar. Asimismo, la clase social influye directamente sobre la motivación, por lo
que los niños de clase media tienen (o se espera que tengan) en promedio
puntuaciones más altas en motivación. También se halla que la inteligencia y la
clase social se influyen mutuamente por lo que los niños de clase media tienen (o
se espera que tengan) en promedio puntuaciones más altas en motivación. Asimismo,
se encuentra que la inteligencia y la motivación también se influyen mutuamente.
Esta “microteoría” también permitiría explicar porque los niños de clase media
tienden a rendir más alto en la escuela. (Ejemplo con modificaciones, tomado de
Kerlinger, 1994; Flores, 1995).
31
Lección III Método científico e investigación científica
3.1 El método científico El conocimiento científico es el resultado de la

aplicación de un conjunto de procedimientos racionales y críticos –vale decir, no
dogmáticos, no opinativos, no arbitrarios -, denominados genéricamente ‘método
científico’. Una característica esencial de la ciencia fundada sobre la realidad
(empírica y no-empírica), es el método a través del cual se elabora ese
conocimiento. 3.1.1 Concepto
El término Método deriva de los vocablos griegos meta = con y odos que denomina el
camino que se sigue para alcanzar un objetivo. Fue planteado por primera vez por
Bacon (Novum Organum, 1620) y Descartes (Discurso del Método, 1627), actualmente es
un tema muy debatido en metodología que es la rama de la epistemología que se ocupa
de la descripción, análisis y valoración crítica de los métodos de investigación.
Se sostiene la existencia de un método de validez general, derivado
fundamentalmente de las ciencias naturales, y también se niega esta universalidad.
1. El método científico general o método general de la ciencia. Está constituido
por un conjunto finito y ordenado de normas regulativas o reglas que, adecuadamente
observadas, regulan el proceso de cualquier investigación que merezca ser
calificada de científica (Piscoya, 1987). Las reglas del método general de la
ciencia son: (1) Formular el problema con precisión y, al principio,
específicamente. (2) Proponer conjeturas bien definidas y fundadas de algún modo (y
no suposiciones que no comprometen en concreto ni tampoco ocurrencias sin
fundamento visible). (3) Someter la hipótesis a contrastación dura, no laxa; (4) No
declarar verdadera una hipótesis satisfactoriamente confirmada; considerarla en el
mejor de los casos, como parcialmente verdadera (el grado de probabilidad de una
hipótesis se basa en: a) la solidez de las argumentaciones; b) el rigor y la
continuidad de su construcción; c) su no contradicción con los hechos; d) su
fecundidad o potencia explicativa).
32
(5) Preguntarse por qué la respuesta es como es, y no de otra manera (Piscoya,
1987). Según Piscoya el método científico general no lo es tanto, pues solamente
son generales las reglas (1) y (5) en tanto que las otras lo limitan a las ciencias
fácticas, no siendo aplicable a la lógica y a la matemática. Sin embargo, considera
que es conveniente hablar de método general pues las reglas propuestas por Bunge
“abarcan la mayor parte de los diferentes tipos de investigación científica”
(Piscoya, 1987). 2. El método científico específico. El método científico general
brinda un marco general en el que desarrolla el investigador sus actividades, en
tanto que el método científico específico proporciona reglas complementarias a
cumplimentar en atención a las peculiaridades de lo que investiga. En este sentido,
el método específico es conceptualizado como un “Conjunto de reglas, derivadas del
método científico general, que prescriben los procedimientos y tácticas a usarse en
la realización de investigaciones dentro de una determinada disciplina científica”
(Piscoya, 1987). Un ejemplo es la manera de elegir una muestra de niños para hacer
una investigación sobre los estilos y estrategias de aprendizaje. En cualquier
investigación son necesarios ambos métodos. Elementos
3.1.2
El método científico sigue la vía de la duda sistemática y utiliza los métodos

generales del pensamiento descritos por primera vez por Aristóteles: el análisis,
la síntesis, la deducción, la inducción, pero en el plano de la ejecución opera con
un conjunto de elementos esquematizados en la Figura 5.
33
Conceptos Definiciones
Elementos con los que opera el método científico
Hipótesis Variables Indicadores
Sistema teórico de la ciencia
Figura 5. Esquema de los elementos con los que opera el método científico (Tomado
de Zorrila, Torres, Luiz & Alcino, 1997)
3.2 La investigación científica 3.2.1 Concepto
La investigación científica es la herramienta más importante para avanzar

conocimientos, para promover progresos y para capacitar al hombre para relacionarse
más eficazmente con su entorno, para conseguir sus propósitos y para resolver sus
conflictos. En este sentido, puede ser conceptuada como el “Proceso de llegar a
soluciones fiables para los problemas a través de la obtención, análisis e
interpretación planificadas y sistemáticas de los datos.” (Cohen & Manion, 1990).
En este proceso, los investigadores realizan un conjunto de actividades
planificadas tales como muestrear, observar, experimentar, registrar, analizar,
contrastar y otras más, con dos propósitos fundamentales: a) Producir conocimientos
y teorías (investigación básica). Un ejemplo es la teoría de la atribución de
Weiner aplicada extensamente en la psicología clínica y de la salud, la educación,
el derecho y otras áreas, y que se halla relacionada con la motivación y el logro.
En esta teoría se inicia la secuencia motivacional con la interpretación que el
sujeto haga del resultado de su comportamiento sea de éxito (meta alcanzada) o
fracaso (meta no alcanzada). Si el resultado es inesperado, negativo o importante,
buscará la causa singular de tal resultado, pudiendo ser esta la capacidad, el
esfuerzo, la tarea y la suerte, que se agrupan en las denominadas dimensiones
causales que permiten compararlas y contrastarlas cuantitativamente. Estas
dimensiones son tres, lugar de control (interno-externo), controlabilidad
(controlable-incontrolable) y
34
estabilidad (estable-inestable), conformándose cuatro categorías: capacidad
(interna-estable), esfuerzo (interna-inestable), dificultad de la tarea (externa-
estable) y suerte (externa e inestable). La teoría de la atribución se ha utilizado
para explicar la diferencia entres los estudiantes de alta y baja motivación de
logro. Se ha observado que los de alta motivación de logro atribuyen más su éxito a
su capacidad (causa interna, estable e incontrolable) y a su esfuerzo (causa
interna, inestable y controlable) y sienten mucho orgullo, percibiendo una relación
esfuerzo-resultado, en tanto que atribuyen su fracaso a su falta de esfuerzo. Por
otro lado, los estudiantes de baja motivación de logro atribuyen el éxito a
factores externos (dificultad de la tarea y suerte) y su fracaso a su falta de
capacidad (causa interna, estable e incontrolable). Cuando tienen éxito creen que
la tarea fue fácil o que tuvo suerte, por lo tanto sienten poco orgullo y no
demuestran interés en otras tareas de logro, o no lo intentan o no se esfuerzan muy
duro. b) Resolver problemas prácticos (investigación aplicada). En relación con la
teoría de la atribución, un ejemplo sería la elaboración de un programa para la
mejora del estilo atributivo, que indudablemente se constituiría es una propuesta
útil, de impacto y aplicable en los centros educativos del país. 3.2.2
Investigación y Teoría La Teoría es el origen, marco y fin de la investigación
científica. Es su origen, porque es la fuente de nuevos problemas e hipótesis. Es
decir la teoría que exista acerca de una temática que nos interesa estudiar al ser
analizada convenientemente, nos puede permitir determinar ciertos vacíos,
cuestiones irresueltas o contradicciones entre teorías. Es su marco, porque
proporciona el sistema conceptual que se aplica a la observación, clasificación y
sistematización de los datos de la temática que vamos a estudiar. Es su fin, porque
la investigación debe desembocar en teorías cada vez más perfectas. Precisemos lo
dicho, así como en toda investigación hay un proceso metodológico – cuestión que
trataremos más adelante también existe un proceso lógico, paralelo al metodológico,
que toma en cuenta los elementos conceptuales que intervienen en ella. En este
proceso se dan dos subprocesos de movimiento inverso: de verificación y de
teorización. En el proceso de verificación la investigación parte de la teoría
existente y desciende a la realidad empírica; en el segundo, la investigación parte
de la realidad y asciende a la teoría sintética. Según “este esquema, el proceso de
investigación empieza con ideas y termina con ideas” (Sierra Bravo, 1994).
35
El proceso de verificación es un proceso probatorio, de prueba en la realidad de la
teoría. Sus elementos fundamentales son la teoría, los modelos, la hipótesis, la
realidad, las ideas “científicas” y la verificación que relaciona las ideas y los
hechos (Sierra Bravo, 1994). La verificación es fundamental en la ciencia pues sólo
forman parte de ella las teorías o hipótesis verificadas, pero de ello no se sigue
que consiste en hacer verdad o demostrar la verdad de una teoría o de una
hipótesis. En efecto, no se pretende que el conocimiento científico sea verdadero,
lo es con frecuencia e intenta serlo cada vez más, pero la veracidad no caracteriza
al conocimiento científico, no basta ni es necesario que sea verdadero. Sí, debemos
saber en cambio, cómo hemos llegado a saber o a presumir que el enunciado en
cuestión es verdadero (Bunge, 1985), operación que requiere su examen por medio de
la experiencia sea mediante la observación o la experimentación, en fin que no se
oponga a la realidad observable. La verificación de las teorías es indirecta
mediante la derivación de la teoría de conclusiones o hipótesis que impliquen
predicciones específicas de lo que debe ocurrir o no en la realidad. La
confirmación o refutación de estas hipótesis supondrá un mayor apoyo empírico de la
teoría o la necesidad de su modificación respectivamente. El proceso de teorización
empieza donde concluye la verificación, en los hechos en la realidad. Es
descendente y deductivo. Se eleva de los hechos, gradualmente a la teoría. Tiene
tres elementos: la obtención de los datos, la formación de generalizaciones y la
articulación de teorías. Del análisis relacionado de los datos se obtienen las
generalizaciones empíricas, si estas son confirmadas por otras investigaciones en
diferentes lugares y representan regularidades validas en toda población se
constituyen en leyes en cuanto establecen uniformidades que afecta a todo un
conjunto o universo. Aquí es de anotar que las leyes científicas en psicología
generalmente son de tipo probabilistico, de carácter estadístico, no proporcionan
la certeza de que un sujeto del conjunto poseerá la característica o relación
investigada, sino una probabilidad mayor o menor de que así sea. En consecuencia,
el esquema completo de la relación del proceso de investigación con la teoría puede
ser graficado así:
36
TEORIA MODELO VERIFICACIÒN HIPÒTESIS HECHOS DATOS TEORIZACIÒN ENUNCIADOS
Figura 6. Esquema del proceso de investigación (proceso lógico) (Tomado de Sierra

Bravo, 1994)
37
Lección IV Elementos del conocimiento científico 4.1 Hecho La investigación
científica fáctica se realiza sobre hechos que suceden o han sucedido; los hechos
son los elementos que constituyen la realidad. Los hechos pueden clasificarse en
eventos, procesos, sistemas y fenómenos (Bunge, 1984). Los eventos (sucesos,
acontecimientos) pueden ser definidos como una única ocurrencia de una clase de
hecho dentro de una determinada coordenada espacio-temporal. Por ejemplo, los actos
tales como una expresión verbal, gestual o postural, o las vivencias que aparecen
como un sentimiento repentino, o la ocurrencia encubierta de una idea. En tanto
que, un proceso es la secuencia ordenada de eventos en los que un primer suceso
suscita la ocurrencia de un segundo, y así sucesivamente. Por ejemplo, según la
teoría del procesamiento de la información, los procesos cognitivos son los
procesos mediante los cuales el ingreso sensorial es transformado, reducido,
elaborado, almacenado, recuperado o utilizado. Por otro lado, un sistema es un
conjunto de elementos interrelacionados de modo que un cambio en uno de los
elementos afecta el funcionamiento global del conjunto. Son sistemas, por ejemplo,
las organizaciones sociales. Finalmente, un fenómeno es una clase de hecho
particularmente importante; es un hecho perceptible lo que implica la presencia de
un sujeto de la percepción. Así, es un suceso tal como aparece ante un observador.
Por ejemplo, un fenómeno psicológico es el contenido de las percepciones, emociones
o sentimientos. La metodología, sea la denominada cuantitativa - o cuantitativista
- y la llamada cualitativa, estudian hechos. En esta lección desarrollaremos los
elementos del conocimiento científico. Los hechos existen y no son en sí
científicos o no científicos. Desde el punto de vista del realismo científico los
hechos son acontecimientos que pueden ser descritos de manera verificable y
objetiva. En este sentido, los hechos científicos no son hechos inmediatamente
dados ni aparentes, sino ocultos y profundos que por tanto son buscados y
elaborados (Bunge, 1984) en el proceso de investigación. Se puede considerar a los
hechos (seres, cosas, acontecimientos, procesos, sistemas, fenómenos) como unidades
más o menos independientes, y en este sentido constituyen el objeto básico de toda
investigación fáctica. La
38
HECHOS (seres, cosas, acontecimientos, procesos, fenómenos)
UNIDAD DE OBSERVACIÓN
SUS ASPECTOS, CARACTERÍSTICAS (dimensiones)
VARIABLES
DATOS
Figura 7. Desagregación de los hechos

Las unidades de observación de los hechos de la realidad no abarcan en su conjunto
los seres o cosas, acontecimientos, procesos, fenómenos, sino que tratan de algunos
aspectos o características de estos; aspectos que se constituyen en las variables.
Observando estas se obtienen los datos. Es necesario tener en cuenta que el hecho
científico y la teoría no se contraponen. Más bien entre ellos hay una íntima
relación. La teoría consiste en una explicación o interpretación de los hechos. En
otras palabras, ni la teoría científica es pura especulación ni los hechos hablan
por sí mismos (Alarcón, 2008) 4.2 Teoría La teoría científica es la que “hace
hablar” a los hechos. En este apartado ampliaremos lo concerniente a la teoría para
situarnos paulatinamente en el contexto teórico de una investigación concreta. Como
vimos en la lección 1 (apartado 1.3.5) la ciencia puede verse como proceso y como
producto. El primer sentido corresponde a la investigación y, el segundo, a la
teoría. La ciencia está formada por teorías que presentan una visión sistemática de
los fenómenos estudiados al especificar las relaciones entre variables con el
propósito de explicarlos y predecirlos (Kerlinger y Lee, 2002: 10) y, añadimos,
comprenderlos. Vale decir, las teorías científicas tienen un poder explicativo
haciendo posible, bajo ciertas condiciones, el responder al por
39
qué suceden los fenómenos en un ámbito preciso. Si la explicación es correcta
entonces se podrá predecirlos y si fuera necesario intervenir para corregir o
corregir un nuevo estado de cosas. En relación a sus grados de abarcabilidad,
complejidad y desarrollo se clasifican en teorías de largo alcance, de alcance
medio y de corto alcance o microteorías. Las del largo alcance o teorías grandes
tienen por finalidad explicar un universo de fenómenos o situaciones importantes
por medio de conceptos y proposiciones abstractas de elevado nivel. Las de alcance
medio se ocupan no de un universo de fenómenos sino de una parte de ellos, pudiendo
agrupar teorías de corto alcance o microteorías, son sustantivamente específicas.
Las de corto alcance o microteorías son más pegadas a los datos, constituidas por
la teorización que se deduce de muchas hipótesis experimentales o estudios
empíricos. En psicología, un ejemplo de las primeras son las teorías de filiación
psicoanalítica y del condicionamiento; de las segundas, la teoría de la atribución
de Weiner; de las terceras, la teoría de la internalidad-externalidad o del locus
de control de Rotter. Es conveniente precisar que en el sentido de producto pudiera
interpretarse que las teorías son finales respecto a algo; pero, pareciera que no
es así. Las teorías se encuentran en un movimiento que figuradamente denominamos
como helicoidal (“bucle”), pues un investigador puede utilizarlas como el insumo
básico en el proceso de la investigación, reiniciándose el proceso investigación -
teoría; es este movimiento lo que hace posible determinar sus posibilidades, su
confirmación o desconfirmación en cuanto a su ámbito. En el plano concreto de una
investigación psicológica, adaptando la propuesta de Sautu (2005) para estudios
sociológicos, diremos que la teoría o marco teórico está constituida por bloques
teóricos, algunos de los cuales tienen consecuencias observacionales; bloques que
por otra parte están vinculados entre sí con variados grados de intensidad y
consistencia. La teoría que sustenta un estudio refiere a lo siguiente; a) Los
supuestos epistemológicos contenidos de manera implícita o explícita en la visión
paradigmática que tiene el investigador; b) las teorías generales y las
proposiciones o conceptos derivados de teorías propias del área temática en la que
se trabaja; c) las teorías y supuestos relativos a la medición, observación y
construcción de los datos y la evidencia empírica; d) las hipótesis estadísticas
descriptivas e inferenciales; e) cuestiones vinculadas a la formulación de
regularidades y pautas empíricas, e inferencias de proposiciones teóricas y
construcción de conceptos teóricos.
40
Estos bloques teóricos articulados entre sí sostienen las estructuras
argumentativas de una investigación y operan como el núcleo de cada una de sus
etapas. Están interconectados por nexos lógicos mediante los cuales cada etapa se
deriva de la anterior o anteriores. En efecto, si la teoría abarca las
conceptualizaciones, afirmaciones o proposiciones que postulan descripciones o
explicaciones acerca del aspecto del mundo psicológico que nos interesa estudiar,
entonces la teoría permea cada etapa de un diseño de investigación en vista que las
decisiones que se tomen para realizar esta son teóricas o lógicas. En este sentido,
toda investigación es una construcción teórica que no se reduce a lo que
normalmente se denomina teoría o marco teórico, sino que todo es teoría (Sattu,
2005), pues están vinculados con este marco o se derivan de este los métodos y
diseños a utilizar, la formulación de los objetivos del estudio – que deben estar
necesariamente formulados en términos teóricos aún cuando en algunos estudios se
planteen en un nivel observacional –, las hipótesis del estudio así como las
definiciones operacionales de las variables, o la afirmación de que un evento o
situación es un emergente empírico de procesos formulados teóricamente. Por ello,
es importante la práctica que siguen los investigadores de elaborar el núcleo de
investigación en rondas sucesivas en las que teoría - objetivo- método son tratados
en forma conjunta. Por ejemplo, el decidir sobre el método involucra la decisión de
diversas cuestiones teóricas (Sattu, 2005). Así, en un estudio psicológico que
involucre a la personalidad, el investigador tendrá que decidir si lo afrontará con
una metodología cuantitativa, cualitativa o si hará una triangulación. Decidido el
método tendrá que tomar una decisión teórica para determinar de qué manera abordara
el estudio de la personalidad. Supongamos que decida que hará el abordaje empleando
la teoría de las disposiciones o teoría de los rasgos y, dentro de ella, la teoría
de la personalidad de Catell; entonces sus objetivos, sus hipótesis, su diseño, las
técnicas e instrumentos que empleara para la recolección de datos, así como la
discusión, interpretación y conclusiones de los mismos estarán formulados en
términos de esta teoría. 4.3 Modelo En la literatura de investigación se encuentra
muchas veces que los términos teoría, marco teórico, marco conceptual, diagrama
conceptual, modelo, suelen ser considerados como sinónimos; sin embargo, la teoría
(y marco teórico) alude a un sistema deductivo bien formulado de proposiciones
formales abstractas sobre un área temática; en tanto que los modelos constituyen un
intento menos formal y desarrollado de organizar fenómenos que las teorías (Pollit
& Hungler, 1999). Mosterín & Torreti (2002) consideran que los modelos matemáticos
normalmente son
41
realizaciones de teorías por lo que, respecto de ellos, el término modelo también
se emplea en el sentido de teoría. En la práctica científica se llama “modelo a una
representación simplificada de una situación o proceso concreto que es objeto de
estudio. Tales modelos consisten en otros objetos concretos –dibujos, maquetas,
mecanismos – que reproducen esquemáticamente la idea que un científico se hace del
objeto de estudio o en estructuras matemáticas que reflejan esa idea con precisión
en una forma idealizada” (Mosterín & Torreti, 2002). En otras palabras, un modelo
es una representación teórica isomorfa del mundo empírico. No es la teoría del
objeto empírico, tampoco es el objeto. Solamente es una mediación en la que, desde
la perspectiva del investigador, se estructuran sistemas de conceptos, constructos,
variables y datos que permiten mostrar la reconstrucción racional del objeto en la
mente del investigador. En consecuencia, un modelo es una analogía, una manera de
representar un fenómeno particular. Por ejemplo, en la enseñanza, un modelo es el
globo terráqueo para ayudar a comprender a los alumnos la configuración de la
tierra. Las líneas de latitud y longitud están dibujadas en el globo, pero son por
supuesto líneas imaginarias en el planeta. No se observan ni el punto más alto, el
monte Everest, ni el más profundo, la fosa de Java. El globo constituye meramente
un modo adecuado de representar la tierra. Otros ejemplos de modelos, son la
representación del átomo según Böhr, el organigrama de una empresa, el plano
arquitectónico de un edificio o el modelo que elaboran un conjunto de profesores y
psicólogos sobre el rendimiento académico. Veamos con mayor detenimiento algunos
modelos: 1) La teoría de Bhör acerca del átomo ha sido presentada en forma de un
simple modelo en el cual se representa un átomo como un sistema solar en miniatura
con el núcleo en el centro y los electrones que giran en torno del núcleo a
diversas distancias de éste (Travers, 1986). 2) En una investigación una docente
que estudia el porqué de la realidad del rendimiento académico bajo en una
Institución Educativa hipotetiza que este se relacionaría con varias variables cuyo
papel puede analizarse y predecirse a base de la suma lineal de sus puntuaciones en
las variables capacidad intelectual, motivación de logro académico, ansiedad ante
los exámenes y horas dedicadas al estudio. La formalización matemática de su modelo
indica que el rendimiento académico Y para el estudiante i, queda mejor estimado a
través del status de i en las variables X1 a X4, y por las ponderaciones bj sobre
42
las variables referidas a esa situación. Planteado el modelo tiene que ser sometido
a contraste empírico.
Modelo del átomo (Bhör)
Modelo del rendimiento académico
Yij = f( Xj1 b1i+ Xj2 b2i + Xj3 b3i+ Xj4 b4i).
Figura 8. Ejemplos de Modelos en la investigación científica
3)
En la Figura 9 se observa el Modelo del componente Motivación del Modelo de

Aprendizaje Autorregulado de McKeachie, Pintrich, Lin, Smith & Sharna (Roces,
González & Tourón, 1997). Los constructos que aparecen en esa figura corresponden a
percepciones o conceptualizaciones del estudiante que median entre la tarea y su
ejecución por parte del mismo. Existen múltiples relaciones entre los elementos,
pero destacan dos vías principales de motivación para el aprendizaje y el
rendimiento: las expectativas y los valores. La primera vía en la parte inferior de
la figura, va de las creencias de eficacia, control y resultado a las percepciones
de la dificultad de la tarea y a la competencia percibida; y de la competencia
percibida a las expectativas de éxito. Tanto las creencias de control como la
competencia percibida generan afectos, que a la vez revierten sobre las
percepciones de competencia y sobre las expectativas de éxito. Las expectativas, en
combinación con el valor dado a la tarea, se considera que lleva a la implicación
en el aprendizaje y al consiguiente rendimiento.
43
Orientación a metas Percepciones de dificultad de la tarea

--------------Competencia percibida específica de la tarea
Valor de la tarea
RENDIMIENTO Autorregulación Elección Persistencia
Creencias de eficacia, control y resultado
Expectativas de éxito
Ansiedad en los exámenes y afectos
Figura 9. Modelo de la Motivación de McKeachie et al. (Roces, González & Tourón,

1997) La segunda vía de motivación, parte superior de la figura 10, va de las metas
a las que se orienta el estudiante al valor dado a la tarea, el cual junto a las
expectativas de éxito, determina el aprendizaje y el rendimiento. Tanto las metas
como el valor de la tarea influyen y se ven influidas por las creencias (Roces,
Gonzáles & Touron, 1997). 4) En la Figura 10 mostramos un modelo propuesto por
Pérez Juste (1988) para la evaluación de los Centros Asociados (CA) de la
Universidad Nacional de Educación a Distancia (UNED, España).
44
Figura 10. Modelo estructural de las relaciones hipotetizadas entre las variables
(Pérez Juste, 1988) Modelos como el presentado en las Figura 10 se proponen a
partir de investigaciones previas, de la propia experiencia y de las teorías
psicológicas, pedagógicas o de otra índole, y se consideran como un acercamiento
verosímil a la realidad que interesa conocer. Los modelos son de carácter mediador
y en ellos se “describen en forma gráfica las relaciones entre variables, la
direccionalidad de las mismas (sentido de las flechas) y el carácter directo o
indirecto de su influjo” (Pérez Juste, 1988). En este sentido, el modelo describe
el conocimiento del investigador acerca del objeto. Por supuesto que se debe
comprobar el modelo. De acuerdo con lo sostenido en este apartado, en una
investigación concreta si no se tiene una teoría o un marco teórico estructurado
formalmente puede plantearse un modelo; sin embargo, aún teniendo una teoría o
marco teórico se puede modelizar esta reconstrucción sobre el problema que se
estudia.
45
En línea con lo que hemos dicho sobre la teoría y modelo, según Mayo en cualquier
investigación experimental interviene una panoplia de modelos: un modelo primario
de la teoría, un modelo del experimento, los modelos de datos que articulan los
datos crudos que aporta la observación, elaborándolos en la forma requerida para la
aplicación de las técnicas analíticas del experimento. (Mosterín y Torreti, 2002).
Por otro lado, para el contraste empírico de los modelos – y de las consecuencias
observables de las teorías - los constructos y variables que los componen deben ser
cuantificados y medidos interviniendo aquí la teoría de la medición psicológica,
pero previamente deben ser definidos específicamente con acuerdo a la teoría o
marco teórico expuesto, para, también, poder someter a contraste adecuadamente las
hipótesis del estudio. Para el efecto los datos resultantes de la observación de
las variables por medio de las técnicas e instrumentos apropiados serán analizados
en sus múltiples relaciones mediante procedimientos estadísticos y ecuaciones
matemáticas de las que son ejemplo las siguientes técnicas multivariadas: análisis
de regresión, análisis factorial, análisis discriminante y el path analysis o
análisis de ruta. 4.4 Concepto La mejor manera en la que el investigador puede
limitar el objeto de su observación es mediante la utilización de conceptos. El
concepto es una abstracción formada por generalizaciones sustraídas de casos
particulares. El "peso", por ejemplo, es un concepto porque expresa numerosas
observaciones y cosas que son más o menos "pesadas" o "ligeras". Existe gran
cantidad de conceptos como comprensión lectora, inteligencia, agresión, emoción,
motivación, etc., cada uno de los cuales recoge alguna de las características de la
conducta. Es decir, distintas conductas observables son unidas y expresadas en una
palabra. Por ejemplo, "Aprovechamiento", es una abstracción formada por la
observación de conductas asociadas con el dominio o "aprendizaje" de tareas
escolares tales como lectura, problemas aritméticos, dibujos, etc. (Kerlinger &
Lee, 2002; Arnau, 1978). Los conceptos que frecuentemente utiliza la teoría
científica suelen recibir el nombre de “constructos” (Arnau, 1978). 4.5 Constructo
El constructo es un concepto pero inventado o adoptado de manera deliberada y
consciente para un propósito científico especial. Se diferencia del concepto en dos
aspectos: a) Es relacional. Por ejemplo, la "Inteligencia" como concepto es una
abstracción de las conductas consideradas como supuestamente
46
inteligentes y no inteligentes; pero, cuando lo utilizamos como constructo queremos
dar a entender que forma parte de un esquema teórico y que se relaciona, de
diferentes formas, con otros constructos, en lo que se denomina “red nomológica”.
Así, puede decirse que la inteligencia se relaciona interactivamente con la
motivación, para determinar un nivel específico de aprovechamiento escolar; en
otras palabras, que el aprovechamiento escolar es en parte una función de la
inteligencia y la motivación. b) Puede ser observado y cuantificado. A diferencia
del concepto, el constructo es susceptible de observación y cuantificación. Por
ejemplo, se pueden hacer observaciones y mediciones de la inteligencia de los niños
testándolos con el test X o preguntando a su maestra acerca del grado de
inteligencia que tienen. (Arnau, 1978; Kerlinger & Lee, 2002).
En consecuencia, el constructo es un concepto científico utilizado en un sentido

conectivo y que ofrece la posibilidad de ser medido. En este contexto, cuando se
opera con constructos susceptibles de tomar diversos valores se prefiere emplear el
término variable. Constructos y variables son dos principales conceptos que emplea
la teoría científica. Son conceptos que tienen el mismo valor, “a pesar de que el
constructo tenga una mayor referencia a lo teórico y la variable a lo empírico”
(Arnau, 1978); al respecto Kerlinger y Lee dicen que “Los científicos llaman
vagamente “variables” a los constructos o propiedades que estudian” (Kerlinger &
Lee, 2002). 4.6 Variable Las variables son el atributo, la propiedad o cualidad que
pueden estar presentes o ausentes en un individuo o grupo de individuos –
denominados unidad de observación o de análisis – y que “pueden presentarse con
matices o modalidades diferentes; pueden darse en grados, magnitudes o medidas
distintas a lo largo de un continuo” (Buendía, Colás & Hernández, 1998). Ejemplos:
el sexo, el color, el peso, la talla, la inteligencia, la comprensión de lectura,
las tasas de respuesta ante un estímulo, la riqueza léxica, los estilos de
aprendizaje, las estrategias de enseñanza, los trastornos de la comunicación
humana. Su importancia es fundamental pues en la investigación científica se trata
de descubrir la existencia de variables y su magnitud y probar la relación que las
unen entre sí (aunque en sentido estricto la relación se da entre categorías de las
variables) (Babbie, 2000).
47
4.7 Datos La palabra dato proviene del verbo latino do = dar; lo dado por la
observación, lo obtenido inmediatamente por esta. Pero en rigor, los datos
científicos no nos son dados sino hay que producirlos laboriosamente (Bunge, 1984).
Los datos son los materiales más elementales de la investigación científica. No son
los hechos aunque se obtienen de ellos observando a las variables. El término dato
es polisémico. Así, por un lado se le considera como el enunciado resultante de la
prueba de hipótesis (Rivera, 1978); por otro, se considera que un dato es una
proposición singular o existencial – por ejemplo, lo que expresan enunciados como
"este automóvil es nuevo " y "hay un automóvil aquí y ahora " (la existencia
implica una localización espaciotemporal), respectivamente- que traduce el
resultado directo de una observación de la realidad; pero no son los hechos porque
el dato se obtiene observando a la dimensión de una variable en una unidad de
observación determinada. Por ejemplo, un dato psicológico sería la puntuación CI
122 como resultado de la medición de la inteligencia de un niño de 6 años de edad.
En este sentido, los datos inicialmente son simples y concretos y esencialmente
descriptivos, si bien pueden ser objeto de tratamiento estadístico y matemático
(Sierra Bravo, 1984), cuyos resultados deben ser interpretados posteriormente. El
dato tiene el carácter de científico si (a) posee una referencia objetiva y (b) un
control público (intersubjetivo) –además de una interpretación teórica dentro del
corpus del conocimiento científico- (Bunge, 1984). Por ejemplo, en un experimento,
el sujeto de experimentación se percata de lo que siente – un síntoma - a partir de
su experiencia directa, y lo expresa verbalmente; pero sólo cuando el
experimentador lo somete a una verificación (o control público), se convierte en un
dato. Así, lo que en un primer momento se podría considerar como algo meramente
subjetivo -algo que únicamente sucede en la vida privada de cada sujeto- se traduce
en una conducta manifiesta (públicamente observable) cuando encuentra expresión en
el lenguaje. O sea, el contenido de la experiencia directa se objetiva en una
proposición. Posteriormente, la reiteración del mismo síntoma en diferentes sujetos
(intersubjetividad) en el mismo experimento y, más aún, en diferentes experimentos,
va reforzando el carácter de dato que tiene. En cualquier caso los datos
científicos se refieren a información claramente identificable reunida en
condiciones que se especifican con claridad. Veamos un ejemplo de un dato no
científico: Una persona hace una aseveración: “He notado que la gente delgada tiene
mal genio”. Esta aseveración no proporciona datos en sentido científico, ¿por qué?
Por lo siguiente: a) no se indica nada acerca de las condiciones en las cuales se
ha
48
reunido la información (¿el observador se puso a tratar de ubicar a personas
delgadas o se está refiriendo a una persona delgada que él conoce?; b) no se
informa respecto de la cantidad de sujetos sobre los cuales se basa la observación;
c) no hay indicaciones acerca de la manera en que se llega a clasificar a una
determinada persona delgada como un determinado genio; d) la formulación implica
que no hay casos negativos (situación improbable salvo que el número de sujetos
fuera muy pequeño) (Hayman, 1991). 4.8 Definición de conceptos
En la investigación científica fáctica se opera en dos niveles: 1er. nivel: Teoría

- hipótesis - constructo. 2do. nivel: Observación. Ejemplo: 1er. nivel: La falta de
estimulación temprana produce una disminución en el aprendizaje. 2do nivel: Para
que las observaciones sean posibles hay que definir los constructos, en este caso
estimulación temprana y aprendizaje. El problema de la definición de conceptos
atañe a todas las ciencias en razón a que es uno de los pilares de la
investigación. Es claro que si los términos están pobremente definidos, los
resultados serán escasos y poco valiosos. Hay varios modos de definir. En la
investigación científica se utilizan principalmente las definiciones constitutivas
y operacionales de los constructos y variables (Kerlinger & Lee, 2002). 4.8.1
Definición constitutiva Aquella en la que se define un constructo por medio de
otros constructos. Por ejemplo, se define “ansiedad” como un “miedo subjetivo”.
Aquí se ha sustituido un concepto por otro. Algunos de los constructos de una
teoría científica pueden ser definidos de manera constitutiva. Los constructos para
que sean científicamente útiles, deben poseer un significado constitutivo, lo cual
significa que deben ser susceptibles de usarse en las teorías (Kerlinger & Lee,
2002). 4.8.2 Definición operacional Proporciona el significado a un constructo o
variable especificando las
49
actividades u “operaciones” necesarias para medirlo. Define o da sentido a una
variable diciéndole al investigador lo que debe hacer para medir el constructo.
Existen dos tipos: 4.8.2.1 Definición operacional de medida. Aquella que describe
como una variable será medida. Por ejemplo. “Popularidad” es definida
operacionalmente por la cantidad de elecciones sociométricas que un individuo
recibe de otros (en su clase, grupo de juegos, etc.). A los sujetos se les
pregunta: “¿Con quién te gustaría trabajar?” “¿Con quién te gustaría jugar?”
etcétera. Se pide a cada individuo que elija uno, dos o más integrantes de su grupo
en base a las preguntas. (Kerlinger & Lee, 2002). 4.8.2.2 Definición operacional
experimental Aquella que explica los detalles (operacionales) de las manipulaciones
de un experimentador con una variable. Por ejemplo, el reforzamiento puede ser
definido dando los detalles de cómo los sujetos deben ser reforzados
(recompensados) y no reforzados (no recompensados) por un comportamiento
específico. Otro ejemplo: en un estudio se definió a la frustración como la
impotencia para alcanzar una meta o la “interferencia en la ocurrencia de una
respuesta tendiente a lograr una meta en el momento apropiado de la cadena
conductual...”. Definición que contiene implicaciones claras para la manipulación
experimental. (Kerlinger & Lee, 2002). Si bien las definiciones operacionales son
indispensables, sólo dan significados limitados de los constructos. Ninguna
definición operacional puede expresar una variable en su totalidad. Las variables
son siempre limitadas y específicas en significado. Por ejemplo, la “creatividad”
estudiada por los psicólogos no es aquella a que se refieren los artistas, aún
cuando habrá por supuesto elementos comunes (Kerlinger & Lee, 2002). Las
definiciones y los conceptos están estrictamente relacionados y de ellos depende la
formulación de hipótesis. 4.9 Hipótesis La formulación y comprobación de las
hipótesis son parte vital de una investigación científica. Las hipótesis son
conjeturas o especulaciones que el investigador presenta como respuesta a su
problema de investigación. En efecto, la determinación el problema a estudiar no
anticipa nada acerca de su solución por lo que el investigador debe determinar
ahora cuál es la solución o soluciones probables al mismo. Debe seleccionar,
fundamentado
50
en la teoría o marco teórico, aquella o aquellas explicaciones que le parezcan más
plausibles o verosímiles y, luego, comprobar su validez. Estas explicaciones son
las hipótesis. En este contexto, la hipótesis sirve de guía a la investigación
científica. Ella determina, entre otras cosas, cuál es el tipo de datos que son
pertinentes a la investigación que sea el caso. Con relación a los hechos, se
presentan dos cuestiones: (1)”Las hipótesis y teorías científicas no se derivan de
estos, sino que se inventan para dar cuenta de ellos. Son conjeturas relativas a
las conexiones que se pueden establecer entre los fenómenos que se están
estudiando, a las uniformidades y regularidades que subyacen a éstos." (Hempel,
1979) Sin embargo, si bien las hipótesis y teorías pueden ser libremente inventadas
y propuestas, sólo pueden ser aceptadas e incorporadas al corpus del conocimiento
científico si resisten la revisión crítica, que comprende, en particular, la
comprobación, mediante cuidadosa observación y experimentación, de las apropiadas
implicaciones contrastadoras. (Hempel. 1979). (2) En principio, existe un número
ilimitado de hipótesis distintas que podrían dar razón del mismo conjunto de
hechos. Sin embargo, no toda hipótesis tiene el mismo valor que cualquier otra. En
la selección de una hipótesis o de varias de ellas que tenga el mayor grado posible
de verosimilitud, se deben cumplir según Bunge (1979) los tres requisitos
siguientes: "(i) la hipótesis tiene que ser bien-formada (formalmente correcta) y
significativa (no vacía semánticamente); (ii) la hipótesis tiene que estar fundada
en alguna medida en conocimiento previo; y si es completamente nueva desde ese
punto de vista, tiene que ser compatible con el cuerpo del conocimiento científico;
(iii) la hipótesis tiene que ser empíricamente contrastable mediante los
procedimientos objetivos de la ciencia, o sea, mediante su comparación con los
datos empíricos controlados a su vez por técnicas y teorías científicas." (Bunge,
1979) Si una hipótesis cumple con los tres requisitos señalados -que son
condiciones necesarias y suficientes-, entonces se trata de una hipótesis
científica (lo cual no quiere decir que sea necesariamente verdadera). Por otro
lado, desde un punto de vista epistemológico, las hipótesis son enunciados o
proposiciones caracterizadas por ser ideas supuestas no verificadas pero probables;
desde un punto de vista ontológico, se refieren a variables o relaciones entre
variables. Así, antes que todo, son enunciados que expresan linguísticamente
juicios, es decir, afirmaciones o negaciones sobre la realidad (Sierra Bravo,
1984). Estructuralmente, las hipótesis pueden analizarse gramaticalmente,
lógicamente, matemáticamente y científicamente. Gramaticalmente, se
51
expresan en oraciones en las que las unidades de observación son los sujetos, y las
variables, los atributos. Lógicamente, al ser la expresión lingüística de un juicio
o preposición se constituyen en un enunciado o sentencia, siendo también sus
elementos las variables, los términos o categorías lógicas de unión, atribución y
relación de las variables entre sí y con las unidades de observación (o
constantes). Matemáticamente, las hipótesis se manifiestan por medio de funciones y
ecuaciones en las que las variables y sus coeficientes se expresan mediante letras
griegas y latinas y los términos lógicos por los signos indicativos de las
operaciones y relaciones matemáticas. (Sierra Bravo, 1994). Desde un punto de vista
científico, las hipótesis tienen tres elementos estructurales: a) Las unidades de
observación. Es la realidad que se pretende observar, vale decir, las personas,
grupos, actividades, objetos, instituciones, etcétera, cuyo comportamiento se
intenta estudiar bien sea cuantitativa o cualitativamente; b) las variables. Como
ya dijimos son las características observables de una unidad de observación o
análisis que son susceptibles de adoptar distintos valores o de ser expresados en
varias categorías; c) Términos de relación. Son los elementos lógicos, los nexos
que relacionan las unidades de análisis con las variables y a las variables entre
sí. Veamos los siguientes ejemplos: 1) Hipótesis: “En España sólo alrededor del 5
por 100 de los estudiantes universitarios proceden de la clase obrera”. España
UNIDAD DE ANÁLISIS TÉRMINOS DE RELACIÓN Es “sólo alrededor”, que indica una
atribución cuantitativa aproximada de la variable a la unidad de observación. Sólo
existe una. Procedencia de la clase obrera de los estudiantes españoles.
VARIABLES
(Tomado con ligeras modificaciones de Sierra Bravo, 1994: 86).
2) Hipótesis: “Cuánto mayor es el rechazo académico que los niños reciben de su

profesor, tanto peor será años más tarde su autoconcepto académico”.
52
El profesor UNIDAD DE ANÁLISIS TÉRMINOS DE RELACIÓN VARIABLES Cuanto mayor es...
Independiente: Rechazo académico Tanto peor será... Dependiente: Autoconcepto Los
niños
(Tomado de Buendía et. al. 1997).
Muchas veces las hipótesis se enuncian de dos formas especiales: enunciado de

implicación general y enunciado matemático. En cuanto al primero, una hipótesis –
principalmente en un estudio explicativo - se enuncia de forma lógica utilizando la
condicional: SI…….ENTONCES. Por ejemplo: Si el profesor elogia positivamente a sus
estudiantes por la cantidad de lecturas realizadas (VI), entonces el estudiante
mejorará sus hábitos lectores (VD). En cuanto al segundo, se expresa la relación
cuantitativa de las variables independiente (X) y dependiente (V) en forma
matemática. Y es una función de X: Y = f (X). Por ejemplo: Los alumnos que no han
recibido ningún tipo de elogio tendrán un hábito lector normal. Se espera
establecer una relación positiva entre los niveles de las dos variables. (Buendía,
Colás y Hernández, 1998). En una investigación las hipótesis son sometidas a
contraste o prueba empírica para determinar si son apoyadas o refutadas por las
observaciones que realiza el investigador. En este proceso juega un rol vital el
análisis y la interpretación de los datos recolectados a través de las técnicas e
instrumentos apropiados. 4.10 Leyes
Bunge (1979) define a una ley de la manera siguiente: "Una hipótesis científica
(una fórmula fundada y contrastable) es una fórmula de ley si y sólo si (i) es
general en algún respecto y con algún alcance; (ii) ha sido empíricamente
confirmada de modo satisfactorio en algún dominio; y (iii) pertenece a algún
sistema científico" (Bunge, 1979). En cuanto a (ii) "hipótesis científica
confirmada", el experimento es la forma más poderosa de confirmación (o no) de la
hipótesis. En otros términos, una ley científica esencialmente trata de una
relación constante entre dos (o más) variables, las que., a su vez, se refieren a
propiedades de objetos reales. Las variables hacen referencia a las propiedades de
objetos de una manera que rara vez es directa y/o completa, sino que más bien lo
contrario es lo frecuente. El enunciado de una ley expresa la manera de ser, de
comportarse o relacionarse de un fenómeno observable, uniforme, regular y
recurrente y, por tanto, predecible en los casos en que ha de tener lugar. Las
leyes fundamentan y permiten las predicciones de hechos e intervienen en su
53
explicación; tienen su origen en y son una derivación de los datos. Agrupando y
relacionado los datos se obtienen generalizaciones empíricas (p.e., 45% de los
varones son favorables al divorcio). Estas generalizaciones si son confirmadas en
muchas investigaciones, por lo general en toda población–regularidades válidas–
reciben el nombre de leyes científicas. (Sierra Bravo, 1994). Un ejemplo de ley en
psicología es la ley de Yerkes-Dobson, según la cual, la relación entre la ansiedad
y el rendimiento se puede representar como una curva con forma de U invertida.
Figura 11. Ley de Yerkes – Dobson

En breve, según esta ley, un nivel moderado de excitación – ansiedad permite un
mejor rendimiento en la resolución de tareas. El nivel óptimo varía en función de
la tarea a desempeño. Esta ley es importante para entender el fenómeno de la
ansiedad y sus consecuencias. En efecto, con la curva se explica cómo ante un
determinado problema al inicio cuando aumenta la ansiedad, aumenta también la
eficacia y rendimiento de la respuesta. Una aplicación se tiene cuando ante un
examen o una entrevista se presta mayor atención al estudio o los contenidos que
pueden tener mayor importancia, se está "motivado" (ansiedad normal) mejorando el
rendimiento. Al incrementarse la ansiedad normal o motivación se llega a un nivel
óptimo en la relación ansiedad-eficacia, pero a partir de aquí cualquier aumento,
por mínimo que sea, genera una disminución muy rápida del rendimiento. Así se puede
llegar a una eficacia nula, como cuando la persona se queda con la mente en blanco
o se bloquea en la acción. Si este estado se mantiene aun en ausencia de demandas
exteriores se habla de ansiedad patológica, que puede constituir un cuadro
psiquiátrico
54
con características propias o asociarse a otro gran número de trastornos
(comorbidez).
55
LECTURA 1 UTILIDAD O INUTILIDAD DE LA TEORÍA EN LA PSICOLOGÍA1 Definimos la teoría
como un conjunto de proposiciones teóricas, lógicamente relacionadas, capaces de
integrar el conocimiento existente en una cierta área específica del conocimiento y
de posibilitar predicciones. Al no contemplar la teoría en sus investigaciones, el
científico eestaría realizando una actividad ridícula, prácticamente desorientada,
e incapaz de conducir a la formación de un sólido cuerpo de proposiciones
integrantes y generadoras de hipótesis fructíferas. Al igual que en relación al
problema determinismo versus libre albedrío, también aquí encontramos psicólogos
partidarios de estas dos tendencias, o sea, los que reconocen y los que niegan la
utilidad de la teoría en la psicología. Creemos que sin un andamiaje teórico que
oriente la actividad experimental, la psicología se trasnformará en una acumulación
de hechos aislados, sin coherencia interna y sin potencial para cconducir a nuevos
conocimientos. Los psicólogos no solamente discuten entre sí sobre la utilidad o
inutilidad de la teoría en psicología; también discuten seriamente acerca de cómo
jugar el valor de una teoría. Para algunos, una teoría no es correcta o incorrecta,
y sí útil o inútil; para otros resulta posible establecer si una teoría es correcta
o incorrecta. Para los que juzgan a una teoría simple y llanamente por su utilidad,
el hecho de que la misma tenga valor heurístico será el prerrequisito par que se le
considere cumpliendo su función. Sin embargo, para otros el énfasis es puesto en el
análisis de la teoría per se y en eel establecimiento de sus proposiciones lógicas,
de la coherencia de las mismas y en la capacidad que tienen las mismas de propiciar
hipótesis objetivamentecomprobables. El autor se adhiere aa esta última posición.
Una teoría amparada por proposiciones erróneas podrá conducir a experimentos, pero
contribuirá a una interpretación errónea de los resultados. Si un africano le
atribuye al poder mágico de un árbol los resultados obtenidos por personas que son
tocadas por objetos portadores de la savia de dicho árbol, él mismo podrá
“explicar” el porqué de la muerte de las personas tocadas por la savia del árbol en
cuestión y predecir que todos aquellos que entren en contacto con ella sufrirán sus
efectos dañinos. La aceptación de la proposición inicial, impide el esclarecimiento
de que las propiedades químicas de la savia del árbol, y no su magia, las
responsables de los fenómenos registrados.
Referencia original: Rodriguez, A. (1987). Psicología Social. México D.F.: Trillas:

pp. 481-482.
56
Los fenómenos observables y no observables en la psicología Aceptamos la posición
sostenida por McCorquodale y Meehl (1958), según la cual debemos admitir en la
ciencia psicológica ls variables intercurrentes y las construcciones hipotéticas.
Las variables intercurrentes serían conceptos directamente vinculados a los
fenómenos observables (el concepto dde valencia en Lewin, por ejemplo), mientras
que las construcciones hipotéticas serían los fenómenos no observables necesarios
para la exposición y conceptualización de una teoría, pero no necesariamente
vinculados a fenómenso observables (como por ejemplo, los conceptos de yo y de
super-yo en el psicoanálisis). La psicología tiene su propio objeto, que exige la
consideración de fenómenos observables (conductas), así como de los fenómenos no
observables capaces de ser inferidos a partir de los observables. Generalización de
los descubrimientos hechos en la psicología Es común que se admita que la ciencia
es capaz de formualr leyes generales. En la psicología ddichas formulaciones
implicarían la necesidad de adoptar una posición determinista, según la cual, dadas
ciertas condiciones, se registrarían conductas específicas. ¿Cómo conciliar la
aceptación de la psicología como ciencia y, al mismo tiempo, admitir una
generalización limitada de los descubrimientos psicológicos? Según Michael Sherwood
(1969), existen diversos tipos de generaliaciones aceptables en la ciencia como: 1.
AB se verifica (siempre) 2. En las situaciones T1,…, Tn, AB se verifica. 3. En las
situaciones T1,… Tn, bajos las condiciones C1,…, Ck, AB se verifica. 4. En las
situaciones T1,… Tn, bajos las condiciones C1,…, Ck, para los individuos P1,…Po, AB
se verifica. 5. AB se registra en un p% de los casos (loque sería la proposición
número 1, agregándole una condición probabilística). 6. En las situaciones T1,… Tn,
bajos las condiciones C1,…, Ck, para los individuos P1,…Po, AB se registra en un p%
de los casos. Considerando que AB es la relación entre dos variables, A y B,
podemos obsrvar que la situación (6) es la forma más débil de generalización, pero
que no deja de ser una generalización.ç Este tipo de generalización es, sin lugar a
dudas, posible en la ciencia psicológica y no supone determinismo. Se podría
incluso afirmar que la
57
psicología es capaz de admitir generalizaciones del tipo 4 anteriormente
mencionado. De todos modos resulta posible hacer generalizaciones en psicología,
sin admitir una posición determinista, tal y como la generalización del tipo 1
mencionada más arriba, la cual ha sido objeto, incluso en las ciencias físicas, de
serios ataques.
58
ACTIVIDADES DE AUTOAPRENDIZAJE 1. Complete cada enunciado: 1. En la relación
sujeto-objeto el constructivismo y el cognitivismo dan predominancia
al………………………………………………………………………………………………... 2. Representación mental es un concepto
equivalente a……………………………………. 3. El conocimiento científico se ocupa de fenómenos
que pueden ser comprobados experimentalmente, por lo que se dice es ……………………………….
4. La verdad de las ciencias formales depende de……………………………………………… 5. Con el
término empírico se alude a todo lo que se deriva……………………………… 6. Un método general
del pensamiento es…………………………………………………………… 7. Los elementos del proceso de
teorización son ……………………………………………….. 8. Preguntarse porque la respuesta es como es,
y no de otra manera es una regla del………………………………………………………………………………………………………………. 2.
Argumente su respuesta a la siguiente preguntas ¿Por qué las reglas del método
científico propuestas por Bunge no se adecuan a todas las ciencias?
Respuesta:………………………………………………………………………………………………………..
……………………………………………………………………….............................................
……………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………… 3. Empleando las páginas web de
referencia realice un cuadro comparativo entre el sentido común y el conocimiento
científico. Anote diferencias y semejanzas. CONOCIMIENTO CIENTÍFICO 1. 2. 3. 4.
SENTIDO COMÚN
59
AUTOEVALUACIÓN 1
AFIRMACIONES 1. La ciencia es una construcción artificial de la mente humana. 2. La

psicología es una ciencia fáctica. ( (
V ) ) ) ( ( (
F ) ) )
3. Objeto, Contenido y Procedimiento para abordar el Objeto, son ( elementos de

toda ciencia. 4. La ciencia como producto se expresa en la Teoría. 5. Hay un método
general y métodos específicos científicos. ( (
) ) )
( ( (
) ) )
6. Las reglas del método científico formuladas por Bunge se aplican ( a todas las
ciencias. 7. Las hipótesis y los indicadores son elementos del método ( científico.
8. Propósitos de la investigación científica son producir teorías y ( solucionar
problemas prácticos. 9. Las afirmaciones científicas deben tener apoyo lógico y
apoyo ( empírico.
10. La teoría lo es todo: es el origen, el marco y la finalidad de la

( investigación científica.
RESPUESTAS: 1) V; 2) V; 3) V; 4) V; 5) V; 6) F; 7) V; 8) V; 9)V; 10) V
60
PARA SABER MÁS: SITIOS WEB DE REFERENCIA
http://www.claudiogutierrez.com/Ciencia.html
http://www.scribd.com/doc/2411447/Mario-Bunge-La-ciencia-sumetodo-y-su-filosofia
http://www.conocimientoysociedad.com/sentidocomun.html
http://www.salvador.edu.ar/publicaciones/pyp/15/La_Investigacion_Ci
entifica_en_Psicologia_%20un_Desarrollo_Historico.pdf
http://www.madrimasd.org/cienciaysociedad/Resenas/ensayos/resena. asp?id=293
http://www.dcc.uchile.cl/~cgutierr/cursos/INV/bunge_ciencia.pdf
http://74.125.47.132/search?q=cache:ZQmr1ClTxfUJ:www.historia.fcs
.ucr.ac.cr/biblioteca/historia/Bunge,MarioLaciencia,su
%2520metodoysufilosofia.rtf+La+ciencia+el+metodo+cien
tifico+bunge&hl=es&ct=clnk&cd=5&gl=pe http://www.rubenardila.com/EL%20PAPEL%20DE
%20LA%20INVESTIG ACI%C3%93N%20CIENT%C3%8DFICA%20EN%20PSICOLOG%C3%8 DA.pdf
http://www.arp-sapc.org/articulos/psicologia.html
http://www.visionlearning.com/library/module_viewer.php?mid=45&l= s
http://miguelmartinezm.atspace.com/Conoc%20Cient%20General%20 y%20Conoc%20Ord.html
http://prof.usb.ve/miguelm/ http://www.comminit.com/es/node/24555/37
http://www.cneq.unam.mx/cursos_diplomados/diplomados/basico/edu
cien0607/porta/equipo2/Modelocientifico.htm
http://www2.uiah.fi/projekti/metodi/25b.htm http://74.125.47.132/search?
q=cache:ZQmr1ClTxfUJ:www.historia.fcs
.ucr.ac.cr/biblioteca/historia/Bunge,MarioLaciencia,su
%2520metodoysufilosofia.rtf+La+ciencia+el+metodo+cien
tifico+bunge&hl=es&ct=clnk&cd=5&gl=pe
61
REFERENCIAS BIBLIOGRÁFICAS
Alarcón, R. (2008). Métodos y diseños de investigación del comportamiento. Lima:

Universidad Ricardo Palma. Arnau, J. (1978). Métodos de investigación en las
ciencias humanas. Barcelona: Omega. Babbie, E. (2000). Thomson. Fundamentos de la
investigación social. México:
Barriga, C. (1997). Fundamentos teórico-metodológicos de la investigación

educacional. Scienta Omni, 1, 47-107. Beltrán, J. (1993). Intervención
Psicopedagógica. Madrid: Pirámide. Buendía, l., Colas, P., Hernández, F. (1998):
Métodos de investigación en Psicopedagogía. Madrid: McGraw-Hill. Bunge, M. (1979)
La investigación científica. Ariel. Barcelona. Bunge, M. (1980). La ciencia: su
método y su filosofía. México: Siglo XXI. Bunge, M. (1984). La investigación
científica. Su estrategia y filosofía. Barcelona: Ariel. Caballero, A. (2004).Guías
metodológicas para los planes y tesis de maestría y doctorado. Lima; Ugraph. Cohen,
L. & Manion, L. (1990). Métodos de investigación educativa. Madrid: La Muralla.
Ezcurdia, A. & Chávez. P. (1996). Diccionario filosófico. México: Limusa. Fiallo,
J., Cerezal, J. & Hedesa, Y. (2008). La investigación pedagógica una vía para
elevar la calidad educativa. Lima: Colección Ruta Pedagógica. Flores, J. (1995).
Teoría y metodología de la investigación. Lima: Universidad Nacional Mayor de San
Marcos. Facultad de Educación. Gortari, Eli de (1972. Lógica general. México:
Grijalbo. Hayman, J. (1991). Investigación y Educación. Barcelona: Paidós. Hempel,
C. (1979) Filosofía de la Ciencia Natural. Alianza Universidad. Madrid.
62
Hernández, R., Fernández C. & Baptista .P. (2003): Metodología de la investigación.
México: Mc GrawHill. House, E. (1994). Evaluación, ética y poder. Morata: Madrid.
Instituto de Investigaciones de la Universidad Inca Garcilaso de la Vega. (1993).
Fundamentos de Investigación Científica. Serie; Antología de Investigación
Científica. Lima: Autor Kerlinger, F. & Lee, H. (2002). Investigación del
comportamiento. Métodos de investigación en Ciencias Sociales. México:
McGrawHill/Interamericana. Kerlinger, F. (1984): Enfoque Conceptual de
Comportamiento. México: Interamericana. la Investigación del
McCorquodale, K. & Meehl, P. (1958). Operational validity of intervering

constructs. En M. Marx (Dir.) Psychology Theory. New York: McMillan. Marqués
Graell, (2000) Sociedad de la información. Nueva cultura. Habilidades claves para
los ciudadanos del siglo XXI. Nuevas competencias para el profesorado. Quaderns
Digitals, N° 22. [En línea]. Disponible en http://www.ciberaula.es/cuaderns/ [26
setiembre 2005]. Martínez, M. (2006). La investigación cualitativa (síntesis
conceptual). Revista de Investigaciones Psicológicas, 9(1): 123 - 146 Miro Quesada,
F. (1969). Iniciación a la Lógica. Lima: UniversidadNacional Mayor de San Marcos.
Mosterin, J. & Torreti, R. (2002). Diccionario de lógica y filosofía de la ciencia,
Pág. 387 Pardinas, F. (1983). Metodología y técnicas de investigación en ciencias
sociales. Introducción elemental. México: SigloXXI. Pérez Juste, R. (1988). La
evaluación de instituciones educativas aplicada a los centros asociados de la UNED.
Revista Iberoamericana de Educación Superior a Distancia, 1(1), 7-30. Piscoya, L.
(1987). Investigación científica y educacional. Un enfoque epistemológico. Lima:
Amaru. Pollit, B. & Hungler, D. (1999) Investigación científica en ciencias de la
salud. México: Mc Graw Hill. Reátegui, N. (1999) El constructivismo. sociocultural.
Lima: Cedhum. La dimensión individual y
63
Roces, C.; Gonzáles, M. & Touron, J. (1997). Expectativas de aprendizaje y
rendimiento de los alumnos universitarios. Revista de Psicología de la Educación,
22, 99-123. Rodriguez Rivas, M. (2002). La ciencia. Lima: Universidad Inca
Garcilaso de la Vega. Rodriguez, A. (1987). Psicología Social. México D.F.: Trillas
Sautu, R. (2005). Todo es Teoría. Objetivos y métodos de investigación. Buenos
Aires: Lumiere. Sherwood, M. (1969). The logic of explanation in psychoanalysis.
New York: Academic Press. Shaughnessy, J., Zechmeister, E. & Zechmeister, J.
(2007). Métodos de investigación en psicología. México: McGrawHill. Sierra Bravo,
R. (1984). Ciencias Sociales. Epistemología, Lógica y Metodología. Madrid:
Paraninfo Sierra Bravo, R. (1994). Técnicas de investigación social. Teoría y
ejercicios. Madrid: Paraninfo. Tamayo, M. (2002). El proceso de la investigación
científica. México: Limusa. Zorrila, S., Torres, M., Luiz, A. & Alcino, P. (1997).
Metodología de la investigación. México: McGrawHill. Tafur, R. (1994). Introducción
a la investigación científica. Lima: Mantaro. Travers, R. (1986). Introducción a la
investigación educacional. Aires: Paidós. Buenos
64
Segunda
UNIDAD
EL PROCESO DE LA INVESTIGACIÓN CUANTITATIVA (I)
¿Cuál es el esquema básico del proceso de investigación cuantitativa? ¿Cómo se

formula el problema de investigación? ¿Cómo se redactan los objetivos de la
investigación? ¿Cuál es el propósito de la elaboración del marco teórico? ¿Cuáles
son los principales tipos de investigación?
65
Competencias
CONCEPTUALES:
• •
Define el problema y los objetivos de la investigación en diferentes campos de la

actividad humana. Identifica el propósito de la elaboración del marco teórico en la
investigación psicológica.
PROCEDIMIENTALES:
• •
Realiza las etapas de elaboración del marco teórico. Utiliza las estrategias o
tipos de investigación en actividades para constatar su necesidad en el mejor
conocimiento de las características de las personas.
ACTITUDINALES:
•
Valora el empleo de los tipos de investigación exploratorio, descriptivo,

corrrelacional y explicativo en el trabajo científico del psicólogo. Valora la
utilidad de la formulación correcta del problema de investigación, los objetivos y
la elaboración del marco teórico.
66
CONTENIDO TEMÁTICO
Lección I: El problema de investigación. Esquema del proceso de investigación
cuantitativa El problema de investigación Clasificación de los problemas de
investigación Características de los problemas de investigación Ejemplos de
problemas de investigación Pautas para la búsqueda de problemas de investigación
Planteamiento del problema Un error frecuente en el planteamiento del problema de
investigación Lección II: Objetivos u justificación de la investigación. Objetivo
de investigación Clasificación de los objetivos de investigación Presentación y
redacción de los objetivos Justificación de la investigación Lección III: El marco
teórico y definición de términos básicos El marco teórico Clasificación del marco
teórico Propósito del marco teórico Etapas en la elaboración del marco teórico
Partes del marco teórico Lección III: Estrategias o tipos de investigación
Clasificación Investigación exploratoria Investigación descriptiva Investigación
correlacional Investigación explicativa
67
ESQUEMA CONCEPTUAL
OBSERVACIÓN DE LA REALIDAD
PROBLEMA DE INVESTIGACIÓN
OBJETIVO DE LA INVESTIGACIÓN
INFORMACIÓN SOBRE EL PROBLEMA (ELABORACIÓN DEL MARCO TEÓRICO)
SELECCIÓN DEL TIPO DE INVESTIGACIÓN
INVESTIGACIÓN INVESTIGACIÓN INVESTIGACIÓN INVESTIGACIÓN
EXPLORATORIA DESCRIPTIVA CORRELACCIONAL EXPLICATIVA
CONCEPTOS CLAVE Problema de investigación, objetivos de la investigación, marco

teórico, tipo de investigación, investigación exploratoria, investigación
descriptiva, investigación correlacional, investigación explicativa.
68
Lección I Problema de Investigación 1.1 Esquema del proceso de la investigación
cuantitativa El proceso que sigue la investigación está constituido por diversas
etapas, pasos o fases interconectadas de una manera lógica, secuencial y dinámica.
Según Grinell (1997, en Hernández Fernández y Baptista, 2003) la investigación
cuantitativa y la investigación cualitativa siguen procesos que teniendo
diferencias también tienen aspectos similares: Observan y evalúan fenómenos;
establecen suposiciones o ideas como consecuencia de esta observación y evaluación;
prueban y demuestran el grado en que estas suposiciones tienen fundamento; revisan
las suposiciones a las pruebas o al resultado del análisis de los datos; y,
proponen “nuevas observaciones y evaluaciones para esclarecer, modificar, cimentar
y/o fundamentar las suposiciones e ideas; incluso para generar otras. Sin embargo,
el cómo se realizan estas fases adquiere matices peculiares si la investigación es
cuantitativa o cualitativa. La investigación denominada cuantitativa sigue un
conjunto de etapas secuenciadas que modificando ligeramente un esquema propuesto
por Hernández, Fernández y Baptista (2003) presentamos en la Figura 12. Si bien
este esquema sugiere linealidad, se puede volver a tratar una etapa anterior,
realizar alguna etapa al mismo tiempo que otra, prever o tomar decisiones respecto
de una etapa posterior.
69
Paso 1 Concebir la idea a investigar Paso 2 Plantear el problema. . Preguntas de
investigación. . Objetivos. . Justificación Paso 3 Elaborar el marco teórico: .
Análisis crítico de la literatura pertinente. .Construcción del marco teórico. .
Elaboración del marco conceptual. Paso 4 Definir si la investigación se inicia
como: Exploratoria Descriptiva Correlacional Explicativa y hasta que nivel llegará.
Paso 5 . Establecer las hipótesis. . Detectar las variables. . Definir

conceptualmente las variables . Definir operacionalmente las variables.
Paso 6 Seleccionar el diseño apropiado de investigación. . Diseño experimental,

cuasi experimental o preexperimental. . Diseño no experimental.
Paso 7 Seleccionar la muestra . Determinar la población. . Determinar el tamaño de

la muestra. . Extraer la muestra (técnicas probabilísticas y no probabilísticas)
Paso 8 Recolectar datos:
los
.Elaborar instrumentos de medición y aplicarlos. .Determinar su validez y

confiabilidad. .Codificar los datos. . Crear archivos
Paso 9 Analizar los datos: . Seleccionar las pruebas estadísticas. . Elaborar el

programa de análisis. . Ejecución del análisis. . Interpretación de los resultados.
Paso 10 Presentar los resultados: . Elaborar el informe de investigación. .

Presentar el informe de investigación.
Figura 12. Etapas del proceso de la investigación cuantitativa (Tomado con

modificaciones de Hernández, Fernández & Baptista, 2003).
70
1.2 El problema de investigación 1.2 1 Definición Según Tafur (1994), es una
dificultad, un hecho o conglomerado de hechos que por su escasez o abundancia,
crecimiento o decrecimiento, transformación o permanencia, novedad o antigüedad,
facilidad o dificultad, claridad o oscuridad, riqueza o pobreza, etc., llama la
atención del investigador en su práctica; y que no se resuelve directa e
inmediatamente con los conocimientos existentes hasta el momento que se formula,
por lo que su solución exige implementar una investigación científica”. Se percibe
en esta definición dos ideas fundamentales: 1) un problema expresa una distancia
entre la realidad o un aspecto de la realidad observada y un valor o deseo de cómo
debe ser además esa realidad para el investigador o sujeto (lo que ES difiere de
los que DEBERÏA SER); 2) un problema puede tener dos orígenes diferentes pero
relacionados entre sí: a) el vacío o inconsistencia que presenta el conjunto de
conocimientos científicos acumulados en el área de estudio que interesa; y b) la
práctica, en la que se puede requerir dar solución a una situación concreta o algún
conocimiento que nos permita explicar los hechos. En este contexto, por ejemplo, no
es un problema científico el problema de funcionamiento de un automóvil o los
problemas lógicos o matemáticos que debe resolver un alumno del primer año de
secundaria; no lo son pues tiene una solución conocida la que puede ser encontrada
por un buen mecánico o por un estudiante aprovechado de un año superior de la
secundaria. 1.2.2 Clasificación. Toda clasificación se realiza de acuerdo a
determinados criterios, de allí las diferencias que puedan existir entre ellas.
Atendiendo al criterio de lo que trata de averiguar la pregunta, los problemas de
investigación se clasifican en: a) problemas sustantivos, teóricos o cognitivos, y
b) problemas prácticos o técnicos (Barriga, 1997). 1.2.2.1 Problemas sustantivos
Surgen cuando el investigador o investigadora busca conocer el comportamiento de
los objetos. Se clasifican, a su vez, en problemas sustantivos descriptivos y
problemas sustantivos explicativos. 1) Problemas sustantivos-descriptivos. Se
dividen en descriptivospredicativos y descriptivos correlacionales.
71
a) Problemas descriptivospredicativos. Son aquellos en los que el investigador
trata de precisar las propiedades del objeto. Se formulan en preguntas del tipo:
¿qué es X? (esencia), ¿Cómo es X? (propiedades), ¿dónde está X? (lugar), ¿Cuándo
ocurre X? (tiempo)¿Cuánto hay de X (cantidad), ¿Cómo están las partes de X
interrelacionadas? (configuración), ¿ X es igual, mayor o menor que Y?
(comparación). Ejemplos: ¿Qué es la conciencia fonológica?, ¿Qué elementos componen
la ansiedad ante los exámenes?, ¿Cuántos niños sobredotados intelectualmente
existen en el Perú? ¿Cuáles son las dificultades de aprendizaje más frecuentes
entre los educandos de educación inicial?, ¿Qué tan conscientes están los
psicólogos de sus responsabilidades respecto a demandas por el mal ejercicio
profesional que puedan dar? b) Problemas descriptivos correlacionales. Son aquellos
que indagan acerca de si dos o más variables co-varían, el sentido y la fuerza de
esta co-variación. . Por ejemplo: ¿Qué relación existe entre las actitudes
maternales y la formación del autocontrol en el niño con retardo mental?, ¿existe
correlación entre el nivel de aprestamiento y el desarrollo del lenguaje?
2) Problemas sustantivos explicativos. Surgen cuando el investigador busca la causa

del comportamiento de un objeto. Usualmente se expresan usando el operador o
término formulativo de incógnitas ¿Por qué? Por ejemplo: ¿Por qué los niños de
clase social alta atribuyen más su rendimiento escolar a sus capacidades? ¿Por qué
adolescentes de zonas populosas son poco asertivos?, ¿Por qué existen altos índices
de deserción escolar en el Perú? Pero, no siempre estos problemas se expresan de
ese modo. Por ejemplo, en la pregunta ¿qué factores inciden en el desarrollo de la
actitud hacia la matemática en la educación primaria?, no figura dicho operador,
pero es un problema explicativo porque indaga por las causas del desarrollo de la
actitud hacia la matemática en el nivel escolar primario. También es una
formulación de un problema explicativo el siguiente: ¿Influye la desnutrición en el
rendimiento escolar?, en esta, a diferencia de la pregunta anterior, se ha
introducido el posible factor explicativo. (Barriga, 1997). Cada vez que hablamos
de lo que influye, produce, genera, determina, condiciona, etc. un fenómeno dado,
estamos frente a un problema explicativo.
72
Derivados de los problemas explicativos son los problemas predictivos y los
retrodictivos. En efecto, cuando podemos explicar el comportamiento de un objeto
(x), también podemos responder la pregunta del tipo: ¿Ocurrirá (problema de
predicción) o ocurrió (problema de retrodicción.) Ambas preguntas se refieren a
sucesos aún no conocidos, tanto del futuro como del pasado, pero cuya ocurrencia es
esperable, según ciertos conocimientos. Un ejemplo de problema predictivo es ¿cuál
es la incidencia de la rubéola durante el embarazo sobre el bajo CI? y un ejemplo
de un problema retrodictivo es ¿cuál es el efecto de fumar cigarrillos en el
cáncer? (Barriga, 1997). Antes de proseguir es necesario precisar la diferencia
entre los problemas explicativos y los problemas correlacionales. La diferencia
entre ambos tipos de problemas es la siguiente: Subyace a los problemas
explicativos una relación asimétrica: Si A es causa de B, B no es causa de A; en
tanto que subyace a los problemas correlacionales una relación simétrica: Si A se
correlaciona con B, B se correlaciona con A. Como se observa ambas tienen
propiedades distintas. Por estas diferencias, la relación de causalidad sirve para
explicar el comportamiento del objeto, en tanto que la relación de correlación no
explica, se limita a constatar una situación, por eso es una operación descriptiva;
por ejemplo, al decir que “la motivación de logro se relaciona con un elevado
aprovechamiento académico” no estamos diciendo que la motivación de logro es la
causa del alto aprovechamiento académico, sino que cuando una de ella se presenta,
la otra también y nada más. Es necesario tener claro que la explicación supone la
correlación, pues si hay causalidad, también hay correlación, pero la correlación
no implica la causalidad, aunque Hernández, Fernández y Baptista (2003) consideran
que la correlación tiene en alguna medida un valor explicativo parcial, pues saber
que dos variables se relacionan aporta cierta información explicativa; y Briones
(1986) sostiene que la correlación bajo determinadas circunstancias tendría un
estatus causal. 1.2.2.2 Problemas prácticos o técnicos Aparecen cuando el
investigador busca modificar los objetos en el sentido postulado por los objetivos
que se ha planteado. Se formulan en interrogantes del tipo: ¿Qué hacer para cambiar
o transformar el objeto X? Por ejemplo: ¿Qué hacer para incrementar el rendimiento
académico de los alumnos de psicología en la asignatura de estadística aplicada a
la psicología?
73
La mayoría de las veces estos problemas se plantean introduciendo en la pregunta,
el medio técnico a utilizar y preguntándose por su incidencia en la modificación
del objeto. Por ejemplo: ¿El método X incidirá en el mejoramiento del proceso de
enseñanza- aprendizaje?”, pero también es frecuente plantear problemas prácticos
como “validación de un programa de estimulación temprana en el desarrollo
intelectual entre los niños de 5 años” (Barriga, 1997). 1.2.3 Aspecto formal Los
problemas de investigación se formulan generalmente por medio de preguntas que
dejan entrever las tareas a realizar para su solución científica, por ejemplo
¿Influye el conocimiento de conceptos básicos en el rendimiento escolar de las
niñas del primer grado? Sin embargo, algunos investigadores expresan el contenido
de la pregunta como objetivo de investigación, por ejemplo: Determinar la
influencia del conocimiento de conceptos básicos en el rendimiento escolar de las
niñas del primer grado. Por otro lado, la calidad en la identificación y la
formulación adecuada de un problema de investigación está vinculada con la calidad
del conocimiento que el investigador o investigadora tenga sobre el tema de
estudio. De allí que se recomienda vivamente al alumno y al investigador
principiante el ampliar y profundizar su conocimiento sobre la temática consultando
fuentes nacionales y extranjeras reconocidas en el mundo de la investigación, de
manera tal que puede detectar y determinar más a fondo el problema de
investigación. 1.2.4 Características de los problemas de investigación Para que un
problema tenga la posibilidad de ser investigado debe tener las siguientes
características: 1) La pregunta debe estar referida a un solo problema de
investigación y relacionada con el planteamiento del problema definido con
anterioridad. 2) La pregunta debe estar expresada en un lenguaje claro y sencillo,
y todos los términos empleados en su definición ser claros y tener algún referente.
3) La pregunta debe expresar:
74
a) Descripción (por ejemplo, la identificación o descripción de características,
comportamientos de determinados grupos, descripción de actitudes, etc.), Relación o
asociación, y, Explicación/intervención (por ejemplo, la efectividad del método
terapéutico X sobre la ansiedad ante los exámenes). (Buendía, Colás & Hernández,
1997).
b) c)
La descripción nos lleva a las investigaciones descriptivas; la asociación a las

investigaciones correlacionales; la explicación a las investigaciones explicativas
y la intervención a las investigaciones experimentales, que es una modalidad de
investigación explicativa. Estos tipos de investigación los trataremos en una
lección posterior. 4) La pregunta debe postular una relación entre variables y debe
señalar la variable independiente, la dependiente y su relación (en las
investigaciones que fuera pertinente). 5) El problema debe ser resoluble. Debe
ofrecer la posibilidad de la prueba empírica; es decir, que los datos puedan
recogerse y tratarse mediante procedimientos de la metodología científica (Alarcón,
2008). 6) El problema debe ser factible. Es decir que se pueda investigar por los
medios de que se dispone (recursos económicos, humanos o materiales; tiempo
disponible; sujetos de estudio). 7) El problema debe tener un marco espacial
(lugar) y temporal (tiempo), cuando fuera pertinente. 8) El problema debe ser
original o por lo menos novedoso, especialmente en los que se plantean en las Tesis
de maestría y doctorado. 9) El problema debe ser relevante, significativo; tener un
valor teórico y práctico. Es decir, debe estar encaminado a aportar nuevos
conocimientos o a la mejora de alguna situación problemática.
10) El problema no debe estar referido a cuestiones morales/éticas. 1.2.5 Ejemplos

de problemas de investigación
(1) ¿Qué relación existe entre capacitar docentes con las estrategias A, A´, B y B
´, y el rendimiento de tales docentes en términos de grado de conocimiento de los
contenidos de tales cursos? (Vizcarra, 1985).
75
(2) ¿Se relacionan las actitudes de los psicólogos hacia las personas con
enfermedades mentales con el tiempo que han trabajado con ellas? (3) ¿Existirá
alguna diferencia entre hombres y mujeres en lo que respecta a incapacidad
funcional y ajuste psicosocial tras lesiones por quemaduras? (4) ¿Consideran
hombres y mujeres de manera diferente los factores importantes para tomar
decisiones con respecto al tratamiento de infertilidad? (5) ¿Cómo podemos predecir
que estudiantes de maestría de la UIGV utilizarán enfoques de aprendizaje distintos
según el tipo de asignaturas? (6) ¿Es eficaz el programa individualizado de terapia
del lenguaje para mejorar las destrezas de comunicación en pacientes afásicos y
disártricos? (7) ¿Se diferencian los estudiantes del tercer ciclo de educación
primaria de Lima Metropolitana en los componentes del modelo de aprendizaje
autoregulado de Pintrich? 1.2.6 Pautas para la búsqueda de problemas Algunas veces
el investigador logra tener de manera rápida una idea acerca de que investigar,
pero la mayoría de las veces no es así. Puede ayudar en la búsqueda de problemas,
las siguientes pautas: 1) Revisar las sugerencias y recomendaciones que
concernientes al tema de interés hacen al finalizar sus artículos, ponencias,
exposiciones, tesis, investigadores reconocidos en la temática. Realizar una
lectura crítica de tesis, artículos científicos, documentos, analizando las
soluciones que se han dado al problema de interés buscando sus puntos débiles. El
análisis debe dirigirse a encontrar deficiencias o aspectos no cubiertos,
procurando usar otros enfoques o “maneras de ver” el problema planteado: ¿Qué
debilidades tiene el problema formulado?, ¿Es posible haber concebido el problema
de otra manera?; ¿Es posible concebir otros problemas de investigación adicionales
al planteado?). Ayuda en este aspecto el revisar reseñas o abstracts en las bases
de datos electrónicas (Psyclit, Lilacs, Medline, Iberoamericano, Eric, Colegio
Oficial de Psicólogos de España, sitios en Internet, etc.).
2)
76
3) Aplicar soluciones conocidas a situaciones nuevas y examinar si siguen valiendo

para éstas: si valen se habría ampliado el dominio de esas soluciones; sino valen,
se habrá tal vez descubierto todo un nuevo sistema de problemas. 4) Analizar viejos
problemas dominios de las mismas. probando con nuevas variables y/o nuevos
5)
Buscar relaciones del tema de interés con problemas relacionados a otros campos
(Piscoya, 1987; Hernández, Fernández & Baptista, 2003).
1.2.7 Planteamiento del problema El planteamiento del problema responde al qué

(problema), al para qué (objetivos) y al por qué (justificación). La definición y
el planteamiento del problema, especialmente en su primera parte (el qué),
configura el Objeto de conocimiento científico, aspecto vital en el proceso de
investigación. La adecuada configuración del Objeto de investigación representa
gran parte del éxito del estudio, en razón a que proporciona las bases para los
objetivos, la justificación, las hipótesis (el problema es el punto de partida de
las hipótesis), el contenido y el método. 1.2.7.1 ¿Qué implica el planteamiento del
problema? Este planteamiento implica la observación detenida, el conocimiento
amplio y profundo, el estudio cuidadoso, y el análisis reflexivo del contexto
general en el cual se da la problemática que interesa estudiar y de esta en
particular. Al realizar esta profundización y ampliación el investigador encontrará
mayores elementos de información que le permitan formalizar su problema, ya sea a
través de definiciones, nuevas explicaciones, relaciones no conocidas
suficientemente o resultados de investigaciones que le ayudarán a reorientar su
investigación o a desestimarla por tratarse de un problema ya resuelto, o porque el
camino seguido no conduce a mayores aportes al conocimiento (Córdova, 2001).
1.2.7.2 Estructura del planteamiento del problema (¿El Qué?) El proceso de
elaboración del problema expresado finalmente en la pregunta o preguntas de
investigación, es para muchos investigadores la etapa más importante de un estudio.
En este proceso, teniendo ya una idea acerca de lo que se quiere investigar la
primera etapa es”reducir el problema a términos concretos y explícitos” (Selltiz,
Jahoda, Deutch &
77
Cook, 1976). En este camino, generalmente el investigador empieza el planteamiento
del problema realizando una descripción de la situación; indicando con precisión
las características particulares que permitan distinguir al problema, pero
señalando a la vez las relaciones causales o no con otras variables en ese
contexto. Ayuda en esta actividad lo siguiente: 1) Describir la realidad o
situación problemática. Al realizar esta descripción el investigador identifica
aspectos o situaciones que lo obligan a dudar o a cuestionar dicha realidad y a
profundizar los estudios sobre esta. Aquí se trata de presentar los fundamentos de
tipo empírico que permiten saber que existen méritos para postular un proceso de
investigación. (Córdova, 2001). Por analogía con el procedimiento médico algunos
autores realizan esta fase descriptiva segmentándola en tres apartados que reciben
una denominación pero implícita pues para efectos del proyecto de la investigación
no se escriben como epígrafes o subtítulos. Estos apartados son los siguientes:
“diagnóstico”, “pronóstico” y “control al pronóstico”. En lo referente al
“diagnóstico” el planteamiento del problema parte de la identificación y
descripción de los “síntomas” que se observan (información, estadísticas, datos,
etcétera) y que son relevantes de la situación, relacionándolos con las causas que
lo producen. Por “pronóstico” (en investigación es generalmente negativo) se
entiende las implicancias que el diagnóstico trae consigo y que al darse afectan la
situación objeto de la investigación. Por último, el “control al pronóstico”
refiere a la variable o vinculación de variables cuya descripción o vinculación
cree el investigador tendrá como resultado que el “control al pronóstico” no se
cumpla (o se cumpla); variables que, por otro lado, también estarán incluidas en la
hipótesis. Veamos el siguiente ejemplo: Planteamiento del problema (1 Diagnóstico).
El rendimiento en matemática es notoriamente bajo en nuestros alumnos, como lo
señalan varias mediciones internacionales y nacionales. Por ejemplo, la Unidad de
Medición de la Calidad Educativa del Ministerio de Educación del Perú (UMC), ha
llevado a cabo cuatro evaluaciones nacionales del Rendimiento: CRECER 1996, CRECER
1998, la Evaluación Nacional 2001 y la Evaluación Nacional 2004. Asimismo, ha
participado en dos evaluaciones internacionales: en 1997 nuestro país participó
junto con 11 países de la región en el Primer Estudio Regional Comparativo del
Laboratorio Latinoamericano de Evaluación de la Calidad
78
de la Educación (LLECE), de la UNESCO en el que se evaluó a estudiantes de tercero
y cuarto grado de primaria en las áreas de Matemática y Comunicación, y en el año
2001 participó en la evaluación del Programa Internacional para la Evaluación de
Estudiantes (PISA) de la Organización para la Cooperación y el Desarrollo Económico
(OCDE, 2002), orientado a evaluar las habilidades en comprensión de lectura,
matemática y ciencia de estudiantes de secundaria que tenían 15 años de edad.
Recientemente la referida UMC ha presentado los resultados de la cuarta evaluación
nacional, del rendimiento académico de los alumnos ejecutado entre el 13 y 19 de
marzo de 2004. Como en anteriores ocasiones, las áreas evaluadas han sido
comunicación y matemáticas, esta vez en 2º y 6º grado de primaria y 3º y 5º de
secundaria, en una muestra de 843 Instituciones Educativas del Nivel primario y 636
del nivel Secundario, obteniéndose los siguientes resultados: 2° de Primaria 9,6%,
6° de primaria 7,9%, 3° de secundaria 6% y 5° de secundaria 2,9%, porcentajes que
representan a alumnos que logran los aprendizajes esperados en el grado evaluado
(INIDEN, 2000). Además, al comparar el rendimiento promedio entre años en el área
de Matemática, los alumnos evaluados en el año 2004 muestran un rendimiento
promedio ligeramente inferior al de los evaluados en el año 1998 (UMC, Unidad de
Medición de la Calidad Académica, 2004). (2 Pronóstico) Esta situación es muy
preocupante pues al ser la matemática fundamento de las ciencias más comprometidas
con las posibilidades de desarrollo de un país, a futuro se ven comprometida la
posición del Perú en el ámbito sudamericano y en el mundial; cada vez más
globalizado; situación que explicaría el porqué el gobierno peruano decreto la
Emergencia Educativa el 2004. (3 Control al Pronóstico) Es asunto decisivo para los
profesionales comprometidos en la acción educativa el contribuir a revertir, a
transformar esta negativa realidad. La pregunta clave es ¿a qué se debe este bajo
rendimiento?, en la búsqueda de respuestas que una vez identificadas puedan ser
afrontadas por los profesores de aula y especialistas de las diversas instituciones
educativas del país; estimamos conveniente afinarla en el sentido siguiente ¿a qué
se debe la variabilidad o diferencias de los alumnos en el rendimiento en las
matemáticas?. Diversas razones se han dado para explicar las amplias divergencias
en los rendimientos y los bajos logros en matemática: haber tenido reformas
sucesivas precedidas o seguidas por poca o ninguna experimentación, excesos de
formalismo en la concepción y aplicación de las propuestas educativas, insuficiente
formación de los maestros, (Flores, 1996), poco vínculo de los programas y métodos
de enseñanza con los procesos
79
intelectuales y afectivos de los alumnos (Vernaugd, 1991). Esta última razón es
desde nuestra perspectiva de la mayor importancia, pues se relaciona con factores
que podrían ser modificables por la acción psicológica docente. En este sentido, la
variabilidad del rendimiento en matemática se explicaría en alguna medida por
ciertas características personales de los alumnos. La determinación de estas
características implica, a su vez, el tener un conocimiento previo de las
características que tiene la enseñanzaaprendizaje de esta asignatura. El Informe
Cockcroft señala que las matemáticas son difíciles de aprender y, por lo tanto,
parecen ser difíciles de enseñar, situación que se encuentra en estrecha relación
con la jerarquización de sus contenidos; que no todos los alumnos aprenden a la
misma velocidad, aún con los mismos contenidos; que obliga a practicar mucho, con
independencia del nivel de conocimientos que se tenga; que el planteamiento del
problema es el aspecto más difícil de resolución de un problema de matemática y no
debe subestimarse la imaginación que se precisa para ello (Cockcroft,1985, citado
en Nortes, 1993). El análisis de estas características con una visión cognitiva
constructiva que considera al alumno como un participante activo y un constructor
de sentidos, nos lleva a proponer que las características personales del alumno se
reflejarían en gran parte en el desplegamiento de estrategias de aprendizaje
cognitivas, metacognitivas y motivacionales durante su aprendizaje de la
matemática, entendiendo por tales a conductas y pensamientos que el estudiante
utiliza en su proceso de aprendizaje con la intención de influir en el proceso de
codificación de la información. Estas conductas y pensamientos se manifiestan en
una secuencia de actividades y operaciones dirigidas a la consecución de metas de
una manera consciente e intencional -plan de acción - involucrando procesos de toma
de decisiones ajustados al objetivo o meta que pretende conseguir el estudiante.
(Westein & Mayer, 1986; Beltran, 1993). En estas circunstancias, esta relación
predicha entre las estrategias de aprendizaje y el rendimiento en matemáticas tiene
que ser sometida a un estudio empírico que determine si en realidad se presenta y
cuáles son las características de esta presentación, por lo que planteamos la
pregunta de investigación.
2)
Definir el problema o preguntas de investigación. Realizada adecuadamente la

descripción del problema, el siguiente paso es hacer una concreción del mismo
planteando una o más preguntas que definan exactamente cuál es el problema a
resolver. La pregunta (o preguntas) debe expresar relaciones fundamentadas entre
las
80
variables elaboradas en la descripción del problema, con una estructura clara y
unívoca –lo cual obliga a seleccionar términos y conceptos que posean significados
unívocos para las personas que conforman la comunidad científica–; asimismo, debe
tener posibilidades de contrastación empírica. Retomando el ejemplo anterior,
habiéndose identificado síntomas, causas, pronóstico y control al pronóstico, la
pregunta se podría plantear así:
¿Cuál es el grado de relación de las estrategias de aprendizaje con el rendimiento

en matemáticas?
1.2.7.3 Sistematización del problema. Algunas veces se descompone la pregunta

planteada en subpreguntas. En ese caso generalmente a la primera se le denomina
pregunta general y a las otras, preguntas específicas, aunque algunos
investigadores hablan de pregunta principal y de de preguntas secundarias. En todo
caso, las subpreguntas tienen en sus contenidos variables del problema planteado y
orientan la elaboración de los objetivos de la investigación. Al responderlas se
responde a la pregunta general. Ejemplo: Problema general: ¿Existe alguna relación
entre el enfoque de aprendizaje adoptado por el alumno de la maestría en Teoría y
Práctica de la Lectura y Escritura y la calidad de su aprendizaje? Subproblemas
específicos: • • • • ¿Existe alguna diferencia en el enfoque de aprendizaje en
función del género? ¿Existe alguna diferencia en el enfoque de aprendizaje en
función del curso? ¿Existe alguna diferencia en función del tipo de evaluación
hecha por los profesores? ¿Existe alguna diferencia en función de las estrategias
de enseñanza seguidas por el profesor? (Ejemplo adaptado de Buendía, Colás &
Hernández, 1997).
81
1.2.8 Un error frecuente en el planteamiento del problema de investigación Cuando
se formula la pregunta de investigación se incurre en un error cuando se realiza la
delimitación geográfica y temporal cuando ello no influye en el estudio; antes bien
limita la generalidad de las conclusiones. Por ejemplo, sea la pregunta: ¿Qué
relación existe entre el nivel educacional de los padres y el nivel de aprendizaje
de los hijos, en el distrito de Bellavista, en los últimos cinco años? Aquí el
error se encuentra en que la relación que se pretende explicar tiene carácter
general, por lo tanto no hay razón para delimitarla geográficamente ni
temporalmente. Desde otro punto de vista, se está confundiendo la delimitación del
problema con las características de la muestra. (Velázquez & Rey, 1998). 1.2.9 Una
precisión conceptual
Algunas veces el estudiante no efectúa una discriminación adecuada entre algunos

términos usuales en el proceso de investigación. El siguiente ejemplo, tomado con
ligeras modificaciones de Velázquez & Rey (1998), ayudará rápidamente a
diferenciarlos. 1) Tema. Se identifica con la situación problemática y de ella se
deriva el título de la investigación o de la tesis. 2) 3) Problema. Es la incógnita
objeto estudio. Título. No debe ser una copia textual del enunciado del problema de
investigación, sino que debe expresar de manera sintética, la idea central del
estudio.
4) Línea. Constituye un campo de la realidad, a cuyo estudio se dedica el

investigador, derivando de este sus problemas de investigación Veamos un ejemplo:
Tema: La violencia juvenil en Lima. Problema: ¿De qué manera ha influido el
deterioro de la situación económica del país en el aumento de la violencia juvenil
en la capital, en los últimos cinco años? Línea de investigación: Violencia
juvenil. Título de la Tesis o del Informe de Investigación: “Influencia de la
situación económica del país en la violencia juvenil en la capital, en los últimos
cinco años”. (Velázquez & Rey, 1998). Al concluir lo concerniente al problema queda
claro, como sostiene Bunge (1979), que un problema científico se plantea sobre un
trasfondo científico
82
y se estudia con medios científicos y con el objetivo primario de incrementar el
conocimiento humano.
83
Lección II Objetivos y Justificación de la Investigación
2.1 Objetivos de Investigación 2.1.1 Concepto Los objetivos constituyen los móviles
o propósitos que orientan el proceso de investigación y el proceso de su logro guía
todas las acciones programadas. Específicamente, un objetivo es lo que se espera
lograr con la investigación y surge como respuesta a la pregunta ¿para qué y qué se
busca con la investigación propuesta? 2.1.2 Clasificación Los objetivos se
clasifican en objetivos generales y objetivos específicos. Los primeros, ofrecen
resultados amplios y buscan alcanzar propósitos últimos de modo paulatino logrando
previamente los objetivos específicos. En términos generales, responden a la
pregunta ¿Para qué se realiza la investigación? Los segundos, están referidos a
situaciones particulares que inciden o forman parte de situaciones propias de los
objetivos generales. Operacionalmente son el resultado de desagregar con
especificación conductual los logros concatenados que se pretende. Veamos los
siguientes ejemplos: Problema 1: ¿Cuál es la influencia de un programa de
intervención educativa en la reflexividad, el autocontrol y el aprendizaje en un
grupo de niños de ocho años de edad? Objetivo general: Experimentar los efectos de
un programa de intervención educativa en el incremento del nivel de reflexividad,
autocontrol y aprendizaje en un grupo de niños de ocho años de edad. Objetivos
específicos:1) Identificar el nivel de reflexividad, autocontrol y aprendizaje de
los niños; 2) Evaluar el nivel de reflexividad, autocontrol y aprendizaje de los
niños; 3) Objetivo metodológico: Elaborar un Programa de intervención educativa
para el desarrollo de la reflexividad, el autocontrol y el aprendizaje (Carbajal,
2007). Problema 2: ¿Qué relación existe entre capacitar docentes con las
estrategias A, A´, B y B´, y el rendimiento de tales docentes en términos de grado
de conocimiento de los contenidos de tales cursos?
84
Objetivo general: Someter a prueba experimental dos estrategias de capacitación
para comprobar su eficacia, medida directamente en el rendimiento del docente e
indirectamente en el rendimiento del educando. Objetivos específicos: 1) Someter a
prueba experimental dos estrategias de capacitación por contraste con los grupos de
control, bajo la condición de los módulos de Matemática y Lenguaje; 2) Someter a
prueba experimental dos estrategias de capacitación por contraste con los grupos de
control, bajo la condición de zona rural y zona urbano-marginal (Vizcarra, 1985).
Problema 3: ¿Cómo se presentan las características psicométricas básicas del
Cuestionario de evaluación del aprendizaje autorregulado EAM-56P elaborado según el
modelo de Aprendizaje autorregulado de Pintrich modificado, para su uso en la
población de estudiantes del quinto y sexto grado de educación primaria de Lima
Metropolitana? Objetivo general: Construir y estandarizar un cuestionario de
evaluación del aprendizaje autorregulado según el modelo de aprendizaje
autorregulado de Pintrich modificado, válido y confiable para su uso en la
población de estudiantes del quinto y sexto grado de primaria de Lima
Metropolitana. Objetivos específicos: 1) Elaborar el cuestionario EAM-56P con base
en el modelo de aprendizaje autoregulado de Pintrich; 2) Establecer la fiabilidad
del cuestionario construido EAM 56-P por medio del análisis de su consistencia
interna y estabilidad temporal; 3) Establecer la validez de constructo del
cuestionario elaborado EAM-56P; 4) Elaborar normas en puntajes estándar eneatipos
para el cuestionario construido EAM-56P en la población de referencia (Aliaga,
2003). Respecto de los objetivos es necesario tener cuenta dos cosas: que los
objetivos específicos al ser logrados permiten alcanzar el objetivo general; pero
en dependencia de la amplitud de lo que se persigue con el estudio, en muchas
investigaciones sólo se formulan objetivos; que en el transcurso del estudio
pudiera ser necesario incluir, modificar o cambiar objetivos.
85
Tabla 3. Niveles, atributos y designaciones semánticas de los propósitos (Tomado de
Caballero, 2000)
NIVELES 1. FINALIDAD: - Fin supremo - Razón de ser de la empresa. 2. OBJETIVO

GENERAL: - Fin 3.OBJETIVOS ESPECIFICOS 4. METAS
ATRIBUTOS a) Valorativa. b) Cualitativa. c) Permanente. a) Cualitativo. b)

Integral. c) Terminal. a) Cualitativos. b) Conductuales. c) Específicos. a)
Cuantitativas. b) Actividades. c) Tiempos. a) Cuantitativas. b) Conjunto de tareas
o acciones repetitivas. a) Cuantitativas. b) Repetitivas. c) Efectuadas por
personas.
DESIGNACIONES SEMÁNTICAS A la finalidad: Se le persigue Al objetivo general: Se le

alcanza Los específicos: Se logran Las metas: Se cumplen objetivos
5. ACTIVIDADES
Las actividades: Se desarrollan Las tareas: Se ejecutan
6.TAREAS O ACCIONES
2.1.3 Presentación y redacción En el proceso de presentación y redacción de los

objetivos es conveniente tener en cuenta las siguientes pautas: 1) Los objetivos
deben involucrar resultados concretos;2) Su logro debe estar dentro de las
posibilidades del investigador; es decir, deben ser realistas; 3) Deben ajustarse a
la consecución de resultados únicamente por la acción del investigador; 4) Pueden
haber uno o más objetivos generales. Para cada uno de estos objetivos debe
plantearse dos o más objetivos específicos. Los resultados de éstos últimos
permiten alcanzar el (los) objetivo(s) general(es); y, 5) Los objetivos se empiezan
redactando con verbos en modo infinitivo. Tabla 4. Ejemplos de verbos para la
redacción de objetivos
Determinar Establecer Diseñar Plantear Programar
Evaluar Planear Comprobar Precisar Cuestionar
Describir Examinar Estandarizar Especificar Elaborar 86
Explicar Presupuestar Planear Inventariar Consultar

2.2 Justificación de la investigación 2.2.1 Concepto La justificación del estudio
responde a la pregunta ¿por qué se investiga? y está en directa relación con la
pregunta y los objetivos de la investigación, pues esta se realiza con un propósito
claro y definido. En este sentido, la justificación implica la explicación por
parte del investigador de las razones por las que se lleva a cabo el estudio y las
consecuencias teóricas, prácticas, institucionales o de otra índole que se derivan
de su realización. Por ejemplo, en el aspecto teórico, es necesario explicar si se
va a elaborar o ampliar un modelo o profundizar una o más teorías o se va a
comprobar, modificar o rechazar cuestionar teóricas referidas al problema de
investigación. En el aspecto práctico, en vista que la ciencia está al servicio del
hombre, es necesario explicar si los resultados pueden contribuir a dar una
solución a problemas concretos que afectan, por ejemplo, a organizaciones
educativas, clínicas, empresariales, públicas o privadas. También la justificación
puede ser de orden metodológico en razón a la elaboración o uso de metodologías,
técnicas, instrumentos específicos que servirán en la realización y logro de los
objetivos del estudio. Por ejemplo, instrumentos como encuestas, tests,
cuestionarios, formularios, fórmulas, software, entre otros. 2.2.2 Ejemplos La
redacción de la justificación de un estudio se realiza en función de los aspectos
que hemos visto en el acápite anterior, sin embargo el estilo personal del
investigador lleva a que esta varíe en su amplitud. Veamos los siguientes ejemplos:
1) En una investigación relativa al diseño y desarrollo curricular del área de las
matemáticas, desde el nivel de educación inicial hasta el tercer grado de primaria
en contexto de pobreza, se señaló la importancia del estudio en los siguientes
términos: “A partir de los resultados de la investigación, se podría contribuir a
la generación de políticas educativas que sirvan de apoyo a la racionalización de
cambios en las distintas instancias del currículo y que en consecuencia se eleve el
nivel cualitativo de la educación matemática” (Villavicencio et al., 1994). 2) En
una investigación en torno a los factores que inciden en la baja de rendimiento
académico en un colegio, la justificación fue la siguiente: De acuerdo con los
objetivos de la investigación, su resultado permite encontrar soluciones concretas
a problemas de bajo rendimiento académico en el colegio.
87
3) En una investigación que averigua la relación de la inteligencia, la
personalidad y la actitud hacia la matemática con el rendimiento escolar en
matemática en estudiantes del quinto año de secundaria de Lima Metropolitana, la
justificación fue esta: La investigación se justifica pues sus resultados
constituyen desde nuestro punto de vista aportes significativos desde el punto de
vista teórico y práctico para el mejor conocimiento de la naturaleza y ciertas
características psicológicas implicadas en el rendimiento escolar en matemáticas.
En un nivel teórico, se considera actualmente que el estudiante tiene un papel
decisivo en el proceso educativo por medio de su actividad sobre la realidad, e
igualmente que el rol del profesor se acentúa en la estimulación y utilización de
esa actividad. Naturalmente que un mejor desempeño del profesor implica que este
debe tener el mejor conocimiento posible del estudiante de manera tal que pueda
ajustar de manera permanente las modalidades de su acción pedagógica para
contribuir mejor al desarrollo de éste como persona. En este sentido, estimamos que
el conocimiento del profesor acerca del alumno se optimiza en la medida en que
conoce las relaciones de determinadas variables psicológicas relevantes con la
variable clásica en la educación escolarizada: el rendimiento escolar. Desde esta
perspectiva el rendimiento escolar en matemáticas puede ser visto como la expresión
compleja de la conducta de los individuos en el campo educativo, pudiendo ser
estudiado considerándolo como el resultado de la acción simultánea de un conjunto
de variables. En este contexto, el estudio precisa en el segmento educativo
correspondiente al de estudiantes de ambos sexos del quinto año de secundaria, la
importancia general y específica de la inteligencia, la personalidad y la actitud
hacia las matemáticas en su accionar simultáneo sobre el rendimiento escolar en
matemáticas con vista a la posterior estructuración de un modelo descriptivo,
explicativo y predictivo de tal rendimiento en referida población. En un nivel
práctico, el establecimiento de relaciones significativas entre el conjunto (team)
de variables citadas o de algunas de ellas con el rendimiento escolar en matemática
hace posible un mejor análisis de éste, del cual se derivarían aplicaciones
prácticas, por ejemplo: realizar labores de selección, clasificación y predicción
en cuanto al rendimiento individual en matemáticas; y acciones recuperativas y de
desarrollo psicopedagógico para la optimización de las características cognitivas,
de personalidad o actitudinales implicadas en el referido rendimiento (Aliaga,
1997). Veamos un ejemplo de justificación metodológica: El estudio se justifica en
un nivel metodológico, pues con base en la realidad educativa del segmento
88
poblacional escolar estudiado, se elaborará un cuestionario con la suficiente
confiabilidad y validez como para constituirse en un instrumento útil para le
evaluación del aprendizaje. Entendemos que un cuestionario con estas
características puede ser en manos de los profesionales de la enseñanza,
educadores, psicólogos, orientadores, un valioso instrumento para conocer un poco
mejor cómo los estudiantes perciben la realización de su propio aprendizaje y para
obtener una valoración de los motivos y las estrategias predominantes en el
aprendizaje de los estudiantes (Aliaga, 2003).
89
Lección III El Marco Teórico y Definición de Términos Básicos 3.1 El marco teórico
3.1.1 Concepto
Es la parte del informe de investigación en el que el investigador presenta

adecuadamente el conocimiento existente sobre el tema que está estudiando, que le
hace posible fundamentar el problema, las hipótesis, las técnicas o instrumentos de
recolección de datos e interpretar y discutir los resultados a los que ha llegado.
En otras palabras, es el ámbito teórico en el cual se desarrolla la investigación
basado en el riguroso análisis crítico de los antecedentes del problema, la
exposición de los supuestos de la investigación, la exposición y análisis de la
teoría o grupo de teorías relacionadas con el problema o del modelo elaborado sobre
las distribuciones y relaciones de las variables en un contexto determinado. En el
marco teórico se especifica las variables a estudiar – y las relaciones entre ellas
- por medio de las cuales se plantean respuestas o explicaciones al problema que se
estudia. 3.1.2 Propósito La apropiada elaboración del marco teórico tiene varios
propósitos útiles para el desarrollo del estudio. Para Munch y Angeles (1999) este
marco sirve para “Definir adecuadamente las variables y las hipótesis; establecer
las guías para especificar hacia donde debe dirigirse la investigación de campo;
sustentar la investigación; analizar e interpretar los datos y ordenar las
observaciones para explicar de qué manera están relacionados los fenómenos o
variables”. En otros términos, sirve para analizar, comprender y explicar el
problema en mayor profundidad, pues tiene como resultado el encuadre teórico del
problema, su inclusión en una teoría existente o la fundamentación de una nueva
teoría (Velásquez & Rey, 1999), modelo o marco referencial, en base al que, como ya
dijimos, se fundamentará no sólo el problema de investigación sino también las
hipótesis, en las investigaciones en las que estas son pertinentes, las técnicas de
colecta de datos y la discusión de los resultados. 3.1.3 Etapas en la elaboración
del marco teórico En el proceso de elaboración del Marco Teórico se presentan
algunas etapas que sintetizamos de la siguiente manera:
90
1 Revisión de las fuentes de información. Las investigaciones se fundamentan en la
revisión de la producción científica de otros investigadores, del pasado o del
presente, lo que implica una labor ardua, sostenida, analítica, crítica e
inteligentemente sinterizadora. Producción científica que expresada en libros,
artículos, tesis y documentos elaborados científicamente está depositada en
bibliotecas hemerotecas y bases electrónicas de datos. Al hacer una revisión
acuciosa y planificada de estas fuentes, el investigador tendrá mejores elementos
de juicio para perfilar mejor el problema de investigación, las preguntas,
hipótesis, metodología y para establecer el marco de referencia o ámbito teórico de
la investigación. Las fuentes de información pueden agruparse según los criterios
de origen e información que aportan. Por su origen, se clasifican en primarias,
secundarias, y terciarias. Las fuentes primarias están constituidas por
investigaciones escritas de primera mano por el autor o autores. Por ejemplo,
artículos originales de una revista, textos, los manuales y las monografías. No
deben tener una antigüedad mayor a los diez proponiéndose actualmente que la
antigüedad no debe ser mayor a los dos o tres años. Una manera de percatarse de
este dato es ver en la contraportada del libro el año de la publicación original.
Aquí es necesario tener en cuenta que no es lo mismo reimpresión que segunda
edición. En la reimpresión un libro ha sido reimpreso sin hacer ningún cambio
respecto a su edición original. En la segunda edición se han hechos cambios,
algunas veces sustanciales, en comparación con la edición original. En Perú se
publican artículos originales de psicología en las revistas del Colegio de
Psicólogos del Perú y en las Revistas de las Facultades de Psicología de las
diversas universidades, por ejemplo de la Universidad Inca Garcilaso de la Vega, la
Universidad Nacional Mayor de San Marcos, la Universidad Católica del Perú. On line
hay muchas revistas, como es el caso de Anales de Psicología y Psicothema que traen
una producción científica variada y de elevada nivel. Por otro lado, puede tenerse
acceso a la producción psicológica española a través de los CD Room que
comercializa el Colegio Oficial de Psicólogos de España, en tanto que la producción
científica estadounidense en gran parte puede leerse en las diversas publicaciones
de la American Psychologycal Associattion (APA). Por otro lado, las fuentes
secundarias están constituidas por documentos que contienen información sobre las
fuentes primarias, son obras o artículos de referencia que no ofrecen conocimientos
nuevos pero facilitan el acceso a las fuentes primarias. Por ejemplo, las
revisiones de artículos, las reseñas de libros, antologías de lecturas, que tienen
por objetivo resumir la información, informar sobre el estado actual de la temática
que interesa, proporcionar bibliografía,
91
discutir conclusiones contradictorias, entre otros tópicos. Las fuentes terciarias,
brindan información general, panorámica, sobre un tema determinado, por ejemplo,
diarios como El Comercio, Enciclopedias o magazines como Psychological Today. Por
la información que aportan, se clasifican en: De primera mano y de segunda mano. La
primera refiere a artículos originales; la segunda recoge lo que otros autores han
escrito sobre una cuestión, por ejemplo, un libro de texto. El investigador puede
emplear fuentes terciarias para tener una visión general del tema de investigación
y como datos puntuales; fuentes secundarias si quiere tener “un resumen erudito de
las investigaciones que se han realizado en un área específica o si busca fuentes
de referencia adicionales” (Salkind, 1998); pero debe emplear fuentes de primera
mano casi exclusivamente, ya que en las fuentes primarias es donde está la
información principal, pero también se tendrán que utilizar las fuentes secundarias
debido al gran número de publicaciones que hay de este tipo. (Munch & Angeles,
1999). 2. Análisis del contenido de la información seleccionada. Una vez que se han
elegido los textos, artículos y en general la información referida al problema, se
procede a analizarla y a elaborar las fichas de registro de información
(bibliográficas, de resumen, etcétera). La lectura debe ser crítica, comparando,
por ejemplo, conceptos, teóricos, modelos, sin perder de vista el problema que se
investiga. Aquí se trata de lograr información relevante para la investigación y
así evitar los errores teóricos y metodológicos de otros autores. 3. Organización
de la información. Ya que se han recopilado suficientes datos, se procede a
comparar la información obtenida de diversas fuentes referente a un mismo tema, y a
ordenar las fichas por tema y área. En esta etapa, al revisar y ordenar las fichas
bibliográficas, el investigador refuerza el conocimiento del tema a la vez que se
percata si posee la suficiente información o si es necesario obtener más fichas de
algún tema en especial.(Munch & Angeles, 1999). 4. Diseño de un esquema del marco
teórico. Se precisan lineamientos en cuanto a contenido y se elabora un esquema del
marco teórico. En este texto consideramos que este esquema debe contener tres
partes: los antecedentes del estudio, las bases teóricas del mismo y las
definiciones conceptuales y operacionales de las variables. Cada una de estas
partes debe ser esbozada en cuanto a su contenido. Por ejemplo, en las bases
teóricas se debe construir un esquema en donde se analice teóricamente el problema,
tomando como base los antecedentes, las
92
teorías que ofrezcan más elementos para analizar el problema y plantear la
hipótesis más adecuada. 5. Elaboración del marco teórico. Esta referida únicamente
al problema y se redacta partiendo de lo general a lo particular siguiendo una
secuencia lógica, ordenada y conceptualmente suficiente que abarque los
antecedentes y la teoría o teorías, la información y la experiencia, para analizar
el problema investigado. Al finalizar la redacción de las bases teóricas es
conveniente hacer un resumen en el que se haga una síntesis de estas y los
antecedentes, de manera que quede elaborado un marco referencial que oriente a la
elaboración de las hipótesis. En el marco teórico debe el investigador aportar sus
ideas acerca del problema enriqueciéndolo, además de adoptar en la redacción de las
citas y referencias la normatividad que brinda APA, que es la utilizada por la
mayoría de psicólogos. 3.1.4 Partes
En el proceso de elaboración del marco teórico se distinguen, como ya dijimos,

usualmente tres partes: los antecedentes del estudio, las bases teórico científicas
y la definición de las variables.
3.1.4.1 Los antecedentes Al elaborar esta parte de la investigación es conveniente

tener en cuenta de entrada que no se trata de elaborar un Estado de la Cuestión o
Estado del Arte (state of art) sobre el tema. El estado de la cuestión es un
trabajo que consiste en una presentación completa, sistemática, objetiva e
imparcial, y, a la vez suficientemente abreviada y clara de todos los principales
resultados existentes en las investigaciones acerca del problema o tema.
(Zubizarreta, 1998), elaborar este Estado constituye ya una investigación. Más
bien, de lo que se trata, es de revisar críticamente estudios, documentos,
investigaciones, semejantes en el problema a la investigación que se está
realizando y elaborar un inteligente resumen. La revisión de los antecedentes sirve
al investigador para ubicar el problema de investigación respecto de la producción
científica y tecnológica más reciente sobre la temática de interés desde la
perspectiva teórica que el investigador tiene sobre el asunto. En la actualidad
tiende a exigirse que estos antecedentes no pasen de los diez años de antigüedad y
aún menos, salvo en el caso de los autores clásicos que en psicología pudieran ser,
por ejemplo, Piaget, Skinner, Wallón, Vigotsky, Catell, Eysenck, entre otros.
Además, en el cumplimiento de esta exigencia hay que tener en cuenta que algunas
áreas de una ciencia muestran una mayor dinámica que otras; por
93
ejemplo, en psicología, la psiconeuroinmunología tiene actualmente una dinámica
mayor que la psicometría. En el proceso de elaboración de esta sección de la
investigación el investigador debe indicar los nexos que existen entre su tema de
estudio y las investigaciones nacionales y extranjeras que existan al respecto. La
lectura de la literatura científica pertinente debe realizarse teniendo en mente
que lo extraído debe servir básicamente para: a) Saber si existen marcos teóricos,
técnicas o hipótesis sobre la cuestión que estamos estudiando; b) saber si hay
datos o hallazgos empíricos sobre el problema; c) determinar la metodología,
diseños, técnicas de recogida y análisis de datos más utilizados; d) orientar por
donde proseguir, si hay contradicción entre los logros encontrados; e) establecer
las limitaciones que pueda haber en cuanto a teoría, metodología y análisis de la
información; f) replicar algunos hallazgos que no están consolidados; y, g)
precisar mejor el problema y formular las preguntas de investigación apropiadas. A
continuación presentamos uno de los antecedentes de la investigación que Navarro
(2007) presento con motivo de su tesis para obtener la licenciatura en psicología
en la Universidad Inca Garcilaso de la Vega: “Escurra, et al., (2005) investigaron
el 2004 la Relación entre el autoconcepto de las competencias, las metas académicas
y el rendimiento en alumnos universitarios de la ciudad de Lima, en una muestra de
1018 estudiantes de varias universidades nacionales y privadas de la capital, con
edades entre 18 a 28 años y una media de 21 años. Los instrumentos que emplearon
para la captura de los datos fueron la Escala de autoconcepto para las competencias
de Rayti y Snellman y el Cuestionario de metas académicas de Hayizamyu y Weiner.
Hallaron correlaciones estadísticamente muy significativas (p<0.01) ente el
autoconcepto de las competencias y las metas académicas con el rendimiento
académico (0.40 y 0.38, respectivamente), lo que indica el efecto positivo y la
importancia de estas variables cognitivas motivacionales en el rendimiento
académico de los estudiantes universitarios”. 3.1.4.2 Bases teórico-científicas
Alude a la teoría científica en la que se encuadra el problema de investigación.
Esta constituida por las teorías científicas o el marco teórico referencial o
modelo que pueda elaborarse con base en los conocimientos científicos concernientes
a las variables constituyentes del problema que se sinteticen después de una
exhaustiva revisión en los centros de información y en las bases electrónicas de
datos. Su construcción implica un análisis crítico de las teorías o marcos teóricos
vinculados al problema de estudio, y la adopción por parte del investigador de una
de estas o la elaboración de un marco teórico referencial adecuado para la
investigación.
94
En su proceso de elaboración es necesario tener en cuenta que si bien a la mayoría
de estudios no los dirige una teoría siempre les subyace una base conceptual
implícita. Por ejemplo: el investigador que emprende un estudio sobre la memoria
debe aclarar la perspectiva teórica conceptual que adopte sobre esta, pues aunque
no busque probar una determinada teoría conviene aclarar esta perspectiva. Por otro
lado, si el investigador pretende fundamentar su estudio sobre una teoría o un
marco conceptual específico debe necesariamente analizarla en las fuentes
originales o primarias. Por ejemplo, si un psicólogo o estudiante de psicología
quisiera hacer un estudio en el que está implicado el locus de control tendría que
revisar el artículo original de Julian Rotter sobre este constructo. Su
construcción supone un análisis minucioso de los trabajos realizados y revisados de
manera tal que como resultado de este el investigador pueda elaborar desde su
visión una perspectiva teórica, conceptual o modelo, en la que especulará
teóricamente acerca de cómo (y por qué) se relacionan las variables, cuestión que
precisamente la investigación que se efectúa trata de probar. Veamos dos ejemplos
esquematizados de inserción de un problema en un marco teórico: a) ¿Existen
diferencias en la eficacia personal entre los ancianos que realizan ejercicios y
los que no los practican? Teoría de la eficacia personal de Bandura; b) ¿Cuáles son
las conductas del primer hijo antes y después del nacimiento de un hermano? Teoría
del apego de Bowly. Un error frecuente en el proceso de elaborar las bases teóricas
es divagar acerca de temas vinculados de manera sólo indirecta con el objeto de
estudio. Veamos el siguiente esquema de las bases teóricas propuestas por un
investigador y posterior corrección. Tabla 5. Bases teóricas inadecuadas (esquema)
Bases teóricas inadecuadas Problema: ¿Cuál debe ser la dimensión de la cobertura de
los servicios de salud en las instituciones del Seguro Social? Historia del Seguro
Social en el Perú. El Ministerio de Salud y el Seguro Social. Las empresas
aseguradoras privadas de salud. Diagnóstico de la atención de la salud en las
instituciones del seguro social. El concepto de calidad. La calidad de los
servicios de salud. Dimensión actual de la cobertura de los servicios de salud en
las instituciones del Seguro Social.
95
Como se puede apreciar, de los aspectos tratados en ese proyecto, sólo el último
está relacionado directamente con el problema de investigación. Tabla 6 Bases
teóricas adecuadas (esquema) Bases teóricas adecuadas Problema: ¿Cuál debe ser la
dimensión de la cobertura de los servicios de salud en las instituciones del Seguro
Social? Definiciones generales. Concepto de cobertura de servicios de salud en las
instituciones del Seguro Social. Características socioeconómicas de la población
afiliadas al Seguro Social. Relación entre necesidad y cobertura actual de los
servicios de salud del Seguro Social. Experiencia internacional: EE.UU., Canadá,
Chile, España, México. ¿Es posible una cobertura total con una calidad excelente?
(Ejemplo tomado con ligeras modificaciones de Velásquez & Rey (1999)
3.1.4.3 Definición de términos básicos La definición de las variables y de términos

relacionados es fundamental para el manejo preciso de los conceptos y también para
el adecuado entendimiento por parte del lector del informe de la investigación.
Generalmente las definiciones se hacen en un nivel conceptual y en un nivel
operacional. Veamos los siguientes ejemplos tomados de Aliaga (1998): Ejemplo 1:
Variable: Rendimiento Académico. Definición Conceptual: Es el resultado del proceso
de interacción enseñanza-aprendizaje. Dicho resultado puede ser medido y
clasificado en niveles de eficiencia y calidad para indicar el logro de los
objetivos propuestos (Reyes, 1988). Definición Operacional 1: Promedio aritmético
de las notas en escala vigesimal (0-20) alcanzado por los estudiantes en las
asignaturas del primer año de secundaria que permite clasificarlos en cuatro
niveles de rendimiento: alto (15-20); medio (13-14.99); bajo (11-12.99), deficiente
(10.99 –menos). Definición operacional 2: Se mide clasificando a los alumnos en dos
niveles: alto y bajo rendimiento académico. Se utilizó como criterio de
clasificación a la mediana (Me = 12) de la distribución de las notas
96
promedio en las asignaturas cursadas en el primer año de secundaria. Los alumnos
con nota promedio hasta 12 conformaron el grupo de bajo rendimiento. Los de 13 o
más el de alto rendimiento. Ejemplo 2: Variable Actitud hacia la matemática.
Definición conceptual: Organización duradera de creencias y cogniciones, dotada de
una carga afectiva en favor o en contra de la Matemática y que predispone a una
acción coherente con dichas cogniciones y afectos (Rodríguez Feijóo, 1991).
Definición operacional: Es medida por la Escala de Actitudes hacia las Matemáticas
que tiene 25 reactivos tipo Likert de 5 alternativas y evalúa cinco dimensiones
actitudinales: Ansiedad, Agrado, Utilidad, Motivación y Confianza. Ejemplo 3:
Variable Personalidad. Definición conceptual: Organización única de rasgos "que nos
dice lo que una persona hará en una situación determinada" (Catell, 1975).
Definición operacional: Es medida por el grado de acuerdo de los sujetos con los
reactivos de calificación tricotómica 2, 1 y 0 de las quince escalas evaluadoras de
los rasgos estilísticos-temperamentales del Cuestionario de Personalidad 16PF de
Catell, Eber y Tatsuoka. Finalizando lo concerniente al marco teórico, es necesario
tener presente que su construcción no es una etapa que sólo se realiza al inicio de
la investigación; de hecho se desarrolla durante todo el proceso para ir
perfeccionándolo y estar en posibilidades de diseñar la hipótesis y los
instrumentos de recolección para su prueba, con la mayor consideración posible.
Asimismo, que su estructuración implica no sólo recopilar la información sino
manejarla a nivel conceptual, es decir, establecer relaciones entre los fenómenos y
los hechos para plantear, si fuere el caso, principios de causalidad, leyes
científicas.
97
Lección IV Estrategias o tipos de investigación
4.1 Concepto Concluido el marco teórico el investigador está en muchas mejores

condiciones que antes de la elaboración de este de precisar cuál va a ser la
estrategia o tipo de investigación que realizará para dar respuesta a las preguntas
del estudio. Estas estrategias se han clasificado de diversa manera. Con base en la
información conseguida al elaborar el marco teórico el investigador toma una
decisión consciente acerca de cómo lograr los propósitos del estudio de una manera
planificada y que asegure la mejor decisión en cada una de las etapas de este.
Según sea la naturaleza del problema de investigación y según los objetivos
propuestos por el investigador se sigue una estrategia determinada, vinculada
íntimamente con el problema, los objetivos, las hipótesis y la metodología a
seguir. 4.2 Clasificación
En atención a la naturaleza del problema y de los objetivos perseguidos existen

varias clasificaciones. El lector debe tener muy en cuenta el criterio o criterios
a los que atienden estas clasificaciones. Por ejemplo, la clasificación que las
divide en descriptivas y explicativas se orienta por el criterio de las funciones
de la ciencia fáctica y por la naturaleza de su producto final. Esta clasificación
no toma en cuenta a las investigaciones llamadas exploratorias que se orienta más
por la intencionalidad del investigador. Si dejar de advertir las dificultades de
las clasificaciones en metodología de la investigación, en este texto utilizamos
una clasificación que toma como base elementos de la clasificación brindada por
Hernández, Fernández & Baptista, (2003), cuyas características las resumimos en los
siguientes cuadros.
98
4.2.1 Investigación Exploratoria Tabla 7 Características de la investigación
exploratoria Examinar un tema o problema de investigación poco estudiado o que no
ha sido abordado antes. Es OBJETIVO decir, cuando la revisión de la literatura
revela que únicamente hay guías no investigadas e ideas vagamente relacionadas con
el problema de estudio. Tema: Problema poco estudiado y no abordado antes.
Utilidad: Sirve para definir más correctamente el fenómeno, las necesidades,
prioridades, etc., y la manera de cómo realizar el estudio. No constituye un fin en
sí mismo: Sirve para tendencias, identificar relaciones CARACTERÍSTICAS determinar
potenciales y establecer "temas" de investigaciones posteriores más rigurosas.
Concluye: En planteamientos específicos de un problema y/o en la elaboración de
hipótesis de trabajo. Son flexibles en su metodología (buscan observar tantas
manifestaciones del fenómeno estudiado como sea posible). No se consideran
hipótesis. Requieren paciencia, serenidad, receptividad. Los primeros estudios de
Freud que surgieron de la idea que los problemas histéricos estaban relacionados
con las disfunciones sexuales; los estudios pioneros del SIDA.; los estudios de
Elton Mayo sobre la dinámica de los grupos.
ASPECTOS METODOLÓGICOS Y TÉCNICOS
EJEMPLOS
4.2.2 Investigación Descriptiva
El investigador busca especificar las propiedades importantes de personas, grupos,

animales, procesos, etc. o cualquier otro fenómeno que sea sometido a análisis
reseñando sus características refiriendo minuciosamente e interpretando lo que es;
vale decir, busca condiciones o conexiones existentes, prácticas que prevalecen,
opiniones que se mantienen, procesos en marcha, efectos que se sienten o defectos
que se desarrollan, generalmente haciendo una medición precisa de una o más
variables dependientes, en una población definida o en una muestra de población
99
(Best, 1970; Hayman,1991). Se halla combinada muchas veces con la comparación o el
contraste. Comprende, entre otros, al estudio de casos, los estudios
longitudinales, los estudios transversales, la investigación comparativa, la
investigación evaluativa, la investigación tipo encuesta, las investigaciones
observacionales, la investigación causal comparativa (ex post facto). Tabla 8.
Características de la investigación descriptiva Describir las características más
importantes del fenómeno en estudio en lo que respecta a aparición, frecuencia y
desarrollo tal y como se presenta en la realidad. Si bien su objetivo no es indicar
como se relacionan las variables medidas, se pueden integrar las mediciones de cada
una de las variables para decir cómo es y se manifiesta el fenómeno. Ejemplo:
descripción de la personalidad de una persona (estudio de caso).
OBJETIVO
Se busca medir con la mayor precisión posible los ASPECTOS aspectos o dimensiones
del fenómeno o fenómenos METODOLÓGICOS sometidos a investigación. Se seleccionan
una serie Y TÉCNICOS de cuestiones y se mide cada una de ellas independientemente,
para así DESCRIBIR lo que se investiga. Indudablemente que esto requiere de un
considerable conocimiento del área que se investiga para formular preguntas
específicas a responder. Este tipo de investigación ofrece posibilidad de
predicciones aunque de manera rudimentaria. *Riqueza léxica en estudiantes de
educación básica (nivel secundaria) de Lima Metropolitana (Quesada et al. 2001).
Los estudios de Lewis Terman y Melita Oden sobre niños superdotados durante
veinticinco años.
EJEMPLOS
4.2.3 La investigación correlacional El investigador trata de determinar el grado

de relación existente entre las variables, pudiéndose también indagar hasta que
punto las alteraciones de una variable dependen de las alteraciones de otra. La
magnitud de la relación se calcula mediante coeficientes de correlación.
100
Tabla 9. Características de la investigación correlacional
OBJETIVO Se busca identificar probables relaciones entre variables medidas. Se mide
2 o más variables para ver si están o no relacionadas Las variables relacionadas
por su naturaleza no son manipulables. (Por ejemplo, el sexo, la inteligencia, la
clase social, etc.). Tiene valor predictivo. En efecto, trata de saber cómo se
puede comportar una variable conociendo el comportamiento de otra u otras
variables. Por ejemplo, conociendo el grado de correlación de la inteligencia con
el rendimiento académico podremos saber cómo se comportan ellas en un marco
académico determinado. Tiene valor explicativo aunque parcial. No persigue la
verificación de hipótesis “causales” en el sentido que una variable produce a la
otra, pero modelos causales pueden establecer inferencias de tipo causal a partir
de datos no experimentales. Por ejemplo, si dos variables están relacionadas se
aporta cierta información explicativa. Es claro que si más variables están
correlacionadas puede elaborarse una mejor explicación. Modelos causales son, por
ejemplo, la ecuación de regresión múltiple y el análisis de rutas o path analysis.
Se mide la correlación de variables en una misma muestra de sujetos. Sin embargo,
hay excepciones en el sentido que se pueden emplear muestras de sujetos diferentes
en dos casos: cuando correlacionamos los comportamientos de muestras de gemelos o
de padres e hijos. Se analiza las relaciones múltiples entre varias variables (más
de dos). Se debe tener cuidado con las correlaciones espurias (dos variables pueden
estar aparentemente relacionadas, pero en realidad no lo están). Un estudio acerca
de la relación entre el número de horas que dedican al estudio los estudiantes de
la maestría de la UIGV y su promedio de calificaciones.
CARACTERÍSTICAS
ASPECTOS METODOLÓGICOS Y TÉCNICOS
EJEMPLO
Haciendo algunas precisiones respecto del valor explicativo parcial del estudio
correlacional, supongamos que se encuentra una relación muy significativa entre el
ver programas de televisión con contenido violento y las conductas agresivas de
niños hacia sus compañeros de aula, de este hallazgo no se puede deducir que la
visión de los referidos programas causan las conductas agresivas pues existen otras
explicaciones plausibles, por ejemplo, puede ser que los niños con características
agresivas sean los
101
que más ven este tipo de programas, o puede que una tercera variable que no ha sido
medida en el estudio sea la responsable de la relación; así, pudiera ser que los
padres tengan muchas disputas en casa lo que hace que sus hijos sean agresivos y
prefieran ver una programación televisiva de contenido violento, variable esta
última que se muestra relacionada con las conductas agresivas, aunque la relación
no sea de causa y efecto. Esta situación es similar a aquella en la que se hallará
una correlación estadística muy significativa entre características de las madres y
sus hijos, resultado que no es interpretable como prueba de que las madres
dominantes suelen tener hijos dominantes o que madres sumisas tienden a tener hijos
sumisos. La correlación indica una relación funcional – correlación estadística
significativa - y no causal. Sin embargo, podría afirmarse una relación de causa –
efecto entre dos variables sí: a) Hay una correlación (covariacion)
estadísticamente significativa entre ambas variables; b) Hay un orden temporal en
las variables implicadas en la relación, de tal modo que la variable que antecede
en el tiempo a la otra es la variable independiente en la relación encontrada. c)
Una de las variables tiene el carácter de permanencia o constancia, con el supuesto
de que aquella que es más fija es la variable independiente. Por ejemplo si el sexo
aparece relacionado con la orientación política, la primera variable es más
permanente de la segunda y, por tanto, es la variable antecedente en la relación
hallada (Briones 1986). Un ejemplo de estudio correlacional es el de Krippner quien
investigo variables que pudieran estar relacionadas con el grado de mejoramiento en
la lectura detectado en un programa terapéutico. Perseguía identificar variables
que tuvieran valor predictivo en la selección y el agrupamiento de lectores
deficientes para programas de nivelación. Para ello, correlacionó el grado de
mejoramiento de cada sujeto (la diferencia entre las puntuaciones del pretest y el
postest en el test de lectura de California) con otras diez variables: edad, grado
escolar, grado de retraso en lectura, nivel profesional del padre, madurez social,
vocabulario, CI verbal, CI de rendimiento, CI total y una medición de la salud
mental. Descubrió correlaciones estadísticamente significativas entre el
mejoramiento de la lectura y las variables: salud mental, CI verbal, CI total y
grado escolar. Llegó a la conclusión de que esas cuatro variables eran las que
servían mejor para hacer predicciones. (Flores, 1995) Ejemplos de preguntas de
estudios correlacionales: ¿Cuáles son las variables psicológicas que predicen el
rendimiento académico en los estudiantes primarios sordos?; ¿Qué relación existe
entre el nivel de esperanza y el tipo de adaptación por una parte, y el nivel de
resolución de
102
la aflicción por otra en viudos (o viudas) de edad avanzada tras la pérdida del
esposo? Modalidades de estudio correlacional son la investigación metodológica –
investigación controlada de aspectos teóricos y aplicados de la medición, de la
matemática y de la estadística, y de las formas de obtener y analizar datos
(Kerlinger & Lee, 2003) - y la investigación psicométrica - elaboración y
adaptación de tests, cuestionarios, etc (Alarcón, 2008). Un ejemplo de esta última
es la investigación “Características psicométricas del inventario de autoevaluación
de la ansiedad ante exámenes (IDASE)” (Aliaga, Ponce, Barnaola & Pecho,. 2001).
4.2.4 La investigación explicativa
Explicar constituye un intento de dar respuesta a los porqués. El investigador

busca de identificar las causas de los eventos educativos, psicológicos, físicos,
sociales o de otra índole. Su interés se centra en explicar porqué ocurre un
fenómeno y en qué condiciones se da éste, o porqué dos o más variables están
relacionadas. En rigor se acepta que la forma de establecer una verdadera relación
de causa-efecto en cualquier estudio es aislar y eliminar todos los factores que
podría ser la causa de un resultado en particular y probar tan solo los que se
requiere medir directamente. Dos tipos de investigaciones pueden realizar esto: la
investigación experimental y cuasiexperimental. (Salkind, 1999). Sin embargo, no
debe considerase como sinónimos a los términos explicativo y experimental. Si bien
la mayoría de los estudios explicativos son experimentales, algunos estudios no
experimentales pueden aportar evidencia para explicar por qué ocurre un fenómeno,
por ejemplo los estudios con diseño longitudinal (Hernández, Fernández & Baptista,
2002). El lector debe recordar, al respecto, la diferencia entre los problemas
explicativos y los correlacionales Ejemplo: Efectos de un programa de estimulación
del lenguaje en niños con bajo rendimiento escolar residentes en un AA.HH. de
Chorrillos (Dioses, et al, 2000).
103
LECTURA 2 PROBLEMAS CIENTÍFICOS Y PROBLEMAS COTIDIANOS2 Una de las clases de
problemas ajenos a la investigación científica o tecnológica son los que podríamos
llamar “problemas cotidianos”: ¿Dónde puse mis gafas? ¿A quién se parece esa
persona que me resulta vagamente familiar? ¿Por qué ha llegado tan tarde a casa mi
marido? ¿Lloverá hoy? Aunque algunos de estos problemas podrían ser reformulados
como problemas científicos, los planteamos en la vida cotidiana sin por ello
emprender una investigación rigurosa ni publicar los resultados en una revista
científica. La probabilidad de lluvia es, por ejemplo, un tema de serio análisis
científico en meteorología, pero cuando nos formulamos la pregunta pretendemos solo
una respuesta aproximada sobre la base de indicios visibles (la nubosidad, la
temperatura) o sobre la base de un análisis científico previamente existente (que
podríamos encontrar en la sección meteoreológica del periódico de hoy). Una
pregunta sobre nuestro cuerpo (¿Por qué tengo este dolor de cabeza hoy?) puede no
ser una pregunta científica para nosotros, pero sí lo es para nuestro médico, que
tiene que aplicar al caso concrreto sus conocimientos científicos acumulados o,
incluso (a veces), convertirá ese caso en el objeto de una investigación rigurosa
cuando el conocimiento disponible no sea ssuficiente para resolver la cuestión. La
mayor parte de los problemas cotidianos son problemas referidos a un caso concreto,
como mi dolor de cabeza hoy, donde se pueden aplicar conocimientos científicos
mientras que los problemas científicos son usualmente problemas referidos a una
pluralidad de casos o a una categorñia de casos pasados, actuales o futuros, donde
se busca generar conocimientos científicos todavía inexistentes. Las respuestas a
los problemas cotidianos no pretenden tener validez generalni esperamos que sean
aplicables otros problemas similares. Los problemas de la vida cotidian los
resolvemos usando nuestro arsenal de conocimientos adquiridos y creencias, más
algunas facultades básicas ue los seres humanos tenemos para organizar nuestro
conocimiento del mundo que nos rodea, tales como nuestra capacidad de hacer
deducciones lógicas, generalizar a partir de observaciones repetidas y
concordantes, rreconocer facciones, interpretar signos climáticos, reconocer gestos
amistosos o amenazantes, etc. De acuerdo al tipo de bagaje cultural que tengamos,
nuestras conclusiones podrían ser puramente “naturalistas” o podrían apelar a
entidades y furzas sobrenaturales para explicar los fenómenso visibles: el
2
Referencia Original: Maletta, H. (2011). Metoddología y técnica de la producción

científica. Lima: Consorcio de Investigación Económica y Social, Centro Peruano de
Estudios Sociales, Universidad del Pacífico. pp: 114-115.
104
ser humano tiene una enorme capacidad para desarrollar explicaciones de todo tipo.
Las conclusiones y soluciones que así logramos no siempre sujetas a error o
refutación. Si nuestro arsenal de conocimientos es de tipo científico, o si
consideramos los conocimientos científicos como más confiables que otros tipos de
cconocimiento y por ello otorgamos prioridad a las explicaciones científicas,
apelaremos primero a ellas (consultaremos primeramente al médico en lugar de
consultar al curandero, brujo o aal sacerdote). Pero aun cuando apliquemos
soluciones basadas en la ciencia para nuestros problemas cotidianos, esa actividad
no es una actividad de producción científica. En todo caso es una actividad dde
consumo, no de producción. Con ella consumimos ciencia, pero la producimos. La mera
aplicación de la ciencia no conduce por sí misma al ensanchamiento del conocimiento
científico en la sociedad. Los problemas científicos no son necesariamente iguales
a los problemas de la gente común. Son problemas de los científicos, son problemas
o interrogantes que ellos ncuentran en la práctica de su actividad científica.
Tampoco son los problemas de un determinado científico individual, sino los
problemas que la comunidad científica relevante aún no tiene resueltos. No basta
con que un determinado físico ignore la respuesta aa un cierto interrogante: es
necesario que ese interrogante aún no tenga respuesta dentro de la comunidad
científica formada por los físicos, o que (si la respuesta existe) el físico
individual pretenda cuestionar la respuesta predominante utilizando las
herramientas y conceptos de la misma disciplina. Solo entonces un determindo
problema de física se convierte en un problema científico de la física (o de
cualquier otra disciplina).
105
ACTIVIDADES DE AUTOAPRENDIZAJE
1. Argumente su respuesta a la siguiente pregunta: ¿Por qué se dice que el adecuado

planteamiento constituye en gran parte el éxito de una investigación? del problema
Respuesta:……………………………………………………………………………………................
………………………………………………………………………..........................................
……………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………… 2. Realice un cuadro comparativo
entre el problema y los objetivos PROBLEMA 1. 1. OBJETIVOS
2.
2.
3.
3.
4.
4.
3. Estas “preguntas de investigación” están mal redactadas o no se ajustan a una

investigación científica. Escríbalas de modo que su formulación se preste a una
investigación 1. Ansiedad y aprovechamiento académico. _________________________
____________________________________________________________ 2. ¿Qué relación
existe entre la forma favorita de cruzar las piernas y la inteligencia en las
universitarias estadounidenses? ___________________
____________________________________________________________ 3. ¿Cuál es el mejor
método para enseñar el curso de métodos de investigación psicológica?
___________________________________________________
____________________________________________________________
106
AUTOEVALUACIÓN 2 1. Responda si las siguientes afirmaciones son verdaderas o
falsas. Afirmaciones 1. El mal funcionamiento de un motor de avión es un problema
científico. ( V ) ( F )
2. El planteamiento del problema exige un análisis detenido ( del contexto en el

que se da la situación en que se va a estudiar. 3. Los problemas técnicos no buscan
modificar los objetos ( de estudio. 4. Describir la realidad problemática es un
paso ( fundamental del planteamiento del problema. 5. 6. El problema científico se
plantea sobre un trasfondo ( científico y se estudia con medios científicos y con
el objetivo primario de incrementar el conocimiento humano. 7. Los problemas
sustantivos surgen cuando el investigador ( busca conocer el comportamiento de los
objetos o fenómenos. 8. Cuando hablamos de lo que influye, produce o genera,
( determina o condiciona un determinado fenómeno, estamos frente a un problema
descriptivo correlacional. 9. El investigar sobre un determinado tópico requiere un
( conocimiento profundo del mismo.
)
10.Un adecuado planteamiento del problema representa ( gran parte del éxito del
estudio. 11.En una investigación metodológica. es necesaria una justificación (
Respuestas: 1) F ; 2) V ; 3) F; 4) V; 5) V; 6) V; 7) F; 8) V; 9)V; 10) F
107
http://prof.usb.ve/miguelm/ http://www.comminit.com/es/node/24555/37
http://www.cneq.unam.mx/cursos_diplomados/diplomados/basico/educi
en0607/porta/equipo2/Modelocientifico.htm
http://www2.uiah.fi/projekti/metodi/25b.htm http://74.125.47.132/search?
q=cache:ZQmr1ClTxfUJ:www.historia.fcs.u
cr.ac.cr/biblioteca/historia/Bunge,MarioLaciencia,su
%2520metodoysufilosofia.rtf+La+ciencia+el+metodo+cienti
fico+bunge&hl=es&ct=clnk&cd=5&gl=pe
http://produceideas.googlepages.com/Marco_Terico_Referencial.pdf
http://www.unimar.edu.ve/gonzalezalexis/tesis_web/m3marcoteorico.ht ml
http://www.slideshare.net/diapositivasupt/marco-teorico-de-lainvestigacion
http://espanol.geocities.com/cesar_rey_info/Normas.htm
http://www.fortunecity.es/expertos/creativo/129/capitulo2.html
http://www.angelfire.com/emo/tomaustin/Met/metinacap.htm
http://www.dii.uchile.cl/~in627/docs/Enfoques.PDF
http://www.geocities.com/josepadron.geo/InvestExploratorias.htm
http://www.cybertesis.cl/tesis/uchile/2006/munoz_d/html/indexframes.html
http://www4.ujaen.es/~jecalle/Descargas/tema5
http://ares.unimet.edu.ve/faces/fpag40/criterios.htm
108
REFERENCIAS BIBLIOGRÁFICAS Alarcón, R. (2008). Métodos y diseños de investigación
del comportamiento. Lima: Universidad Ricardo Palma. Aliaga, J. (1998). La
inteligencia, la personalidad, la actitud hacia la matemática y el rendimiento en
matemática en los estudiantes del quinto de secundaria. Tesis para optar el grado
de Magister en Educación, Universidad San Martín de Porres, Lima, Perú. Aliaga, J.,
Ponce, C., Bernaola, E. & Pecho, J. (2001). Características psicométricas del
inventario de autoevaluación de la ansiedad ante exámenes (IDASE). Paradigmas, 2
(2), 11-30. Aliaga, J. (2003). El aprendizaje autorregulado en estudiantes del
quinto y sexto grado de primaria y el rendimiento en matemática y lenguaje
(Construcción de un cuestionario para la evaluación del aprendizaje autorregulado
según el modelo de Pintrich y DeGroot). Tesis para optar el grado de Doctor en
Psicología, Universidad San Martín de Porres, Lima, Perú. Barriga, C. (1997).
Fundamento teórico-metodológico de la investigación educacional. Scientia Omni,
Universidad Nacional Mayor de San Marcos, Oficina General de Investigación y
Planificación. Nº 1, Marzo.47-107. Best, J. (1970). Como investigar en educación.
Madrid: Morata. Briones, G. (1986). Métodos y técnicas de investigación para las
ciencias sociales. México: Trillas. Buendía, l., Colas, P. & Hernández, F. (1998):
Métodos de investigación en Psicopedagogía. Madrid: McGraw-Hill. Bunge, Mario.
(1979) La investigación científica. Ariel: Barcelona. Briones, G. (1986). Métodos y
técnicas de investigación para las ciencias sociales. México: Trillas. Caballero,
A. (2000): Metodología de la investigación científica. Diseños con hipótesis
explicativas. Lima: Udegraf. Carbajal, I. (2004) Efectos de un programa cognitivo
conductual en los niveles de atención y reflexividad en un grupo de estudiantes del
3°. Grado de educación primaria con déficit atencional. Pedagogía de la
investigación científica, 325-328. Córdova, J. (2001). El proyecto de investigación
para la tesis universitaria. Argumentos y Novedades, 2, 91-104. Dioses, A.,
Morocho, J., Velásquez, C., Cuzcano, A. y Días, G. (2000). Efectos de un programa
de un programa de estimulación del lenguaje
109
en niños con bajo rendimiento escolar residentes en un AA.HH. de Chorrillos.
Revista de Investigación en Psicología, 3(2), 19-28. Flores, J. (1995). Metodología
de la Investigación. Lima: Universidad Nacional Mayor de San Marcos, Facultad de
Educación. Hayman, J. (1991). Investigación y Educación. Barcelona: Paidós.
Hernández, R., Fernández C. & Baptista .P. (2003): Metodología de la investigación.
México: Mc GrawHill. Kerlinger, F. & Lee, H. (2002). Investigación del
comportamiento. Métodos de investigación en Ciencias Sociales. México:
McGrawHill/Interamericana. Maletta, H. (2011). Metoddología y técnica de la
producción científica. Lima: Consorcio de Investigación Económica y Social, Centro
Peruano de Estudios Sociales, Universidad del Pacífico Munch, L. & Angeles, E.
(1999). Métodos y técnicas México: Trillas. de investigación.
Quesada, R., Escurra, M. & Delgado, A. (2001). Riqueza léxica en estudiantes de

educación básica, nivel secundario de Lima Metropolitana. Revista de Investigación
en Psicología, 4(1), 109-119. Reyes, E. (1988). Influencia del Programa Curricular
y el trabajo Docente en el Aprovechamiento en Historia del Perú del 3er. Año de
Educación Secundaria. Tesis para optar el grado de Doctor en Educación. Universidad
Nacional Mayor de San Marcos. Lima, Perú. Salkind, N. (1999). Métodos de
investigación. México: Prentice Hall. Selltiz, C., M. Jahoda, Deutsch, M. & Cook,
S. (1976). Métodos de investigación en las relaciones sociales. Madrid: Rialp
Tafur, R. (1994). La tesis universitaria. Lima: Mantaro. Velásquez, A. & Rey, N.
(1999). Metodología de la investigación científica. Lima: San Marcos. Vizcarra, C.
(1985). Elementos de investigación (Antología). Lima: INIDE. Zubizarreta, A.
(1998). La aventura del trabajo intelectual: cómo estudiare investigar. México:
Addison-Wesley Longman.
110
Tercera
UNIDAD
EL PROCESO DE LA INVESTIGACIÓN CUANTITATIVA (II)
¿Cuáles son los criterios para determinar si una hipótesis es científica o no?
¿Puede una variable cuantitativa ser transformada en variable categórica? ¿Cuál es
la importancia del diseño en la investigación cuantitativa?
111
Competencias
CONCEPTUALES:
•
Define la hipótesis, las variables y el diseño de investigación en diferentes

campos de la actividad humana. Identifica los diferentes tipos de diseños de
investigación en psicología.
PROCEDIMIENTALES:
• •
Formula adecuadamente hipótesis científicas. Emplea los diferentes tipos de diseño

de investigación en actividades para constatar su necesidad en la investigación de
las características de las personas.
ACTITUDINALES:
• •
Valora la hipótesis como medio para la comprobación de diversos hechos de la

realidad. Valora la utilidad de realizar diseños de investigación psicológica
adecuadas.
112
CONTENIDO TEMÁTICO
Lección I: Hipótesis Concepto Criterios para determinar si la hipótesis es
científica o no Clasificación Prueba de hipótesis Lección II: Variable Concepto
Clasificación ¿Puede una variable cuantitativa ser transformada en variable
categórica Operacionalización de variables Lección III: Diseño Concepto Selección
del diseño Diseño experimental Varianza sistemática y varianza de error Validez
interna, externa, de constructo y estadística Mejoramiento de la validez interna
Principio MAXMINCON Lección III: DISEÑO PREEXPERIMENTALES, CUASIEXPERIMENTALES,
EXPERIMENTALES PUROS Diseño de un grupo solo despúes Diseño pretest postest con un
solo grupo Diseño de comparación estática Diseño de series temporales Diseño con
pretest-postest y grupos intactos Diseño contrabalanceado Diseño de dos grupos
totalmente aleatorizados GE y GC con pretest unicamente Diseño de grupo aletatorio
antes y despúes con un grupo control Diseño de dos grupos apareados Diseños de
grupos aleatorio con más de dos condiciones experimentales Diseño de cuatro grupos
de Solomón Diseños transeccionales y longitudinales
113
ESQUEMA CONCEPTUAL
Teoría Deducción lógica Hipótesis Incorporación de datos a teoría Evaluar teoría
Plan de recogida de datos
Diseño de investigación Observación
Análisis de datos
Decisión acerca de las hipótesis
Aceptar
Rechazar
CONCEPTOS CLAVE Hipótesis, prueba de hipótesis, variable, operacionalización,

diseño, diseño experimental, diseño cuasiexperimental, diseño preexperimental
114
Lección I Hipótesis 1.1 Hipótesis
1.1.1 Concepto En la lección IV de la primera unidad definimos y tratamos varios

aspectos conceptuales sobre las hipótesis. Aquí diremos brevemente que son
proposiciones tentativas acerca de la distribución de una variable o de las
relaciones entre dos o más variables que se apoyan en conocimientos organizados y
sistematizados en el marco teórico; en este sentido, son respuestas tentativas a la
pregunta o preguntas de investigación. Ejemplo de una pregunta de investigación e
hipótesis: Pregunta: ¿Cómo lograr el desarrollo de la expresión plástica creativa
del niño de 5 años? Hipótesis I: La utilización, por parte del profesor, de
estímulos motivadores diversos incrementa la producción de respuestas plásticas
creativas del niño. Hipótesis II: La utilización frecuente de algunas actividades
gráficoplásticas, como pintura y dibujo, favorece el desarrollo creativo del niño.
Hipótesis III: El refuerzo verbal positivo del profesor estimula las respuestas
plásticas creativas del niño (Encinas, 1991). En una investigación puede haber una
o más hipótesis, sin que el número tenga que ver necesariamente con la calidad del
estudio. El número de hipótesis depende de la complejidad del problema de
investigación y de los propósitos del estudio. Como sabemos, en un mismo estudio
puede plantearse una o más preguntas, pudiendo estas corresponder a estudios
descriptivos, correlacionales y explicativos, en consecuencia habrá hipótesis que
correspondan a estos tipos de estudio según la clasificación de hipótesis que
mostramos más abajo. 1.1.2 Criterios para determinar si la hipótesis es científica
o no La elaboración de las hipótesis científicas se ajusta a determinados criterios
que facilitan su construcción y contrastación con los datos. Estos criterios son
los siguientes: 1. Deben fundamentarse en el marco teórico y ser compatibles con
hipótesis previas bien confirmadas, de manera tal que el sistema hipotético sea
consistente.
115
Deben tener la posibilidad de ser sometidas a prueba o ser comprobables, que se
hace factible cuando las variables son cuantificadas y se especifica el sentido en
que están relacionadas. 3. Deben ser pertinentes (referirse en forma precisa al
problema). 4. Deben formularse en términos que expresen relaciones entre variables.
5. Deben tener poder predictivo. 6. Deben ser tan sencillas como sea posible.
Veamos un ejemplo de hipótesis redactada en la forma de enunciado general en el
que, considerándose el criterio 1 cumplimentado, se observa claramente el
cumplimiento de los demás criterios: "Si un grupo de trabajadores de una empresa
empacadora de espárragos presenta un elevado nivel de conflicto, entonces su
producción se verá disminuida". La variable independiente (VI) es el elevado nivel
de conflicto, que puede estar referido a bajos salarios, promesas incumplidas,
inadecuadas relaciones, etc. La variable dependiente (VD) es la disminución que se
observa en la producción laboral, digamos, disminución en el número de autopartes
ensambladas. 1.1.3 Clasificación Existen varias clasificaciones de las hipótesis.
Una taxonomía es la siguiente: descriptiva, correlacional, explicativa, nula y
estadística. Las hipótesis tienen por símbolo Hi ó H1, H2, H3, etc. si son varias.
1.1.3.1 Hipótesis descriptivas Se emplean en estudios descriptivos y refieren al
valor de una o varias variables que se van a observar en un contexto determinado o
en la manifestación de otra variable, en este último caso, no relacionan
propiamente dos variables sino que relacionan a una variable y una constante.
Ejemplos: Hi: La expectativa de ingreso mensual de los docentes de las
universidades nacionales oscila entre 4,000 a 5,000 nuevos soles. Hi: El nivel de
metacomprensión lectora condición socioeconómica modesta. Hi. El PBI del Perú
crecerá el 2010 un 5%. es muy bajo en los niños de 2.
116
1.1.3.2 Hipótesis correlacionales o hipótesis de covariación Corresponden a
estudios correlacionales. El término correlación bivariada (r) indica que se están
relacionando dos variables. El término correlación múltiple (R) señala que se están
correlacionando más de dos variables. En las hipótesis correlacionales hay que
distinguir entre las que afirman la existencia de una relación de asociación entre
dos o más variables medidas, y aquellas que afirman el cómo están relacionadas.
Ejemplos del primer caso: Formulación general: La variable X esté relacionada con
la variables Y y Z en una población determinada (predice relaciones entre variables
pero no indica los tipos de relaciones) (Burns & Grove, 2004). Hi: La riqueza
léxica está relacionada con la comprensión lectora. Hi: Las estrategias de
aprendizaje, la autoestima, la motivación de logro, la voluntad y el rendimiento
académico están vinculadas entre sí en los estudiantes de Estomatología de la UIGV.
Hi: Existe relación entre la actitud madre-hijo y el proceso de adaptación personal
en el niño obeso. Ejemplos del segundo caso: Formulación general: La variable X
aumenta cuando aumenta la variable Y en una población determinada (predice una
relación positiva). La variable X disminuye cuando disminuye la variable Y en una
población determinada (predice una relación positiva). La variable X aumenta cuando
disminuye la variable Y en una población determinada (predice una relación
negativa) (Burns & Grove, 2004). Hi: A mayor resiliencia y autoestima mejores
índices de salud mental. Hi: Las estudiantes mujeres tienen mayor capacidad léxica
que sus pares varones en las instituciones educativas públicas de los distritos
económicamente pobres de la Lima Metropolitana. Hi: A mayor inteligencia emocional
de los cónyuges, menores conflictos de pareja. En estas Hi no sólo se establece
relación entre variables, sino también cómo es la relación, vale decir que
dirección sigue. Las hipótesis correlacionales pueden asumir carácter
retrospectivo, cuando conocida “Y” se pregunta por el factor o factores “X” que la
han generado (investigación expost facto).
117
Ejemplos: Hi: El nivel educativo de las parejas influye en su ajuste matrimonial.
Hi: El nivel socioeconómico de los individuos influye en su rendimiento
intelectual. Hi: El castigo físico, utilizado como pauta de crianza, genera
conducta agresiva en los niños. (Alarcón, 2008). Es conveniente indicar que a las
variables que conforman estas hipótesis es un sin sentido denominarlas variable
independiente o variable dependiente, conceptos que son propios de la investigación
explicativa y dentro de ella con más propiedad de los experimentos. 1.1.3.3
Hipótesis de la diferencia entre grupos. Corresponden también a estudios
correlacionales (Hernández, Fernández & Baptista, 2003). Se plantean en
investigaciones dirigidas a comparar grupos respecto de una misma variable. Se
pueden dividir en hipótesis simple de diferencia de grupos y en hipótesis de
dirección de diferencias de grupos. Ejemplos del primer caso: Hi: Los estudiantes
de alto y bajo rendimiento académico diferirán en el uso de las estrategias
cognitivas de aprendizaje. Hi: Las niñas del nivel inicial de cinco años tienen una
mayor riqueza léxica que sus pares varones. Hi: El índice de cáncer pulmonar es
mayor entre los fumadores que en los no fumadores. Hi: Existen diferencias en el
proceso de adaptación personal en niños que padecen Obesidad exógena y aquellos que
no la padecen. Hi: La percepción del autoritarismo paterno es diferente según el
sexo de los sujetos. Ejemplos del segundo caso: Hi: El aprendizaje de la lectura es
de mayor calidad en los estudiantes de nivel socioeconómico alto que en los
estudiantes de nivel socioeconómico bajo. Hi: El programa “Jilguero” de reinserción
de de niños de la calle tiene un efecto más positivo en niños con un núcleo
familiar conservado que en aquellos que no lo tienen. Las hipótesis del primer caso
las formula el investigador cuando no tiene
118
un fundamento teórico para sostener una diferencia a favor de uno u otro grupos;
las hipótesis del segundo caso, las elabora cuando si tiene este fundamento.
Asimismo, el primer tipo de hipótesis corresponde a estudios correlacionales; en
tanto que el segundo, en la medida en que determina la diferencia y explica el
porqué de esta, corresponde a estudios explicativos. 1.1.3.4 Hipótesis que
establecen relaciones de causalidad Estas hipótesis son propias de los estudios
explicativos y en ellas, aparte de relacionar e indicar como se dan las relaciones
entre dos o más variables, se especifica la relación causal entre las mismas. En
otros términos, expresan la relación de causa-efecto entre variables manipuladas.
La relación de causalidad exige que previamente se haya demostrado correlación
entre la VI y la VD, que la VI debe ocurrir antes que la VD y que los cambios en la
VI deban provocar cambios necesariamente en la VD. Estas hipótesis pueden dividirse
en hipótesis causales bivariadas e hipótesis causales multivariadas. Las hipótesis
causales bivariadas especifican una relación entre una VI y una VD. Su ecuación es
como sigue: Y= f (X). La variable “Y” (VD) es una función de la variable “X” (VI).
Ejemplos: Hi: El tiempo de privación de alimentos, en los animales, influye en el
recorrido de un laberinto. Hi: La práctica de una habilidad, mejora el aprendizaje
futuro de esa habilidad. Hi: Los medios audiovisuales de masas, ejercen influencia
en las pautas de conducta social. Hi: La desintegración familiar de los padres
provoca baja autoestima en los hijos. En esta hipótesis bivariada además de
establecerse una relación entre las variables, se propone la causalidad de esa
relación. Como ya sabemos, para poder demostrar causalidad se requiere que antes se
haya demostrado correlación, pero, además, la causa debe ocurrir antes del efecto.
Las hipótesis causales multivariadas especifican relaciones entre una VD y varias
VI; una VI y varias VD, o diversas VI y VD.
119
Ejemplos: Hi: El bajo nivel de capacitación profesional que se presenta en el nivel
directivo de los hospitales estatales determina el tipo autoritario de organización
y dirección que los caracteriza. Hi: La cohesión y la centralidad de un grupo
sometido a una dinámica, y el tipo de liderazgo que se ejerza dentro del grupo;
determinan la efectividad de éste para alcanzar sus metas primarias (Hernández,
Fernández & Baptista, 2003). Si la investigación es explicativa, una pregunta de
investigación puede dar lugar a una o más hipótesis (Baker, 1997). 1.1.3.5
Hipótesis nulas Estas hipótesis refutan o niegan lo que afirma la hipótesis de
investigación. Su símbolo es Ho. La importancia de esta hipótesis la sintetiza
Gómez (2006) de la siguiente manera: “en la mente del investigador, debe prevalecer
siempre este tipo de hipótesis, porque lo que un investigador debe cuestionarse
siempre, son los casos que refutan nuestra hipótesis, y no los casos que la apoyan
por más que sean muchos, ya que aquellos tienen más valor probatorio que otros”
(pág. 80). Ejemplos: Hi: Las mujeres estudiantes universitarias tienen mayor
motivación de logro que sus pares varones. Ho: Las mujeres estudiantes
universitarias no tienen mayor motivación de logro que sus pares varones. 1.1.3.6
Hipótesis estadísticas La hipótesis planteada en un estudio necesita ser
contrastada con los datos para determinar si estos la apoyan o no. Para el efecto,
los datos tienen que ser sometidos a un análisis estadístico. Para realizar este
análisis, las hipótesis que hemos visto en el apartado anterior tienen que ser
transformadas a símbolos estadísticos, el resultado son las hipótesis estadísticas,
que se formulan únicamente cuando los "datos" del estudio son cuantitativos, por
ejemplo, promedios, porcentajes, coeficientes de correlación. Hipótesis estadística
grupos: de una hipótesis (Hi) de diferencia entre
Ejemplo: La hipótesis de diferencia de grupos es:
120
Hi: Los estudiantes de alto y bajo rendimiento académico difieren en el uso de las
estrategias cognitivas de aprendizaje. Ho: Los estudiantes de alto y bajo
rendimiento no difieren en el uso de las estrategias cognitivas de aprendizaje. La
hipótesis de investigación (Hi) se transforma en la hipótesis estadística alterna
que tiene por símbolo (Ha) (o también (Hi). La hipótesis estadística es: Ha o Hi:
X 1≠ X 2 (el promedio del grupo de alto rendimiento académico
en el uso de las estrategias cognitivas de aprendizaje es diferente del promedio

del grupo de bajo rendimiento académico en el uso de las estrategias cognitivas de
aprendizaje. Ho: X 1 = X 2 (el promedio del grupo de alto rendimiento académico en
el uso de las estrategias cognitivas de aprendizaje NO es diferente del promedio
aprendizaje. En vista que en la Ha no se plantea la dirección de la diferencia
recibe el nombre de la hipótesis estadística bilateral o de dos colas (two tailed)
Dependiendo del enunciado de la hipótesis de investigación, la Ha (o Hi) también
podría ser X 1 <, > ó = X 2 (el promedio del grupo 1 es mayor ó menor ó igual que
el promedio del grupo 2). ejemplo: Ejemplo: La hipótesis de diferencia de grupos
es: Hi: Los estudiantes de alto rendimiento académico hacen un mayor uso de las
estrategias cognitivas de aprendizaje que los estudiantes de bajo rendimiento
académico. Ho: Los estudiantes de alto y bajo rendimiento no diferirán en el uso de
las estrategias cognitivas de aprendizaje. La hipótesis estadística es: Ha o Hi:
Veamos el siguiente
rendimiento académico en el X uso de las estrategias cognitivas de aprendizaje es

mayor que el promedio del grupo de bajo rendimiento académico en el uso de las
estrategias cognitivas de aprendizaje.
X 1> X 2 (el promedio del grupo de estudiantes de alto _
121
Ho:
X 1 = X 2 (el promedio del grupo de alto rendimiento académico en
el uso de las estrategias cognitivas de aprendizaje NO es diferente del promedio

aprendizaje. En la Ha se especifica la dirección de la diferencia, por eso se dice
que la hipótesis es unilateral o de una cola (one tailed). Hipótesis estadística de
una hipótesis de correlación de dos variable. Ejemplo: La hipótesis de correlación
es: Hi: La riqueza léxica está relacionada con la comprensión de lectura. Ho: La
riqueza léxica no ésta relacionada con la comprensión de lectura. La hipótesis
estadística es: Ha o Hi: rxy ≠ 0 (el valor del coeficiente de correlación entre la
riqueza léxica y la comprensión de lectura es diferente de 0; existe alguna
correlación). Ho: rxy=0 (el valor de la correlación entre la riqueza léxica y la
comprensión de lectura es 0; no existe correlación). La Ha no especifica la
dirección de la correlación; es estadística bilateral o de dos colas (two tailed)
Ejemplo: La hipótesis de correlación es: Hi: Existe correlación positiva entre el
nivel de uso de las estrategias cognitivas de aprendizaje con el rendimiento
académico. Ho: No existe correlación entre el nivel de uso de las estrategias
cognitivas de aprendizaje con el rendimiento académico. La hipótesis estadística
es: Ha o Hi: rxy > 0 (el valor de la correlación entre el nivel de uso de las
estrategias cognitivas de aprendizaje con el rendimiento académico es mayor a 0;
existe correlación positiva entre ambas variables; una variable aumenta, la otra
también). Ho: rxy = 0 (el valor de la correlación entre el nivel de uso de las
estrategias cognitivas de aprendizaje con el rendimiento académico es 0; no existe
correlación entre ambas variables. una hipótesis
122
Este es un ejemplo de hipótesis estadística unilateral o de una cola (one tailed).
Hipótesis estadística de una hipótesis correlación de más de dos variables Ejemplo:
La hipótesis de correlación es: Hi: Las estrategias de aprendizaje, la autoestima,
la motivación de logro, la voluntad y el rendimiento académico están vinculadas
entre sí en los estudiantes de Estomatología de la UIGV. Ho: Las estrategias de
académico no están vinculadas entre sí en los estudiantes de Estomatología de la
UIGV. La hipótesis estadística es: Ha o Hi: Rxyz ≠ 0 (el valor del coeficiente de
correlación entre las estrategias de aprendizaje, la autoestima, la motivación de
logro, la voluntad y el rendimiento académico es diferente de 0; existe alguna
correlación). Ho: Rxyz = 0 (el valor de la correlación entre las estrategias de
académico es 0; no hay correlación entre las variables). 1.1.4 Prueba de hipótesis
La prueba o comprobación de hipótesis, en los estudios en los que sean pertinentes,
se realiza a través de una investigación racionalmente organizada, planificada y
fundamentada de observación de la variable o de la relación de las mismas, de
manera tal que después del análisis e interpretación rigurosa, critica y
argumentada de los datos obtenidos pueda decirse que estos, en el contexto en el
que se efectúa el estudio, son congruentes con la hipótesis, lo cual conlleva su
aceptación, o no son congruentes con ella, lo cual significa su rechazo, lo que no
implica su verdad o falsedad. En la práctica de la investigación científica,
especialmente en la psicología y las ciencias sociales, una hipótesis tendrá más
respaldo en la medida que más investigaciones la comprueben en diferentes
poblaciones. Por otro lado, el rechazo de una hipótesis no implica la inutilidad de
la investigación pues se obtendrá información que lleve después de una re-visión
detenida a desechar las relaciones propuestas de las variables y plantear otras
para describir o explicar mejor la problemática de interés.
123
Tabla 10. Temas de investigación, preguntas e hipótesis. Interés o ideas De
Investigación Problemas o Preguntas de Investigación
Hipótesis
Aulas abiertas y éxito académico
Habilidad para presentar exámenes y calificaciones
Televisión y comportamiento de los consumidores
Abuso de drogas y abuso de Niños
Cuidado de adultos
Los niños a los que se les enseña a leer en de aula ¿Qué efecto comparativo
situaciones tienen las aulas abiertas abierta leen en un nivel y las tradicionales
sobre escolar más elevado que aquellos a los que se les la lectura? enseña a leer
en una situación tradicional. Los estudiantes que reciben capacitaciones en el
método de “retención ¿Los estudiantes que a corto plazo” obtienen saben cómo
presentar un mejores calificaciones en examen obtienen la pruebas de aptitud
mejores calificaciones? escolar que aquellos que no reciben tal capacitación ¿Cómo
afecta el hecho Los muchachos de ver comerciales adolescentes compran televisados
la conducta más productos de compras de los anunciados en televisión adolescentes?
que las muchachas adolescentes. Existe una relación positiva entre el abuso ¿El
abuso de drogas está de drogas entre los relacionado con el abuso adultos y el
abuso físico de los niños? y psicológico del que fueron víctimas cuando niños. El
número de hijos que ¿Cómo se han ajustado están cuidando a sus muchos adultos a la
padres en el hogar del responsabilidad de cuidar hijo ha aumentado en los de sus
padres ancianos? últimos diez años. (Tomado de Salkind, 1998).
124
Lección II 2.1 Variable 2.1.1 Concepto En un apartado anterior conceptuamos a la
variable, en consecuencia, aquí sólo diremos que variable es el nombre que se da a
una propiedad o atributo observable y cuantificable con respecto al cual difieren
los individuos de un conjunto dado. Sus características básicas son dos: ser
observable y ser medible. 2.1.2 Clasificación Existen varias clasificaciones. En
este texto interesan dos de ellas: 1. Según la función que cumplen en la hipótesis.
Las variables se clasifican en independiente (o supuesta “causa”) y dependiente (o
posible “efecto”). A) La Variable independiente (VI) se define como el factor que
manipula el investigador. Este tipo de variables adquieren pleno sentido ahí donde
se trate de establecer relaciones explicativas precisas entre fenómenos bien
definidos y delimitados. Algunos autores subdividen a las VI en variables estímulo
y variables organísmicas. Las primeras comprenden estímulos que provienen del mundo
físico y social y, las segundas, suponen cualquier característica fisiológica y
psicológica del organismo, como constitución física y ansiedad. B) La variable
dependiente (VD) es la conducta en cualquiera de sus modalidades. En el cuadro
siguiente se muestran ejemplos de estas variables.
125
Tabla 11 Variables independientes y dependientes Problema 1. ¿Cuál es el efecto de
mensajes formulados con distintas palabras con respecto al resultado de la prueba
de Papanicolau en las visitas subsecuentes de las pacientes a la clínica (Lauver &
Rubin, 1990) 2. ¿Cuál es el efecto de un protocolo completo de planeación para dar
de alta sobre la morbilidad de personas de edad avanzada que han estado
hospitalizadas? (Naylor, 1990). Variable independiente Mensajes con diferentes
palabras. Variable dependiente Visitas de seguimiento.
Protocolo para planear el alta
Morbilidad tras el alta.
(Tomado con modificaciones de Pollit & Hungler, 1994)
Zettemberg (1971, en Sierra Bravo, 1994) considera que las relaciones entre la
variable independiente y la dependiente puede presentar las modalidades que
presentamos en el cuadro 13. Tabla 12. Modalidades dependiente
de
relación
de
las
variables
independiente
Reversible : Si X, entonces Y, pero también si Y, entonces X. Irreversible: Si X,

entonces Y, pero no viciversa. Determinista: Si X entonces siempre Y. Estocástica:
Si X, entonces probablemente Y. De secuencia: Si X, entonces más tarde Y.
Coexistente: Si X, entonces también Y. Suficiente: Si X, entonces E independiente
de cualquier otra cosa. Contingente: Si X, entonces Y, pero sólo si Z. Necesaria:
Si X, y sólo si X, entonces Y. Sustituible: Si X, entonces Y, pero si Z, también Y.
126
También es usual considerar a otro tipo de variable, la variable interviniente, que
es aquella que se relaciona con la VI para condicionar la variable dependiente VD.
Por ejemplo, sea la Hi: "La falta de incentivos económicos determinó la disminución
del nivel de producción de los trabajadores de la empresa X en el año 2003". Una
variable interviniente, asociada a la independiente, estaría constituida por el
nivel de calificación ocupacional. Por otro lado, estas variables “son difíciles de
identificar y medir por parte del investigador. Por tales dificultades a veces se
les define de modo conceptual. Por ejemplo, el entusiasmo puesto por los profesores
en el uso del método de lectura, el interés de los alumnos, etc. 2) Según el nivel
o escala de medición en la cual han sido medidas. Las variables se clasifican en:
a) Variables cualitativas o categóricas. Corresponden a variables en escala de
medida nominal. Los valores o propiedades de estas variables forman categorías
únicas, exclusivas y excluyentes, vale decir un sujeto puede clasificarse
únicamente en una de estas categorías y no en más. Cuando las propiedades se
describen en forma cualitativa se denominan atributos. Por ejemplo, el sexo, es una
variable con dos categorías: los atributos varón y mujer. Se es varón o sé es
mujer. Otros ejemplos son la profesión pues sus categorías son las siguientes:
psicólogo, profesor, ingeniero, abogado, médico, etc.; y el lugar de nacimiento,
que tiene por categorías a Lima, Ica, Chiclayo, Cajamarca, Tacna, etc. Variables
cuasicuantitativas u ordinales. Corresponden a variables medidas en escala ordinal.
Los valores o propiedades de estas variables son también únicas, exclusivas y
excluyentes como las variables en escala nominal pero, forman un orden en cuanto a
la “mayor” (o “menor”) posesión del atributo. Por ejemplo, el variable nivel
socioeconómico con las categorías alto, medio, bajo. Un sujeto puede clasificarse
en una de estas categorías pero aquel que se clasifica en la categoría alto tiene
“más” de la variable que el clasificado en la categoría “bajo”. Muchos autores
denominan a las variables ordinales con el nombre de variables cuasicuantitativas
(Carro, 1997). El investigador otorga a cada uno de los valores de las variables
cualitativas y ordinales un número o código para poder realizar el análisis de los
datos. Por ejemplo, en la variable sexo a la categoría varón se le otorga el número
o código “0” y a la categoría mujer el “1”.
b)
c) Variables cuantitativas. Corresponden a variables medidas en escala de intervalo

o escala de razón. Los valores o categorías de estas variables forman categorías
infinitas. Se dividen en cuantitativas discontinuas o discretas y cuantitativas
continuas. Las
127
variables discontinuas o discretas sólo pueden asumir valores enteros o que varíen
de uno en uno. Ejemplos, número de hijos : 0,1,2,3,4,5,....;números de camas en un
hospital : 35,50,78,125,300,..; números de cursos por alumno : 1,3,6,7... Por otro
lado, las variables cuantitativas continuas pueden tomar cualquier valor decimal
dependiendo esta operación principalmente de la precisión con que trabaje el
investigador. Ejemplos, talla: 1,30m., 1,35m., 1,60m, 1,65m....; peso: 44kg.,
54,5kg., 65,8 kg.,...; Ingresos: s/. 1450,90, s/. 645.70, s/. 3499,35,...etc. En el
cuadro 14 se sintetiza las características básicas de la relación escala de
medición, tipo de variable. Tabla 13. Relación del nivel de medición y el tipo de
variable Nivel/Escala de medición Nominal. El investigador conforma en la variable
que estudia categorías excluyentes que no admiten orden entre ellas. Ordinal. El
investigador conforma en la variable que estudia categorías excluyentes, pero que
admiten orden entre ellas. Intervalo. El investigador conforma en la variable
categorías infinitas (No tienen punto 0 real). Variable Cualitativa (atributos).
Tipo de personalidad: extroverso, introverso); país de nacimiento: Perú, Rusia,
Francia, Paraguay, etc. Cualitativa o cuasicuantitativa. Ejemplo: nivel de
inteligencia: Muy alto, alto, medio o normal, bajo muy bajo. Cuantitativa.
Continuas (admiten decimales). Ejemplo: Puntuaciones escolares en escala vigesimal.
Discontinuas o discretas (sólo números enteres) Razón. El investigador conforma
Cuantitativa. Ejemplo: el peso, en la variable categorías infinitas el número de
hijos. (tienen un punto 0 real) 2.1.3 ¿Puede una variable cuantitativa ser
transformada en variable categórica? Una variable cuantitativa puede ser
transformada en una categórica, pero no sucede lo mismo a la inversa salvo un caso
especial. Veamos los siguientes ejemplos: 1) Variable cuantitativa a variable
categórica: El nivel de conocimientos de un estudiante puede ser medido mediante
una calificación comprendida entre 0 y 20 (variable continua) o mediante una
calificación del tipo aprobado-desaprobado (categórica/atributo).
128
2) En un estudio del número de accidentes de tráfico de un conductor en función de
su emotividad, se distinguen dos variables. El número de accidentes es una variable
cuantitativa discontinua (se pueden tener 0, 1, 2, 3,...etc., pero no 1.5) y la
emotividad puede ser una variable cuantitativa si ha sido medida con un test, o
puede ser categórica/cualitativa si ha sido medida durante una entrevista mediante
la que el psicólogo clasifica al sujeto en: poco emotivo, emotivo, muy emotivo. 3)
El caso especial se presenta únicamente con las variables categóricas que tienen
dos categorías. Por ejemplo, en una investigación la variable “Trabajo” tiene dos
categorías “Con trabajo” y “Sin trabajo”. Esta variable es dicotómica o binaria y
puede ser tratada como “cuantitativa”, pues se “considera que las variables
binarias (dicotómicas) forman escalas de intervalo” (Nunally & Bernstein, 1995). En
consecuencia, a la categoría “Con trabajo” se le puede asignar el código o número
1, y la categoría “Sin trabajo” se le puede adjudica el código o número 0,
conformándose una “dummy variable” o variable ficticia (Briones, 1986). A
continuación, se puede analizar la correlación de esta variable “cuantitativa” con
cualquier variable cuantitativa utilizando por ejemplo el coeficiente de
correlación de Pearson. 2.1.4 Operacionalización de variables
2.1.4.1 Concepto Las variables no son directamente observables, para lograr esta
característica mediante un riguroso procedimiento deben ser traducidas a
indicadores que sean susceptibles de medición. En consecuencia, la
operacionalización de variables es un procedimiento para hallar los indicadores de
cada variable. 2.1.4.2 Indicador En 1977 Nowak (en Sierra Bravo, 1994) definió al
indicador como “todo rasgo, suceso, de cuya ocurrencia concluimos, con certeza o
más o menos probabilidad, que el fenómenos que nos interesa tiene lugar”. En este
sentido, el indicador es un referente empírico, un signo o manifestación externa
directa, observable y medible que hace posible cuantificar de manera indirecta a la
variable. Por ejemplo, al convertir un indicador en una pregunta y al combinar
éstas, lo que estamos haciendo es una medición indirecta de la variable. En el
proceso de elaboración de los indicadores el investigador debe tener en cuenta que
estos deben ser perceptibles por los sentidos, ser sencillos,
129
ser simples, no confundibles, y encontrarse en un número necesario, de manera tal
que permitan identificar o reconocer a la variable cuando está presente y medirla.
Son los indicadores los que facilitan la recolección de datos concernientes a las
variables. 2.1.4.3 El proceso de operacionalización de variables
En el proceso de operacionalización se elaboran los indicadores de las variables,

los mismos que deben ser válidos. En otras palabras, el conjunto de indicadores
elaborados debe constituir una muestra o parte de la variable, del constructo, que
se esta operacionalizando. En muchos casos, esta situación lógica no se produce. A
determinados conceptos abstractos se les atribuye indicadores que no les
pertenecen, es decir, la selección de indicadores para los constructos se hace en
una forma arbitraria, o en todo caso, los indicadores no son pertinentes al
concepto estudiado. En las ciencias del comportamiento aún se confrontan
dificultades metodológicas y hasta conceptuales para llegar a identificar los
referentes empíricos de los fenómenos que estudian. Si bien hay variables
fácilmente operacionalizables, por ejemplo el sexo, hay otras no lo son tanto.
Además, no todos los indicadores tienen el mismo valor, es decir, aunque haya
varios indicadores para el mismo fenómeno, habrá algunos más importantes que otros.
Por lo general, cualquier indicador que se tenga está basado en una probabilidad de
que realmente represente al fenómeno (Pick, 1995). Teniendo en cuenta lo dicho, las
variables se diferencian en su concretud y con ello en su mayor o menor facilidad
para construir sus indicadores. Así, será más sencillo elaborar indicadores para la
variable estado civil que para la variable inteligencia. Cuando las variables son
complejas a los indicadores se les puede denominar como variables intermedias,
subvariables o subdimensiones de las variables, las mismas que a su vez tendrán sus
indicadores. Por ejemplo, si hablamos de inteligencia, podemos decir que está
compuesta de una serie de factores–que metodológicamente serían indicadores o
subvariables- tales como capacidad verbal, capacidad de abstracción, etc. Cada
factor a su vez debe ser operacionalizado de manera que pueda ser medido a través
de sus indicadores. Veamos un ejemplo de variables, variables intermedias e
indicadores, tomado con modificaciones de De Miguel quien en 1977 realizo un
estudio sobre indicadores sociales (Sierra Bravo, 1994)
130
Tabla 14. Variables, subvariables e indicadores Variable Población Estratificación
social Nivel económico Vida política Marginación y pobreza Familia Alimentación
Educación Variable intermedia Mortalidad Conciencia de clase Desarrollo industrial
Participación política Alienación Elección de cónyuge Nivel de nutrición Niveles
cualitativos del sistema educativo Vivienda Indicadores Tasa de fecundidad general
Grado de identificación de clase Consumo de energía eléctrica por habitante Voto en
el último referéndum Sentimiento de futilidad de tarea Duración media del noviazgo
Nivel calórico por habitante Edad media de terminación de los estudios Proporción
de viviendas compartidas por más de una familia. Tiempo empleado al trasladarse al
lugar de trabajo
Urbanismo y vivienda
Trabajo
Condiciones de trabajo
No existe un único procedimiento para realizar la operacionalización de una

variable. Un procedimiento bastante utilizado sigue la siguiente secuencia: 1)
Hipótesis; 2) Variable; 3) Definición conceptual de la variable; 4) Definición
operacional de la variable; 5) Dimensiónalización de la variable; 6) Indicadores.
Habiendo visto anteriormente lo concerniente a la hipótesis y a las definiciones
conceptuales y operacionales, trataremos de la dimensionalización, es decir de la
especificación de las dimensiones, de las propiedades de una variable.
Especificación que Babbie (2000) considera como la preparación del terreno para una
comprensión más profunda de lo que estudiamos. Para realizar esta especificación es
necesario hallar las dimensiones que hacen posible la definición operacional.
Generalmente se “desglosa” a la variable buscando encontrar todos los aspectos,
facetas o características
131
que se esperar encontrar en las personas (objetos, entidades, etc) dentro del
ámbito de la variable. Por ejemplo, la variable “Compasión por los demás” puede
dividirse en dos dimensiones “dimensión de sentimientos de compasión” y “dimensión
de actos de compasión” (Babbie, 2000). A partir de las dimensiones encontradas se
elaboran los indicadores. Para el efecto, se debe pensar cada dimensión en términos
cuantitativos, en términos numéricos susceptibles de medición, por ejemplo, en
términos de “un mas” o “un menos”, de “mayor o menor que”, de “proporciones”, etc.
Veamos algunos ejemplos de procedimientos de operacionalización: Ejemplo 1:
Hipótesis: El origen rural de los obreros y la calificación en el trabajo que
exigen las empresas industriales son los factores principales que dificultan su
adaptación al medio urbano Variables: Origen, calificación, empresa industrial
(donde trabaja) y adaptación al medio urbano. Definición operacional de la variable
Origen del trabajador: Son inmigrantes aquellos trabajadores con 7 o menos años de
presencia en la ciudad. Urbanos son aquellos trabajadores con más de 7 años de
presencia en la ciudad. En consecuencia, la variable se denomina Origen individual
del obrero; variable que tiene dos valores o categorías: Rural y urbano, siendo
indicador de la primera el tener 7 o menos años de permanencia en la ciudad; y de
la segunda, el tener 7 o más años de la referida permanencia. Después de hallar los
indicadores, el investigador está en capacidad de seleccionar la técnica de
recolección de datos y el instrumento más conveniente. Supongamos que seleccione
como técnica el cuestionario, el ítem pudiera ser: ¡Cuántos años completos tiene
usted viviendo en esta ciudad? A) Menos de 7 años; B) 7 o más años. Ejemplo 2:
Variable: “Asimilación del aprendizaje” en los trabajadores académicos sometidos a
un curso de capacitación para la enseñanza. Dimensiones: A) Comprensión; B)
Retención; C) Aplicación. Elementos: “Dar ejemplos relacionados con el tema
(Comprensión); “Recordar por largo tiempo” (Retención); “Redactar un ensayo sobre
el tema” (véase la figura 14). Operacionalizado el concepto “aprendizaje” se puede
estar seguro de que hubo un aprendizaje por parte de los académicos que tomaron el
curso y lo
132
asimilaron lo suficiente cuando demuestren su compresión, retención y aplicación a
través de ejemplos, de recordar por largo tiempo y de poder redactar un ensayo
sobre el tema. (Eyssautier, 2002). Ejemplo 3: Variable: Nivel educativo.
Conceptualización: Grado o año de estudios que ha logrado aprobar. Categorías: Sin
instrucción (0 grados). Primaria incompleta (1ro a 5to grado). Primaria completa
(hasta 6to grado) Secundaria incompleta (1ro a 4to año).Secundaria completa (hasta
5to año), Superior completa (de 5to año y más). Obtención del dato: Pregunta: ¿Cuál
es el grado de estudios más alto que ha alcanzado? Usos: Distribución de la
población por nivel educativo; nivel educativo promedio, etc. (Avila, 1997).
APRENDIZAJE
D i m e n s i o n e s
Comprensión
Retención
Aplicación
Elementos
Dar ejemplos relacionados con el tema
Recordar por largo tiempo
Redactar un un ensayo sobre el tema
Figura 13. Modelo de asimilación del aprendizaje
Ahora, veamos otros operacionalización.
ejemplos
presentados
como
matrices
de
133
Tabla 15. Matriz de Operacionalización A
Nombre de la variable Definición conceptual Definición operacional Obtención del
dato Instrumentación
Nivel educativo
Grado o Sin instrucción Pregunta: Cuestionario (ítem año de (0 grados). ¿Cuál es el

en escala ordinal o estudios Primaria grado de semicuantitativa) que ha incompleta
(1ro estudios más logrado a 5to grado). alto que ha (Nota: al ser aprobar. Primaria
alcanzado? medida la variable – completa (Hasta en esta 6to grado) investigación –
en Secundaria escala ordinal se le incompleta (1ro analizará con la a 4to año).
estadística Secundaria apropiada a esta completa(Hasta escala: frecuencias, 5to
año) porcentajes, barras, Superior gráfico de sectores, completa(De 5to etc). año y
más)
134
Tabla 16. Matriz de operacionalización B
Objetivo Específico Determinar rendimiento académico matemáticas los alumnos del
grado secundaria. Variables Definición Conceptual Logro de objetivos de aprendizaje
en la asignatura de matemática correspondiente al 2° grado Definición Operacional
Excelente: Si la nota es superior a 18. Muy Buena: Si la nota es 17 o 18. Buena: Si
la nota es 15 y 16. Regular: Si la nota es 11 a 14. Inferior: Si la nota es por
debajo de 10. Alto: Si más del 80% contesta afirmativamente las preguntas... Medio:
Si más del 60% y menos del 80% contesta....etc. Sin instrucción (0 grados) Primaria
incompleta (1º5º grado) Primaria completa (hasta 6º grado) Secundaria incompleta
(1º 4º año) Secundaria completa (hasta 5º año) Superior incompleta (1º 4º año)
Superior completa (de 5º año y más) Instrumentación
el Rendimien to en Académic de o 2° de
Revisión de registros de evaluación. Información facilitada por la Oficina de

Registros Académicos.
Identificar el conocimiento que sobre prevención del SIDA tienen los padres de
familia del colegio.
Conocimie nto sobre prevenció n del SIDA
Identificar el nivel Nivel educativo que educativo tienen los padres de familia del
CEE 2050.
Es el criterio manifiesto de los padres de familia sobre las formas en que puede
evitarse el contagio del SIDA. Grado o año de estudios que ha logrado aprobar
Pregunta N° 5, N° 6, N° 7 del cuestionario dirigido a Padres de Familia.
Item de cuestionario: ¿Cuál es el grado o año de estudios más alto que ha

alcanzado?
En algunos casos identificados los indicadores se debe establecer un criterio único

según el cual sea posible medir el concepto. Es decir, se debe elaborar un índice
general para todos los indicadores de todos los componentes o en su defecto,
índices específicos para cada indicador o
135
componente. Por ejemplo, en psicología se mide la inteligencia mediante tests. Uno
de ellos es la Escala de Inteligencia Weschler para adultos (WAIS), aquí el sujeto
responde a 10 u 11 subtests, cada uno compuesto de un conjunto de itemes. Los
subtests se dividen en Escala verbal y Escala de ejecución. La puntuación lograda
por el sujeto en cada escala se forma con la suma de las puntuaciones ponderadas de
determinados subtests, otorgándose una puntuación CI (Cociente intelectual) por
cada escala. A continuación se suman los CIs verbal y de ejecución y se elabora un
CI general. Este último número es un índice y representa a toda la variable. En
consecuencia, terminado el proceso de operacionalización dispondremos de un
conjunto de indicadores del concepto o constructo que nos interesa en la
investigación que estamos realizando, que podremos medir (o clasificar) comparando
sus indicadores con las escalas o niveles de medición (nominal, ordinal -de
frecuencia, de cantidad-, de intervalo, de razón). Por ejemplo, en el caso del CI
se le puede dividir en muchas categorías (a cada sujeto se le otorga un CI, o sea
se le mide en escala de intervalo) o se le puede dividir en dos, tres o más
categorías (por ejemplo, inteligencia muy superior, superior, normal, inferior, muy
inferior, o sea se le mide en escala ordinal), según sean nuestras preocupaciones
por destacar los matices en los que varía el concepto o constructo “inteligencia”
que estamos operacionalizando. Según ello estableceremos nuestras estrategias para
la contrastación de las hipótesis y aún la organización y el análisis de datos
(Mejía & Reyes, 1994).
136
Lección III El Diseño 3.1 Concepto El término Diseño es polisémico. En un sentido
amplio puede considerársele como el diseño metodológico o la descripción de la
manera concatenada y lógica de cómo se va a realizar la investigación para lograr
una respuesta adecuada a la pregunta o preguntas de investigación y comprobar las
hipótesis. Sus elementos básicos son: el tipo o estrategia de investigación, el
diseño, la población y muestra, técnica e instrumentos de recolección de datos,
procedimiento y el plan de análisis de los datos. Por otro lado, en un sentido
restringido alude al diseño experimental, modelo o esquema lógico que impone
restricciones para observar un hecho provocado y que comprende el planeamiento de
las operaciones para conducir un experimento, en orden a dar respuesta al problema
planteado y a controlar las fuentes de error (Alarcón, 2008). En esta lección
emplearemos al diseño en este último significado, existiendo diseños experimentales
y diseños no experimentales. En los experimentales se consideran los diseños de
grupo (experimentos en los que participan grupos de sujetos diferentes y
experimentos en los que participan un solo grupo de sujetos o intragrupo), y los
diseños de sujeto único (N=1). En los no experimentales se encuentran, entre otros,
los diseños transversales y los diseños longitudinales. 3.2 Selección del diseño
Establecidas las hipótesis, cuando fuera pertinente, y precisadas las variables, el
investigador debe seleccionar el diseño experimental o no experimental para llevar
adelante el estudio. En este cometido juegan un rol decisivo el tipo de problema
(¿descriptivo?, ¿correlacional?, ¿explicativo?, véase la lección IV de la Unidad
II), y el grado de control que el investigador tiene de la variable independiente.
Según Hernández, Fernández & Baptista (2002) la diferencia básica entre los diseños
se manifiesta en el grado de control que el investigador impone a la variable
independiente que está estudiando. 3.3 Diseño experimental 3.3.1 Concepto Un
experimento es un estudio en el que se busca lograr por el experimentador una
situación de control en la que de una manera planificada manipule una o más
variables independientes (VI) para
137
analizar las consecuencias de esa manipulación sobre una o más variables
dependientes medidas (VD). En este concepto, el logro de una situación de control
significa que el investigador realiza las operaciones necesarias que le permitan
decir, después de realizado el experimento, que fue el factor A el que produjo los
resultados y no los factores B, C, D o E (O´Neil, 1968). En otras palabras, lograr
el control en un experimento es controlar la influencia de otras variables
denominadas “extrañas” que compiten con la VI, para que así el investigador pueda
saber realmente si la VI que le interesa tiene o no efecto sobre la VD. Por otro
lado, el término manipulación, de manera general, alude a la intervención
deliberada del investigador para provocar cambios en la variable dependiente; de
manera específica, manipular significa que se puede hacer variar la variable
independiente en dos o más niveles o grados, por ejemplo presencia-ausencia;
manipulación que se operacionaliza en el diseño del experimento. En este contexto,
el diseño experimental es el esquema o modelo que el investigador planifica de
manera previa a la ejecución del experimento, del que se deriva un conjunto de
operaciones y restricciones para lograr que las consecuencias de la manipulación de
la VI sobre la VD se deba a la VI y no a otras razones o explicaciones
alternativas. Un ejemplo de estudio experimental es aquel que plantea que un
Programa de enseñanza “Z” mejorara la comprensión lectora de niños de educación
primaria. Aquí la variable independiente activa (VI) es el programa “Z” y la
variable dependiente (VD) es la comprensión lectora. ¿Por qué es independiente
activa? Porque el investigador o investigadora puede manipularla. Como sabemos,
manipular es hacer variar la variable independiente en dos o más niveles o grados,
por ejemplo presenciaausencia; esta manipulación se operacionaliza en el diseño del
experimento con un grupo experimental (presencia del programa, se le brinda el
programa) y un grupo control (ausencia del programa, a este grupo no se le brinda
el programa), a continuación se ve el efecto del programa sobre la VD midiendo la
comprensión lectora. En este caso se espera o hipotetiza que el grupo experimental
mejorara su comprensión lectora en tanto que el grupo control no lo hará. Por otro
lado, la VD siempre será organísmica o de respuesta. Si es organísmica no es
observable directamente por lo que el investigador recurrirá para medirla a tests,
cuestionarios, etc.; en cambio, si es de respuesta es directamente observable lo
que facilita su medición en la forma de exactitud, latencia, velocidad o frecuencia
de respuesta, entre otras formas.
138
Asimismo, el manipular la VI en varios niveles tiene la ventaja de que no sólo se
puede determinar si la presencia de la VI o tratamiento experimental (X) tiene un
efecto, sino también se puede determinar si distintos niveles de la VI tienen
diferentes efectos. En la tradición experimental de los diseños experimentales
clásicos basados en grupos cada nivel o grado de manipulación implica un grupo en
el experimento. Ejemplo: Si en un estudio se pretende determinar el efecto de ver
programas de dibujos animados con contenido violento sobre la generación de
conductas agresivas. La manipulación de la VI pudiera ser así: a) Manipulación de
dos grados: X1 (programa con contenido violento), ---(programa con contenido
prosocial); b) Manipulación de tres grados: X1 (programa con contenido violento);
X2 (programa con contenido medianamente violento), --- (programa con contenido
prosocial) 3.3.2 Varianza sistemática y varianza de error
La elaboración de diseños experimentales implica tres aspectos: 1) La manipulación

intencional de una o más variables independientes; 2) La medición válida y
confiable del efecto de la variable independiente sobre la dependiente; y, 3) El
control. Precisaremos más este aspecto. Supongamos que se realiza un experimento
con un grupo experimental (GE) y un grupo control (GC). Al hacer la observación
postest después de la aplicación de la variable independiente o tratamiento (X), el
experimentador halla que la variable independiente (VI) ha tenido un efecto sobre
la variable dependiente (VD), es decir, se observan diferencias entre las medidas
registradas de los sujetos en la VD a favor del GE. Idealmente estas diferencias o
variabilidad intergrupos debería deberse a la VI, ¿pero es “realmente” así? En
otros términos ¿cuál es la fuente de esa variabilidad o varianza? Las fuentes de
esta varianza son dos: varianza sistemática y varianza de error. A su vez, la
varianza sistemática es primaria y secundaria. Será primaria si se debe a la VI
manipulada por el investigador (objetivo de la investigación); será secundaria si
se debe a variables que escapan del conocimiento del investigador, estas variables
se denominan variables extrañas y están vinculadas a varios tipos de validez,
principalmente a la validez interna y externa del experimento. Por otro lado, la
varianza de error se debe a las diferencias inconsistentes en las medidas de la VD
que reducen la precisión y exactitud de las mismas (“diferencias individuales” no
reconocidas, los errores de medida – falta de confiabilidad de los instrumentos de
captura de datos - y los planes de investigación defectuosos.). Las acciones que
realiza el investigador para lograr una situación de control se relaciona
íntimamente con el logro de la validez interna y la validez externa de los diseños
experimentales (Campbell & Stanley, 1973), y
139
también de la validez de construcción y la validez estadística (Kazdin, 2001).
3.3.3 Validez interna
En todo experimento existen variables o factores que pueden hacer que el resultado
sea ambiguo, que el investigador se confunda y no pueda discernir si la presencia
de la VI o tratamiento experimental tiene o no tiene un efecto verdadero sobre la
VD. Por ejemplo, si se realiza un experimento para determinar el efecto que un
comercial televisivo tiene sobre la predisposición de compra hacia el producto que
anuncia el comercial, y el investigador sabe que puede haber otras razones o causas
por las que las personas piensen en comprar el producto (la calidad del producto,
su precio, cualidades, prestigio de la marca, etc.), entonces, deberá elaborar el
diseño de tal manera que pueda controlar la posibles influencia de estas otras
causas. De no hacerlo así, si observara que la predisposición de compra es elevada
y no ha tenido control sobre las citadas razones, no sabrá si el comercial es la
causa o lo son las demás causas posibles. En este sentido, la validez interna
refiere al grado en que los cambios observados en la VD se pueden atribuir a la
manipulación experimental de la VI, es decir, los cambios observados en la VD no
pueden ser explicados por la acción de ninguna otra variable más que por la VI.
Este es un punto extremadamente importante en el diseño experimental, pues la
validez interna constituye la base mínima sin la que los resultados de un
experimento no pueden ser interpretados (Campbell & Stanley, 1973). La
identificación, eliminación, minimización o nulificación de variables extrañas o
amenazas a la validez interna que pueden competir con la VI debe ser realizada en
la fase de planificación del procedimiento experimental, aunque algunas veces
pueden ser hechas concluido el experimento cuando se analizan los resultados y se
sospecha de la influencia de alguna de estas variables o amenazas (León & Montero,
1991). El grado en que las variables extrañas o amenazas son controladas y
excluidas refleja el grado de validez interna del experimento. A mayor grado de
validez interna “tanta más confianza puede tenerse en que la manipulación
especificada o la condición experimental han sido las responsables del efecto
observado” (Baltes, Reese & Nesselroade, 1981). En buena cuenta, el fortalecimiento
de la validez interna tiene que ver con la calidad del experimento al elevar la
confianza del experimentador en que los resultados que observa son interpretables y
válidos. Campell & Stanley (1973) identificaron ocho amenazas a la validez interna
de un experimento, que se han ido ampliando con el aporte de diversos autores (por
ejemplo, Kazdin, 2001).
140
1. Historia. Se refiere a la aparición de variables extrañas por el paso del tiempo
que afecta la circunstancia del sujeto. En efecto, entre el pretest y el postest
hay un tiempo en el que pueden ocurrir muchas cosas distintas de la VI, X o
tratamiento. En tiempos largos pueden ocurrir crisis económicas, políticas, el
perder y contraer nuevas amistadas, entre otros sucesos; en tiempos breves, los
sentidos de los sujetos pueden ser inerferidos por ruidos intensos y la visión de
cosas inesperadas. Es claro que a mayor tiempo, mayor será la probabilidad de la
aparición de variables extrañas, que son específicos para la situación particular
del experimento. Por ejemplo, en un experimento se quiso ver los efectos de la
teleeducación sobre las prácticas higiénicas de los niños de un pueblo rural. Antes
y después de realizar la experiencia, que duro dos meses, se realizo las mediciones
pretest y postest, encontrándose en esta última un elevamiento del nivel de tales
prácticas. Sin embargo, en el transcurso de la experiencia televisiva en el pueblo
ocurrió una epidemia de cólera y las madres de familia extremaron al máximo el
fomento y el cuidado de las prácticas higiénicas. Esta es una variable que afecta
la historia de los sujetos y que confunde la acción de X, no pudiéndose saber si el
elevamiento de las prácticas higiénicas esta en relación al programa teleeducativo
o a la acción de las madres. 2. Maduración. Alude a la acción de variables extrañas
por el paso del tiempo que afecta el desarrollo biopsicológico y produce cambios
verificados en el interior del sujeto que arrojan dudas sobre los resultados del
experimento. Estos cambios se habrían producido aun sin la manipulación del
experimentador. En efecto, el proceso de maduración es distinto en cada sujeto
debido a las diferencias individuales, por lo que estos pueden alcanzar un
rendimiento superior o inferior en el postest, a causa de que tienen más edad,
están más fatigados, tienen hambre, sienten menos interés, entre otras razones.,
que cuando se les administró el pretest. A diferencia de la historia, cubre los
eventos generales para cualquier situación en particular y refleja el cambio o el
crecimiento en el organismo estudiado. Por ejemplo, si se investiga la eficacia de
un método para la enseñanza de la escritura y se encuentra que es eficaz, esto
podría ser consecuencia del nivel de maduración alcanzado por el sujeto para
adquirir este tipo de aprendizaje, no pudiéndose diferenciar si el aprendizaje se
debió al método o al nivel de maduración.
3. Efecto debido a tests. Es un hallazgo psicométrico que cuando a una persona se

le readministra un test, en la segunda vez obtendrá generalmente puntuaciones más
elevadas. En esta línea de pensamiento, este efecto se presenta cuando en el
momento pretest se aplica una prueba, se administra la VI, y en el momento postest
se administra la misma prueba. Los sujetos pueden recordar los ítems
141
actuando el pretest como una experiencia de aprendizaje. El sujeto recordará
algunos reactivos del pretest o, por lo menos, ya no cometerá los mismos errores en
una segunda vez, pudiendo obtener por esta situación un puntaje más alto en el
postest que el obtenido en el pretest. Si el experimentador no se da cuenta,
atribuirá equivocadamente esta mayor puntuación a los efectos de la VI. Aquí
también hay que tener en cuenta que los sujetos pueden modificar sus respuestas en
el postest incluso sin que se aplique la VI. 4. Instrumentación. En un experimento
la observación de la VD puede realizarse empleando instrumentos, por ejemplo,
cronómetros, polígrafos, tests, o por medio de personas que actúan como
observadores registrando las respuestas en escalas, registros de observación,
cuestionarios u otros medios de registro. El proceso de medida de la VD puede
contribuir de dos maneras diferentes al error de medida cuando se realizan las
observaciones por segunda vez: la primera, porque los resultados no pueden ser
comparables con los de la primera vez, pues los instrumentos, aparatos y equipos
electrónicos, mecánicos o computerizados pueden haber sufrido desperfectos o
haberse desequilibrado; la segunda, porque el observador humano puede haberse
fatigado o variar su manera de evaluar sutilmente dando instrucciones a los grupos
ligeramente diferentes en contenido, entonación, tiempo. Por ejemplo, los
resultados se afectan si el postest es más difícil que el pretest porque las
medidas no eran equivalentes; o porque cuando una misma persona evalúa al GE y al
GC o al mismo grupo antes y después de la aplicación de la VI o tratamiento X, su
juicio puede variar a causa de que ha adquirido más experiencia y capacidad de
discriminación para calificar o porque está cansada (Van Dalen & Meyer, 1994). 5.
Regresión estadística. Es un concepto matemático y en palabras de Salkind, Escalona
& Valdéz (1999) “es una amenaza fascinante (que a veces no se entiende bien)” (pág.
240). Se refiere básicamente a que las puntuaciones obtenidas en el postest tienden
a regresionar hacia una tendencia central (“regresión a la media). Se presenta
cuando antes de la aplicación de la VI o X los grupos se seleccionan con base en
los puntajes extremos. Por ejemplo, un experimentador quiere estudiar el efecto de
un programa terapéutico cognitivo-conductual sobre la ansiedad ante los exámenes.
Mide la ansiedad de un grupo de estudiantes universitarios con un test, calcula la
media aritmética y la desviación estándar y conforma el grupo experimental con
estudiantes con puntuaciones que están a una desviación estándar por encima de la
media del grupo. Administra el programa y luego de un tiempo efectúa la medición
postest, hallando que el grupo ha disminuido sensiblemente su ansiedad ante los
exámenes. Deduce en consecuencia que el programa ha sido exitoso. Sin embargo,
pudiera no ser así pues puede
142
haber actuado la regresión estadística en vista que los estudiantes altos en una
variable tienden a lograr puntajes estadísticamente inferiores en el postest (o, en
otros casos, superiores). ¿A qué se debe esta tendencia? Se esgrimen varias
razones: a) la probabilidad menor de que un sujeto permanezca en el lado extremo
alto o bajo de una distribución de puntajes, por lo que es más probable que en un
retest ocupe un lugar más central en la distribución lo que implica moverse hacia
la media; b) poca confiabilidad de la prueba y el error de medición que hace que
los sujetos se ubiquen más hacia los extremos de lo que probablemente les
corresponde (Salkind & et al., 1999); c) en términos estadísticos, la regresión
opera por la correlación imperfecta entre los puntajes pre y postest. Si la
correlación fuese perfecta (r=1.00) entonces no existiría el fenómeno de la
regresión. Con los coeficientes de correlación que se encuentran en la práctica
(inferiores a 1.00), el efecto neto es que los puntajes bajos en el pretest tienden
a ser más altos, y los más altos tienden a ser más bajos. Por lo tanto, si se usan
sujetos con puntajes altos o bajos en un estudio, sus puntajes en el postest quizás
sean más altos o más bajos que en el pretest debido al efecto de regresión. (Wood,
1975; Kerlinger & Lee, 2003). En todo caso, en términos generales esta tendencia se
presenta por la improbabilidad de que se repitan las circunstancias excepcionales
que contribuyen a que una puntuación sea extrema. El efecto de la regresión puede
inducir al investigador a pensar que la intervención experimental ha sido efectiva,
cuando en realidad no ha sucedido así pues no puede distinguir el cambio debido al
tratamiento del efecto de las puntuaciones que se revierten a la media. Esta fuente
de invalidez puede afrontarse empleando un grupo control. 6. Mortalidad
experimental. Este factor se refiere al cambio en la igualdad de los grupos por la
pérdida de sujetos durante el experimento, producida por aburrimiento, enfermedad,
fallecimiento, cambio de institución educativa o de residencia, entre otros
motivos. Este cambio afecta los resultados. Por ejemplo, si en un experimento sobre
los efectos de un programa de mejoramiento de la comprensión lectora, los sujetos
del GE que obtuvieron los puntajes más bajos en el pretest se retiran del
experimento, los que permanecen en el GE pueden alcanzar en el postest un
rendimiento más elevado que el GC, pero ello no se deberá a la acción del
tratamiento X. 7. Selección. En los experimentos se busca que el GE y el GC estén
igualados. Sin embargo, puede haberse producido una selección sesgada o diferencial
de los sujetos persistiendo por tanto una diferencia específica entre los grupos
que podría comopetir también con la VI en la explicación de los resultados. Por
ejemplo, cuando se expone al GE a los efectos de X-un método de enseñanza de la
escritura -, y
143
se compara su rendimiento con el del GC, observándose una diferencia significativa
a favor del GE, pudiera ser que los resultados reflejen diferencias entre los dos
grupos, que bien pueden ser previas a la aplicación de la VI. Tal vez el grupo
experimental tenía mayor habilidad para la escritura que el grupo de control antes
de que ambos fueran sometidos a la acción de X. 8. Combinación de selección y otras
amenazas. Las amenazas a la validez interna pueden combinarse y dar resultados que
no se distingan de la acción de la VI. Las principales interacciones se encuentran
entre la selección y las otras amenazas. (Campbell & Stanley, 1973). Una de estas
interacciones es la de selección y maduración. El paso del tiempo puede en
determinado momento, hacer que dos grupos que en un momento fueron iguales, se
desnivelen con el transcurrir del experimento, pues los sujetos maduran a
diferentes ritmos o velocidades. El efecto de maduración no es igual en los grupos
del experimento debido a algún factor de selección que se manifiesta en diferentes
tasas de maduración. Por ejemplo, si seleccionamos a un grupo de sujetos que
acostumbra alimentarse a las 12 m y a otro grupo que acostumbra alimentarse a las
3.00 p.m. y el experimento se lleva a cabo de 11.00 a.m. a 14.30 pm, la selección
tendenciosa provocará un efecto de maduración distinto en los dos grupos: hambre.
(Hernández, Fernández & Baptista, 2003).
9. Difusión o imitación del tratamiento (Kazdin, 2001) Se produce cuando el

tratamiento X que se la da al GE puede ser brindado accidentalmente a algunos o
todos los miembros del GC, lo que lleva a que el investigador en lugar de comparar
las condiciones X y no X, o dos o más X distintos en realidad está comparando
condiciones muy similares, más de lo que esperaba, entre el GE y el GC. Por
ejemplo, en un experimento se trataba de determinar la eficacia de dos tipos de
terapias: conductual y eclética. Los resultados indicaron cierta superioridad pero
no significativa de la terapia conductual. Finalizado el estudio se encontró que
una de las terapeutas del grupo de “terapia ecléctica” usaba muchísimo técnicas
conductuales en el grupo que tenía a cargo; es decir, el tratamiento de un grupo
estaba siendo proporcionado inadvertidamente al otro grupo. La difusión del
tratamiento en la forma que hemos visto o en otras, como la de adopción por su
cuenta de miembros del GC de los comportamientos que cubre X, por ejemplo en un
programa de prevención de factores de riesgo de ataques cardiacos lo relativo al
bajo consumo de grasas polisaturadas. En consecuencia, la amenaza a la validez
interna se produce porque la difusión iguala el desempeño del GE y el GC haciendo
difícil sino imposible discernir el efecto de X.
144
Existen otras amenazas a la validez interna que se han incorporado a las propuestas
por Campbell & Stanley (1973), entre estas tenemos las siguientes: a) La que se
puede producir en los diseños de medidas repetidas. Estos diseños son aquellos en
las que todos los sujetos participantes del estudio reciben todos los tratamientos,
por ejemplo en los diseños “Cuadrado latino”. En esta situación experimental se
presentan los efectos del orden y del denominado carry-over. El primero, se refiere
a los resultados que se deben a factores como el aprendizaje y la fatiga, que se
desarrollan durante el transcurso del tiempo entre el comienzo del primer
tratamiento y la finalización del último. El efecto es diferencial pues puede
afectar a los tratamientos presentados en diversos tramos del experimento. El
segundo, se presenta cuando los efectos del tratamiento anterior alteran a los
sujetos de un modo temporal o permanente haciéndolos más o menos susceptibles al
tratamiento que sigue. En consecuencia, si los efectos del tratamiento inicial
están presentes cuando se da el segundo tratamiento, el investigador no podrá
determinar si la puntuación de la VD es debida al segundo tratamiento, a los
efectos del primero, o a la interacción de ambos. b) Las expectativas del
experimentador. También llamado “Efecto Rosenthal. El investigador no es un
observador pasivo, es un observador activo cuyas expectativas traducidas en un
deseo que puede ser inconsciente de comprobar su hipótesis, este sesgo puede hacer
que altere los resultados de sus observaciones (Buendía, Colás & Hernández, 1998).
c) El conocimiento de los sujetos de condiciones del experimento. También puede
influir en contra de la validez interna el conocimiento que los sujetos tengan de
las hipótesis y las condiciones experimentales, y la interacción entre los sujetos
y el experimentador, pudiéndose presentar por parte de los sujetos una actitud de
colaboración o un prejuicio contra el experimentador, lo que afectará los
resultados. 3.3.4 Validez externa El concepto de validez externa depende en cierta
medida del paradigma que sustente el investigador, según estos habrán
generalizaciones cuantitativas o implicaciones cualitativas estructurales de los
resultados de un experimento. En este marco, la validez externa puede ser definida
como la “generalización desde una relación observada en un conjunto de datos a
145
otros conjuntos potenciales de datos que podían haber sido observados pero que no
lo han sido (Baltes, Reese & Nesselreoade, 1981). En otras palabras, se refiere a
si se encontró que A esta relacionado con B en los niños de un aula, ¿es posible
decir que A esta relacionado con B para todos los niños de todas las escuelas? ¿O
debe limitarse los hallazgos a los niños con los cuales se ha trabajado? En este
sentido, la pregunta a responder al tratarse la validez externa de un experimento
es: ¿Pueden generalizarse los resultados más allá del experimento? El grado de
validez externa es mayor cuanto mayor es la aplicabilidad de sus resultados a otros
sujetos y contextos. Hay una serie de variables extrañas que se convierten en
amenazas para este tipo de validez. La validez externa hay que diferenciarla entre
validez de la población y validez ecológica (Buendía, et al., 1998). 1. Validez de
la población. Alude al grado en que los resultados de un experimento se pueden
generalizar desde una muestra específica a la población. Aquí hay que tener cuidado
en la diferenciación entre la generalización de los resultados de la muestra a la
población destino del estudio, y la generalización que se puede efectuar debida a
la interacción entre las variables personales del sujeto y los efectos del
tratamiento. a) Generalización de los resultados de la muestra a la población
destino. Se refiere al grado en que una muestra representa a la población que
interesa al investigador. Aquí hay que distinguir dos aspectos; el primero, si la
muestra utilizada sirve para lograr los objetivos de la investigación
(generalización a poblaciones de sujetos); el segundo, si la muestra empleada sirve
para precisar si los objetivos son válidos para unas subpoblaciones y no para otras
(generalización entre diferentes poblaciones). Un ejemplo del primer caso: un
experimento puede haber demostrado los efectos positivos de un programa de
mejoramiento de la resolución de problemas matemáticos. Un ejemplo del segundo
caso: el tratamiento pudiera ser efectivo para una parte de la muestra pero no para
otra (hombres frente a mujeres). Si en un plan de experimento la muestra y la
población de un estudio no están bien definidas y descritas, si la muestra es
injustificadamente pequeña, si el procedimiento de muestreo no es claro, se
producirá una grave amenaza para la validez externa del estudio, cuyo control está
vinculado con el uso de técnicas de muestreo adecuado.
146
b) Generalización debida a la interacción entre las características de los sujetos
y el tratamiento. Alude a que ciertas variables del sujeto tales como habilidad
intelectual, nivel de ansiedad, edad, grado educativo y otras interaccionan con los
efectos del tratamiento haciendo que los efectos de este sean mejores o peores. Por
ejemplo, en psicología causa preocupación el uso extenso de estudiantes
universitarios y de educación secundaria en muchos estudios y experimentos. Sobre
todo el de universitarios por que tienen características personales y atributos
demográficos como nivel de inteligencia, nivel socioeconómico y experiencia que
pudieran de alguna manera relacionarse con la VI. Esta amenaza también se da en la
investigación animal y en la generalización d sus resultados a la especie humana.
Estas variables podrían afectar a la generalización de las conclusiones del
experimento.
2. Validez ecológica. A diferencia de la validez relacionada con la población que

busca generalizar los resultados de la muestra a la población, la validez ecológica
busca generalizar los resultados al contexto. En este sentido, está vinculada a la
generalización que se puede hacer desde unas condiciones ambientales en las que se
ha hecho el experimento a otras distintas. La pregunta a responder es: ¿los
resultados son transferibles a otras condiciones ambientales distintas? La
respuesta es de grado. Si esta transferencia es elevada el experimento tendrá una
elevada validez ecológica, de lo contrario, tendrá un nivel bajo. En la literatura
se reportan diversos factores que afectan a la validez ecológica que enumeramos a
continuación: falta o fallas en la descripción explícita del tratamiento
experimental, la interferencia entre tratamientos, el efecto Hawthorne, el efecto
debido a la novedad, efecto del experimentador, efecto debido a la sensibilización
del pretest, efecto debido a la sensibilidad del postest, efecto de la interacción
entre la historia y el tratamiento, medida de la variable dependiente, interacción
entre el tiempo de medida y el efecto del tratamiento. A continuación, veremos
algunas de estas amenazas a la validez ecológica: a) El “Efecto de novedad”. La
presencia del experimentador, las características de este y sus colaboradores, las
instrucciones para manejar los equipos o cómo responder a los instrumentos, el
equipo de laboratorio, causan expectativas que pueden alterar al comportamiento
habitual de los participantes del experimento. b) El “Efecto Hawthorne”. Llamado
así por la fábrica Hawthorne (Illinois) donde entre 1927-1932 se realizaron por
Elton Mayo los primeros estudios sobre la dinámica de los grupos. El hecho de ser
147
observados, la vivencia de esta situación y de saber que se participa en una
investigación puede causar una interferencia en el desempeño habitual de los
sujetos y hacer que estos se esfuercen por alcanzar rendimientos elevados. d)
Efectos reactivos o de interacción de la aplicación de tests. Si un acontecimiento
A que de algún modo interviene en la relación de la VI con la VD precede a la
manipulación proyectada de la VI sobre la VD, no se puede esperar que el efecto de
la VI aparezca en situaciones en las que la situación A no ha precedido a la
manipulación. Por ejemplo, si se está experimentando un producto dietético para
bajar de peso y todos los miembros del GE tienen que pesarse antes de iniciarse el
experimento, en ese acto, pueden concienciar la importancia de la dieta y la de
evitar comer entre las comidas. Es probable que el finalizar el experimento los
sujetos muestren una disminución significativa de peso, pero no podría
generalizarse el aparente efecto del producto dietético a personas que lo han
adquirido en la farmacia y los toman sin previamente hacerse una pesada de grupo.
Sin este último acto el producto puede ser menos efectivo. (Campbell & Stanley,
1973; Baltes & otros, 1981). d) Interacciones con la variable de tratamiento. Como
vimos en 7.3.3, cualquiera de las amenazas a la validez interna puede interactuar
con un tratamiento para dar lugar a un resultado. Por ejemplo, un investigador
experimenta un método para dejar de fumar y recluta participantes voluntarios de
lugares en donde se prohíbe fumar, a los que no concurren fumadores adictos. De tal
manera se ha conformado un grupo donde hay una selección previa. Los resultados no
se podrán generalizar a la población de fumadores, sino a lo más a aquellos que
fuman de manera moderada o esporádica. (Campbell & Stanley, 1973; Baltes, et al.,
1981). e) Interferencia por tratamientos múltiples. La aplicación a los mismos
sujetos de diversos tratamientos proporciona efectos desconocidos o indeseados. Por
ejemplo, una experimentadora ensaya un plan para la recuperación de peso en
personas debilitadas. Prescribe tres tipos de tratamiento: tres comidas al día,
suplemento dietético, comer entre comidas. Al finalizar la experiencia halla que
los sujetos han ganado significativamente peso, pero, esta ganancia, ¿a cuál de los
tratamientos se debe? ¿o se debe a una combinación de ellos? ¿Cómo saber cuál de
ellos es el más eficaz?
148
En general, el logro de la validez externa de un experimento esta en directa
relación con: a) el logro de grupos experimentales lo más semejantes a la población
a la que se desea generalizar los hallazgos; b) la repetición o replicación del
experimento con la finalidad de confirmar un hallazgo. Una observación no puede
aceptarse como científica hasta que no se haya repetido. Además es una fuente de
confiabilidad de los datos y fundamenta la generalización de los resultados
(Alarcón, 2008); c) el conseguir que el contexto experimental sea lo más similar
posible al contexto que se pretende generalizar (Hernández, Fernández & Baptista,
2003). Los proyectos de estudios experimentales deben contener el procedimiento
para controlar las amenazas a la validez interna y externa, aunque con frecuencia
el logro de una de estas valideces se hace a expensas de la otra. Por irei ladi,
algunos estudios únicamente se pueden efectuar en un solo tipo de ambiente, por
ejemplo, en el estudio de programas de apoyo emocional con pacientes terminales que
se hacen casi siempre en ambientes hospitalarios. La validez interna y externa son
aspectos críticos en la investigación científica. Como hemos visto, el logro de la
primera pasa por descartar o hacer inverosímiles los efectos de factores o
variables extrañas que se tornan en explicaciones rivales plausibles del efecto de
la VI sobre la VD; en tanto que el logro de la segunda tiene que ver con la
generalización a la población y la validez ecológica de los resultados. Existe una
tendencia a privilegiar la validez interna, pero cada vez es más claro que el
diseño experimental debe ser sólido tanto en esta como en la validez externa. 3.3.5
Validez de constructo o de construcción
Líneas arriba decíamos que el constructo es un concepto pero inventado o adoptado

de manera deliberada y consciente para un propósito científico especial. En la
investigación experimental, una vez que se halló, por ejemplo, que existe
diferencia entre el GE y el GC, debe iniciarse por el investigador la explicación o
interpretación de este resultado. Está explicación o interpretación constituye el
constructo explicativo cuya validez se encuentra en directa relación con el
análisis y descarte cuidadoso de la posible influencia en los resultados de
cualquier amenaza a la validez interna o variables extrañas. Análisis al que
contribuye el reflexionar sobre ¿qué cosa es lo que constituye la intervención o
tratamiento? y ¿por qué se produjo ese efecto? El propósito final es precisar el
que la relación entre la VI y el cambio, modificación o transformación de la VD se
debe al constructo, explicación o interpretación dada por el investigador. (Kazdin,
2001).
149
3.3.6 Validez estadística
Al realizar un experimento la hipótesis estadística que se somete a contraste es la

hipótesis nula (Ho) sobre la que el experimentador en base al análisis estadístico
de los datos, tomará la decisión de aceptarla o rechazarla. Sin embargo, en esta
decisión puede llegarse a una conclusión falsa, por ejemplo rechazar la Ho cuando
es verdadera (error tipo I) que se da cuando el investigador concluye de forma
incorrecta que existe una relación o diferencia entre los grupos cuando en realidad
no existe; o aceptar la Ho cuando es falsa (error tipo II) posibilidad de
ocurrencia que debe ser examinada cuando no se han encontrado resultados
significativos. Evidentemente el experimentador no desea que estos errores sucedan
pues propósito de la experimentación es obtener conclusiones que reflejen el
verdadero estado de los hechos en el mundo real. Así, al interpretar los resultados
de un experimento, por ejemplo de comparación entre un GE y un GC, el investigador
se encuentra ante el siguiente panorama: sus datos le pueden indicar que hay
diferencia o bien que no hay diferencia, situación que debe comparar con el
verdadero estado de los hechos en el mundo, vale decir si hay realmente una
diferencia o si no hay realmente la diferencia. En este sentido, la validez
estadística se refiere a las fases del proceso de la evaluación cuantitativa que
influyen en esta toma de decisiones. En otras palabras, se refiere a si las
conclusiones sobre las relaciones o diferencias entre los grupos extraídas del
análisis de los datos son un reflejo del mundo real. (Kazdin, 2001; Burns & Grove,
2004). La validez estadística esté fuertemente vinculada con el hecho que el
investigador domine el fundamento, implicancias y limitaciones de las pruebas o
tests estadísticos que empleará para el análisis estadístico o para el contraste de
las hipótesis como en el caso de la prueba t de student para muestras
independientes, y también con la calidad del cómputo de las mismas. Aspecto
relacionado, habiéndose determinado, por ejemplo, la existencia de diferencias
entre el GE y el GC, es el denominado tamaño del efecto que es una estadística
independiente del tamaño de la muestra y que se expresa en unidades de desviación
estándar; el mismo que en el caso de dos grupos se refiere a la magnitud de la
diferencia entre ambos grupos, dividido entre la desviación estándar común. Se
supone que el tamaño del efecto refleja la magnitud tal y como existe la diferencia
verdaderamente (Kazdin, 2001). Por otro lado, existen características del estudio o
amenazas a la validez estadística de un experimento que afectan la evaluación
cuantitativa de los resultados. Entre ellas tenemos la baja potencia estadística,
las diferencias
150
en los procedimientos, la heterogeneidad de los sujetos y la poca confiabilidad de
las medidas de la VD. La potencia o poder estadístico (Beta) se define como la
probabilidad de evitar un error tipo II, es decir se refiere al grado en el cual el
estudio puede detectar diferencias entre los grupos cuando realmente existen
diferencias dentro de la población. Cuando la potencia es débil aumenta la
probabilidad de que se concluya que no hay diferencias entre los grupos. En el
cálculo de la potencia o poder juega un rol decisivo el tamaño de la muestra (n),
el nivel de error o nivel significación (Alfa) que usualmente en psicología es del
0,05 o 0,01 y el tamaño del efecto. El no tener en cuenta la potencia o poder
estadístico probablemente ha conducido a que, según Kazdin y Bass, la mayoría de
las comparaciones de diferentes tipos de psicoterapia no muestren diferencia en los
resultados del tratamiento, debido a una potencia débil en vista de las muestras
relativamente pequeñas y de los tamaños pequeños de los efectos que caracterizan a
este tipo de investigación (Kazdin, 2001). Una manera de incrementar la potencia
estadística es tener muestras con tamaño apropiado. Las formas diferentes en que se
llevan a cabo las intervenciones y procedimientos experimentales también atentan la
validez estadística. Una manera de contrarrestar esta amenaza es poniendo cuidado
en los mínimos detalles para la ejecución del estudio. La heterogeneidad de los
sujetos pudiera influir en la VD, situación que se presenta cuando en un
experimento en psicología clínica, los sujetos de los dos grupos pueden variar en
la severidad de la sintomatología, la duración del cuadro clínico, nivel
socioeconómico, u otros aspectos. El lograr grupos lo más homogéneos posibles
contribuye a controlar esta amenaza interna. Finalmente la falta de confiabilidad
de las medidas se puede contrarrestar con instrumentos, tests, altamente confiables
y sensibles (Kazdin, 2001). 3.3.7 Mejoramiento de la validez interna La validez
interna de un diseño experimental puede lograrse o acrecentarse controlando las
variables extrañas y minimizando la varianza de error. 3.3.7.1 Control de las
variables extrañas El control de las variables extrañas persigue su minimización,
nulificación o aislamiento; para el efecto existen varias formas de control.
1)
Eliminar la variable extraña como variable. En los diseños experimentales de

grupos, se elimina el efecto de una posible VI
151
extraña que influye sobre una VD, eligiendo los sujetos en una forma tal que los
grupos sean lo más homogéneos. Si estamos realizando un estudio sobre la motivación
de logro y nos preocupa la acción de la inteligencia como posible variable extraña
para el estudio, su acción puede ser eliminada utilizando sujetos de un solo nivel
de inteligencia, por ejemplo, de nivel normal – CI 90 a 110. Esta forma de control
es efectiva pero hace perder poder de generalización. En relación al ejemplo, el
análisis se restringiría al nivel normal. ¿Es posible que la relación, si se
descubre, no exista o sea por completo diferente con niños de inteligencia alta o
con niños de inteligencia baja? No lo sabemos, solo podemos conjeturar. 2)
Aleatorización. El azar es un hecho que acontece sin ningún influjo por parte del
investigador (Tamayo, 1999). La aleatorización refiere a como se distribuyen los
sujetos en los diferentes grupos que forman parte del estudio. Se basa en el
principio que, si los individuos o elementos de una población que van a formar los
grupos objeto de una investigación se eligen al azar, de modo que todos tengan
igual probabilidad de resultar elegidos, las leyes del azar aseguran, con un nivel
razonable de probabilidad que no habrá diferencias significativas entre los
distintos grupos (Sierra Bravo, 1991). Es una forma ideal de controlar todas las
fuentes de variación cuando no es posible utilizar la eliminación o la constancia.
Para ello, se obtiene una muestra representativa de la población y se asignan los
sujetos a los grupos en forma aleatoria o al azar. Con ello existe una base
razonable para esperar que los diferentes grupos sean homogéneos o equivalentes
antes de aplicar la VI o tratamiento X. El azar no sólo está presente en la
extracción de la muestra y en la formación de los grupos, sino también, en la
aplicación de los tratamientos. En efecto, la aleatorización puede llevarse hasta
sus últimas consecuencias haciendo que no sólo los sujetos sean asignados a los
grupos aleatoriamente sino que también los tratamientos sean asignados de acuerdo
con dicho criterio (Arnau, 1991). Sin embargo, teniendo en cuenta estas bondades de
la aletorización, también hay que tener presente que en el campo clínico es muy
difícil casi imposible escoger una muestra aleatoria de una población con problemas
porque algunas personas con problemáticas psicológicas no acuden a tratamiento, y
muchos que lo hacen no tienen características aleatorias, además que no se puede
obligarlas a participar del estudio. Asimismo, la aleatorización garantiza que se
pueda afirmar que el efecto de la VI se da en el grupo, pero no puede garantizar
que en un sujeto específico este efecto se deba únicamente al tratamiento porqué
los errores de medición de la VD y los sesgos de las variables extrañas son
inseparables de los efectos del tratamiento.
152
3) Apareamiento (Igualación o Concordancia). A diferencia de la aleatorización,
consiste en igualar los grupos en relación con alguna variable específica. Se
realiza con base en una variable extraña que el investigador considera que influye
de manera decisiva en la VD. Por ejemplo, un psicólogo al estudiar el posible
efecto del alcohol sobre la percepción taquistoscopica, sospecha que la agudeza
visual puede ser una variable extraña. Para controlarla, administra una prueba de
agudeza visual a toda la muestra y utilizando los “puntajes” o resultados de dicha
prueba como variable de apareamiento o criterio forma pares de sujetos con
similares puntajes en la prueba y asignará al azar uno de ellos al GC y el otro al
GE. Claro está que no siempre es posible formar pares de sujetos idénticos o con un
mismo puntaje en relación con la variable de apareamiento. ¿Cuánto de discrepancia
se puede permitir entre los puntajes para considerar a un par de sujetos como
igualado? La decisión corresponde al experimentador, pero el principio es lograr la
máxima similitud entre los sujetos. Control estadístico. En un experimento este
control alude a la medición de las variables extrañas y la ejecución de ajustes
contra sus efectos mediante el análisis de covarianza (ancova) por el cual los
efectos de la variable extraña en la VD se eliminan con el ajuste del verdadero
valor de la VD. Por ejemplo, un psicólogo realizó un estudio para probar la
efectividad de un método para la identificación verbal de palabras escritas para
enseñar a niños de primer grado: A un aula de niños les aplicó el método
experimental y a otra aula el método tradicional. Después de realizar el análisis
estadístico adecuado encontró que el nuevo método era efectivo, pero sospechando la
influencia de alguna variable extraña, revisa las fichas individuales de los niños
y halla que los niveles intelectuales diferían sensiblemente en función de los
grupos. Comprobó que el nivel intelectual podía ser una variable extraña y, por
tanto, decide aplicar un control estadístico para ajustar los resultados. Aplica el
análisis de covarianza a los datos para ajustarlos a los diferentes valores de la
variable nivel intelectual a fin de tenerla en cuenta al menos en el análisis de
datos. Al extraer de los resultados iniciales las diferencias de los puntajes
relativos al nivel intelectual encontró que el resultado del estudio es no
significativo, es decir, que el nuevo método de enseñanza no era mejor que el
tradicional y que gran parte de las diferencias entre grupos se debía a las
diferencias entre los niveles de inteligencia.(Arnau, 1991). El sujeto como propio
control o técnica intrasujeto (técnica de medidas repetidas). Las técnicas de
control descritas más arriba están relacionadas con el diseño experimental clásico
de grupos, en tanto que esta técnica se relaciona con los diseños intra-sujeto, de
más reciente data. Con este diseño se reduce al máximo las fuentes extrañas de
variación, consiguiéndose una máxima homogeneidad en
4.
5)
153
ambos grupos de tratamiento aumentándose la precisión del diseño para probar la
efectividad de los tratamientos. Sin embargo, la utilización de esta estrategia
acarrea dos graves peligros o efectos: el “efecto de orden”, conocido como “error
progresivo” y el “error residual de los tratamientos”. (Arnau, 1991). Estos efectos
están en relación con otra fórmula de control denominada contrabalanceo. En
psicología, factores tales como el aprendizaje o alguna característica del
investigador (cuando no su sola presencia) tienden a afectar los resultados de la
investigación. Por ejemplo, si nos interesa averiguar a qué tipos de sonido
reacciona más rápido un sujeto: al de una campana o al de un timbre eléctrico,
ambos de intensidad semejante, si se presenta primero el de la campana y a
continuación el del timbre, observaremos después de varios ensayos- que el sujeto
responde con mayor rapidez al del timbre. Pero, probablemente, no es la diferencia
entre los sonidos lo que produce la respuesta del sujeto en un sentido u otro. En
efecto, si tomamos en cuenta al orden de presentación – primero la campana; luego
el timbre-, debemos considerar que el tiempo de reacción al timbre está afectado
por el aprendizaje adquirido durante el proceso del experimento. Lo correcto es
utilizar el contrabalanceo. El investigador debe cambiar el orden de presentación
una vez que el sujeto haya logrado un dominio de los instrumentos y una
familiarización con el proceso experimental. Es decir, en una segunda etapa se
presentará primero el sonido del timbre y después el de la campana. Otra fórmula de
aplicación, especialmente funcional cuando se trabaja con varios sujetos, consiste
en presentar primero el sonido de la campana a la mitad de ellos, y luego el del
timbre; y a la otra mitad, primero el del timbre y posteriormente el de la campana
(Gómez, 1983). 3.3.7.2 Mimización de la varianza de error
La calidad del experimento se incrementa también cuando la varianza de error es

minimizada en todo lo posible. Esta varianza como sabemos alude principalmente a la
variabilidad de la medida de la VD debida a las fluctuaciones aleatorias, variando
ahora en una forma, luego en otra, ahora positiva, después negativa, ahora hacia
arriba, ahora hacia abajo. La minimización de la varianza de error tiene dos
aspectos: 1) La reducción de los errores de medición a través de condiciones
controladas. Entre más fuera de control estén las condiciones de un experimento,
más podrán operar los muchos determinantes de la varianza de error. Hay que
establecer en forma cuidadosa condiciones experimentales constantes e iguales para
todos los sujetos. La constancia de las condiciones es una de las formas más
generales de
154
control. Por ejemplo, se debe dar instrucciones claras y precisas y cuidar que los
grupos pasen las experiencias a la misma hora, en el mismo lugar, en las mismas
condiciones de luz, ventilación, con mismos aparatos, etc. 2) Incrementando la
validez y la confiabilidad de la medida de la VD. El incremento de la confiabilidad
reduce la varianza de error. La confiabilidad puede considerarse como la exactitud
de un conjunto de puntajes. Otra poderosa razón para disminuir la varianza de error
consiste en dar a la varianza sistemática primaria la oportunidad de mostrarse a sí
misma. Si existe una relación entre las variables, se tiene que descubrir. Una
forma de hacerlo es encontrar diferencias significativas entre las medias de los
grupos sometidos a estudio. Pero si la varianza de error es grande, la varianza
sistemática primaria no tendrá oportunidad de aparecer. Por lo tanto, la relación
aunque exista, quizá no sea detectada (Kerlinger & Lee, 2003). Finalizando este
apartado, el investigador debe tener en cuenta que en ocasiones su presencia se
convierte en una variable difícil de controlar, y desde luego puede afectar los
resultados obtenidos; en este caso es difícil y hasta imposible, usar la técnica de
la eliminación para controlar a la “bípeda variable extraña” (Gómez, 1983). De otro
lado, cuando la variable extraña está representada en la posibilidad de que los
sujetos tengan conocimiento del objetivo y de las hipótesis del experimento, se
puede recurrir a la técnica ciego simple, es decir, ocultar a los sujetos tales
objetivos e hipótesis; o a la técnica ciego doble, ocultando a los sujetos y a los
experimentadores tales objetivos, aunque aquí el experimentador sería un mero
administrador de condiciones.
3.3.8 El principio Maxmincon
Como hemos visto el propósito básico del diseño de los experimentos es lograr el
control de la varianza sistemática secundaria o varianza no deseada generada por
las variables extrañas. Si esta no ha sido debidamente controlada pasa a
incrementar, por lo general, la varianza de error. El control de la varianza
secundaria permite poner de manifiesto la posible acción de las variables
experimentales o tratamientos sobre la VD. El principio estadístico que respalda
este propósito es el que Kerlinger & Lee (2003) mnemotécnicamente han denominado
MAXMINCON, que significa: 1. Maximización de la varianza sistemática primaria; 2.
Minimización de la varianza de error; y,
155
3. Control de la varianza sistemática secundaria. Sobre la minimización de la
varianza de error y el control de la varianza secundaria hemos hablado más arriba,
por lo que nos centraremos muy brevemente en la varianza sistemática primaria. La
maximización de esta varianza se logra maximizando o aumentando la magnitud de los
valores de la VI, o bien seleccionando sus valores óptimos. Por ejemplo, si se está
estudiando los efectos de dos métodos A1 y A2 sobre el logro académico en
matemáticas en un grupo de estudiantes secundarios, se debe hacer que ambos métodos
sean lo más diferentes que se pueda, pues es necesario dar a la varianza
sistemática primaria- una oportunidad, por decirlo así, para mostrarse a sí misma,
para “separarse” de la varianza total. Esta oportunidad la constituye la
maximización. 3.3.9 Clasificación de los diseños experimentales Existen varias
clasificaciones de los diseños según los criterios de clasificación que se empleen.
Por ejemplo, según el análisis estadístico los diseños se clasifican en
paramétricos, no paramétricos, entre otros; según la estrategia de la asignación de
los sujetos a los tratamientos se clasifican en aleatorizados, apareados, entre
otros; según el número de variables independientes, se clasifican en univariados o
bivariados, experimentales multivariados, entre otros; también se consideran a los
diseños estadísticos o “clasicos” y a los diseños “conductuales”. Los diseños
estadísticos son los que trabajan con grupos y utilizan pruebas estadísticas para
la verificación de hipótesis, son los más antiguos- aparecieron alrededor de 1920-
y siguen la tradición estadística comenzada por Sir Ronald Fisher; los diseños
conductuales, llamados por algunos sin estadística, fueron iniciados o
desarrollados por B.F. Skinner, y trabajan con un solo sujeto (N=1) medido varias
veces, manteniendo un severo control experimental. En este texto emplearemos la
clasificación propuestas por Campbell & Stanley (1973): a) diseños
preexperimentales; b) diseños cuasiexperimentales; y, c) diseños experimentales
puros, algunos de los cuales se realizan comparando dos o más grupos de sujetos
diferentes o comparando al mismo grupo en momentos diferentes (diseños de medidas
repetidas o intrasujeto). Asimismo, anotaremos algunas pruebas estadísticas
utilizadas en el análisis de los datos o para el contraste de las hipótesis, pero
un tratamiento algo más extenso del análisis estadístico lo haremos en una lección
posterior.
156
3.3.9.1 Simbología de los Diseños experimentales En la elaboración de los esquemas
de los diseños experimentales se utiliza, aunque con ciertas diferencias entre los
autores, un conjunto de signos y símbolos para la descripción de cada uno de ellos,
que anotamos: X=designa el tratamiento experimental o la presencia de una VI en el
estudio. El tratamiento es un estímulo o condición experimental (presencia de algún
nivel de la VI). O=designa una observación o medición (prueba, cuestionario,
observación, tarea, etc.). Si aparece antes del tratamiento se trata de un pretest;
si aparece después del estímulo se trata de un postest. Cada observación llevará un
índice, según el caso, para poder facilitar su identificación y referencia (01, 02,
etc.). A=designa a la asignación al azar o aleatorización (también se conocen como
randomización R). Ap=Apareamiento. ------------ = Línea pespunteada. Indica que se
han usado grupos intactos. _________= Línea continua. Indica que se han usado
grupos aleatorizados. G = Grupo de sujetos (G1, grupo uno; G2, grupo dos, etc.) GE
= Grupo experimental GC = Grupo control
157
Lección IV Diseños preexperimentales y cuasiexperimentales
4.1 Diseños Experimentales
4.1.1 Diseño de un grupo solo después Esquema: G X O.
El experimentador administra un estímulo o tratamiento (X), por ejemplo, una

película, un discurso, un método educativo, un comercial televisivo u otro, a un
grupo (G), y después hace una medición en una o más variables para observar (O)
cuál es el nivel del grupo en estas variables. En este diseño no hay manipulación
de la VI y tampoco una referencia de cuál era el nivel que tenía el G antes del
estímulo. Además, no hay grupo de comparación. En consecuencia, el experimentador
no tiene un fundamento sólido para asegurar que los cambios que pudieran observarse
se deben a la VI. Ejemplo: Un psicólogo ensaya un programa de enseñanza de la
aritmética administrándolo a un grupo (G) de escolares de un aula. Después de un
tiempo hace la observación (O) por medio de una prueba de aritmética y encuentra
puntajes elevados. Concluye que estos puntajes –indicadores del aprendizaje de la
aritmética- se deben al programa. Sin embargo, esta conclusión es débil pues pueden
haber actuado amenazas a la validez interna como las siguientes: a) Historia, en
relación a sí experiencias específicas de los estudiantes diferentes a las del
programa de aritmética, han contribuido a tales puntajes; b) Selección y
maduración, si los estudiantes que participaron del programa tenían probabilidades
de cambiar o elevar su rendimiento en alguna forma por la interacción de estas dos
amenazas. El acarreamiento de muchas amenazas a la validez interna hace que las
conclusiones de un experimento con este diseño sean muy discutibles y criticadas.
Sin embargo, es de anotar que en la vida diaria obtenemos mucha información de
acuerdo a este esté esquema. Por ejemplo, si alguien utiliza un producto y observa
que sus efectos le son convenientes para sus propósitos puede recomendárnoslo y
nosotros aceptar tal recomendación y consumir el producto. Si bien es conveniente
aceptar el consejo de otras personas sobre eventos, productos y servicios para
nuestra vida diaria sino se dispone de una información objetiva, esta no es una
forma satisfactoria
158
de acumular conocimientos cuando hablamos en términos científicos porque somos
procesadores sesgados de información.
4.1.2 Diseño pretest- postest con un solo grupo. Esquema: G O1 X O2.
El experimentador administra un pretest (O1) a un grupo (G) antes de aplicar el

tratamiento (X) y después de aplicado éste, realiza un postest (O2). Ejemplo: Para
descubrir si un nuevo método de enseñanza aumentará la velocidad de lectura, un
psicólogo realiza el siguiente experimento: Administra un test para medir la
velocidad de lectura de un solo grupo y obtiene la media correspondiente a este
último (O1); expone a los sujetos a X, el nuevo método de enseñanza, durante un
lapso determinado; administra un postest (O2) para medir la velocidad de lectura y
compara las medias del pre y postest utilizando la prueba estadística más apropiada
para descubrir qué diferencias produjo la exposición a X. En el pretest la media
aritmética en velocidad de lectura fue de 50 palabras por minuto; en el postest fue
de 80. Concluye después del análisis estadístico que la diferencia-30 palabras-es
estadísticamente muy significativa y que, en consecuencia, el método es efectivo
para incrementar la velocidad de lectura. Sin embargo, esta conclusión puede ser
criticada planteándose explicaciones alternativas en relación con algunas fuentes
de invalidez. Veamos por qué. Este diseño tiene algunas ventajas sobre el diseño
anterior: a) existe un punto de referencia inicial (O1) que permite ver qué nivel
tenía el G en la VD antes de la aplicación de X; b) el que los mismos sujetos
realicen el pretst y el postest implica que las fuentes de invalidez selección y
mortalidad fueron controladas (Van Dalen & Mayer, 1994). Sin embargo, existe la
probabilidad que la diferencia encontrada se deba a otras fuentes de invalidez: a)
Historia, pues entre O1 y O2 pueden haber ocurrido otros acontecimientos capaces de
generar cambios además de X; b) Maduración, pues entre O1 y O2 puede haberse
presentado la fatiga, el aburrimiento, etc.; c) Regresión estadística, pues se
puede haber elegido un grupo atípico o que en el momento del experimento no se
encuentre en su estado normal, lo que oportunidad a que actúe la regresión
estadística. Es de recordar que deberá esperarse un cambio en el puntaje en el
postest, incluso si no hay efecto del tratamiento, siempre y cuando los sujetos
seleccionados tengan puntajes extremos en el pretest y las dos pruebas pretest y
postest - carezcan de confiabilidad perfecta; d) Efecto del pretest, las
diferencias observadas entre el pre y el postest pueden ser debidas al efecto del
pretest por la reactividad (sensibilización) de los sujetos a los
159
instrumentos de medición. (Wood, 1984; Hernández, Fernández & Baptista, 2003).
Sánchez & Reyes, 2006;
Una solución a este enjuiciamiento crítico sería la de seleccionar para el estudio

sólo a aquellos sujetos que tienen puntajes promedios en el pretest; otra, la
mejor, consistiría en usar un GC al que se le administra el pretest y el postest
pero no X. Este diseño es de medidas repetidas o intragrupo. Los diseños intragrupo
son aquellos en los que el sujeto sirve como su propio control estableciéndose
comparaciones sobre los mismos individuos en diferente momento del tiempo, o tras
habere sometido a diferentes tratamientos. Para el análisis estadístico de la
diferencia pretest –postest se emplean diversas pruebas estadísticas, entre ellas
la prueba T de Student para muestras correlacionadas, si la VD es cuantitativa, o
la prueba de McNemar si la variables es cualitativa.
4.1.3 Diseño de comparación estática o comparación de grupos sólo después (diseños

de grupos estáticos).
Esquema:
GE
O1
---------------GC --O2
En este diseño el experimentador hace uso de un GC que no va a recibir el

tratamiento experimental. Se dice que es de comparación estática (o de grupos
intactos) porque el investigador no selecciona aleatoriamente a los sujetos para
conformar los grupos, sino que éstos ya están formados. La lógica subyacente es que
las diferencias entre los grupos que difieren en una variable particular pueden
deberse a la VI. El problema difícil es el de determinar sí el tratamiento X es el
responsable de cualquier diferencia obtenida en la ejecución. Ejemplo: Un psicólogo
desea comparar la frecuencia del cáncer en comunidades industriales (G1) y no
industriales (GC). Encuentra una frecuencia más elevada en las comunidades
industriales y extrae la conclusión de que el tratamiento (X=presencia de las
industrias) es responsable de la frecuencia más elevada de cáncer. El uso del GC
sirve como fuente de comparación y para dar rigurosidad científica al trabajo.
Controla en alguna medida la historia y en medida menor la maduración. Sin embargo,
como no es posible asignar aleatoriamente a los participantes de los grupos antes
de introducir X, es difícil descartar a otros factores como responsables de
cualquier diferencia
160
obtenida entre los grupos; básicamente el diseño falla en el control de la posible
invalidez por selección y por mortalidad experimental. Los diseños
preexperimentales se emplean mucho en psicología, educación y ciencias sociales,
pero su uso debe verse predominantemente como una exploración en busca de
información para estudios con mayor control, pues no son adecuados para el
establecimiento de las relaciones estrictas entre la VI y la VD. Este diseño es de
comparación de dos grupos diferentes de sujetos, se podría utilizar en el análisis
estadístico, entre otros tests estadísticos, la prueba paramétrica T de Student
para muestras independientes, la prueba no paramétrica Un de Mann-Whitney si la VD
es cuantitativa, o la prueba Ji cuadrado de independencia si la VD es categórica.
4.2 Diseños cuasiexperimentales Los diseños cuasiexperimentales son más potentes
que los preexperimentales para el control de fuentes de invalidez y son muy
parecidos a los propiamente experimentales, pero no son experimentos “puros”, pues
su principal debilidad es la falta de aleatorización o emparejamiento en la
constitución de los grupos. Esta carencia facilita la aparición de amenazas a la
validez interna y externa, principalmente de la selección, la interacción de esta
con otras amenazas y la regresión estadística. El afrontamiento de este probable
escenario debe conducir al investigador a tener la mayor información posible para
establecer la semejanza entre los grupos en lo tocante a características o
variables que pudieran estar vinculadas con las variables analizadas. Por ejemplo,
si se desea hacer un experimento sobre motivación para el perfeccionamiento
profesional en grupos no aleatorizados o intactos de profesores de educación, el
nivel educativo (inicial, primaria, secundaria), el turno (matutino, vespertino,
nocturno), probablemente tenga que ser considerado como una constante (los grupos
son del mismo turno y nivel), o como otras variables independientes a controlar.
También es probable que se tenga que hacer que los grupos sean equiparables
antigüedad, edad y en grado educativo o en otros aspectos que puedan generar
diferencias relevantes al estudio entre los grupos. En razón a las dificultades
para lograr la equiparación de los grupos, el investigador debe extremar el cuidado
en la interpretación de los resultados pues podría tomar decisiones erróneas. Con
este propósito debe identificar claramente las limitaciones del diseño, así como
discutir la equivalencia de los grupos y la posibilidad de generalización de los
resultados. Existen varios diseños no experimentales, veremos brevemente los más
empleados en psicología, educación y ciencias sociales.
161
4.2.1 Diseño de series temporales (o de series de tiempo). Esquema: G 01 02 03 X 04
05 06
Este diseño es intragrupo y es semejante al “pretest-postest con un solo grupo”

pero con algunos aditamentos más que lo hacen mejor para el control de la varianza
secundaria. Se toman varias mediciones repetidas antes, luego se introduce el
tratamiento experimental X, y se toman varias mediciones después. Las mediciones
son programadas en intervalos fijos de tiempo, debiéndose practicar no menos de
tres antes y después de introducir la VI. Las observaciones “antes” permiten
establecer la tendencia de la conducta, de tal modo que al introducir X los cambios
que se observan en la VD se atribuyan al tratamiento. Esta disposición experimental
permite un mejor control de las variables extrañas que se indicaron en el diseño
preexperimental pretest-postest. Si las O1, O2, O3,...no difieren
significativamente, se podrá lograr confiabilidad acerca del funcionamiento de la
VD que se estudia; al introducirse X su efecto hará variar la tendencia de las
observaciones en el punto donde se aplica, de ser inmediatos sus efectos, por
tanto, la diferencia entre O3 y O4 no podrán atribuirse con certeza a amenazas como
mediciones previas, maduración o regresión. En consecuencia, la posibilidad de
atribuir los cambios a la acción de X depende de la estabilidad de las puntuaciones
previas. Sin embargo, hay que tener en cuenta lo siguiente: a) que las
observaciones múltiples no sustituyen al grupo control experimental aunque
minimizan los efectos de algunas variables extrañas competitivas como la
“historia”, pues no hay seguridad para afirmar que la VI fue la causa del cambio de
O4 a O5; b) hay que tener cuidado en la duración del experimento, si este es muy
largo los resultados pueden acusar la influencia de la maduración, la mortandad
experimental, o la fatiga o el cansancio. Ejemplo: Una clínica poniendo en práctica
una política de educación continua, decide adoptar el requisito de que los médicos
asistan a determinado número de cursos de actualización en medicina antes de que se
les considere para promoción o aumento de sueldo. Una psicóloga desea evaluar
algunas de las consecuencias positivas o negativas de este requisito y decide
utilizar un diseño de series de tiempo teniendo como indicadores principales las
solicitudes de renuncia, el ausentismo y el número de aumento de sueldo y
promociones que se han asignado. El investigador decide utilizar un diseño de
series de tiempo esquematizado así: G O1 O2 O3 O4 X O5 O6 O7 O8
O1 es el número de renuncias, ausencias, aumentos de sueldo y promociones de los

médicos en la clínica de enero a marzo un año antes de implantar la nueva regla de
educación continua, O2 es el número de los
162
mismos indicadores de abril a junio, O3 y O4 y son los números de estos indicadores
de julio a setiembre y de octubre a diciembre, respectivamente. Cuando se implanta
el requisito, también se recogen datos sobre las renuncias, ausentismo y aumentos
de sueldos y promociones en cuatro períodos consecutivos de tiempo, que dan como
resultado las observaciones O5 a O8. Pueden hacerse diversas variaciones en estos
diseños, por ejemplo combinándolos con un grupo control (o de comparación) no
equivalente. Un ejemplo de esta combinación es el experimento que se realizó en un
pueblo estadounidense para la evaluación de un programa que tenía por objeto
disminuir la velocidad en carretera. Se recolectó informes y datos de accidentes de
tránsito correspondientes a varios años anteriores y ulteriores a la implantación
del programa. Se encontró que después de X el número de accidentes disminuyó, pero
como las distintas mediciones habían mostrado una pauta ascendente y descendente
inestable durante varios años, no se podía tener la certeza de que el programa
había sido la razón del descenso en el número de accidentes. Entonces se comparó
las estadísticas del pueblo con las de cuatro pueblos vecinos de similares
características al del experimento, en los que no se habían efectuado el programa
X. Se observó que en estos pueblos no se había registrado disminución de los
índices de accidentes. Las comparaciones dieron pie para concluir que el programa
había producido efectos positivos (Wood, 1984). 4.2.2) Diseño con pretest – postest
y grupos intactos, ellos de comparación (o control no equivalente). uno de
En los diseños cuasiexperimentales es más apropiado para referirse al grupo contra

el cual se evalúan los resultados del grupo de tratamiento el término “grupo de
comparación” en vez de “grupo de control”, reservando este último para los diseños
propiamente experimentales en el que hay aleatorización. Esquema: GE O1 X O2
-----------------------GC O3 -O4
Con acuerdo a este diseño a los grupos no aleatorizados (GE y GC) se les administra
un pretest que sirve para comprobar la equivalencia inicial de ambos grupos que se
comprueba estadísticamente si no existen diferencias significativas entre los
promedios - o frecuencias - de ambos grupos en la VD. Al GE se le aplica al
tratamiento y al GC no, realizándose a continuación el postest en ambos grupos,
momento en el que estadísticamente si se espera diferencias significativas entre
ellos. El diseño puede extenderse a más de dos grupos atendiendo a los niveles de
manipulación de la VI. Esquema:
163
G1 G2 O4 G3 .... GK GK+1
O1 O3 O5 .... O2K-1 O2K+1 .. .. XK __
X1 X2 X3
O2
O6 .... O2K O2K+2
Este diseño no es conveniente utilizarlo cuando el GE es autoseleccionado porque no

se controlaría la amenaza selección. Esto sucede, por ejemplo, cuando el GE se
conforma por voluntarios y el GC con no voluntarios, y se les compara. Si el diseño
es de dos grupos podría utilizarse en el análisis estadístico o para el contraste
de las hipótesis, entre otras pruebas estadísticas, si la VD es cuantitativa la
prueba paramétrica T de Student para muestras independientes, la prueba no
paramétrica U de Mann-Whitney; si la VD es categórica, la prueba Ji cuadrado de
independencia. También puede realizarse un análisis al interior de cada grupo, sea
el GE o el GC, empleándose para el efecto, si la VD es cuantitativa, la prueba T de
Student para muestras correlacionadas, la prueba T de Wilcoxon; o la prueba de
McNemar sii la VD es categórica. Si el diseño tiene más de dos grupos podría
emplearse el análisis paramétrico de varianza de una vía o ANOVA, o el análisis no
paramétrico de Kruskall-Walls (Clark-Carter, 2002, cap. 16) Ejemplo: Un psicólogo
observa en un hospital ciertos problemas de insatisfacción laboral. Elabora un
programa motivacional y desea estudiar sus efectos sobre la moral del personal. No
es factible llevar a cabo un experimento puro porque el personal no puede ser
asignado aleatoriamente a distintos grupos de tratamiento en vista que se afectaría
la marcha de los servicios. En consecuencia, decide usar otro hospital con
características similares (tamaño, localización geográfica, etc.) en el cual no se
introduce el programa. Recolecta datos con un cuestionario para evaluar la moral
del personal en ambos hospitales antes de introducir el programa (pretest), y
después de la implantación de este en el hospital que actúa como GE, realiza el
postest recolectando los datos pertinentes en ambos hospitales. 4.2.3 Diseño
contrabalanceado. Este diseño es intragrupo lo que significa la aplicación de todas
los tratamientos a cada grupo; sin embargo, puede presentarse el “efecto del orden
de los tratamientos, según el cual efectos en la VD podrían variar
164
más en función de los tratamientos previos que en función de los tratamientos
nuevos” (Buela-Casals, Caballo & Sierra, 1996); una manera de contrarrestar este
efecto es empleando un diseño contrabalanceado o cruzado. Este diseño apunta a lo
siguiente: a) igualar las diferencias entre los grupos, reemplazando a la
asignación aleatoria que no es posible utilizar con grupos intactos o preformados;
b) controlar la influencia del orden en el que se administran los tratamientos; c)
controlar los efectos de la práctica y las transferencia de aprendizaje que generan
los tratamientos. Ejemplo de esquema válido para un “diseño contrabalanceado” de
una variable X con tres valores. La matriz resultante se denomina “cuadrado latino
3 x3”.
TRATAMIENTOS REPLICACIONES O PERIODOS 1 2 3 Sumas
X1 GA GB GC Y1
X2 GB GC GA Y2
X3 GC GA GB Y3
Se observa en el esquema que para los tres tratamientos X1, X2, X3, se requieren
tres grupos GA, GB, GC, y GD. La estrategia es dar a cada grupo todos los
tratamientos experimentales. En efecto, cada uno de estos es expuesto a las
replicaciones o períodos 1, 2 y 3, como lo indica el que cada tratamiento aparezca
una sola vez en cada columna y en cada fila. El diseño contrabalanceado es uno de
los mejores diseños cuasiexperimentales cuando se trabaja con grupos intactos,
preformados o no aleatorizados, por ejemplo: aulas de clase. Tiene principalmente
dos ventajas: a) aumenta la validez interna de la investigación pues elimina la
varianza intergrupo (diferencias entre los grupos de estudio), en vista que cada
grupo actúa como su propio control en tareas diferentes; de esta manera se controla
la variabilidad o dispersión de los rendimientos así como hace innecesario la
utilización del pretest y también la igualación de los grupos, puesto que las
comparaciones se efectúan entre las ejecuciones de los mismos sujetos. Asimismo, si
existieran diferencias entre los grupos (por no ser aleatorizados, las diferencias
entre las respuestas se compensan pues todos los grupos pasan por todas las
condiciones experimentales; asimismo, b) se necesita menor número de sujetos ya que
cada uno de ellos pasa por todos los tratamientos. Por otra parte, una limitación
que tiene, como todos los diseños intrasujeto, es la existencia de los “efectos
residuales”, vale decir el efecto que produce un tratamiento en el período
165
inmediato siguiente y en los tratamientos posteriores. Por esta razón, se debe
separar dos períodos de tratamiento por un intervalo de tiempo suficientemente
largo para que dichos efectos desaparezcan. Ejemplo: Una psicóloga realiza un
experimento para determinar qué tipo de estímulos visuales, auditivos,
kinestésicos, recuerdan más personas de la tercera edad. Tiene a disposición clubes
de personas de esta edad (grupos intactos). En la fase de planeamiento del
experimento encuentra que es posible que factores como la inteligencia, motivación
u otros, al no ser controlados influyan en los resultados. En vista de las
características del estudio y de la disponibilidad de la muestra, su análisis
también le indica que si se administran todos los tratamientos a todos los sujetos
del grupo, se compensarán las influencias de aquellos factores. La psicóloga decide
elaborar un diseño contrabalanceado, seleccionando para el efecto a tres de los
clubes; cada uno de los tres grupos (GA, GB, GC) es sometido a cada uno de los
valores de la VI en secuencias diferentes (estímulo visual, estímulo auditivo,
estímulo kinestésico). El contrabalanceo no sólo se aplica en estudios cuasi-
experimentales sino también en los propiamente experimentales. El análisis
estadístico puede realizarse empleando, entre otras pruebas, el análisis de
varianza de una vía (Anova) para determinar los resultados de los diversos
tratamientos, partiendo para el efecto de la suma de los puntajes (Y1, Y2 y Y3)
logrados en cada tratamiento, sin tomar en cuenta las replicaciones o períodos
(Alarcón, 2008). 4.3 Diseños experimentales “puros” En estos diseños el
investigador puede manipular una o más variables independientes y ver sus efectros
en una o más variables dependientes. Algunos de ellos emplean mediciones pretest y
postest, en tanto que otros solamente analizan el postest.; asimismo; en algunos se
utilizan sujetos diferentes para cada uno de los grupos de tratamiento, y en otros
se usan sujetos diferentes para cada uno de los grupos de tratamiento, pero
apareados de acuerdo a algún tipo de criterio. Esta diferencia en la conformación
de los grupos es muy importante de tomar en cuenta, ya que de ella depende, en gran
parte, el tipo de análisis estadístico para analizar los datos.
166
Diseño experimental
Muestra
Diseño cuasi experimental
No azar
Grupos al azar
Azar
Grupo I
Grupo II
Grupos no equivalentes
Grupo experimental
Grupo control
Fig 14. Diferencias entre el diseño experimental y cuasiexperimental
Aleatorización
Metodología experimental
Control
Modelo de causalidad
Fig. 15. Componentes básicos de la metodología cuasi-experimental (Tomado de

Balluerka & Vergara, 2002)
167
4.3.1 Diseño de dos grupos totalmente aleatorizados, GE y GC, con postest
únicamente. Esquema: GE X GC 01 02
La equivalencia de los grupos es la idea central y está se pretende lograr tomando

al azar de la población una muestra representativa de sujetos, la que es asignada
aleatoriarnente a las dos condiciones experimentales, GE y GC. Al suponerse
equivalentes ambos grupos en todas las variables que pueden afectar a la VD, las
diferentes estadísticas que pudieran observarse al medir la VD, deben atribuirse a
la acción de X. Es muy importante que ambos grupos permanezcan equivalentes a lo
largo de todo el experimento salvo por la presencia-ausencia de la VI, observando
cuidadosamente que no ocurra algo que afecte sólo a un grupo. Por ejemplo, la hora
en la hora en que se realiza las observaciones debe ser la misma para ambos grupos,
de manera similar debe suceder con las condiciones ambientales. Por otra parte,
después que finalice la aplicación de la VI, el postest debe ser administrado
inmediatamente después y de manera simultánea, especialmente si la VD tiende a
cambiar con el paso del tiempo. El diseño puede extenderse para incluir más de dos
grupos, es decir, tener varios niveles de manipulacion de la VI. En este caso se
usan más de dos tratamientos experimentales, además del GC. También pueden
compararse dos valores de la VI, por ejemplo, dos nuevos métodos de enseñanza da la
matemática; un grupo de trabajo bajo liderazgo autocrático con otro de liderazgo
democrático; o dos situaciones de privación de alimento de 12 y 24 horas. En estos
casos la comparación se realiza con dos grupos experimentales, cada uno asume un
valor de la VI, desaparece el clásico GC, aunque subsiste la comparación exigida
por el método experimenta]. Este diseño es potente para controlar amenazas a la
validez interna. Así, al no haber pretest se evita el efecto reactivo de las
medidas previas; no hay instrumentación porque es el mismo postest para todos; no
existe la maduración porque la asignación es al azar; tampoco afecta la regresión
estadística porque si un grupo está regresando a su estado normal, el otro u otros
también lo están; no actúa la selección, porque si hay sujetos atípicos en un
grupo, en el otro u otros también los habrá; asimismo, la mortalidad no afecta, por
ser los grupos equivalentes. Las interacciones entre estas amenazas o fuentes de
invalidez interna tampoco pueden afectar los resultados, pues, por ejemplo, si la
selección se controla, sus interacciones operarán de modo similar en todos los
grupos; y la historia se
168
controla si se vigila cuidadosamente que ningún acontecimiento afecte solamente a
¡in solo grupo. Estadísticamente la comparación entre las postests de ambos grupos
(01 y 02) nos indica si la manipulación ha producido un efecto. Si la hipótesis es
bilateral y la comparación no encuentra diferencias (01=02) entonces no hubo un
efecto significativo de X. En ocasiones se espera que 01 sea mayor que 02, y en
otras que 01 sea menor que 02 (hipótesis unilateral). La prueba estadística
adecuada para hacer la comparación si la VD es cuantitativa, es la prueba T de
Student; la prueba U de Mann-Whitney cumple el mismo propósito con muestras que
proceden de poblaciones con distribución no normal o cuando se trata de medidas
ordinales. Si la VD es categórica una prueba de elcción es la Ji cuadrado para
muestras independientes. Ejemplo: Una psicóloga estudia el efecto de dos drogas
sobre la tasa de retención de palabras y hace la predicción de que la droga “A”
determinará una mejor ejecución, en este tipo de tarea, que la droga “B”.
Selecciona una muestra aleatoria de 12 sujetos que fueron asignados al azar a las
dos condiciones de tratamiento y luego aplica a los sujetos una prueba de retención
de 10 sílabas sin sentido de igual valor asociativo. El tratamiento estadístico lo
realiza mediante la prueba 'T' para muestras independientes, verificando
previamente los supuestos del modelo estadístico de esta prueba, es decir: muestreo
aleatorio, distribución normal - verificada por la prueba de Kolmogorov-Smirnov -,
e igualdad de varianzas – comprobada por medio de la prueba F de Levene-. En vista
que en el experimento la unidad de medida es el item o sílaba sin sentido y que los
ítemes tienen el mismo valor asociativo, debe entenderse que dicha unidad es
“constante" y que, en consecuencia, se trata de una escala de intervalo,
satisfaciéndose así la condición o el requisito de medida del modelo de la prueba T
(Arnau, 1990). Si no se cumpliera los requisitos de este modelo la prueba de
elección es la prueba no paramétrica U de Mann-Whitney. 4.3.2 Diseño de grupo
aleatorio “antes y después” con un grupo de control Esquema: GE GC 01 X 02 03 -- 04
Los sujetos son asignados aleatoriamente al GE y GC y las mediciones pre y postest

se hacen con el mismo instrumento o con una forma paralela a este. En comparación
con el diseño anterior, aquí se adiciona el pretest lo
169
que es ventajoso, pues sus resultados pueden usarse para: a) controlar
comparándolos los pretests de los grupos, así se puede evaluar lo adecuado o no de
la aleatorización; cuestión que es muy importante sobre todo cuando los grupos son
pequeños; b) analizar la ganancia de cada grupo, al evaluar la diferencia pretest-
postest. Este diseño controla todas las fuentes de invalidación interna. Por
ejemplo, la administración de la prueba queda controlada, ya que si el pretest
efecta al post lo hará similarmente en ambos grupos. El análisis estadístico para
observar los cambios entre el pre y el postest en los grupos GE y GC por separado,
se hace empleando, cuando la VD es cuantitativa, la prueba T correlacionada. Por
otro lado, para comparar los resultados en el pretest o el postest de ambos grupos
se utiliza la T para muestras independientes. Si los datos están es escala nominal
una de las prueba a utilizarse es la Ji cuadrado para dos muestras independientes,
o la prueba de Me Nemar, cuando los sujetos son su propio control. Ejemplo. Un
psicólogo estudió los efectos de una película de guerra. Los sujetos de los grupos
GE y GC absolvieron un cuestionario relacionado con asuntos sobre la guerra. Luego
la película fue proyectada al GE. Una semana después, ambos grupos absolvieron un
cuestionario similar al de la medida “antes”. Las diferencias entre las respuestas
“después" de los GE y GC fueron consideradas como medidas de los efectos de la
película. 4.3.3 Diseño de dos grupos apareados. En la investigación experimental un
propósito del investigador es conseguir conformar grupos equivalentes antes de
administrar el tratamiento X. Como ya vimos, una técnica con este fin es la del
apareamiento, que ejecuta buscando formar pares de sujetos tratando de eliminar,
controlar o minimizar el efecto de posibles variables extrañas que identificadas
previamente se denominan “variables de apareamiento” y que generalmente están
vinculadas con la VD. Supongamos que en un estudio se ha determinado que la
motivación de logro es una posible variable extraña. Se buscan pares de sujetos con
similares puntuaciones en una prueba que evalúa esta motivación. A continuación los
miembros de cada par son asignados aleatoriamente a cada uno de los grupos. Como se
observa este diseño combina el "apareamiento" y la asignación aleatoria. El
apareamiento reduce la variabilidad intergrupal haciendo al grupo más homogéneo, y
la aleatorización controla las fuentes de varianza secundaria desconocidas o
imposibles de medir. En este diseño también se puede determinar aleatoriamente que
grupo será el GE y cual el GC.
170
Si la VD es cuantitativa en el análisis estadístico la prueba de elección es la T
correlacionada y el ANOVA o análisis de varianza para "bloques aleatorios" pues
cada par de sujetos es considerado un "bloque". Si la VD esta medida en escala
ordinal una prueba a usar la T de Wilcoxon, en tanto que si los datos están en
escala nominal el test estadístico que podría utilizarse es la Prueba de los
Signos. Ejemplo: Un experimentador quiere averiguar si el estado ansiedad inducida
influye en el rendimiento de pruebas académicas. Utilizo como variable de
apareamiento las calificaciones de aprovechamiento de exámenes anteriores.
Selecciono una muestra de 20 sujetos y conformó 10 pares, uno de cada par fue
asignado aleatoriamente a los grupos A y B. Luego a ambos grupos se le administro
una prueba de aprovechamiento que vario en su instrucción central: al GE se le dijo
que el puntaje que obtendrían se tomaría como nota de fin de curso, en tanto que el
GC se le indico sin mayor énfasis, que el examen era una evaluación de rutina. Se
asumió que la instrucción que recibió el GE debe generar ansiedad. 4.3.4 Diseño de
grupos aleatorios con más de dos condiciones experimentales. Este diseño también es
conocido como "diseño multigrupo" porque requiere de varios grupos, de tantos como
condiciones experimentales se haya planificado. Esquema: G1 G2 G3 G4 Gk XI X2 X3 X4
Xk 01 02 03 04 Ok
Se observa en el esquema que este diseño tiene las siguientes características: a)

es una ampliación del diseño de dos grupos totalmente aleatorizados, con postest
únicamente; b) puede o no puede tener GC, si lo tiene, éste no se expone a la VI;
c) por el número de tratamientos X que brinda gran cantidad de información cuyo
análisis contribuye al mejor desciframiento de la relación funcional entre X e Y.
El control de las diversas amenazas a la validez interna es prácticamente total con
este diseño. Por ejemplo, a) el efecto debido a tests no se presenta porque no hay
pretest; b) la inestabilidad no afecta porque los componentes de] experimento son
los mismos para todos los grupos (excepto la
171
manipulación o tratamiento experimental); c) no afecta la instrurnentación porque
es el mismo postest para todos; d) no afecta la maduración porque la asignación es
al azar; e) no afecta la regresión porque si un grupo está regresando a su estado
normal, el otro u otros también. Ejemplo: Un investigador hace un estudio para
establecer si el lapso de privación de alimento influye en el tiempo que unas ratas
emplean en recorrer un laberinto para llegar al alimento (estímulo). Tomo una
muestra aleatoria de 20 ratas blancas, de la misma raza, sexo y edad. Los
tratamientos experimentales (X), fueron las horas de privación de alimento que
quedaron establecidas en 10, 20, 30 y 40 horas. Las 20 ratas fueron asignados al
azar a las cuatro condiciones experimentales, quedando conformado cada grupo por 5
sujetos. Por ser la VD –tiempo en recorrer el laberinto – una variable
cuantitativa, El análisis estadístico lo realizará empleando un ANOVA de varianza
unidireccional o de una vía (one way). 4.3.5 Diseño de cuatro grupos de Solomon.
Esquema: G1 G2 G3 G4 01 03 ----X -X ---02 04 05 06
El esquema indica las principales características de este diseño: a) es la

combinación de dos diseños, el "postest únicamente y grupo de control” y el
“pretest-postest con grupo de control”; b) en consecuencia, se origina cuatro
grupos, dos GE y dos GC; c) como es usual, los GE reciben el tratamiento X, y los
segundos, no; d) a uno de los GE y a uno de los GC se les administra el pretest; d)
a los cuatro grupos se les administra el postest; e) los sujetos sin asignados
aleatoriamente a cada uno de los grupos. Por su conformación, este diseño tiene
mayores ventajas que cada uno de los diseños que lo componen cuando estos se
utilizan independientemente. En cuanto a la validez externa, tiene impacto sobre
esta pues los resultados de la comparación de los dos primeros grupos se repiten en
los dos siguientes. En cuanto a la validez interna, controla varias amenazas, entre
ellas: a) la selección y mortandad por medio de la aleatorización; b) la maduración
y la historia por el uso del GC. Además, hace posible comprobar los efectos del
pretest sobre el postest, puesto que a algunos grupos se les administra la
preprueba y a otros no. Sin embargo, también tiene algunas desventajas: la
dificultad de realizar dos experimentos al mismo tiempo, la dificultad de
172
ubicar un número grande de sujetos, y la dificultad de no poder contar con una
medida estadística que analice simultáneamente las seis observaciones. Este diseño
hace posible realizar muchas comparaciones que pueden efectuarse para determinar
que factores podrían ser los causantes de ciertos tipos de resultados. Por ejemplo,
a un psicólogo puede interesarle determinar los efectos del tratamiento, pero
también quiere saber si el hecho mismo de someterse a una prueba previa altera las
puntuaciones finales. Para determinar la efectividad del tratamiento podría
compararse el GE con el grupo 2, ya que la única diferencia entre los dos es la
inclusión de un tratamiento. Para determinar el efecto de la prueba, una
comparación del grupo 1 y del grupo 3 le proporcionaría la información necesaria.
La única diferencia es que un grupo realizó la prueba previa, mientras que el grupo
3 no lo hizo. Hay muchas otras comparaciones que pueden hacerse. Por ejemplo, una
comparación de los grupos 3 y 4 daría información sobre el efecto del tratamiento
sobre grupos que no presentaron la prueba previa, pero que sí recibieron el
tratamiento. Sin embargo, a pesar que es posible hacer muchas comparaciones y por
sus desventajas, algunos investigadores creen que este diseño no es práctico
(Salkind, et al., 1998). En el análisis estadístico de este diseño se pueden
emplear la prueba Ji cuadrado para múltiples grupos si el nivel de medición de la
VD es el nominal; el ANOVA de una vía si la VD es cuantitativa y se comparan
únicamente los pretest y el análisis factorial de varianza, si se comparan todas
las mediciones- pre y post test. 4.3.6 Diseño de grupos aleatorios con bloques. Los
“bloques” son agrupaciones de sujetos con similares valores en una variable
extraña, cuya influencia el experimentador desea controlar. La elaboración de los
bloques se hace atendiendo a una de estas variables que puede ser psicológica,
social o física, previamente identificada por su asociación con la VD, la misma que
se denomina “variable de bloqueo”. Este procedimiento, permite una relativa
homogeneidad de las unidades experimentales o sujetos dentro de un bloque (los
sujetos serían “iguales”) controlándose de esta manera las diferencias
interindividuales y con ello una fuente de error; asimismo, con esta homogeneidad
intrabloque se producirán diferencias entre los bloques, facilitando el tratamiento
de cada uno de ellos. Aplicados los tratamientos experimentales de manera aleatoria
a cada uno de los sujetos al interior de cada bloque, se puede concluir si los
sujetos de cada bloque son iguales, que las diferencias que se puedan hallar se
deben a los tratamientos.
173
Ejemplo. Una psicóloga va a ensayar un programa de facilitación del aprendizaje de
la matemática. En la fase de planeamiento del experimento, después de un análisis
minucioso, establece que hay dos variables extrañas importantes: la inteligencia y
el rendimiento anterior en matemática. Para esta segur de la “importancia” de estas
variables calcula el coeficiente de correlación de Pearson entre los valores de
ambas variables y las notas de un examen reciente en matemática. La inteligencia es
medida por un test de CI y el rendimiento anterior por el promedio de notas
ponderado. Doce sujetos participan del experimento. Se correlaciona su puntaje
actual en matemática con el rendimiento anterior (r= 0.90) y, también con el CI (r=
0.66). Al correlacionar más alto el rendimiento anterior con el rendimiento actual,
la influencia de está será más importante que la de la inteligencia. Al inicio del
experimento, ella solamente quería designar aleatoriamente a doce sujetos a un GE y
a un GC, seis por grupo. Pero, podría ocurrir por “azar” que a pesar de la
aleatorización en uno de los grupos, cuatro de los seis sujetos, son estudiantes
sobresalientes, mientras que en el otro grupo no hay ninguno sobresaliente. Con la
aleatorización es poco probable que esto ocurra, pero ella piensa que si todo el
trabajo se puede perder por una mala pasada del azar, es razonable buscar un
procedimiento para que esto no ocurra, vale decir, quiere hacer que los dos grupos
sean equiparables respecto al “rendimiento anterior en matemática”, para lo cual
sigue el siguiente procedimiento: 1) Mide (ordena o clasifica) a los sujetos en la
variable extraña que desea controlar, la nota anterior en matemática. 2) Forma
agrupaciones de sujetos –“bloques”- con similares valores en la variable extraña:
Nivel alto, medio y alto de rendimiento anterior en matemática. 3) Asigna al azar a
la mitad de los sujetos de cada bloque a uno de los grupos del experimento y la
otra mitad, al otro. El esquema del diseño es el siguiente:
174
Bloques Condición Ss. Matemática anterior
ALTO
A B C D E F G H
18 17 18 18 16 15 15 15
EXP CTRL CTRL EXP CTRL CRTL EXP EXP
MEDIO
BAJO
I J K L
13 12 13 12
CTRL EXP CTRL EXP
(Ejemplo tomado con modificaciones de León & Montero, 1991).
El diseño con bloques puede complejizarse de acuerdo a los propósitos del estudio,
puede haber diseños de un sujeto por nivel y bloque y pueden bloquearse más de una
variable. Por otro lado, en cualquiera de los diseños de bloques que se prefiera el
tratamiento estadístico se realiza con el análisis de varianza, (ANOVA). 4.3.7
Diseño de Cuadrado Latino Es una ampliación del diseño de bloques aleatorios en el
que se bloquean dos variables extrañas. El esquema del diseño tiene la forma de una
matriz cuadrada pues tiene igual número de filas y de columnas, allí los
tratamientos experimentales (X) ocupan las celdas del cuadro y son distribuidos al
azar. Cada tratamiento, o niveles de la VI, aparecen una sola vez en cada fila y en
cada columna. Por otro lado, los bloques no son variables de estudio, sino que se
trata de controlar su influencia. Ejemplo: Un psicólogo está analizando el
aprendizaje verbal y decide realizar un experimento en el que sigue el siguiente
procedimiento: a) presenta a 9 sujetos parejas de palabras, el primer miembro del
par es el estimulo y el segundo la respuesta; b) el material se presenta bajo tres
modalidades: visual (A), auditiva (B) y mixta (C); c) concluida la exposición de la
serie, a la presentación de cada estímulo los sujetos deben escribir el miembro del
par asociado; d) considera que dos variables extrañas pueden influir en el
aprendizaje, y quiere controlar su efecto. La primera variable extraña “a” es la
inteligencia, de la cual se toma tres valores: a1 alta, a2 media, a3 baja. La
segunda variable extraña “b” es el status
175
socioeconómico, del cual toma tres niveles: b1 alto, b2 medio y b3 bajo; e) la
eficacia de los tres procedimientos de exposición los mide por la cantidad de
respuestas correctas. La hipótesis nula sostiene que no existen diferencias
significativas entre los resultados por efecto de las modalidades de presentación;
f) puesto que tiene tres tratamientos distintos (A, B, C), la variable “a”
(inteligencia) con tres valores y la variable “b” (status socioeconómico) con tres
valores, necesita de un cuadrado latino 3 x 3 para resolver el problema; g)
conforma tres bloques para los tres niveles de inteligencia, asignándose sujetos
con similares puntajes de inteligencia en cada bloque; h) la segunda variable de
bloqueo es el status socioeconómico, que igualmente tiene tres bloques: b1, b2 y
b3, cada columna representa un bloque. En este ejemplo, la VI actúa con tres
tratamientos: A, B ,C (visual, auditiva y mixta, respectivamente) que representan
las modalidades de presentación de las parejas de palabras y el doble bloqueo busca
eliminar la influencia de las desigualdades en inteligencia y status
socioeconómicos de los sujetos. Asimismo, el experimentador asigna un sujeto por
casilla. Esquema del Cuadrado Latino para este estudio: Status socioeconómico
(variable de bloque “b”) Inteligencia (variable de bloqueo “a”) a1 a2 a3
b1 A B C
b2 B C A
b3 C A B
(Ejemplo tomado con modificaciones de Alarcón, 1991). El análisis estadístico se

hace por medio de un ANOVA, haciendo notar que las interacciones entre las tres
filas, columnas y tratamientos son nulas, por lo que no se toman en cuenta. 4.3.8
Diseños factoriales Estos diseños también denominados complejos se proponen estimar
simultáneamente el efecto combinado sobre una VD de dos o más VI, cada cual con dos
o más niveles. Se considera que son los más apropiados para estudiar las
complejidades de la conducta. Por ejemplo, el estudio de los posibles efectos de un
nuevo método de enseñanza de la matemática puede hacerse con un diseño experimental
univariado–por ejemplo
176
comparando a dos grupos, uno que lo emplea y otro que no -, sin embargo se puede
estar descuidando otras variables sumamente importantes con influencia decisiva en
los resultados alcanzados, como lo son la formación profesional del profesor, el
nivel intelectual de los alumnos, entre otras. Con un diseño factorial, por el
contrario, en un mismo estudio puede controlarse varias de estas variables,
obteniéndose información acerca de la influencia en conjunto de dichas variables
así como también de cada una de las variables en forma independiente. Los diseños
factoriales se clasifican atendiendo al criterio del número de VI que participan:
a) Diseños factoriales con dos VI o diseños bifactoriales, y b) Diseños de
múltiples variables independientes. Veremos un ejemplo de diseño bifactorial. En
este diseño las VI pueden actuar con dos valores (niveles), como en el caso del
diseño 2 x 2, o con más de dos niveles, por ejemplo, en un diseño 3 x 3 o en uno 2
x 4. Todos estos diseños son bifactoriales, pero se diferencian por el número de
niveles que intervienen en el experimento. En la notación de estos diseños, el
número de cifras, separadas por el signo de multiplicación, representa la cantidad
de VI, en tanto que el valor de cada número indica la cantidad de niveles de las
variables. Si se multiplican los números contenidos en el diseño se obtiene el
número de condiciones experimentales. Por ejemplo, el diseño 2 x 2 tiene 4
condiciones experimentales, y un diseño 2 x 4 tendrá 8 de estas condiciones. El
diseño más simple es el diseño factorial 2 x 2, que tiene cuatro condiciones
experimentales, una por celdilla, requiriendo cuatro grupos equivalentes de sujetos
aleatoriamente asignados a cada tratamiento. En este diseño se evalúan tres tipos
de efectos: a) dos efectos principales correspondientes a las variables A y B; b)
Cuatro efectos simples, los efectos de los dos niveles de A sobre los dos niveles
de B, y los efectos de los dos niveles de B en cada nivel de A; c) un efecto de
interacción de las dos VI. En términos estadísticos la interacción se refiere al
efecto adicional a la suma de los efectos individuales de las variables
independientes. Se dice que no hay interacción cuando este efecto es nulo, no
aparece, una variable actúa independientemente de las condiciones que se den en la
otra. Explicando en términos deportivos la interacción esta se da, por ejemplo,
cuando se practica el andinismo (a más de 6000 m s.n.m.) se toman anticoagulantes
para evitar que el exceso de frío espese y paralice la circulación sanguínea en las
extremidades y como consecuencia se produzca congelaciones. Al mismo tiempo, los
fuertes dolores de cabeza, debidos a la falta de oxígeno, son frecuentes. Si
decidiéramos tomar aspirinas y tuviéramos una herida abierta, podemos desangrarnos
hasta morir, ya que el efecto conjunto de los dos medicamentos altera los
mecanismos
177
homeostáticos naturales del organismo. En resumen, el efecto de tomar
anticoagulantes y aspirina es “evitar el espesamiento de la sangre + quitar dolor
de cabeza + altera mecanismo homeostático = riesgo de desangrarse”. Este último
efecto no es producido por ninguno de los medicamentos en forma aislada. Es un
efecto adicional, al que se denomina interacción. (Ejemplo tomado con
modificaciones de León y Montero, 1991). Ejemplo: A continuación con base en un
ejemplo brindado por Alarcón (1991) y que hemos modificado para este texto,
presentamos el siguiente ejemplo: Una psicóloga quiere determinar si el tipo de
instrucción verbal, tomado como agente de activación, tiene diferente efecto sobre
la ejecución de tareas abstractas. Las variables independientes son dos: una es la
variable A (activación) que adopta dos valores o dos tipos de instrucciones: A1
indica a los sujetos que la tarea que resolverán constituye una medida de la
habilidad intelectual; A2 simplemente solicita la colaboración de los sujetos para
desarrollar un nuevo test. La otra VI es la variable B (tareas abstractas) que
también tiene dos modalidades: B1 tareas verbales, y B2 tareas gráficas. La VD está
representada por la cantidad (ejecución) de tareas resueltas. En consecuencia, la
psicóloga tiene dos VI cada una con dos niveles o valores. La matriz del diseño
factorial 2 x 2 es la siguiente:
Variable B (tareas abstactas) B1 (verbales) B2 (gráficas)
(A1B1) A1 G1 Variable A (Activación) (Sí) I (A2B1) A2 G3 (No) III
(A1B2)
G2
II (A2B2)
G4
IV
(Modificado de Alarcón, 1991) A cada celdilla se le ha asignado un grupo de

sujetos: G1, G2, G3 y G4. Cada grupo recibirá sólo un tratamiento experimental
combinado: un valor de la variable A y otro de la variable B. Por ejemplo, el grupo
G1 resolverá
178
tareas abstracto-verbales, bajo la instrucción 1, en tanto que el grupo G4
trabajará con problemas abstracto-gráficos con la instrucción A2. Las celdillas son
las medidas para cada grupo en la VD. Así la celdilla I representa las mediciones
promedio de los sujetos del grupo G1. Por otro lado, los efectos son estos: 1.
Efectos principales: a) Efecto principal de la variable A. Pregunta ¿influye sobre
la resolución de problemas abstractos, los tipos de instrucción?. El efecto
principal de la variable A se determina estimando la diferencia de los puntajes
logrados en A1 y A2. El nivel A1 es igual a I + II; el nivel A2 es igual a III +
IV. La media de la diferencia de A1 – A2, constituye el efecto principal de A. Por
tanto, el efecto principal de A = (I + II) – (III + IV) / 2 b) Efecto principal de
la variable B. Pregunta ¿influye sobre la resolución de tareas abstractas, la clase
de problemas abstractos?. Para determinar su efecto se suman los puntajes
correspondientes al nivel B1 = I + III y los del nivel B2 = II + IV. La media de la
diferencia entre B1 y B2 es el efecto principal de B. Así, el efecto principal de B
= (I + III) – (II + IV) / 2
2. Efectos factoriales simples. Los efectos factoriales principales estiman la

acción de las variables A y B en forma global e independientemente, sin tomar en
cuenta los niveles que cada cual asume. Es posible determinar el efecto de los
valores de A sobre los dos valores de B y a la inversa. Se determinan estos efectos
simples por comparación: Efecto simple de A en el nivel B1 = I – III Efecto simple
de A en el nivel B2 = II – IV Efecto simple de B en el nivel A1= I – II Efecto
simple de B en el nivel A2= III – IV. 3. Interacción. Para determinar la existencia
o ausencia de interacción entre las variables A y B se compara el efecto de la
variable A en el primer nivel de la variable de B (I – III = efecto de A en B1) con
el efecto de A en el segundo nivel de B (II – IV = efecto de A en B2). Se busca, en
todo caso, si existen diferencias entre los efectos de la Vi A y los diferentes
valores de la VI B. La diferencia de las diferencias dividida por dos, representa
la interacción que las dos VI tienen sobre la VD. Interacción AB = (I – III) – (II
– IV) / 2; o también: Interacción AB = (I – II) – (III – IV) /2. Si se encuentran
diferencias significativas se rechaza la hipótesis de la independencia de los
factores, infiriéndose la existencia de interacción entre ambos factores. Por el
contrario, de no darse diferencias podrá afirmarse que cada factor es
independiente. (Alarcón, 1991).
179
El análisis estadístico de los diseños factoriales en cualquiera de sus modalidades
se realiza por medio del análisis de varianza (ANOVA) de dos vías o factorial. 4.4
Diseños N = 1
Este tipo de diseño fue desarrollado en el análisis experimental de la conducta, y

se adecúa a los tratamientos individualizados que son importantes en la psicología
aplicada, en especial en la psicología clínica. Es de notar que algunos de estos
diseños requieren de más de 1 sujeto. En todo caso, “en todos ellos se toman
“medidas desde un punto de vista histórico, siendo uno de sus presupuestos básicos
la aplicación sistemática, a lo largo del tiempo, de uno o varios tratamientos, a
cada uno de los sujetos que participan en el estudio” (Buela- Casal, et al., 1999).
Los diseños N=1 son de variado tipo pero en su realización tienen varias etapas en
común: a) en todos el psicólogo especifica de manera clara y objetiva la conducta
que le interesa incrementar, decrementar o eliminar; b) en todos se especifica
claramente el instrumento o los instrumentos para evaluar la conducta de interés;
c) en todos se ejecuta una medida repetida y continua de la conducta de interés a
lo largo de las diversas fases del tratamiento; c) en todos existe la línea base o
fase A del estudio como período inicial de observación. Esta línea base es el
resultado del registro por lo menos en tres veces de la frecuencia natural de la
conducta hasta que aparezca un patrón estable de conducta; d) en todos la VI de
interés es generalmente un tratamiento que se aplica en un momento particular
denominada fase de intervención, con el objetivo de alterar la conducta del sujeto;
e) en todos se evalúa la VD a través de varis fases de intervención; f) en todos se
procura cambiar una sola VD examinando los patrones de cambio: nivel, tendencia y
ausencia o presencia de esa tendencia, para determinar claramente si contribuye a
la mejora de la conducta objetivo; g) en todos ellos la observación es la técnica
más empleada para la recolección de los datos. Estos diseños tienen también algunos
problemas, por ejemplo, no permiten la generalización de lo hallado, a lo más se
puede hacer una aproximación mediante la replicación; y también se ven afectados
por diversas amenazas a la validez interna en razón de la repetición de las
medidas. Entre las amenazas a la validez interna se encuentran la historia, la
maduración, sesgos en la medida de la VD, instrumentación inconsistente o poco
fiable, interferencia de intervenciones múltiples, inestabilidad e intervenciones
reactivas. En el control de estas amenazas se proponen una serie de medidas que
debe tomar el experimentador, entre ellas las siguientes: una planificación
adecuada del experimento, control del ambiente, introducción del tratamiento cuando
la serie de datos se estabilice, análisis de la información acerca de los sujetos
antes de la intervención, períodos de medida más prolongados, elección de
instrumentos fiables. Por otro lado,
180
también se presentan varias amenazas a la validez externa: interferencia de la
intervención múltiple, efecto Hawthorne, efecto de novedad, efectos debidos al
experimentador, sensibilización pre y postest, e interacción con otros efectos. Los
diseños más utilizados son los denominados A-B, A-B-A, y, A-B-A-B. El diseño A-B es
el más sencillo y es análogo al diseño preexperimetal pretest postest de un solo
grupo con la diferencia que se toma una serie de medidas repetidas sobre un tipo de
conducta objeto, tanto antes como después de la observación. Cualquier cambio de
nivel que se observe por comparación con la línea base en la conducta de interés
(VD) cuando se introduce el tratamiento (VI) puede considerarse que es efecto de
este. Por otro lado, el diseño A-B-A es también conocido con la denominación de
diseño de retirada, distinguiéndose en su secuencia tres etapas: se elabora la
línea base A, se aplica el tratamiento B y se mide la VD, luego se retira el
tratamiento volviendo a la línea base A. Este diseño tiene una buena validez
interna siendo su principal inconveniente la retirada del tratamiento pues si este
resulta positivo para los sujetos, su retirada podría tener un efecto negativo. Por
último, el diseño A-B-A-B, tiene una secuencia de cuatro fases. En la primera se
elabora la línea base A, en la segunda se introduce el tratamiento B, en la tercera
se retira el tratamiento y se elabora una segunda la línea base B, en la cuarta, se
reintroduce el tratamiento. Si la conducta de interés se altera en la segunda
intervención el tratamiento ha sido exitoso. Cuando se realiza el análisis de los
datos en los diseños N=1 debe tenerse siempre presente que las conductas de los
sujetos no son uniformes y constantes y que también el contexto ambiental no
permanece constante, con esta prevención es común efectuar este análisis mediante
técnicas visuales o gráficas (Castro, 1974), y también a través de procedimientos
estadísticos. 4.5 Diseños no experimentales 4.5.1 Diseños transeccionales Son
aquellos que especifican la recolección de datos en un solo momento, en un tiempo
único -la recolección de datos puede durar varios días, pero se le considera como
realizada en un solo acto-. Su propósito es describir variables, y analizar su
incidencia e interrelación en un momento dado. Estos diseños pueden abarcar varios
grupos o subgrupos de sujetos, objetos o indicadores. Por ejemplo, medir los
niveles de ansiedad-estado de atletas varones y mujeres.
181
1. Diseños transeccionales descriptivos. Su objetivo es averiguar la incidencia y
los valores en que se manifiesta una o más variables. Su procedimiento consiste en
medir en un grupo de personas u objetos una o más variables y describirlas.
Ejemplo: una encuesta acerca de la intención de voto en las elecciones municipales.
a) Descriptivo simple: El investigador busca y recoge información con respecto a
una situación previamente determinada (investigación de una sola variable).
Esquema: M O
M = Muestra en la que se va a realizar el estudio; O = Información relevante o de

interés que el investigador se limita a recoger (Sánchez y Reyes, 2006). Ejemplo:
Caracterización del nivel de opinión de los padres de familia frente a la actuación
de la APAFA en un Centro Educativo. b) Descriptivo Comparativo. El investigador
recoge información en dos o más muestras con respecto a un mismo fenómeno o aspecto
de interés y luego lo caracteriza en base a la comparación de los datos recogidos,
atendiendo, por ejemplo, a las características predominantes comunes y
diferenciales de cada uno de ellos. Esquema: M1 M2 M3 Mn O1 O2 O3 Mn
O1 ≈ O2 ≈ O3 ≈ On ≠ ≠ ≠
Ejemplo: Diferencias en la realización de tareas que exigen coordinación visomotriz

de un grupo de estudiantes que recibe un suplemento proteico especial y otro grupo
que recibe placebo. 2. Diseños Transeccionales-correlacionales. Describen
relaciones, sean correlacionales o causales, entre dos o más variables en un
momento determinado. Por tanto, pueden limitarse a establecer relaciones entre
variables sin precisar sentido de causalidad o pueden pretender analizar relaciones
de causalidad. Cuando se limitan a relaciones no causales, se fundamentan en
hipótesis correlacionales (covariación). Por ejemplo, cuando se pretende investigar
la relación entre la autoeficacia y el rendimiento en matemáticas, observando cuán
relacionadas están ambas variables.
182
Ejemplo: Incidencia de la condición socioeconómica en el desarrollo del Juicio
Moral. (Puede seleccionarse dos muestras en las que se “controla” la condición
socioeconómica (alta y baja), se igualan las muestras de acuerdo a su edad
cronológica, grado de escolaridad, etc., y se evalúa los niveles de desarrollo del
juicio moral alcanzados por los sujetos en cada una de las condiciones. (Sánchez &
Reyes, 1991). 4.5.2 Diseños longitudinales Se utilizan para analizar cambios a
través del tiempo en determinadas variables o en las relaciones entre éstas. Estos
diseños recolectan datos a través del tiempo en puntos o períodos determinados,
para hacer inferencias respecto al cambio, sus determinantes y consecuencias.
Esencialmente se trata de un diseño de medidas repetidas, en que los mismos sujetos
son observados en diferentes puntos del tiempo. Por ejemplo, en los estudios de
desarrollo el propósito es observar los cambios que se operan en la conducta por
efecto de la variable tiempo. Su esquema básico es el siguiente: Esquema: M O1 M =
T1 a T4 (ó más) = observaciones O1 a O4 = O2 O3 O4 T1 T2 T3 T4
muestra o grupos de sujetos momentos (tiempos) en que
se
hacen
las
observaciones hechas en la variable de estudio.
Estos diseños dan información confiable de los cambios observados en el tiempo; sin
embargo, si el estudio durará demasiado tiempo podría perder actualidad. En los
estudios evolutivos propician una buena información, pero para muchos propósitos
esta es insuficiente puesto que el cambio evolutivo no puede explicarse solamente
en función de una sola variable, por ejemplo, la edad, ya que esta relacionado con
otras variables influyentes. Un ejemplo de este diseño es una investigación que
busca analizar los cambios en la inteligencia en niños de 6 a 16 años de edad.
4.5.2.1. Diseño longitudinal de panel. Se caracteriza porque en el mismo grupo de
sujetos se recoge datos respecto a las mismas variables al menos en dos momentos
del tiempo (Buendía et al, 1998). Tiene la ventaja de que se puede conocer los
cambios grupales y también los cambios individuales. Ejemplo: una
183
investigación que observará anualmente los cambios en la asertividad en un grupo de
estudiantes de educación desde el momento de su ingreso hasta su egreso. 4.5.2.2.
Diseño longitudinal de tendencia (“Trend”) Se caracteriza porque se recogen datos
respecto a las mismas variables en varios momentos del tiempo de forma que permita
el análisis de tendencias y conocer los cambios de una variable, o en las
relaciones entre variables, de una población. La población es la misma, las
muestras son diferentes a través del tiempo. Ejemplo, una investigación que plantea
conocer la actitud de los profesores hacia la reforma del sistema educativo que se
inicia el 2005 y se repetirá el 2010 y el 2015. 4.5.2.3. Diseño de cohorte. Las
dificultades para el estudio separado del efecto de edad y el efecto de “cohorte”
(generación por fecha de nacimiento o acontecimiento histórico) en los datos de un
diseño longitudinal simple impulsan una estrategia alternativa que permite la
descripción simultánea de los cambios relacionados con una u otra variable
(Buendía, Colás & Hernández, 1998). Ejemplo, una investigación que pretenda
averiguar los valores dominantes y su evolución a través del tiempo en adolescentes
que nacieron el año 1985.
184
LECTURA 3 DISEÑOS DEL ESTUDIO3 Los diseños que se definen a continuación
representan condiciones de laboratorio que no siempre son reproducidos en la vida
real. Esa representación hace factible entender las dificultades en los estudios de
campo que buscan llevar a conclusiones suficientes para justificar programas en
salud pública o en otras áreas sociales. Asimismo, muestra el rigor necesario para
establecer cconcordancia entre la política social y las necesidades de las
poblaciones. El diseño de correlación u observación mide la asociación estadística
entre dos variables sin demostrar una relación causal. Es decir, la existencia de
una correlación (p.ej. paramétrica o no-paramétrica) no demuestra ue X causó Y.
Entre otras, hay dos razones que justifican esta conclusión. La primera es que el
diseño de correlación no garantiza de ipso la temporalidad de las variables (X
antecede a Y). Con frecuencia ocurre que no se puede demostrar el orden en la
secuencia de las variables, que puede ser inverso (Y antecede a X) al orden
propuesto por una hipótesis caussal (variable independiente dependiente). La
segunda razón es que el diseño de correlación no identifica o controla los efectos
de otras variables que, estando correlacionadas con X, afectan a la variable Y
confundiendo la relación entre X e Y. Esto es: la relación entre X e Y puede
deberse ala acción de una tercera variable (C) y no a la acción de X sobre Y. A
través de aajustes en eel diseño del estudio o del manejo estadístico de los datos
se puede fortalecer la hipótesis de que X causa Y, pero, por la propia naturaleza
del diseño de correlación, esos ajustes o cotejos estadísticos no pueden llevar a
emitir juicios deffinitivos sobre la relación causal entre ambas variables. Estas
limitaciones, sin embargo, no cancelan el mérito científico de los estudios de
correlación, que han contribuido sustantivamente con la formulación y apoyo de
hipótesis y causales teóricamente justificadas. En los estudios basados en diseños
cuasi-experimentales, el investigador mantiene el control experimental de la
variable independiente, pero no es capaz de controlar todas las variables que
podrían moderar o confundir la rrelación entre X e Y. Esta falta de control
determina un margen de error considerable, lo que limita la validez interna del
estudio. Por los general, en estos casos, los individuos bajo estudio no son
expuestos aleatoriamente a la variable independiente.
Referencia original: Cueto, S. (2002). Diseños del estudio. En E. Pollitt.

Consecuencias de la desnutrición en el escolar peruano (pp. 105-106). Lima: Fondo
Editorial de la Pontificia Universidad Católica del Perú.
185
Los estudios experimentales cumplen con los requisitos necesarios para derivar
conclusiones sobre causalidad. Con este ddiseño, los individuos por comparar
provienen de una misma población y son expuestos aleatoriamente a dos o más
condiciones o tratamientos experimentales (variables independientes). Además, el
investigador manipula dichas variables de tal manera que puede establecer la
temporalidad (inicio, duración y término) de estas así como la dosis del
tratamiento. Este control le permite determinar la secuencia en la presentación de
la variable independiente y la aparición del cambio en la variable dependiente. Por
último, las personas que administran y reciben el tratamiento son ciegas a la
composición del tratamiento.
186
ACTIVIDADES DE AUTOAPRENDIZAJE 1. Realice un cuadro comparativo entre la hipótesis
correlacional y la hipótesis causal. Hipótesis correlacional 1. Hipótesis causal 1.
2.
2.
3.
3.
4.
4.
2. Identifique el tipo de hipótesis, las variables y el tipo de variable según el

nivel o escala de medición: 1. La proporción de estudiantes entre 14 y 19 años de
3°, 4° y 5° de secundaria que se encuentran operando a nivel formal, es
significativamente inferior a la proporción de estudiantes en estadios previos,
tanto en la zona rural como en la zona urbana. (Facundo, 1991) a) Tipo de
hipótesis: ___________________________________________ b) Variable y tipo de
variable: ___________________________________ c) Variable y tipo de variables:
___________________________________ 2. El nivel de autoconcepto académico de los
alumnos está en función del tipo de elogio que reciben de sus profesores. a) Tipo
de hipótesis: __________________________________________ b) Variable y tipo de
variable: ___________________________________ c) Variable y tipo de variable:
___________________________________ 3. El recibir un choque emocional altera el
recuerdo de los sucesos inmediatamente anteriores a) Tipo de hipótesis:
__________________________________________ b) Variable y tipo de variable:
__________________________________ c) Variable y tipo de variable:
__________________________________ 4. Si se diseña un modelo de dirección con
enfoque participativo que permita una estructura y organización del proceso de
dirección escolar de modo que responda a las condicione de las zonas rurales,
entonces se contribuye al perfeccionamiento de dicho proceso.(Fiallo, et al., 2008)
a) Tipo de hipótesis: __________________________________________ b) Variable y tipo
de variable: ___________________________________ c) Variable y tipo de vatiable:
___________________________________
187
3. ¿Por què se dice que la varianza primaria es la que le interesa al investigador?
Respuesta:……………………………………………………………………………………………………….
………………………………………………………………………............................................
……………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………
4. Identifique el diseño que corresponde y las amenazas a la validez interna que

controla.
1. GE O Diseño:_________________________________________________ Amenazas
controladas: ____________________________________
_______________________________________________________ 2. GE O1 X O2 Diseño:
________________________________________________ Amenazas controladas:
____________________________________
_______________________________________________________ 3. GE O1 X O2
-----------------------GC O3 -O4
Diseño: ________________________________________________ Amenazas controladas:

____________________________________
4.
GE GC
01 X 02 03 -- 04

____________________________________ 5. G1 G2 G3 G4 01 X 03 ---- X --- ---02 04 05
06

____________________________________
188
AUTOEVALUACIÓN 3
Afirmaciones 1. Las hipótesis se apoyan en conocimientos organizados y

sistematizados. 2. Las hipótesis surgen de los objetivos. 3. La variable
dependiente trata de establecer relaciones explicativas precisas entre fenómenos
bien definidos y delimitados. 4. Las hipótesis estadísticas se formulan cuando los
datos son cuantitativos o cualitativos. 5. En el análisis estadístico la hipótesis
de investigación se transforma en la hipótesis alterna. 6. Existen diseños
experimentales de grupo, de sujeto único (N=1) y no experimentales. 7. En la
selección del diseño hay que tener en cuenta el tipo de problema y el grado de
control de la variable dependiente. 8. El propósito de los diseños transeccionales
es describir indicadores y analizar incidencias e interrelación en un momento dado.
9. La historia es una amenaza a la validez externa. 10. La aleatorizaciòn es una
manera de eliminar a las variables extrañas. (
V ) (
F )
( (
) )
( (
) )
)
(
( (
) )
( (
) )
Respuestas: 1) V; 2) F; 3) F; 4) F; 5) V; 6) V; 7) F; 8) V; 9) F; 10) V
189
http://produceideas.googlepages.com/hiptesis.pdf
http://www.univo.edu.sv:8081/tesis/016155/016155_Cap3.pdf
http://www.conductitlan.net/hipotesis.ppt
http://wapedia.mobi/es/Hipótesis_(método_científico)?t...
http://www.umce.cl/.../investigacion_cientifica_en_los_estudios_geograf
icos_plantea.htm
http://www.urosario.edu.co/cienciashumanas/documents/.../pdf/50b.pdf
http://www.cepes.uh.cu/.../HIPOTESISVARIABLESYDIMENSIONES.doc
http://tgrajales.net/investhipot.pdf
http://www.ucla.edu.ve/dmedicin/departamentos/.../SEB/.../hipotesis.p df
http://www.tesisenxarxa.net/TESIS_UB/.../TDX...//02.PARTE_II.pdf
http://www.fisterra.com/mbe/investiga/.../cuanti_cuali.asp
http://escuela.med.puc.cl/Recursos/.../insIntrod2.htm http://www.e-
torredebabel.com/Psicologia/.../Variable.htm
http://www.wikilearning.com/...variables_dependientes.../15614-3
http://www.ugr.es/~arrayan/variables.htm
http://sisbib.unmsm.edu.pe/bibvirtualdata/Tesis/Human/...gv/Cap3.pdf
http://books.google.com.pe/books?isbn=9688562645
190
Alarcón, R. (1991). Métodos y diseños de investigación del comportamiento. 1ª.

edición. Lima: Universidad Peruana Cayetano Heredia. Alarcón, R. (2008). Métodos y
diseños de investigación del comportamiento. Lima: Universidad Ricardo Palma.
Arnau, J. (1995) Diseños longitudinales aplicados a las ciencias sociales y del
comportamiento. México: Limusa. Arnau, J. (1986) Diseños experimentales en
psicología y educación. Volumen 1. México: Trillas. Avila, R. (1997). Introducción
a la metodlogía de la investigación. La tesis profesional. Aplicaciones y ejemplos.
Lima: Estudios y ediciones RA. Babbie, E. (2000). Fundamentos de la investigación
social. México: Thomson. Baker, T. (1997). Doing Social Research. USA: McGrawHill.
Baltes, P., Reese, H. & Nesselroeade, J. (1981). Métodos de investigación en
psicología evolutiva. Madrid: Morata. Balluerka, N. & Vergara, A. (2002). Diseños
de Investigación Experimental en Psicología. México D.F.: Prentice Hall. Beltran,
J. & Alvarez, J. (1995). Psicología de la educación. Madrid: Morambo. Buela-Casal,
G., Caballo, V. & Sierra, J. (1999). Manual de evaluación en psicología clínica y
de la salud. Mèxico: Siglo XXI. Buendía, l., Colas, P. & Hernández, F. (1998):
Métodos de investigación en Psicopedagogía. Madrid: McGraw-Hill. Burns, N. & Grove,
S. (2004). Investigación en enfermería. Madrid: Elsevier. Campbell, D. & Stanley,
J. (1973). Diseños experimentales y cuasiexperimentales en la investigación social.
Buenos Aires: Amorrortu.
191
Castro, L. (1976). Diseño experimental sin estadística. México: Trillas. Carro, J.

(1994). Psicoestadística descriptiva. Salamanca: Amaru. Chang, A. (1997). Relación
entre las actitudes maternas y el proceso de adaptación personal del niño obeso.
Revista Peruana de Psicología, 2(4), 115-140. Clark-Carter, D. (2002).
Investigación cuantitativa en psicología. México: Oxford. Cueto, S. (2002). Diseños
del estudio. En E. Pollitt. Consecuencias de la desnutrición en el escolar peruano
(pp. 105-106). Lima: Fondo Editorial de la Pontificia Universidad Católica del
Perú. Encinas, I. (1991). Teoría y Técnicas en la Investigación Educacional. Lima:
Ave. Eyssautier, P. (2002). Metodología de la investigación. Desarrollo de la
inteligencia. México: Ecafsa Thomsom Learning. Facundo, A. (1991). El proyecto de
investigación. Modulo 5. Serie aprender a aprender. Lima: Universidad Inca
Garcilaso de la Vega. Vicerectorado Académico. Fiallo, J., Cerezal, J. & Hedesa, Y.
(2008). La investigación pedagógica una vía para elevar la calidad educativa. Lima:
Ruta Pedagógica. Gómez, J. (1983). El método experimental. México: Harla. Gómez, M.
(2006). Introdución a la metodología de la investigación científica. Córdova:
Brujas. Hernández, R., Fernández C. & Baptista .P. (2003) Metodología de la
investigación. México: Mc GrawHill. Kerlinger, F. & Lee, H. (2002). Investigación
del comportamiento. Métodos de investigación en Ciencias Sociales. México:
McGrawHill/Interamericana. Mejía, E. & Reyes, E. (1994) Operacionalización de
variables conductuales. Lima. Cénit.
192
León, O. & Montero, I. (1991). Introducción a la lógica de la investigación en
psicología y educación. 1ª. edición. Madrid: McGrawHill. O'Neil, W M. (1968).
Introducción al método en psicología. Buenos Aires: Eudeba Pick, S. (1995) Cómo
investigar en ciencias sociales. México: Trillas. Polit, B. & Hungler, D. (1994)
Investigación científica en ciencias de la salud. México: Mc Graw Hill. 5ta.
edición. Pecho, J. (1997). Autoestima, habilidades sociales y autoritarismo
paterno. Revista Peruana de Psicología, 2(4), 93-114. Sanchez, H. & Reyes, C.
(2006). Metodología y diseños en la investigación científica. Lima: Editorial
universitaria. Siegel, S. & Castellan, J. (1995). Estadística no paramétrica
aplicada a las ciencias de la conducta. México: Trillas. Salkind, N. (1998).
Métodos de investigación. México: Prentice Hall. Sierra Bravo, R. (1994). Técnicas
de investigación social. Teoría y ejercicios. Madrid: Paraninfo. Tamayo, M. (1991).
Diccionario de la investigación científica. México: Limusa Ugarriza, N. (1994). Un
modelo causal explicativo sobre el uso de bebidas alcohólicas en los adolescentes.
Revista de Psicología de la Universidad Ricardo Palma, 6(Especial), 69-75. Van
Dalen, D. & Meyer, D. (1994). Manual de técnica de la investigación educacional.
México: Paidós. Wood, G. (1984). Fundamentos de la investigación psicológica.
México: Trillas.
193
Cuarta
UNIDAD
EL PROCESO DE LA INVESTIGACIÓN CUANTITATIVA (III)
¿Cómo se realiza el proceso de muestreo probabilístico y no probabilístico? ¿Cuáles

son las decisiones a tomar en cuenta al planificar la recolección de datos? ¿Cuáles
son los criterios objetivos para elegir la prueba estadística adecuada? ¿Qué
aspectos específicos hay que tener en cuenta en la interpretación y explicación de
resultados?
194
Competencias
CONCEPTUALES:
• •
Define el propósito del muestreo en la investigación cuantitativa. Identifica los

principios que orientan la recolección y el análisis cuantitativo de los datos.
PROCEDIMENTALES:
• •
Aplicar el muestreo en la investigación psicológica, destacando la utilidad del

mismo con sentido crítico. Diseña el proceso de recolección y análisis cuantitativo
de los datos.
ACTITUDINALES:
•
Valora la necesidad de conocer los principios y etapas del muestreo en los que se
basa para la elección de la muestra de estudio. Valora la importancia de la
recolección y análisis de datos como paso final del proceso de investigación
cuantitativa.
195
CONTENIDO TEMÁTICO
Lección I: Muestreo. Individuo, población, muestra Parámetro, estadístico,
estimación de parámetros Concepto de muestreo Procedimiento para hacer el muestreo
Elaboración de la muestra probabilística Muestra no probabilística Tamaño de la
muestra probabilística Tamaño de la muestra no-probabilística Lección II:
Recolección de datos. Concepto Decisiones a tomar al planificar la recolección de
datos Lección III: Análisis cuantitativo de datos Tipos Propósitos del análisis
cuantitativo de datos Etapas Elección de la prueba estadística Concepto y tipos de
prueba estadística Critrios objetivos para elegir la prueba estadística Lección IV:
Interpretación y explicación de resultados Aspectos específicos a tomar en cuenta
en la interpretación y explicación de resultados Un ejemplode análisis e
interpretación Dos ejemplos de explicación o discusión de resultados Conclusiones
196
ESQUEMA CONCEPTUAL
PROBLEMA
HIPÓTESIS
ESTIMACIÓN DE LA HIPÓTESIS
CONSECUENCIAS CONTRASTABLES
CONCLUSIONES QUE AFIANZAN Y ENGRUESAN EL CUERPO DE CONOCIMIENTOS NUEVOS PROBLEMAS
RECOGIDA DE DATOS
ANÁLISIS, INTERPRETACIÓN Y DISCUSIÓN DE RESULTADOS
CONCEPTOS CLAVE Muestreo, muestra, población, parámetro, recolección de datos,

análisis cuantitativo de datos, prueba estadística, interpretación, explicación,
discusión.
197
Lección I Muestreo Determinado el diseño el paso siguiente es precisar quiénes van
a ser los sujetos investigados. La respuesta depende de los objetivos de la
investigación que nos proporcionan un marco de referencia en cuyo interior se
encuentran un conjunto de elementos que es necesario esclarecer para legitimar, por
ejemplo, la extrapolación de los resultados a que se llegue en el estudio a una
población o segmento de esta que sea de interés. En este sentido es fundamental
para el éxito de una investigación cuantitativa el que el psicólogo domine varios
conceptos y procedimientos que tratamos a continuación. 1.1 Individuo En
investigación, el término individuo refiere a cada uno de los elementos de una
muestra o población que llevan asociados una medida, un número de orden o un
juicio. Casi siempre en psicología los individuos coinciden con las personas
estudiadas, pero no siempre es así, por ejemplo, individuos pueden ser cada una de
las ratas de un experimento. 1.2 Población El un sentido demográfico una población
humana es un conjunto de personas que habitualmente residen en un territorio
geográfico bien delimitado y definido por un tamaño o volumen, un espacio, una
estructura y una evolución. En un sentido estadístico, que es el que empleamos
básicamente en este texto, el término población alude a un “Conjunto de casos que
concuerdan con una serie de especificaciones” (Selltiz, Jahoda, Deutsch & Cook,
1976). No se refiere necesariamente a personas. Por ejemplo, pueden ser
consideradas como población en un estudio el total de historias clínicas archivadas
en un determinado centro hospitalario, todas las instituciones educativas primarias
del Perú, todas las reacciones de un sujeto observado en situaciones
experimentales, el número de pernos producidos en un día o la suma de todas las
posibles combinaciones de tres cartas extraídas de un mazo de 52 naipes, en la que
la suma de los puntos de las tres cartas constituye un individuo para su posterior
tratamiento estadístico. Una población es finita cuando el número de individuos que
la componen es limitado; es infinita, cuando no se tiene un límite para el número
de individuos que la constituyen. Asimismo, en esta temática Polit & Hungler (2000)
proponen los conceptos de población accesible y población blanco u objetivo. La
primera consta del
198
conjunto de casos que satisfacen ciertos criterios especificados con anterioridad
por el investigador y que simultáneamente son accesibles al mismo. La segunda es el
conjunto de casos acerca del cual el investigador pretende hacer una
generalización, por ejemplo, todos los depresivos que viven en Perú. En este caso,
la población accesible podría reducirse a todos los neuróticos que participan en
determinado programa terapéutico. Se obtiene una muestra de la población accesible
con el objetivo de generalizar los resultados a la población blanco. 1.3 Muestra Es
el subconjunto de individuos pertenecientes a una cierta población. Se extrae de
está con la finalidad de inferir características del total de la población, por lo
que la muestra debe ser representativa de la misma empleándose con tal propósito
por el investigador procedimientos establecidos o técnicas de muestreo. 1.4
Parámetro Es un valor numérico conseguido a partir de los valores de una población
que resume las características pertinentes o más importantes de esta. Por ejemplo,
si el tiempo medio de estudios de la población de todos los estudiantes de
psicología es de 10 horas semanales, este valor será el correspondiente parámetro
poblacional o media poblacional. Generalmente, los parámetros poblacionales son
desconocidos. 1.5 Estadístico Es un valor numérico conseguido con los valores de
una muestra y que resumen alguna característica de esta. Por ejemplo, si el tiempo
medio de estudio de una muestra de 20 estudiantes del primer año de psicología es
de 11 horas semanales, 11 es un estadístico o media muestral. 1.6 Estimación de
parámetros Los parámetros tienen un valor fijo (media poblacional, varianza
poblacional, desviación estándar poblacional, entre otros), en la mayoría de los
casos desconocidos; en tanto que los estadísticos si tienen un valor conocido
calculado en la muestra (media muestral, varianza muestral, desviación estándar
muestral, entre otros), aún cuando no sabemos con certeza en qué medida se
aproximan al parámetro. Utilizando la inferencia estadística el investigador
intenta extraer conclusiones de los parámetros de una población a partir de los
estadísticos calculados en una muestra extraída al azar de dicha población. A esta
operación se le denomina estimación de parámetros, que es muy importante en muchos
tipos de
199
investigaciones, por ejemplo, encuestas, donde el propósito es conocer los valores
o parámetros de una población. En la estimación de parámetros se asume que, la
diferencia entre la media poblacional y la media de una muestra cualquiera de todas
las posibles de elegir al azar de una población, es un “error” producido por el
muestreo. Si el investigador midiera la variable de interés en toda la población no
existiría este “error” y la media de cualquier muestra extraida aleatoriamente de
una población sería exactamente igual a la media poblacional, pero esto “nunca
sucede, pues los datos reales siempre están sujetos a error de muestreo”
(Welkowitz, Ewen & Cohen, 1981). Estimador es el procedimiento empleado para
estimar el valor del parámetro (valor desconocido) a partir del estadístico
encontrado en la muestra, son estimadores por ejemplo la media aritmética y una
proporción muestrales. A su vez, una estimación es el valor hallado en la muestra,
por ejemplo, el valor de la media aritmética y de la proporción. La exactitud de
una estimación (accuracy) se refiere a la mayor o menor magnitud de la diferencia
entre su valor y el valor real del parámetro de la población, diferencia debida a
errores muestrales y no muestrales o de observación. Los errores muestrales son de
sesgo y aleatorios. Los de sesgo, denominados de parcialidad, se producen porque la
muestra elegida no representa bien a la población. Los aleatorios son aquellos que
se deben a las diferencias existentes entre la verdadera composición de ciertas
poblaciones y de las muestras al azar que se extraen de ellas, debiéndose por lo
tanto a una casualidad. Los errores no muestrales o de observación se pueden
producir por deficiencias en los registros de los datos y/o por errores de cálculo.
En vista que el valor real del parámetro en la población es desconocido para
estimarlo es que se toma la muestra - sólo es posible determinar la exactitud
probable de la estimación que recibe el nombre de precisión, la misma que depende
de la magnitud del error de muestreo y éste a su vez del tamaño de la muestra,
cuestiones que veremos más adelante cuando tratemos el muestreo probabilístico. 1.7
Concepto de muestreo Con el término muestreo los investigadores se refieren al
proceso de selección de una parte de la población para que represente al conjunto
de ella, en otras palabras es el procedimiento utilizado para la elección de
unidades dentro de un conjunto más amplio de ellas. Así pues, “la muestra no es
otra cosa que el resultado del muestreo y los distintos tipos de
200
muestreo representan diversas formas de elegir la muestra” (Sierra Bravo, 1991).
1.8 Procedimiento para hacer el muestreo 1.8.1. Definir quiénes son los sujetos u
objetos de estudio. En el proceso de realización del muestreo de debe definir en
primer lugar a quién o quiénes se va a observar. En esta definición juegan un rol
fundamental los objetivos del estudio pero convenientemente precisados en
referencia a los sujetos u objetos a observar. Con esta finalidad el investigador
debe tener en cuenta las siguientes precisiones: a) Unidad de observación. Son las
unidades de la realidad que se pretende observar, por ende constituyen el objeto
global de estudio y de ellas se obtienen los datos empíricos necesarios para
contrastar las hipótesis con la realidad o lograr los objetivos de la
investigación. Como objeto de información y fuentes de datos constituyen unidades
de realidad más o menos independientes que poseen determinados atributos y
propiedades y son susceptibles de diversos cambios y relaciones referentes a dichos
atributos y propiedades. No deben confundirse con el objeto específico de la
investigación que versa normalmente sobre una variable general, tal como, un
acontecimiento: una huelga; un proceso: la movilidad social; un tipo de relación:
la interacción social o un proceso de cambio: la industrialización, que tienen
lugar respecto a determinadas unidades de observación. (Sierra Bravo, 1991). b)
Unidad de análisis. Las unidades que constituyen las poblaciones y muestras se
denominan elementos o unidades de análisis, vale decir modalidades especiales y
particularizadas de las unidades de observación. Constituyen la unidad básica para
la que deseamos obtener información estadística, por ejemplo un paciente, una
fábrica, una familia, un animal experimental, oraciones, párrafos, artículos. En
algunos estudios pueden existir dos o más unidades de análisis, como lo pueden ser
profesor y alumno. c) Unidad de muestreo. Es una unidad del marco de muestreo,
pudiendo ser una persona, una historia clínica, un informe psicológico. En algunos
estudios es igual a la unidad de análisis, por ejemplo, en una investigación en la
que se cuenta con una relación de estudiantes universitarios de la que seleccionará
una muestra para observar la motivación de logro. Pero, si se quiere analizar en
una población la conciencia fonológica en niños de 5
201
años y solamente se dispone de un plano dividido en manzanas y viviendas y se
decide muestrear estas paras llegar a los niños menores de 5 años, la unidad de
muestreo es una vivienda y la unidad de análisis un niños de 5 años. d) Marco de
muestreo. No es más que la relación completa de las unidades de muestreo, por
ejemplo, la relación de alumnos de psicología de una determinada universidad, un
plano, el disco duro de una computadora. Si no existiese es conveniente que el
investigador lo elabore (Hernández, Fernández & Baptista, 2003). 1.8.2.
Delimitación de la población. Un estudio que pretenda analizar la población de
estudiantes de psicología, ¿incluye a los alumnos de las facultades de psicología
de todo el país? ¿A los de la ciudad de Lima? ¿A los estudiantes de las modalidades
presencial y a distancia o solamente a una de estas modalidades? ¿A los estudiantes
de los turnos diurno y nocturno o solamente a uno de estos? ¿A los estudiantes de
todos los ciclos o semestres de estudio o solamente a alguno de ellos? El
investigador debe precisar los criterios de elegibilidad o de exclusión que le
permitan decidir si un individuo será incluido o no en la población de interés. En
consecuencia, el investigador debe hacer que la población quede claramente
delimitada en torno a sus características de contenido, lugar y en el tiempo. Por
ejemplo, la población para una investigación sobre el uso de la televisión por los
niños se definió así: Todos los niños de Lima Metropolitana que cursen 4º, 5º y 6º
de primaria, en instituciones educativas estatales y privadas del turno matutino.
En el ejemplo se delimita claramente la población y se fija los criterios de
inclusión y de exclusión. Por ejemplo, no participarán de este estudio los niños
que no vivan en el área metropolitana, que no vayan al colegio y los menores de 9
años que es la edad-grado del 4° de primaria. 1.8.3. Selección de la muestra.
Sabemos que la muestra es un subconjunto de la población, lo que el investigador
pretende es que este subconjunto sea un reflejo fiel del conjunto de la población.
En el proceso de selección de la muestra existen dos tipos de muestro, el
probabilístico y el no probabilístico, pero es el primero el “único método viable
para obtener muestras representativas en estudios cuantitativos” (Polit & Hungler,
2000). La elección que el investigador haga entre ambos tipos de muestreo dependerá
de los objetivos de su investigación, del diseño o esquema de la misma, y de la
contribución que piensa hacer con el estudio (Hernández,
202
Fernández & Baptista, 2003). Según el tipo de muestreo se da origen a las muestras
probabilísticas y a las no probabilísticas. a) Muestras probabilísticas. En estas
muestras todos los elementos de la población tienen la misma posibilidad de ser
escogidos. Por el fundamento matemático que tienen los resultados a los cuales se
llegue con estas muestras pueden ser inferidos o generalizados a la población
dentro de unos límites de error (error de muestreo) que pueden ser calculados. Son
esenciales cuando se pretende hacer estimaciones de variables en la población, por
ejemplo, mediante encuestas. Estas muestras se obtienen definiendo en primer lugar
las características de la población; en segundo lugar precisando el tamaño de la
muestra y, en tercer lugar, efectuando una selección aleatoria de las unidades de
análisis. b) Muestras no probabilísticas. En estas muestras la elección de sus
elementos no depende de la probabilidad, sino de causas relacionadas con las
características del investigador o del que hace la muestra. En este sentido se
vincula con el proceso de toma de decisiones de una persona o grupo de personas,
por tal razón en la investigación cuantitativa se considera que tienden a ser
sesgadas pues al no tener un elemento de la población la misma probabilidad de ser
incluido en la muestra puede ser que alguna parte de la población quede sin
representación; sin embargo, también se considera que si el investigador selecciona
con criterios adecuados y con mucho cuidado la muestra, hace una interpretación
conservadora de los resultados y repite el estudio con nuevas muestras para
asegurar la repetibilidad de los mismos, las muestras no probabilísticas pueden
resultar razonablemente adecuadas (Polit & Hungler, 2000; Hernández, Fernández &
Baptista, 2003). 1.9 Elaboración de la muestra probabilística Cuando la población
de estudio es muy numerosa se hace necesario seleccionar una muestra. Por numerosa
entenderemos la cantidad de unidades o elementos poblacionales que no puede
estudiarse con los recursos humanos, físicos y financieros disponibles. El muestreo
probabilístico es de cuatro tipos: 1.9.1 Muestreo aleatorio simple o al azar sin
restricciones. Cada una de las unidades de la población tiene la misma probabilidad
de ser incluida en la muestra. Teniendo el marco de muestreo se numera
203
todas las unidades de 1 a n; luego, con la ayuda de una tabla de números aleatorios
o algún otro mecanismo que asegura aleatoriedad, se extraen tantas unidades hasta
completar el tamaño de la muestra deseada. 1.9.2. Muestreo sistemático. Las
unidades numeradas de 1 a n, son seleccionadas de acuerdo a cierto intervalo de
muestreo “k”, cuyo valor es igual n/N. (donde n= tamaño de la población y N= tamaño
elegido de la muestra). Por ejemplo, en una población de n= 1800 se desea
seleccionar una muestra de N= 200. El intervalo será k = 1800/200=9. Teniendo el
marco muestral y una tabla de números aleatorios u otro mecanismos que asegure
aleatoriedad se selecciona al azar entre 1 y 9 un “número de partida”, por ejemplo
el 05, entonces el sujeto que lleva el número 05 es el único seleccionado
aleatoriamente); la siguiente unidad se selecciona sumando el intervalo muestral
09, al número de partida 05, obteniéndose 14. Las demás unidades se seleccionan
sumándoles sucesivamente el intervalo muestral al número anteriormente obtenido
hasta completar la muestra. 1.9.3. Muestreo estratificado. Se utiliza cuando la
población de estudio no es homogénea. Entonces ésta se divide en subpoblaciones o
estratos, de cada uno de éstos se selecciona una muestra utilizando el muestreo
aleatorio simple. Posteriormente, se combinan las estimaciones de cada estrato para
formar una estimación del valor de la población total. Hay tres tipos de fracciones
de muestreo: 1) Afijación proporcional: el tamaño de las muestras en cada estrato
es proporcional al número de unidades de cada estrato de la población. 2) Afijación
uniforme: el tamaño de las muestras es igual en cada estrato, independiente del
estrato de la población. 3) Afijación óptima: considera el tamaño del estrato de la
población y la variabilidad (desviación estándar) dentro de cada estrato. Veamos un
ejemplo de afijación proporcional. Una psicóloga desea tomar de una población de
1000 alumnos de una facultad de educación a una muestra de 200 estudiantes
estratificados por niveles de estudios: Avanzado (X, IX y VIII ciclo), Intermedio
(VII, VI, V, IV ciclo), Inicial (III, II y I ciclo). Atendiendo al registro de
matrículas los alumnos se estratifican de la siguiente manera.
204
Estrato (h)
1. Avanzado 2. Intermedio 3. Inicial Total población (n)
Tamaño de la población (por estrato) (Nh) 220 380 400 1000
Conociendo el número de sujetos por cada estrato, para determinar el tamaño de las
muestras en cada uno de ellos, la psicóloga debe aplicar la misma “fracción de
muestreo” (f), o tasa muestral a cada estrato de la población total. La fracción de
muestreo relaciona el tamaño de la muestra deseada (N) (establecida en 200) con el
tamaño de la población (n). La tasa muestral es: 200/1000= 0,20. A continuación
multiplicara la tasa muestral 0.20 por cada Nh (tamaño de cada estrato) para
obtener la cantidad de unidades que deben seleccionarse en cada estrato. Estrato(h)
Aplicación de la fracción muestral (f. Nh) 0.20 x 220 0.20 x 380 0.20 x 400 Número
de unidades en el estrato (Nh) 44 76 80
1. Avanzado 2. Intermedio 3. Inicial
Establecido el tamaño muestral de cada estrato la selección de los elementos o

unidades de análisis en cada uno de ellos se hará por muestreo aleatorio simple o
muestreo sistemático. 1.9.4. Muestreo Aleatorio de conglomerados o racimos. La
muestra es escogida de la población en grupos, no individualmente. Los
conglomerados son las unidades de análisis de la población. Por ejemplo, los
siguientes estudios: Estimación de los niveles de inteligencia de niños entre 6 y
14 años de edad, matriculados en las escuelas estatales y particulares de las UGEL
de Lima Metropolitana, y Niveles de nutrición en niños de 0-6 años residentes en
los distritos del cono sur de Lima, tienen en común el haber definido una unidad de
muestreo apropiada, las UGEL y los distritos. En cada estudio las unidades de
muestreo seleccionadas pueden también ser submuestreadas. Así en la primera
investigación, pueden seleccionarse de cada UGEL dos colegios, uno estatal y uno
privado, a continuación, de cada colegio puede seleccionarse una
205
sección por cada edad-grado, y luego de cada sección se extraerá por muestreo
aleatorio simple, sistemático o estratificado tantas unidades o elementos como se
haya estipulado como tamaño de la muestra. Cuando este muestreo se produce en dos
etapas recibe el nombre de muestreo bietápico y cuando se da en más de dos etapas
se denomina muestreo polietápico, como en el caso del ejemplo. 1.10 Muestras no
probabilísticas En general, cuando el investigador hace uso de muestras no
probabilísticas no puede saber hasta qué punto sus resultados podrán proyectarse,
con confiabilidad, hacia el conjunto más amplio que desea conocer. Estas muestras
se clasifican de diversas maneras; una de ellas es la siguiente: a) Muestra
accidental, es aquella que se obtiene sin atender a un plan preconcebido de
muestreo, por tanto los elementos o unidades de análisis son el producto de
circunstancias fortuitas. Un ejemplo, en la del investigador que entrevistan a los
primeros 100 personas que se pasean por cierto parque; también lo es el de los
radioescuchas que llaman a una estación de radio. b) Muestra de sujetos
voluntarios, es aquella en la que a solicitud del investigador participan
voluntariamente un conjunto de sujetos. Se utilizan mucho en estudios en los que el
investigador tiene más interés por los efectos de las condiciones a las que serán
sometidos los participantes del estudio, por lo que se requiere que estas muestras
sean homogéneas en variables tales como la edad, sexo, inteligencia. c) Muestra
intencional, es aquella en que los elementos se seleccionan atendiendo a un
criterio o criterios que el investigador considera como relevantes para su estudio
en base al conocimiento que tenga de la temática y a su opinión personal. La
generalización a la población es nula o a lo más sus resultados pueden extrapolarse
a sujetos o elementos de similares características a los que formaron la muestra de
estudio. También se le utiliza como una muestra tentativa para decidir más adelante
cómo tomar una muestra aleatoria. d) Muestra de expertos, es aquella en la que los
elementos se seleccionan en base a su idoneidad en algún aspecto que interesa al
investigador. Se emplea bastante en estudios exploratorios y cualitativos. Un
ejemplo se tiene en el estudio que pretende caracterizar a los investigadores en el
campo educacional y el autor recurre a una muestra de investigadores reconocidos
por su experiencia en este
206
aspecto. Estas muestras son válidas y útiles cuando los objetivos del estudio así
lo requieren. e) Muestra por cuotas, es aquella que el investigador decide utilizar
cuando tiene un buen conocimiento de los estratos de una población y/o de los
individuos más representativos para los propósitos que persigue. Tiene parecido con
el muestreo aleatorio estratificado, pero sin las características de aleatoriedad
de éste. Se fijan unas “cuotas” o número de elementos que reúnen ciertas
condiciones, por ejemplo, 40 personas de 20 a 40 años de edad, de sexo femenino y
residentes en el distrito de San Borja. Determinada la cuota se eligen los primeros
sujetos que cumplan estas condiciones. f) Muestra “Bola de nieve”, es aquella en la
que se obtiene en primer lugar una muestra reducida de elementos y a estos se les
pregunta el nombre de otros individuos a quienes se encuestara y así sucesivamente.
g) Muestra de sujetos-tipo, es aquella que se inscribe en un estudio cuyo propósito
busca riqueza, profundidad y calidad de información. Son ejemplos los estudios
acerca de patrones de consumo de jóvenes de determinado nivel socioeconómico en los
que se utiliza grupos de 8 a 12 jóvenes que posean las mismas características
socioeconómicas del referido segmento poblacional. 1.11 Tamaño de la muestra
probabilística En el proceso de elaboración de una muestra probabilística no basta
solamente el determinar la técnica de muestreo probabilístico más adecuado, falta
saber cuántos elementos compondrán la muestra de estudio para estimar los
parámetros de la población en la variable de interés y estimar también los márgenes
de error correspondientes a dichas estimaciones. La estimación del número de estos
elementos debe ser realizada de tal manera que este número sea el suficiente a fin
de que la muestra extraída aleatoriamente proporcione una seguridad estadística de
que los resultados que se obtengan analizándola puedan, dentro de los límites
estimados, representar realmente a la población, lo que significa que el tamaño de
la muestra debe tener determinadas proporciones mínimas de acuerdo con las leyes de
la probabilidad. Existen fórmulas y tablas que calcular rápidamente el tamaño de
una muestra pero todas estas dependen del tener claramente especificado lo
siguiente: Tipo de población, finita o infinita - una población infinita es aquella
que tiene más de 100,000 elementos; el nivel de confianza o
207
porcentaje de seguridad o probabilidad que el tamaño de la muestra a determinar
proporciona una seguridad no total pero suficiente en la práctica para estimar el
parámetro-, el error muestral y la varianza (Sierra Bravo, 1994). 1.11.1 Estimación
del tamaño de la muestra mediante una fórmula Usualmente el tamaño de la muestra
utilizada en los estudios en psicología, educación y ciencias sociales se estima
procediendo como si la población fuera infinita-en una investigación fáctica
significa una población muy grande-y que el muestreo es sin reemplazamiento, es
decir que el elemento extraído de la población no vuelve a esta para la siguiente
extracción. Desde este punto de vista, es lícito suponer que la determinación del
tamaño de la muestra bajo estas condiciones sobreestimará el número necesario de
sujetos, lo cual evidentemente no perjudica al estudio sino que le da mayor
precisión. (Sierra Bravo, 1994). Ejemplo: En una población de 98,240 escolares del
sexto grado de primaria se pretende realizar una encuesta deseándose con este
propósito precisar de manera conservadora y en las condiciones más desfavorables el
tamaño de muestra necesario para estimar los parámetros poblacionales con un nivel
de confianza del 95% y un margen de error muestral del +/-4%. Utilizando la
siguiente fórmula (Sierra Bravo, 1994).
Donde: N = total de la población Za2 = 2,002 (la seguridad es del 95%) P =

proporción esperada (en este caso tamaño muestral). q = 1 – p (en este caso 1-50 =
50) d = precisión (error muestral, 4%)
50), con lo que se maximiza el
En vista que la población es inferior a 100,000, es necesario aplicar la fórmula

para poblaciones finitas y de proporciones por tratarse de una encuesta. El
resultado indica 621 sujetos. Si la población fuese infinita es decir superior a
100,000 sujetos, la fórmula a aplicar comparándola con la fórmula para poblaciones
finitas, no incluye en el numerador a (N) y en el denominador solamente incluye a
d2. De esta manera, si en ejemplo anterior la población hubiese sido de 115,280
sujetos el tamaño de la muestra sería 625.
208
1.11.2 Estimación del tamaño de las muestra mediante una tabla. Tamaños de muestras
Los tamaños de muestras que figuran a continuación corresponden al caso de trabajar
con proporciones, P = 0.5, y con un nivel de confianza del 95%. Tabla 17. Relación
de tamaños en función de la población y el error muestral. Errores muestrales
Población 500 1000 2000 5000 10000 25000 50000 100000 Infinito ±1% – – – – 5000
7143 8333 9091 10000 ±2% – – 1250 1667 2000 2273 2381 2439 2500 ±3% – – 769 909
1000 1064 1087 1099 1111 ±4% – 385 500 556 588 610 617 621 625 ±5% ±10%
222 83 286 91 345 96 370 98 385 99 394 100 397 100 398 100 400 100 (León y Montero,
1991).
Obsérvese que a medida que el error muestral es menor el tamaño exigido de la

muestra es mayor. Así para una población de 10 000 sujetos la muestra exigida es de
91 sujetos para un margen de error de +/-10% y de 5000 sujetos para un margen de
erro de +/-1%. Desde otro ángulo de observación, esta tabla también nos permite
tener una rápida visión de lo que significa el error muestral. Si en una población
de 5325 sujetos con un margen de error de +/- 2% hemos extraído aleatoriamente una
muestra de 2000 y de esta el 75% responde en una encuesta que es “contraria a la
legalización del aborto”, el porcentaje en toda la población se encuentra entre el
73% al 77% con una confianza del 95%. 1.12 Tamaño de la muestra no probabilística
En las muestras no probabilísticas no tiene sentido el calcular los tamaños de
muestra con los procedimientos probabilísticas pues no se estimarán los parámetros
poblacionales. Sin embargo, cuando se utilizan pruebas estadísticas para el
contraste de hipótesis es necesario estimar los tamaños mínimos de las muestras
empleadas con el propósito de dar al investigador la oportunidad de comprobar si
sus hipótesis eran correctas. La
209
determinación del número de sujetos necesarios implica tener en cuenta conceptos
como los de tamaño del efecto, potencia y otros, que trataremos en la lección
acerca del análisis de los datos.
210
Lección II Recolección de datos En la investigación cuantitativa una vez que se han
precisados el tipo y diseño de la investigación así como lo referente a la muestra,
la etapa siguiente es la recolección de los datos. 2.1 Concepto Todo aquellos que
interesa al investigador cuando realiza un estudio debe traducirse finalmente en
datos que puedan ser objeto de análisis. En este sentido, en una investigación
cuantitativa la recolección de los datos es una etapa convenientemente planificada
que pone en contacto directo al investigador con la realidad al observar las
variables en las unidades de observación y/o de análisis con un propósito
específico. 2.2 Decisiones a tomar al planificar la colecta de datos
La recolección de los datos se encuentra fuertemente vinculada al tipo y diseño de

investigación así como al problema planteado, entre otros aspectos. En
consecuencia, en la etapa de planificación de la colecta de datos el investigador
deberá tomar ciertas decisiones pues tendrá que elegir entre varias alternativas
para definir como se recogerán los datos; decisiones que generalmente responden a
las siguientes preguntas: 1) ¿Qué información es necesario conseguir? En un estudio
una de las variables es el razonamiento lógico deductivo, entonces la información
que necesitamos es sobre este tipo de razonamiento. 2) ¿Cuál es la fuente que
proveerá la información? En primer lugar la decisión es si se utilizarán datos
preexistentes o se colectaran otros generados para el estudio. En cuanto a lo
primero, los investigadores muchas veces aprovechan información ya existente
reunida para cumplimentar otros propósitos pero que pueden aprovecharse para
responder a las preguntas de investigación, información que se encuentra en los
registros de hospitales, historias clínicas, registros de colegios, registros de
centros laborales, archivos históricos, informes, entre otras fuentes En otros
casos, se re-analizan o se analizan con otros objetivos los datos de
investigaciones previas que pueden haber sido realizadas por el mismo investigador
o por otros investigadores (análisis secundario). Por ejemplo, al investigar el
rendimiento en razonamiento lógico deductivo de los estudiantes del quinto
211
año de secundaria de Lima se utilizan los datos de una investigación hecha en 1950
y se le comparan con los datos generados en la población de similar grado educativo
del año 2009. La información preexistente es empleada principalmente pero no
únicamente por la investigación histórica y el metanálisis, en las que aparte de
localizar la información disponible y evaluar su autenticidad, la información
disponible y apropiada debe ser codificada, manipulada y dispuesta adecuadamente
para su análisis (Polit & Hungler, 2000). En cuanto a lo segundo, la información
requerida es generada por el investigador observando a la unidad de análisis que en
psicología generalmente son personas y animales. Por ejemplo, en el caso de la
investigación de razonamiento lógico deductivo la información puede ser conseguida
observando a una muestra que cursa el quinto año de secundaria el 2009. 3) ¿Cuándo
se recogerá los datos? Esta pregunta refiere a la fecha y hora en la cual se
recogerá los datos aplicando la técnica o instrumento de investigación. Por
ejemplo, los datos sobre el razonamiento lógico deductivo se recogerán el día 18 de
noviembre entre las 10 y 12 horas de manera simultánea en 14 instituciones
educativas estatales y privadas de Lima. 4) ¿Dónde se recogerán los datos? Alude
esta pregunta al lugar geográfico que corresponde a la ubicación de la muestra de
sujetos. Por ejemplo, se especifican los nombres y ubicaciones de las 14
instituciones educativas. 5) ¿Con qué frecuencia se recogerán los datos? Concierne
esta cuestión a las veces que se observará la unidad de análisis. Por ejemplo, los
datos del razonamiento lógico deductivo se recogerán una sola vez. 6) ¿Quién
aplicara los instrumentos? La respuesta refiere a las personas que administrarán el
o los instrumentos a la muestra de estudio. Se supone que las mismas están
capacitadas para esta labor. Por ejemplo, el Test de Razonamiento lógico deductivo
será administrados por 14 psicólogas previamente entrenadas para este propósito. 7)
¿Qué técnica o instrumento se empleará en la recolección de los datos? En el Cuadro
16 se muestra un conjunto de algunas técnicas e instrumentos bastante empleados en
investigación:
212
Tabla 18 Algunas técnicas e instrumentos utilizados en psicología TÉCNICAS
Observación INSTRUMENTOS Escalas de apreciación, registros de conducta, registros
de productos de conducta, sistemas de observación, diarios de campo, sociometría
(observaciones recordadas, Kerlinger & Lee, 2002) Polirreactigrafo, taquistoscopio,
medidas de la percepción de profundidad y de percepción de la verticalidad,
polígrafo Entrevistas estructuradas, entrevistas semiestructuradas, entrevistas no
estructuradas Diferencial semántico, lista de adjetivos (Ej. Lista de adjetivos
ACL) Psicodiagnóstico de Rorschach, T.A.T, Dibujo de la figura humana, Frases
incompletas Cuestionarios, inventarios, escalas, autorregistro, técnicas de
pensamiento en voz alta
Técnicas Objetivas Entrevista Encuesta Técnicas Subjetivas Técnicas Proyectivas

Autoinforme
Las técnicas e instrumentos mostrados en el Cuadro 16 son aplicables a la

recolección de información primaria o obtenida directamente de las unidades de
análisis por el invfestigador; pero como hemos visto en el acápite 1) también en
investigación se utiliza información existente elaborada por otros investigadores o
por el mismo investigador, lo que constituye una información de fuente secundaria.
En la recolección de datos de estas fuentes son importantes las Fichas
bibliográficas y las Fichas de contenido. El investigador seleccionara una o más
técnicas e instrumentos o elaborara uno de estos últimos de acuerdo al objetivo,
tipo de investigación, diseño de investigación y preguntas de investigación que
tiene que responder. En todo caso la técnica o instrumento escogido o elaborado
debe ser confiable y válido. Por ejemplo, en el caso del estudio sobre el
razonamiento lógico deductivo se puede usar la técnica del Autoinforme y como
instrumento se construirá un cuestionario psicométrico de opción múltiple compuesto
de 30 silogismos y cinco posibles respuestas entre ellas cuatro distractores y la
respuesta correcta, con calificación de 1 punto la respuesta correcta y 0 puntos la
respuesta errada. Este instrumento deberá tener características comprobadas de
validez y confiabilidad
213
8) ¿Cómo se presentaran los datos para la realización de su análisis? Recogida la
información esta debe ser codificada y procesada o calificada para realizar su
análisis de acuerdo a los objetivos de la investigación, con tal fin se elabora la
Matriz de datos que esencialmente es un conjunto de filas y de columnas.
Generalmente en este tipo de matriz las filas representan los diferentes sujetos
del estudio y las columnas representan las diferentes variables de la
investigación. Cada fila es un sujeto y cada columna es una variable, en el caso
que una variable haya sido observada en más de un momento en tiempo, para cada
medición se empleará una columna diferente. Veamos la siguiente tabla: Tabla 19.
Matriz de datos (n= 10 sujetos) Sujetos 1 2 3 4 5 6 7 8 9 10 Sexo 1 1 1 1 1 2 2 2 2
2 Edad 8 8 8 8 8 8 8 8 8 8 CLPre 23 22 19 14 18 24 22 17 16 14 CLPost 29 30 24 15
27 29 23 21 19 24
En esta matriz de datos se muestran las diferentes variables codificadas

correspondientes a un experimento de diseño preexperimental pretest-postest en el
que tratamiento o variable independiente ha sido un programa de mejoramiento de la
comprensión lectora en niños del tercer grado de primaria En una muestra de 10
sujetos se ha recogido datos de las variables genero, edad en un único momento en
el tiempo y la puntuación de la comprensión lectora en el pre y el postest. La
codificación de las variables es la siguiente: Edad: años directos Sexo: 1 =
hombre; 2 = mujer CLPre = Puntuación directa en comprensión lectora en el pretest
CLPost = Puntuación directa en comprensión lectora en el postest. La variable edad
es cuantitativa medida en una escala de razón, la variable sexo es una variable
cualitativa medida en escala nominal y
214
las variables CLPre y CLPost están medidas en un sentido estricto en una escala
ordinal, pero son tratadas como cuantitativas. Como se observa, la codificación es
un proceso por el cual las categorías de los ítems o preguntas deben codificarse a
través de símbolos o números. Codificar es clasificar los datos a base de las VI y
VD relacionadas con la investigación. La codificación es necesaria porque de lo
contrario no puede efectuarse ningún análisis. Básicamente, la codificación abarca
las siguientes etapas: a) Codificación de las categorías de ítems, preguntas, etc.
(p.e. varón=0; mujer=1); b) Elaboración del libro de códigos, documento que señala
la localización de las variables y que enlista las asignaciones de código a los
atributos que las componen. Este libro es “fundamental para la codificación y es la
guía para localizar las variables e interpretar los códigos del archivo de datos
durante el análisis” (Babbie, 1999: 342); c) Elaboración de la matriz de datos por
medio de la tabulación. Como sabemos, esta matriz resulta de la transferencia de
las respuestas dadas por la muestra al instrumento(s) de investigación, previamente
estas respuestas han sido codificadas, registrándose los códigos en el libro de
códigos. La matriz de datos puede elaborarse en el programa Excel o directamente en
un programa de análisis estadístico computerizado como es el caso del paquete
estadístico para ciencias sociales SPSS. Tomadas las decisiones pertinentes el
investigador elaborara el plan de colecta de datos, teniendo en cuenta que el
proceso del mismo más que lineal es iterativo en vista que el investigador siempre
debe estar atento y dispuesto a hacer los ajustes adecuados, pues el “objetivo
final no es cumplir al pie de la letra la lista de pasos, sino asegurarse de que el
procedimiento genere información conceptualmente apropiada y de la mejor calidad
posible” (Polit & Hungler, 2000).
215
Lección III Análisis cuantitativo de datos La investigación persigue conseguir
respuestas a preguntas y probar hipótesis, en este proceso las respuestas son
elaboradas y las hipótesis con contrastadas cuando se interpretan los datos,
actividad de reflexión que requiere del análisis previo de los mismos. 3.1 Concepto
Administrados los instrumentos de investigación a la muestra o muestras de estudio
se tiene como resultado un conjunto de datos que tienen que ser analizados e
interpretados para responder a las preguntas de investigación y contrastar a las
hipótesis. En este sentido, el análisis de los datos tiene como objetivo reducirlos
a una forma inteligible e interpretable para que las distribuciones de las
variables o las relaciones de las mismas formuladas en los problemas de
investigación puedan ser estudiadas y probadas. La reducción de los datos se logra
categorizándolos, ordenándolos, manipulándolos y resumiéndolos (Kerlinger & Lee,
2002). La categorización se efectúa de acuerdo a determinadas categorías planteadas
teóricamente previamente; el ordenamiento se hace atendiendo a criterios lógicos
consistentes; la manipulación refiere a la operación de los datos con habilidad en
función de los objetivos del estudio, por ejemplo el cruzarlos entre sì y
correlacionarlos; y el resumen alude la captación de la información sustancial y su
representación coherente por medio de estadìsticos, por ejemplo la media
aritmética, gráficos, por ejemplo un histograma, y tablas. El proceso del análisis
e interpretación de datos requiere que el investigador tenga conocimientos de
estadística descriptiva y estadística inferencial. La velocidad y exactitud de los
cálculos se ha visto extraordinariamente facilitada por los paquetes estadísticos
por ejemplo, el Paquete Estadístico para las Ciencias Sociales (Statistic package
of Social Sciencies SPSS). 3.2 Tipos Una clasificación de los tipos de análisis de
datos es la siguiente: a) Según el número de variables: análisis univariable (por
ejemplo, la distribución de la comprensión lectora en estudiantes del segundo grado
de primaria); análisis bivariable (por ejemplo, la diferencia en razonamiento
lógico deductivo entre estudiantes de colegios estatales y privados); análisis
multivariable (por ejemplo, un análisis de regresión múltiple que pone a prueba un
modelo predictivo y análitico del
216
rendimiento académico en matemáticas en función de un conjunto de variables
psicológicas y sociales). b) Según el carácter del análisis: exploratorio (si se
quiere encontrar nuevas hipótesis (por ejemplo un análisis factorial exploratorio –
AFE – aplicado a un conjunto de variables para determinar como se agrupan estas en
función de lo que tienen de común); confirmatorio (si se quiere verificar las
hipótesis que anteriormente se formularon, por ejemplo un análisis factorial
confirmatorio–AFC–efectuado en una prueba psicológica extranjera para determinar si
su estructura se mantiene cuando es adaptada a nuestro país). c) Según la
naturaleza del análisis: cuantitativo (si el análisis es estadístico o matemático
buscando de determinar, por ejemplo, índices de frecuencia del fenómeno o
comportamiento investigado); cualitativo (si el análisis usa precisiones
conceptuales y se busca una descripción detallada, comprensiva, dinámica y lo más
completa del fenómeno o comportamiento en estudio). d) Según el objetivo que se
pretende alcanzar: causal (cuando se quiere llegar a las causas del fenómeno o
comportamiento estudiado); de cambios (si se pretende determinar las modificaciones
o cambios que pasa o ha pasado el fenómeno o compoprtamiento investigado); de
decisiones (si lo que se quiere es obtener información que fundamente la adopción
de medidas); de grupos (si se quiere conocer determinados conjuntos o agrupaciones
de sujetos en lo referente a ciertas variables); de sistemas (si lo que se quiere
es precisar las relaciones que presentan determinados conjuntos, fenómenos o
comportamientos, por ejemplo el análisis del sistema actitudinal de un grupo de
personas). 3. 3 Propósitos Atendiendo a los objetivos del estudio, cuando el
investigador realiza un análisis cuantitativo o estadístico de los datos lo que
principalmente pretende es lo siguienten (Naghi, 1984):
1) Hallar lo que hay en los datos (técnica estadística: media, mediana,
moda.) 2) Conocer que tanto varían los datos (técnica estadística: desviación
estándar, rango, varianza.) 3) Determinar cómo están distribuidos los datos
(Frecuencia) 4) Averiguar qué relación existe entre variables (Correlación y
medidas de asociación.)
217
5) Hacer estimaciones y predicciones. (Estimación de punto e intervalar.
Regresión. Series de tiempo). 6) Precisar las diferencia entre grupos y variables.

(Pruebas T, Z, ANOVA, Análisis discriminante). 7) Demostrar causalidad (Pruebas T,
Z, ANOVA y algunas técnicas multivariadas como el path analysis o análisis de
ruta). 3.4 Etapas El análisis cuantitativo de los datos se realiza teniendo como
materia prima a la base de datos construìda por el investigador que es trabajada
empleando programas computarizados tales como el SPPS, Stats, Minitab, SAS,
EpiInfo, o cualquier otro. El criterio de escogencia de un programa es si éste
posée las funciones estadísticas apropiadas. Una vez seleccionado y puesto en
ejecución el programa, usualmente el análisis sigue las siguientes etapas: 1) La
exploración de los datos, analizando y haciendo las representaciones gráficas de
los datos de cada una de las variables; 2) El contraste de las hipótesis del
estudio utilizando las pruebas estadísticas y las representaciones gráficas
adecuadas; 3) La ejecución de análisis complementarios; 4) La preparación de los
resultados mediante la elaboración de tablas, cuadros gráficos. Adicionalmente,
algunas veces es necesario efectuar el análisis de la confiabilidad, validez y
normas del instrumento o los instrumentos utilizados. Antes de empezar el análisis,
el investigador debe tener claramente especificados el nivel o escala en la que
están medidas las variables a analizar (nominal, ordinal, intervalo, razón) y el
tipo de variable resultante de esta medición (cualitativa, semicuantitativa y
cuantitativa); la dirección de las hipótesis estadísticas (una o dos colas) y su
propio interés. El investigador también debe validar los datos comprobando en la
base de datos qu e todos los casos esperados esten presentes, que las variables
numéricas sólo tienen valores numéricos y que estos son válidos, haciendo en caso
necesario las correcciones correspondientes. 3.4.1 Exploración de datos Esta etapa
tiene una importancia creciente conociéndosele como análisis de datos exploratorio
(EDA, exploratory data analysis). Comienza aplicando la estadística descriptiva
para producir un resumen de la información que puede expresarse con números o con
gráficos. La exploración de los datos se efectúa en cada una de las variables. Es
preciso tener en cuenta el nivel o escala en el que han sido medidas las
218
variables pues los estadísticos y gráficos a obtener están vinculados con las
propiedades de los niveles o escalas de medición. 3.4.1.1 Exploración de datos de
variables cuantitativas Cuando los datos provienen de variables cuantitatrivas o
medidas en escala de razón, de intervalo u ordinales, usualmente se explora las
distribuciones calculando las frecuencias absolutas (puntuaciones ordenadas al
interior de sus categorías) y relativas (porcentajes), y se les representa
gráficamente mediante histogramas, gráficos de tallos y hojas, gráficos de
sectores, diagramas de dispersión, gráficos de líneas, gráfios de barras u otros
gráficos. Por otro lado, el observar la forma de la distribución es muy importante
pues varias “pruebas estadísticas deben aplicarse a un conjunto de datos sólo si la
población de que proviene la muestra se amolda a una distribución en particular (la
distribución normal) (Clark-Carter, 2002) En una distribución normal la media, la
mediana y el modo son iguales.y el histograma muestra que tiene una distribución
simétrica en ambos lados de la media (la mediana y el, modo), es decir la media (la
mediana, el modo) divide la curva en dos partes exactamente iguales. Por ejemplo,
si tenemos las puntuaciones de 10 000 escolares en un test de razonamiento espacial
y la distribución de estas puntuaciones es normal, entonces 5 000 de ellos se
encontraran hacia el lado izquierdo de la media (la mediana, el modo) y los otros 5
000 hacia el lado derecho. Cuando se produce una falta de proporcionalidad de estas
partes se dice que se ha producido una asimetría. En consecuencdia, la asimetría
estima cuanto se asemeja la distribución de puntuaciones empírica a la distribución
normal o campana de Gauss por su forma y es un indicador del lado de la curva en el
que las frecuencias (individuos) se agrupan más. Si la curva es perfecta, se dice
que es simétrica, pero si tiene más casos en el lado derecho o en el izquierdo se
dice que es asímétrica de “cola” positiva o más larga hacia la detecha o de “cola”
negativa o más larga hacia la izquierda. Por otro lado, la curtosis refiere a si la
distribución empírica de puntuaciones tiene la altura adecuada a una distribución
normal, en otras palabras indica el grado de concentración que presentan las
puntuaciones en la región central de la distribución. La medición de la curtosis
permite identificar si existe una gran concentración de valores (curva
leptocúrtica), una concentración normal (curva mesocúrtica) ó una baja
concentración (curva platicúrtica) La Figura 14 ejemplifica tres distribuciones:
simétrica, de asimetría negativa y de asimetría positiva.
219
La Figura 15 leptocúrtica.
ejemplifica tres distribuciones: mesocúrtica, platicúrtica y
La asimetría o sesgo y la curtosis influyen en cómo deben analizarse e

interpretarse lo datos, pues en la estadística inferencial muchas pruebas o tests
estadísticos exigen que la distribución de las puntuaciones sea normal. Los
paquetes estadísticos dan índices de asimetría o sesgo y de curtosis. En el paquete
estadístico SPSS los coeficientes de asimetía y curtosis con un valor de 0 indican
una curva simétrica y mesocúrtica, es decir una curva normal, pero también se
acostumbra calificar así a una distribución cuando los valores de estos
coeficientes se encuentran en el rango +/- 0,50. El determinar si una distribución
de puntuaciones es normal es importante pues sus propiedades tienen múltiples
aplicaciones no sólo en la investigación psicológica sino también en la
psicometría, sirviendo, por ejemplo, para el establecimiento de la dificultad
relativa de los reactivos y la interpretación de los puntajes directos obtenidos
por los sujetos al rendir un test, .pues las tablas de normas o baremos se expresan
en puntajes convertidos como los percentiles y los puntajes estándares o típicos,
por ejemplo, el puntaje CI, el puntaje T, el puntaje eneatipo, el puntaje decatipo;
que al estar relacionados con esas propiedades tienen un significado estadístico
preciso. En efecto, el que en una distribución normal la media, la mediana y el
modo caen en el mismo punto que divide a la distribución en dos partes simétricas
abarcando cada una de ellas el 50% de la población o muestra, significa que si un
sujeto obtiene una puntuación similar al valor de la media aritmética, podemos
decir que en la variable medida supera al 50% del grupo y es superado por el otro
50%;
220
interpretación similar tienen el percentil 50, el CI 100, el puntaje T 50, el
eneatipo 5, o el decatipo 5.5. Si la distribución de puntuaciones se aleja de la
normalidad estas equivalencias porcentuales se rompen, pues la media y la mediana
ya no caen en el mismo punto, representando ahora la mediana (percentil 50) el
punto medio exacto de la distribución, lo que no sucede con el CI 100, el puntaje T
50, el eneatipo 5 o el decatipo 5.5, escalas cuyos puntos medios tienen como
referencia a la media aritmética, afectando este hecho la interpretación
estadística precisa de las puntuaciones de los tests. A continuación, se calculan
las medidas de tendencia central: media aritmética mediana y modo; y, las las
medidas de variabilidad: Máximos y mínimos, rango, rango intercuartilar, desviación
estándar y varianza. La media es la medida de tendencia central más utilizada pues
su cálculo toma en cuenta a todas las puntuaciones y porque se utiliza en muchas
pruebas estadísticas, pero tiene como desventaja el que se ve afectada por las
puntuaciones extremas, así una sola puntuación bastante diferente del resto puede
elevar o bajar el valor de la media, no ofreciendo una estadística de resumen útil.
Por otro lado, la mediana no se ve afectada por los valores extremos pero su
desventaja reside en que en su cálculo no se toma a todas las puntuaciones
solamente a las dos situadas en la zona media de la distribución. El modo es la
puntuación que más se repite, pero puede haber más de un modo. El cálculo de los
Máximos y mínimos da una idea de la dispersión de la muestra, en tanto que el Rango
es la diferencia de restar el puntaje mínimo del máximo alcanzado por la muestra.
El rango intercuartilar es la diferencia de las puntuaciones equivalentes al
percentil 25 y al percentil 75, lo que le da ventaja respecto del Máximo y mínimo y
del Rango pues lo afecta menos las puntuaciones extremas. Entre las medidas de
variabilidad, la desviación estándar es la más utilizada pues las unidades en las
que se expresa son las mismas que la medición original. Por ejemplo, si una
psicóloga ha obtenido las puntuaciones CI de 120 sujetos, la desviación estándar
resultante se expresa en unidades de CI, por ejemplo, 5,28 puntuaciones de CI. Si
la medición se hubiese realizado en eneatipos, la desviación estándar se
comunicaría en puntuaciones eneatipo. Asimismo, la desviación estándar es
importante porque en los reportes de investigación siempre acompaña a la media
aritmética, y también porque en una curva normal indica la proporción de personas
de la población que se hallan en un determinado rango de puntuaciones. Así, en una
distribución normal el 68% de la población o muestra se encuentra en el intervalo
de puntuaciones que arroja el sumar y el restar una desviación estándar a la media
aritmética de la distribución.(X +/- 1 DE). Sin embargo, la medida de variabilidad
más
221
importante para cálculos avanzados posteriores es la varianza por sus propiedades
aditrivas, que hace posible el análisis de sus componentes y porque fundamenta a
diversas pruebas estadísticas (Clark-Carter, 2002; Hernández, Fernández & Baptista,
2003). A continuación veremos un ejemplo de la exploración y descripción de la edad
de un conjunto de personas que reciben orientación psicológica. Tabla 20.
Distribución de frecuencias de la edad de 100 prersonas que asisten a un servicio
de Orientación Psicológica Porcentaje acumulado 1.0 4.0 8.0 15.0 20.0 28.0 38.0
46.0 55.0 61.0 67.0 71.0 74.0 78.0 83.0 86.0 88.0 91.0 92.0 94.0 97.0 98.0 99.0
100.0
Edad Válidos 18.00 19.00 20.00 21.00 22.00 23.00 24.00 25.00 26.00 27.00 28.00
29.00 30.00 31.00 32.00 33.00 34.00 35.00 36.00 37.00 38.00 39.00 41.00 42.00 Total
Frecuencia 1 3 4 7 5 8 10 8 9 6 6 4 3 4 5 3 2 3 1 2 3 1 1 1 100
Porcentaje 1.0 3.0 4.0 7.0 5.0 8.0 10.0 8.0 9.0 6.0 6.0 4.0 3.0 4.0 5.0 3.0 2.0 3.0
1.0 2.0 3.0 1.0 1.0 1.0 100.0
Porcentaje válido 1.0 3.0 4.0 7.0 5.0 8.0 10.0 8.0 9.0 6.0 6.0 4.0 3.0 4.0 5.0 3.0
2.0 3.0 1.0 2.0 3.0 1.0 1.0 1.0 100.0
222
10
Frecuencia
Media =27,08 Desviación típica =5,458 N =100 0 15,00 20,00 25,00 30,00 35,00 40,00
45,00
edad
Figura 16. Histograma correspondiente a los datos de la Tabla 18
Tabla 21. Estadísticos descriptivos de los datos de la Tabla 18

N Válidos Perdidos 100 0 27.0800 26.0000 24.00 5.45816 29.792 .704 .241 -.122 .478
24.00 18.00 42.00 23.0000 26.0000 31.0000
Media Mediana Moda Desv. típ. Varianza Asimetría Error típ. de asimetría Curtosis
Error típ. de curtosis Rango Mínimo Máximo Percentiles 25 50 75
Observando la Tabla 21 vemos, por ejemplo, que la edad promedio es de 27,08 años
(Media), que la mitad de los sujetos tiene por debajo de 26 años
223
(Mediana, Percentil 50), que entre el sujeto que tiene más edad y el que tiene
menos edad existe una diferencia de 24 años (Rango), que el 50% de los sujetos
tiene edades entre 23 a 31 años (Percentiles 25 y 75), que el grado de asimetría es
positivo (pues el cociente entre el índice de asimetría y su error típico es
0,704/0,241 = 2,92, valor superior a 1,96) y este valor es significativamente
grande para pensar que pertenece a una distribución de asimetría 0), y que la
curtosis que aparece como ligeramente platicúrtica tiene un valor estadísticamente
no significativo (el cociente entre el índice de curtosis y un error típico es
-0,122/0.478 = 0,25, valor inferior a 1,96) y este valor significativamente pequeño
lleva a sostener que pertenece a una distribución de curtosis 0). Cuando se explora
la relación de dos variables cuantitativas, los datos se presentan en forma de un
diagrama de dispersión (Scattergrama; “nube de puntos”). Por ejemplo, se tiene la
puntuación de 10 sujetos en una prueba de inteligencia y sus promedios vigesimales
de rendimiento académico en matemáticas: Tabla 22 Inteligencia y rendimiento en
matemáticas Sujeto Inteligencia Rendimiento 1 38 17 2 36 14 3 34 16 4 39 15 5 28 15
6 27 14 7 36 15 8 22 13 9 20 12 10 19 11
224
17,00
16,00
15,00
Rendimiento
14,00
13,00
12,00
11,00 15,00 20,00 25,00 30,00 35,00 40,00
Inteligencia
Figura 17. Inteligencia y rendimiento: Dispersigrama La observación del diagrama de

dispesión sugiere, en primer lugar, que es aplicable la prueba estadística
coeficiente de correlación de pearson pues los puntos se orientan en el sentido de
una recta; en segundo lugar, que existe una tendencia acentuada a que a una mayor
inteligencia le acompaña un mayor rendimiento académico en matemática. 3.4.1.2
Exploración de datos de variables cualitativas Las frecuencias son empleadas en la
exploración de variables que tienen niveles en forma de categorías. Por ejemplo, si
estamos interesados en estudiar a personas con Alta fuerza del yo y a personas con
Baja fuerza del yo, podemos indicar el número de personas en estas categorías, 15 y
25, respectivamente. También estos números podemos expresarlos como fracciones,
proporciones o porcentajes. En el caso de las fracciones, calcularemos el número
total de personas (n= 40) y expresaremos el total de personas con alta fuerza del
yo como una fracción de ese total. Así, 15 de 40, o 15/40 son personas con Alta
fuerza del yo. Estos valores pueden ser simplificados si fuera pertinente. Las
proporciones podemos hallarlas al convertir las fracciones en decimales. Al dividir
15/40 se tiene por resultado 0,375, indicando que 0,38 de la muestra son personas
con Alta fuerza del yo. En lo referente a los porcentajes, para hallarlos basta
multiplicar una proporción por 100. Así, 0,38 x 100 = 38%. Por lo tanto, en la
muestra el 38% tiene Alta fuerza del yo.(Clark-Carter, 2002).
225
Cuando se explora la relación de dos variables siendo estas nominales u ordinales,
los datos pueden por ejemplo presentarse como una tabla de contingencia. Sea la
relación de la Fuerza del yo y el sexo: Alta fuerza del yo 12 (60%) 3 (15%) 15 Baja
fuerza del yo 8 (40%) 17 (85%) 25 Total 20 (100%) 20 (100%) 40
Hombres Mujeres Total
Puede verse que hay una mayor cantidad de hombres con Alta fuerza del yo en
comparación con las mujeres. En efecto, el 60% o 6 de cada 10 hombres tienen una
Alta fuerza del yo; en tanto que el 15% o 2 de cada 10 mujeres tienen esta
característica. 3.4.1.3 Contraste de la hipótesis nula (Ho) Al empezar este tópico
es conveniente tener presente que cuando estudiamos una muestra sus resultados
nunca serán iguales a los que se podrían obtener si se estudiara a toda la
población, en otras palabras siempre habrá un margen de error (lección VIII);
asimismo, que la hipòtesis de investigaciòn tiene que ser contrastada con los datos
para determinar si estos la apoyan o no para lo cual la hipótesis de investigación
y la hipótesis nula tienen que ser transformadas a símbolos estadísticos
configurándose las hipótesis estadísticas Ha o hipótesis de investigación y la Ho o
hipótesis nula. Es claro que nunca se sabe con absoluta certeza la verdad o
falsedad de una hipótesis estadística a no ser que se examine la población entera.
En el proceso de contrastación, es la Ho la que sometida a contraste teniendo el
investigador que utilizar la estadística inferencial a través de pruebas o tests
estadísticos como un medio para tomar una decisión acerca de su aceptación o
rechazo. Al realizar el contraste de la Ho pueden producirse dos tipos de errores:
Error tipo I o rechazar la Ho siendo verdadera, y el Error tipo II o aceptar la Ho
siendo falsa. En el siguiente cuadro se resumen los errores tipo I y II.
226
Tabla 23 Características de los errores tipo I y tipo II SITUACIÓN La Ho es
verdadera La Ho es falsa Decisión acertada (No hay error) Probabilidad (1 – α)
Error tipo I Probabilidad (α) Error tipo II Probabilidad (β) Decisión acertada (No
hay error) Probabilidad (1- β)
DECISION A TOMAR Aceptar Ho
Rechazar Ho
La probabilidad de cometer el error Tipo I (tipo de error también llamado falso

positivo) se comete cuando se afirma la hipótesis del investigador siendo falsa; se
denomina nivel de significación y se representa por la letra griega alfa (α). Por
tanto, α es la probabilidad de cometer un error tipo I y se aconstumbra que el
investigador lo fije antes de empezar la investigación. En la práctica es frecuente
el uso de un nivel de significancia de 0,05 ó 0,01, aunque también se usan otros
valores, pero usualmente no menores a 0,05. Por otro lado, se conoce como nivel de
confianza a la probabilidad a priori de que el intervalo de confianza a calcular
contenga al verdadero valor del parámetro. Se indica por 1-α y habitualmente se da
en porcentaje (1-α) %. Por ejemplo, si se escoge un nivel de significanción del
0,05 ó 5% significa que al elaborar la regla de decisión para aceptar o rechazar la
Ho aceptamos que existe unas cinco oportunidades entre cien de rechazar la
hipótesis cuando debiera haberse aceptado; es decir, tenemos un 95% de confianza
(1- α = 95%) de que hemos adoptado la decisión correcta. En tal caso, decimos que
la hipótesis ha sido rechazada al nivel de significación 0,05 o que tiene una
probabilidad del 5% de ser falsa. Cuanto mayor sea α tanto más probable es que se
cometa el error tipo I. El error tipo II (tipo de error también llamado falso
negativo) se representa por la letra griega beta (β), se comete cuando no se
rechaza la Ho siendo esta falsa en la población. Por tanto, α y β indicarán tanto
el tipo de error como la probabilidad de cometerlo. Existen recomendaciones para
disminuir el error tipo I y el error tipo II. Veamos las concernientes al error
tipo I: a) Depurar la matriz o base de datos para evitar errores provenientes de
valores extremos que puedan producir hallazgos significativos; b) Utilizar valores
de alfa más reducidos (0.01 ó 0.001); c) Reproducir el estudio. Si al hacerlo se
obtienen
227
resultados similares, estaremos más seguros de no estar cometiendo el error de tipo
I. Por otro lado, recomendaciones para disminuir el error tipo II son: a) Estimar
el poder estadístico del estudio; b) Incrementar el tamaño del efecto a detectar;
c) Incrementar el valor de alfa; d) Utilizar pruebas o tests paramétricos en lugar
de pruebas o tests no paramétricos, por ser más potentes. Los errores tipo I y tipo
II están relacionados. Una disminución en la probabilidad de uno por lo general
tiene como resultado un aumento en la probabilidad del otro. U/na recomendación
general para equilibrar la posibilidad de su presentación es incrementar el tamaño
de las muestras, hacerlas más grandes. Actualmente se recomienda que los valores de
α y β deben ser especificados por el investigador antes de iniciar la
investigación. Asimismo, estos valores determinam que tamaño (n) de muestra tendría
que escogerse para calcular la prueba estadística elegida. Todavía es común que α y
n se especifiquen de antemano; al determinarse ambos, también queda determinada β.
3.5 Elección de la prueba estadística 3.5.1 Concepto de prueba estadística Para una
mejor ilustración de la prueba estadística de la hipótesis, algunos investigadores
(Grajales, 1998) comparan a esta prueba con un jurado de un proceso judicial.
228
Tabla 24 Comparación del juicio por un jurado y la prueba estadística de hipótesis
Juicio por medio de un jurado Prueba estadística de la hipótesis las pruebas el
Responsable de presentar pruebas el Responsable de fiscal investigador. Juicio El

jurado decide con el veredicto Se asume inocente. que el acusado Colección de
datos.
Se aplica una prueba estadística. es Se asume que la hipótesis nula es verdadera.
Pesa la evidencia provista por los testigos y pruebas asumiendo que el acusado es
inocente
Evalúa la evidencia provista por los datos (tal cual se resumen en la prueba
estadística) asumiendo que la hipótesis nula es verdadera. Pesa la evidencia en
contra del Calcula el valor p (probabilidad) acusado asumiendo que es inocente para
la prueba estadística suponiendo que la hipótesis nula es verdadera. El acusado es
encontrado culpable Se rechaza la hipótesis nula si el más allá de toda duda
razonable valor p es menor que el nivel de significatividad establecido. El acusado
es inocente y el jurado lo Error tipo I. declara culpable El acusado es culpable y
el jurado lo Error tipo II. declara inocente
(Tomado de Grajales, 1998). Se observa en este cuadro que la decisión sobre la Ho

se realiza después de la aplicación de una prueba estadística. En términos
generales, las pruebas o tests estadísticos (o contrastes) son el instrumento para
validar o rechazar las hipótesis que siguen un determinado modelo probabilístico,
tratando de distinguir lo que es plausible de lo que es muy poco verosímil, en el
marco de un modelo dado. En términos estadísticos, “son técnicas mediante las
cuales se contrastan los resultados derivados de realizar las operaciones
matemáticas propias de cada prueba con los valores críticos de la distribución
muestral correspondiente, y se decide si se puede rechazar,
229
dentro de determinados límites de probabilidad, la Ho, que postula que los
resultados observados son debidos al azar” (Sierra Bravo, 1991:371). Por ejemplo,
si se comparan en la estrategia de aprendizaje Elaboración de la información a un
grupo de escolares varones y un grupo de escolares mujeres y se postula la Ho:
XVARONES = XMUJERES (No existe diferencia entre varones y mujeres en la Elaboración
de la información), y si el investigador decide utilizar la prueba estadística t de
student para muestras independientes con un nivel de significación del 0,05 y una
potencia de 0,80 para someter a contraste la Ho, entonces el resultado que obtenga
se comparara con los valores críticos de la distribución teórica de la prueba t. La
regla de decisión indica que si el resultado obtenido es menor o igual que el valor
crítico, la Ho se rechaza, si es mayor, se acepta. Una limitación de las pruebas
estadísticas es que el tamaño de la muestra afecta la significatividad estadística.
Por ejemplo, dos estudios similares en todo pueden producir resultados muy
diferenres en términos de significación estadística simplemente porque se emplearon
tamaños de muestras muy diferentes. En consecuencia, el investigador que tiene la
muestra de mayor tamaño puede alcanzar un resultado estadísticamente significativo,
mientras que el otro no. En este sentido, tanto más pequeño es el tamaño de la
muestra, tanto más posible es un resultado con un error tipo II (aceptar la Ho
cuando es falsa, o en otro sentido rechazar la hipótesis de investigación Ha cuando
en realidad es correcta). Esta comprobación, ha determinado que se considere que si
se utiliza únicamente la significación estadística no se pueden comparar los
resultados, siendo necesarios otros conceptos para efectuar esta operación: el
tamaño del efecto y la potencia o poder de la prueba estadística como información
necesaria para evaluar la probabilidad de evitación del error tipo II (Clark-
Carter, 2002) 3.5.2 Tipos de pruebas estadísticas Las pruebas estadísticas
responden a un modelo estadístico y tienen un requisito de medida, siendo su
aplicación y resultados válidos en el marco de estas especificaciones. Si bien
algunas de estas pruebas son robustas, es decir que el nivel de significación α
“varía muy poco cuando las condiciones de aplicación de la prueba se alejan de las
estipuladas” (Domenech, 1975), es recomendable, sobre todo cuando las muestras son
pequeñas (n<30) el verificar el cumplimiento de las condiciones del modelo
estadístico y del requisito de medida; de no hacerse esta verificación más que
condiciones es mejor hablar de “suposiciones de la prueba”. Es decir, el
investigador “supone” que se están cumpliendo las condiciones con todos los riesgos
que ello implica para la interpretación de los resultados. Las pruebas estadísticas
se clasifican en pruebas no paramétricas. pruebas paramétricas y en
230
a) Pruebas paramétricas. Son pruebas que a partir de los datos resultantes de la
observación con los instrumentos y técnicas apropiadas de las variables de interés
en las muestras seleccionadas, estiman los parámetros de la población de acuerdo a
modelos de condiciones muy restrictivas respecto a la forma en que se distribuyen
esos parámetros, por ejemplo que tengan una distribución normal. El requísito de
medida es que las variables esten medidas en escala de intervalo o de razón, es
decir, sean cuantitativas. Sin embargo, también se acepta que son aplicables en
“variables ordinales cuando estas tienen niveles suficientes, por ejemplo 20 o más”
(Clark-Carter, 2002). b) Pruebas no paramétricas. Son pruebas que no exigen el
cumplimiento de condiciones en su modelo estadístico, por ejemplo la distribución
normal de los datos por lo que son llamadas también de "distribución libre", salvo
la condición que el muestreo sea probabilístico, aleatorio. Las variables deben
estar medidas en un escalamiento nominal o en un escalamiento ordinal de pocos
niveles. En la Tabla 25 se presentan un conjunto de pruebas paramétricas y sus
contrapartes no paramétricas más utilizadas en estudios con dos variables; en tanto
que en la Tabla 26 se muestran las pruebas multivariadas de análisis, y en la tabla
27 una síntesis que se incrementa con otros estadísticos importantes en la
investigación en psicología, educación y ciencias sociales. Respecto a las técnicas
multivariadas de análisis, estas son un conjunto de técnicas estadísticas y
matemáticas para analizar, describir e interpretar las medidas múltiples – más de
una variable (n > 1) – realizadas en cada individuo u objeto sometidos a
investigación. La información que proporcionan es por tanto multidimensional
(Cuadras, 1981; Hair, Anderson, Tatham & Blak, 1999), ayudando al mejor describir,
clasificar, predecir, explicar, comprender el comportamiento humano. Son aplicadas
en todas las ciencias. Algunos ejemplos de su aplicación son los siguientes: Sirven
para determinar los diferentes factores o dimensiones de la inteligencia, la
personalidad y la estructura de un test; En vista que los objetos a clasificar
están diferenciados por datos de ausencia o presencia de n características
cualitativas, sirven para formar grupos cada vez más amplios hasta llegar una
clasificación jerárquica (taxonomía); Una vez medidas diferentes variables
biométricas en los individuos de una misma especie, sirven para detectar
componentes de tamaño y forma.
231
Sirven para medir la similaridad de un grupo de naciones que se representan a lo
largo de dimensiones políticas, sociales y demográficas; Partiendo de la presencia
o ausencia de determinados síntomas clínicos, sirven para ayudare a diagnosticar la
enfermedad de un paciente En el análisis de mercados, en el que actualmente no hay
consumidores heterogéneos y caracterizados por un reducido número de variables
demográficas, sirven para analizar y examinar adecuadamente las múltiples
relaciones de numerosos segmentos de clientes con diversas características
demográficas y psicográficas, brindando información que hace posible una mejor toma
de decisiones. Estas técnicas se encuentran en expansión pues aparecen nuevas
técnicas y se perfeccionan las existentes. En sentido estricto, muchas técnicas
multivariantes son extensiones del análisis univariante por ejemplo del análisis de
distribución de una sola variable, y del análisis bivariante por ejemplo las
clasificaciones cruzadas, correlaciones, análisis de la varianza y regresiones
simples utilizadas para analizar dos variables. Las técnicas mutivariadas ayudan a
los psicólogos en el análisis de datos cuando estos constan de más de una variable
observada, y la utilidad aumenta al incrementarse el número de variables y el
número de unidades experimentales. Por ejemplo, si una psicóloga quisiera poner a
prueba un modelo que ha elaborado acerca de que el rendimiento académico en
matemáticas (VD) es función de un conjunto de variables independientes (VI) tales
como la inteligencia, la capacidad de concentración, las horas dedicadas al estudio
y la actitud hacia las matemáticas. La formaliación matemática del modelo es la
siguiente: Yij = f( Xj1 b1i+ Xj2 b2i + Xj3 b3i+ Xj4 b4i), el mismo que indica que
el rendimiento académico Y para el estudiante i, queda mejor estimado a través del
status de i en las variables X1 a X4 , y por las ponderaciones bj sobre las
variables referidas a esa situación. Si la variable dependiente (Y) y las variables
independientes (X1, X2….) son cuantitativas no sería útil una prueba bivariada como
el coeficiente de correlación de pearson para determinar su relación; hay que
recurrir a una técnica multivariada que halle estas relaciones al mismo tiempo. En
este caso es útil el análisis de regresión múltiple con su producto el coeficiente
de correlación múltiples (R). Por otro lado, se han presentado varias
clasificaciones de las técnicas multivariadas. Utilizaremos la clasificación
propuesta por Hair, Anderson, Tatham & Blak (1999) quienes emplean como criterio
que las variables en estudio pueden dividirse en dependiente e independiente. Así,
las técnicas
232
multivariadas pueden dividirse en técnicas de análisis de dependencia o de
interdependencia, a su vez al interior de estos bloques se presentan otras
divisiones atendiendo también al tipo de variable. Tabla 25 Pruebas paramétricas y
no paramétricas más usadas en estudios con de variables.
VARIABLE INDEPENDIENTE (PREDICTORA) VARIABLE DEPENDIENTE (RESULTADO) RELACIÓN ENTRE
LAS MUESTRAS (diseños entre sujetos; diseños intrasujetos)
dos
TIPO DE PRUEBA
PRUEBA ESTADÍSTICA
Una sola muestra (se compara con Cuantitativa valor teórico)
t-student para una muestra
Categórica
No relacionadas
Dicotómica categorías grupos)
(dos o
Chi-cuadrado de Pearson. Si ambas variables son ordinales usar el coeficientre

gamma. No existe (usar no paramétricas)
Relacionadas
No relacionadas Paramétricas Cuantitativa t-student muestras independientes
Relacionadas
t-student muestras relacionadas Chi-cuadrado de Pearson. Si ambas variables son

ordinales usar el coeficiente gamma.
Politómica (más de dos categorías o Categórica grupos)
No relacionadas
233
No relacionadas Cuantitativa Análisis de la varianza (ANOVA) de una vía Análisis de
la varianza (ANOVA) de medidas repetidas Binomial Chi-cuadrado de Pearson Chi-
cuadrado de Mantel-Haenzsel Prueba de KolmogorowSmirnov Prueba de las Rachas Test
exacto de McNemar Prueba de los Signos Prueba Q de Cochran Chi-cuadrado de Pearson
Test exacto de Fisher Prueba de los signos Prueba Wilcoxon de
Relacionadas
Una sola muestra (se compara con valor teórico)
Relacionadas
Categórica
Dicotómica (dos valores o grupos) No paramétricas
No relacionadas
Relacionadas Cuantitativa
No relacionadas
U de MannWhitney Mediana Z KolmogorovSmirnov Rachas de WaldWolfowitz Valores

extremos de Moses.
234
Categórica Politómica (más de dos valores o grupos)
Relacionadas
Prueba Q Cochran
de
Prueba de Relacionadas Friedman W de Kendall Cuantitativa (concordancia) Prueba de

No relacionadas Kruskal-Wallis Mediana K variables ANOVA de dos vías por rangos
COVARIACION (medidas de dos variables en los mismos sujetos o unidades de análisis
del estudio) Paramétrico Cuantitativa Cuantitativa Correlación de Pearson/
Regresión lineal simple No Cuantitativa Cuantitativa Correlación de paramétrico
Spearman
Tabla 26 Clasificación de las técnicas multivariadas. Técnicas de Dependencia

Técnicas de Independencia Según número de variables que Según la estructura de
relaciones están prediciendo o explicando entre… 1) Múltiples relaciones de
variables 1) Variables: Técnica de análisis dependientes e independientes:
factorial. Técnica Modelo de ecuaciones 2) Casos/Encuestados: Técnica de
estructurales. análisis de clusters. 2) Varias variables dependientes 3) Objetos:
en una relación única: Según escala de medida de las Según los atributos sean
métricos: Técnicas de análisis variables dependientes. multidimensional. Si es
métrica, ¿cuál es la escala de Según los atributos no sean medida de la variable
predictor? métricos: Técnica de análisis de Si es métrica: Técnica de correlación
correspondencias. canónica, (métrica = cuantitativa; no métrica
235
Si no es métrica: multivariante de variables. Técnica = no cuantitativa)
No es métrica: Técnica de análisis de correlación canónica con variables ficticias.

3) Una variable dependiente en una relación común: Según escala de medida de las
variables dependientes: Si es métrica: Técnica de regresión múltiple; técnica de
análisis de conjunto. No es métrica: Técnica de análisis discriminante múltiple;
Técnica modelos de probabil idad lineal.
236
Tabla 27 Listado de estadísticos I. PARA REALIZAR ANÁLISIS DESCRIPTIVO Se presentan
diversos procedimientos empleados en la descripción general de informaciones
cuantitativas, en particular, algunas de las que con mayor frecuencia se utilizan
en la caracterización global del grupo estudiado y en la comparación de subgrupos
en relación con una o más características que son importantes en los objetivos
formulados por el investigador: 1. Descripción global de un grupo: distribuciones
de frecuencias, medidas de tendencia central, medidas de dispersión, medidas de
concentración (Índice de Gini, Índice de Theil), tasas. 2. Comparación de grupos, o
de subgrupos de una misma población, o la comparación de un mismo grupo en dos
momentos del tiempo: a) Comparación del porcentaje; b) Comparación con medidas de
concentración (Índice de Gini); c) Comparación de tasas (tasas de deserción
escolar); d) Comparación de índices (tasa de movilidad ocupacional entre puestos,
según sexos); e) Comparación en muestras (p.e. prueba T de student para muestras
independientes o para muestras correlacionadas); g. Comparación de medidas
ordinales (p.e. Prueba de Mann -Whitney). II. PARA REALIZAR COMPARACIONES
MÚLTIPLES. 1. Análisis simple de la varianza; 2. Análisis post-hoc: Técnica de
Sheeffé (otras son las de Duncan, Tukey, etc.); 3. Análisis de la varianza con dos
factores; 4.Correlación en el análisis de la varianza simple; 5. Análisis de
varianza no paramétrico (Kruskall - Wallis). III. ANÁLISIS DE COVARIANZA IV. PARA
REALIZAR ANÁLISIS DE RELACIONES SIMPLES. 1. Análisis de asociación para datos
nominales. (a. Comparación de porcentajes; b. Coeficientes de contingencia; c.
Coeficientes Lambda y Tau; d. Coeficiente Q de Yule; e. Coeficientes Phi.); 2.
Coeficientes ordinales: (a. Tau ; b. Gamma ; c. D de Sommers ; d. Rho de
Spearman) ; 3.Coeficientes de intervalos y escalas proporcionales: r de Pearson. V.
PARA REALIZAR ANÁLISIS MULTIVARIADO. Análisis de regresión. Análisis de regresión
múltiples. Modelo de regresión multiplicativo. Modelo semilogarítmico. Regresión
con variables ficticias. Coeficientes multivariados. Correlación parcial.
Correlación múltiple. Análisis canónico. Análisis discriminante. Análisis de
conglomerados. Análisis de ruta. Análisis factorial. (Modificado de Briones, 1982).
237
3.5.3 Criterio objetivo para elegir la prueba estadística
Cuando el investigador tiene un menú de pruebas estadísticas que pudiera emplear,

debe usar un criterio objetivo para elección de la más conveniente. Este criterio
objetivo se basa en tres aspectos: a) La potencia de la prueba; b) El modelo
estadístico de la prueba, que toma en cuenta la naturaleza de la distribución de la
población y la técnica de muestreo; c) El requisito de medida, es decir la escala o
nivel de medición nominal, ordinal, de intervalo, de razón en la que se ha medido
la variable.. 1) La potencia o poder estadístico. Esta característica depende de
muchos factores, includos el tipo de prueba que se emplea, el tamaño del efecto, el
diseño – entre sujetos o intrasujetos, el nivel α establecido, si la prueba es de
una o dos colas y, en el caso de diseños entre sujetos, el tamaño relativo de las
muestras. Se le define como la probabilidad de evitar un error tipo II, es decir,
el poder de una prueba es igual a 1 – β El poder que el investigador requiere para
una investigación depende de los objetivs de esta, por ejemplo, si es
particularmete importante evitar un errro tipor II, se orientara a un nivel de
poder lo más cercano posible a 1. Por ejemplo, si quisiera probar la eficacia de un
mediamento que puede salvar una vida, no querra rechazar de manera errónea la
hipotesis de investigación de que el medicamento tiene eficacia, pero para lograr
tal nivel de poder tal vez sea preciso un tamaño de muestra impracticable grande.
Un nivel razonable de poder, en condiciones mormales, es 0,80. En otras palabras,
la probabilidad de cometer un error tipo II (β) es 1 – poder = 0,20. Con un nivel
de establecido en 0,05, esto nos dará una razón de probabilidad de cometer un errro
tipo I y error tipo II de 1:4. (ClarkCarter, 2002). Las pruebas paramétricas son
más potentes que las pruebas no paramétricas. Es decir, estas últimas son más
exigentes al rechazar la Ho y por tanto tienen menos posibilidades de acertar
cuando no la rechazan (mas posibilidades de cometer un error tipo β). Por otro
lado, la potencia de una prueba estadística se incrementa cuando lo hace el tamaño
de la muestra. En consecuenia, para que una prueba no paramétrica logre la misma
potencia de una prueba paramétrica debe aumentarse en una cantidad determinada el
tamaño de la muestra. En este sentido, la potencia de una prueba no paramétrica
suele calcularse en referencia a su homóloga paramétrica. Por ejemplo, la U de
Mann-Whitney tiene una potencia relativa del 95% con respecto a la prueba
paramétrica t de Student, es decir que con una muestra de 100 sujetos, se consigue
la misma potencia con la U de Mann-Whitney que con 95 sujetos para la t de Student.
238
El concepto de potencia es muy útil en la fase de planificación del estudio cuando
el investigador tiene que decidir el tamaño de la muestra necesario para lograr un
determinado nivel de poder (por ejemplo, 0,80), y en la fase del análisis de los
datos para evaluar el poder de la prueba utilizada. Nos ocuparemos del primer caso.
Una vez que el investigador ha decidido el diseño –entre o intra sujetos -, el
nivel de significación alfa y la cola de la prueba –unilateral o bileteral, una o
dos” colas -, puede calcular el tamaño de la muestra que requiere, pero todavía le
queda un problema por resolver, el tamaño o magnitud del efecto (effect size). a)
La magnitud del efecto. En los estudios experimentales se trata de determinar el
impacto de la variable independiente sobre la variable dependiente. La magnitud del
efecto es una manera de cuantificar la efectividad de una intervención particular
en relación a alguna comparación, por ejemplo entre un grupo experimental (GE) y un
grupo control (GC), o del grado en que dos o más variables están relacionadas entre
sí. El enfatizar en la magnitud del efecto más que en la significación estadística
(que se ve afectada por el tamaño de la muestra) hace posible ir más allá de
preguntas como ¿El método A es efectivo o no? a otras más complejas como ¿Que tan
bien funciona el método A en varios contextos?. Por ser independiente del tamaño de
las muestras, la magnirtud del efecto es un estadístico que se ha convertido en una
herramienta importante para interpetar y reportar la efectividad de una condición
especifica (Coe y Merino, 2003), utilizándose con tal propósito en los estudios
exsprimentales, los meta-análisis e incluso se viene extendiendo su uso a estudios
correlacionales y comparativos para describir diferencias. Sin embargo, es
necesario tener en cuenta que las fórmulas para obtener el tamaño del efecto y la
interpretación de los mismos es diferente según las pruebas estadísticas utlizadas
para el contraste de la Ho. Cohen ha propuesto algunas medidas del tamaño del
efecto. Por ejemplo, en el caso de la diferencia de dos medias, el estadístico d de
Cohen con un resultado de 0,20 representa un efecto pequeño, uno de 0,50 uno
mediano y uno de 0,80 un efecto grande. En tanto que, en el caso de la Ji cuadrado
el estadístico w de Cohen con un resultado de 0,10 define un efecto pequeño, uno de
0,30 uno mediano y uno de 0,50 un efecto grande. (Cohen, 1988, en Clark-Carter,
2002:188,201)
239
Veamos un ejemplo de cálculo e interpretación del estadístico d de Cohen en un
experimento de diseño pretest, postest coin grupo de control. La fórmula para
hallar d es la siguiente: d= donde: es la media de una población 2 es la media de
la otra población σ es la desviación estándar
1 2
⁄σ
En el caso de la comparación de dos grupos se presenta un problema acerca de que σ

utilizar ¿la σ del grupo control? ¿la σ de los valores de ambos grupos juntos? ¿la
σ concentrada? Hay debate sobre cual de las σ emplear, muchos estiman que es
mjejuor usar una desviación estándar “concentrada” que esencialmente es un promedio
de las desviaciones estándares de ambos grupos. La fórmula para su cálculo es: σ =
√ (Ne – 1) σ2e +(Nc – 1) σ2c ⁄ Ne + Nc - 2
Donde: Ne y Nc es la cantidad de sujetos en el GE y el GC, y σe y σ2c son sus

desviaciones estándares Se compara los rendimientos de dos grupos en un test de
atención después de un programa de mejoramiento de la atención. Los resultados son
los siguientes: X1= 22 X2= 18, σ concentrada = 3. Por tanto, d = 1,33 valor que es
calificado como “un efecto grande”, es decir, el efecto del programa tiene un
efecto grande en la atención de los niños. Por otro lado, el análisis de la fórmula
de d permite deducir que es una medida de cuantas desviaciones estandar separan a
las dos medias, en otras palabras, es independiente del tamaño de las muestras y es
exactamente equivalente a un puntaje estándar Z de una distribución normal. En
consecuencia, d también puede interpretarse en el sentido que la puntuación del
sujeto promedio en el grupo experimental es 1,33 desviaciones estándares arriba del
sujeto promedio en el grupo control y, por tanto, excede los puntajes del 91% del
grupo control (para la determinación de este último valor véase la proporción de
una población que se encuentra por debajo del puntaje Z = 1,33 en una tabla de la
distribución normal que se halla en los libros de estadística). Si bien el lograr
un efecto grande sería motivo de beneplácito para el investigador, un efecto
pequeño puede ser importante. Si el efecto es el
240
resultado de un estudio sobre un tratamiento para salvar vidas se trataría de algo
importante, aunque se salve nada más la vida de una pequeña proporción de los
pacientes. b) Tamaño del efecto, potencia y tamaño de la muestra. El investigador
puede decidir de antemano que tamaño de efecto desea, al fijar este valor también
es posible determinar la potencia y el número de sujetos necesarios para el
estudio. Existen tablas que permiten hacer estos cálculos rápidamente. Por ejemplo,
¿cuántos sujetos deberían haber tenido los dos grupos del ejemplo anterior? Si el
investrigador decidió que: a) la prueba estadística para el contraste de la Ho será
la prueba estadística parámetrica t de student; b) la hipótesis sea unilateral o de
una cola; c) el tamaño del efecto sea de 0,80 y, d) la potencia de la prueba
también sea de 0,80; entonces la respuesta es 20 sujetos por grupo (véase tabla
AXV.2 en Clark-Carter, 2002:590). Si la hipótesis fuera bilateral o de dos colas,
serían necesarios 30 sujetos por cada grupo. 2) El modelo estadístico de la prueba.
Las pruebas más poderosas son las paramétricas, que como hemos visto tienen en su
modelo un conjunto de suposiciones o condiciones que si son cumplidas las hacen más
idóneas para rechazar una Ho siendo falsa. Por ejemplo, las condiciones del modelo
estadístico de la prueba t de Student para muestras independientes deben ser
satisfechas, pues de no ser así no se tendría confianza en cualquier aseveración de
probabilidad con esta prueba. Estas condiciones son las siguientes: a) El muestreo
debe ser aleatorio, probabilístico.
b) Las muestras deben distribuirse normalmente en la variable observada. Es decir,

las puntuaciones de los sujetos de ambas muestras en la variable de interés deben
ajustarse a la distribución nornal de probabilidades o campana de Gauss por su
forma. Esta condición es mucho más importante de cumplir en las muestras pequeñas
(n < 30). La condición de normalidad puede comprobarse con los coeficientes de
asimetría o curtosis que son medidas de posición relativa o, con mayor precisión,
empleando la prueba estadística no paramétrrica KolmogorovSmirnov (KS). c) las
muestras a compararse deben tener varianzas iguales o en casos especiales deben
tener una proporción de varianza conocida. Esta condición se satisface empleando
las pruebasa paramétrica F de Levene (Levene´s test).
241
d) La medida de la variable de interés debe haberse realizado por lo menos en un

nivel o escala de intervalo, es decir la prueba t de student ha sido elaborada para
trabajar con variables cuantitativas. Si se cumple el requisito de medida y si
todos los supuestos o condiciones del modelo estadístico se cumplen, en especial el
de semejanza de varianzas, se debe utilizar la prueba paramétrica t de student para
efectuar la comparación de dos grupos respecto de la variable de interés, por
ejemplo, el grado de atención. Si los supuestos o condiciones no se cumplen, es
mejor considerar el uso de una prueba no paramétrica, en este caso la U de Mann-
Whitney.
242
Lección IV Interpretación y explicación de resultados Con la interpretación y
explicación de los resultados se va llegando a la etapa final de la investigación,
a la que concurren todas las anteriores etapas del estudio, pero la interpretación
se encuentra fuertemente vinculada al análisis de los datos. 4.1 Análisis,
interpretación y explicación Como resultado del análisis se tiene un conjunto
clasificado de información sobre la variable o variables estudiadas, que el
investigador presenta en tablas, cuadros o gráficos y en relación a los que hace
afirmaciones sobre las propiedades estadísticas de los datos obtenidos, buscando de
hacer explícitas las propiedades, notas y rasgos de todo tipo que con relación a la
variables o variables observadas, se derivan de las tablas. Se trata de analizar
las tablas, cuadros o gráficos en sus distintos elementos y aspectos “afin de
establecer las consecuencias que se puedan deducir de ellas respecto a la finalidad
de la investigación y a las hipótesis que se han pretendido contrastar” (Sierra
Bravo, 1994). Por ejemplo, en el caso de la correlación de dos variables
cuantitativas es aconsejable empezar el análisis estadístico analizando la
significatividad del coeficiente hallado, especialemte si es distinto de cero se
debe: a) analizar el dispersigrama o “nube de puntos” para determinar si los datos
se ajustan a una relación lineal A estas afirmaciones se les denomina “findings”,
que son afirmaciones sobre las propiedades estadísticas de los datos obtenidos en
las operaciones de investigación (Sietrra Bravo, 1994). La interpretación en cambio
"va más allá" de lo que los datos nos pueden reflejar. Ofrece un carácter
cualitativo propendiendo a proporcionar un referente real a los resultados
estadísticos. Tiene como punto de partida a los “findings”. Se trata de determinar
la significación y alcances de las propiedades y rasgos que se deriven del
análisis, estableciendo conclusiones que son enunciados sobre los términos
conceptuales de las variables. Por ejemplo, un investigador encuentra que: El país
"A", registra una caída continua del Producto Interno Bruto", entonces interpreta
que, "Los últimos ministros de la economía han sido incompetentes".
El análisis y la interpretación están vinculados teniendo en común el referirse al

estudio de los datos procesados, en este sentido, su alcance es
243
específico. Es en este alcance en lo que difieren de la explicación que tiene un
sentido más general pues en investigación concierne a la “expresión teórica última
y general de los resultados de la investigación o, si se quiere como el esquema
lógico de la solución al problema planteado que aquellos representan” (Sierra
Bravo, 1994). En el informe de investigación, a la explicación así entendida es
usual denominarle “Discusión de resultados”. Sin embargo, hay investigadores que en
los informes de investigación solamente hablan de interpretación de resultados,
incluyendo en este término a la explicación. Sea en uno u otro sentido, esta última
fase de la investigación cuyo objetivo es “buscar un significado más amplio a las
respuestas mediante su trabazón con otros disponibles (Selltiz, Jahoda, Deutchs &
Cook, 1976) requiere del investigador conocimientos en estadística e investigación,
creatividad, dominio del marco teórico y conceptual, razonamiento lógico y
sensibilidad inferencial para captar y elaborar teóricamente hasta los más mínimos
datos, partiendo de la confrontación de los resultados del análisis de los datos
con los resultados significativos o no significativos generados por las hipótesis,
los resultados no previstos por éstas y los resultados mixtos, y relacionando
dichos resultados con la teoría, pues se trata de explicar el porque de las
relaciones halladas (o no halladas) entre las variables, de predecir los fenómenos
haciendo comparaciones con otros estudios o haciendo una revisión crítica de los
conocimientos establecidos 4.2 Aspectos específicos a tener en cuenta en la
interpretación y explicación de resultados Al momento de interpretar los resultados
es conveniente que el investigador tenga en cuenta lo siguiente: a) La
interpretación debe limitarse al sistema de variables considerado para cada
hipótesis, pues sólo éstas cuentan con el fundamento teórico para la
interpretación. b) Debe manejarse con prudencia los valores obtenidos con el
análisis estadístico, pues no siempre la significación estadística de los
resultados garantiza que éstos sean realmente importantes. c) Si se comprueba la
hipótesis, se debe cuidar que la interpretación no exceda a la información que
aportan los datos. d) Se debe cuidar las exigencias de la validez interna y las
limitaciones que se han presentado durante el proceso de investigación. e) Es
necesario señalar los factores que no fueron controlados y que pudieron afectar los
resultados. f) Es conveniente relacionar los resultados obtenidos, con los logrados
en otros estudios sobre el mismo problema de investigación.
244
g) Cuando los resultados no confirman la hipótesis es conveniente explicar el
porqué de esta situación. Los resultados deben ser aceptados como tales, puesto que
en esa condición tendrán su propio significado y valor. (Encinas, 1991). 4.3 Un
ejemplo de análisis e interpretación
Veamos el siguiente ejemplo: Una investigadora esta estudiando la relación entre la

inteligencia y los prejuicios. La inteligencia la mide mediante un test de
inteligencia y los prejuicios por medio de una escala de prejuicios; ambos
instrtumentos son válidos y confiables. La hipótesis que sostiene es de tipo
correlacional y de una cola o ulilateral, pues afirma que existe una correlación
negativa entre la inteligencia y los prejuicios. Las hipótesis estadísticas son:
Ha: r < 0; Ho: r = > 0. Después de analizar el dispersigrama o “nube de puntos” de
ambas variables decide utilizar la prueba estadística paramétrica coeficiente de
correlación lineal de pearson, que arroja el siguiente resultado: r = - 0.70** (los
dos asteristicos indican que el índice de correlación tiene un valor
estadísticamemnte significativo). Análisis estadístico (“Findings”): a) El valor
del coeficiente de correlación es estadísticamente muy significativo (p<0.01); b)
Con un 99% de confianza en 100 veces que se repita la experiencia se espera que 1
vez no de el resultado observado; c) Este resultado permite rechazar la Hipótesis
nula (Ho: r = > 0); y aceptar la hipótesis alterna (Ha = r < 0); d) “Los individuos
con bajas puntuaciones en los tests de inteligencia tienden a presentar
puntuaciones altas en las escalas de prejuicios”. Interpretación: “La baja
inteligencia conduce a hostilidad hacia los grupos sociales extraños”. Explicación:
En este caso el investigador tendría que encuadrar esta proposición en la teoría
científica ya existente, en otras palabras, discutirla en relación al marco teórico
de la investigación. 4.4 Dos ejemplos de explicación o discusión de resultados
A continuación presentamos la discusión de dos investigaciones, una empírica y otra

de revisión. El-Anzi (2005) estudio la relación del rendimiento académico con la
ansiedad, la autoestima, el optimismo y el pesimismo en estudiantes kuwaitíes. La
muestra consistió de 400 estudiantes masculinos y femeninos en el Colegio de
Educación Básica en Kuwait. Los resultados más destacados de la investigación
fueron la correlación positiva significativa
245
entre rendimiento académico y el optimismo y la autoestima - Considerando que las
correlaciones fueron negativas entre el rendimiento académico y ansiedad y el
pesimismo. La discusión de los resultados es la siguiente: ”Estos resultados
muestran una relación negativa entre el rendimiento académico y la ansiedad. Este
resultado concuerda con estudios previos (ver Abu Marak, 1988; Dodds, 1975;
Sarason, 1957; Spielberger, 1966), mientras que la relación fue positiva en otros
estudios (véase Máttar, 1981; Othman, 1975; Soliman, 1979). Este resultado podría
ser dilucidada por decir que la ansiedad puede ser uno de los obstáculos que
impiden el logro académico alto en la adolescencia, ya que la ansiedad juega un
papel en la reducción de algunos factores que ayudan a incrementar el rendimiento
académico, la energía psíquica por lo tanto, se concentra a liberar la tensión. Los
investigadores coinciden en que la ansiedad puede ser un agente de múltiples
facetas. En su nivel simple o facultativo puede ser un motivo, pero a su alto nivel
puede ser un obstáculo. La ansiedad de la primera etapa pone a una persona en un
estado de inestabilidad y desequilibrio. Para reducir la tensión, la persona debe
eliminar las causas, y aquí la ansiedad puede ser un motivo para deshacerse de lo
que le molesta a él o ella. Los resultados revelan también que existe una relación
significativa entre rendimiento académico y la autoestima, y esto está de acuerdo
con diferentes estudios (ver Curry, 1990; El-Zayat, inédito; Purky, 1970; Schned,
1972). Sin embargo, los resultados no han determinado si la autoestima es la causa
de los logros académicos o de lo contrario. Este resultado puede explicarse por la
edad de la muestra. Si nos fijamos en el modelo de O'Malley (1976) podemos aplicar
la tercera a este resultado, porque hay algunos factores determinantes de los
logros académicos que no están relacionados con factores determinantes de la auto-
estima. Estos factores determinantes son los antecedentes familiares, la capacidad
académica y experiencia previa. Los resultados de los logros académicos muestran
una correlación positiva con optimismo y una correlación negativa con el pesimismo.
Este resultado confirma los resultados obtenidos en estudios anteriores realizados
por Chang (1998) y Shepperd et al. (1996). Como se mencionó anteriormente, los
conceptos de optimismo y el pesimismo son aún recientes y sus características aún
no se han decidido en los estudios árabes psicológico. Sin embargo, estudios
previos han demostrado que el optimismo y el pesimismo tienen una influencia
equitativa de muchas variables. El
246
optimismo aumenta la capacidad de una persona a tolerar situaciones y para resolver
problemas, y puede tener un efecto sobre el rendimiento académico. La persona
optimista es inclinado a tener una visión esperanzadora sobre el futuro. Así, el
optimismo puede tener un buen efecto en el rendimiento. También se descubrió que la
puntuación media en el optimismo entre los hombres fue mayor que la de las mujeres.
Este resultado coincide con varios estudios (ver Abdel-Khalek, 1996, 1998, Abdel-
Khalek y Alansari, 1995; Abdullatif & Hamada, 1998; Mook et al., 1992). Hombres en
la sociedad kuwaití disfrutar de más oportunidades y opciones que las mujeres. Los
hombres tienen buenas oportunidades para expresar sus opiniones y actitudes. Ellos
son quienes toman las decisiones en la elección de su tipo de educación y de su
cónyuge final. Esto los hace más optimistas”.
Martínez-Taboas (1997) expuso sinópticamente algunos de los hallazgos principales

en el área del abuso sexual en la niñez y las consecuencias clínicas que se
desprenden de la misma. La Discusión que hizo de sus resultados fue la siguiente:
“De esta breve revisión debe quedar claro que el abuso sexual en la niñez suele
traer consigo repercusiones psiconocivas a corto, mediano y largo plazo y que las
mismas se ramifican en disfunciones conductuales, sexuales, afectivas y
cognoscitivas. Sin embargo, también debe quedar claro que de 20 a 40% de estas
víctimas no demuestran ni evidencian síntomas de trauma. Esto no debe sorprender si
se adopta una perspectiva multi-casual y transaccional (Martínez-Taboas 1991). El
campo de las psicopatologías del desarrollo (Cicchetti & Toth, 1995) ha demostrado
de manera fechaciente que no puede analizarse el abuso en la niñes con modelos
lineales simplistas de causa y efecto. Al contrario pára llegar a comprender el
impácto de estas experiencias estresantes, es necesario estudiar las
características idiosincrásicas del (la) niño(a) (biológicas y psicológicas), las
de su familia, y de la comunidad y cultura en donde está inmerso dicho (a) niño(a).
En cada uno de dichos parámetros se pueden encontrar factores que potencien la
probabilidad y nocividad del abuso, así como factores compensatorios, que aminoren
el impacto negativo del mismo. Si se toma esto en cosideración, resulta obvio que
no todo niño(a) abusado(a) desarrollará un mismo perfil psicoemocional. También
resulta llamativo señalar y enfatizar que en términos generales los(as) niños(as)
que pasan por este tipo de abuso no demuestran un perfil específico que de manera
inelulible demuestre que estamos ante un menor
247
abusado. Lo que hasta el momento se ha encontrado es que estos(as) niños(as)
demuestran más síntomas de TEPT y problemas más marcados en el manejo de su
sexualidad, en especial demostraciones algo aberrantes de las mismas. Sin embargo,
no demuestran más psicopatología que niños(as) de un grupo psiquiátrico no abusado.
Por tanto, la labor clínica debe tomnar estas consideraciones en cuenta al momento
de realizar un diagnóstico diferencial. Por último, deseo retomar un señalamiento
que hice al comienzo de este artículo. En el mismo mostré preocupación y sorpresa
de que los psicólogos latinoamericanos no estemos publicando trabajos teóricos,
epidemológicos ni empíricos sobre el abuso sexual en la niñez en nuestros
respectivos países. Me pregunto:¿a qué se debe esto? ¿Será que el asunto no ha sido
problematizado aún? ¿Será que tal y como sucedió en Europa y América del Norte, el
tema es un “secreto” tácito? ¿Será que no hay recursos para estudiar el mismo?
Estas preguntas son inquietantes y lo son porque se ha demostrado que el abuso
sexual en la niñez impacta negativamente la salud mental de niños puertorriqueños,
judíos, camboyanos, asiáticos, filipinos y afroestadounidenses (véase el libro de
Fontes, 1995). Sería deseable tener la expectativa de que en la próxima década esta
situación pase por un proceso remediativo y se le dediquen esfuerzos intelectuales
y académicos a esta importante temática”. (Martínez-Taboas, 1997:61-62). 4.5 Las
conclusiones
No se debe confundir resultados y conclusiones. Un resultado es una observación

directa, una conclusión es una inferencia basada en los resultados. Las
conclusiones son las consecuencias lógicas que se obtienen mediante la inferencia
de los resultados logrados en el estudio, y deben limitarse a aquellos que están
sustentados por los resultados que aporta la investigación. Cuando las conclusiones
modifican una teoría anterior, el investigador o investigadora debe poner de
manifiesto este hecho. Se estila elaborar una conclusión por cada objetivo que se
perseguía lograr con el estudio.
248
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ LECTURA 4
DEFINICIÓN DEL ANÁLISIS MULTIVARIANTE4 El análisis multivariante no es fácil de
definir. En un sentido amplio, se refiere a todos los métodos estadísticos que
analizan simultáneamente medidad múltiples de cada individuo u objeto sometido a
investigación. Cualquier análisis simultáneo de más de dos variables puede ser
considerado aproximadamente como un análisis multivariante. En sentido estricto,
muchas técnicas multivariantes son extensiones del análisis univariante (análisis
de distribuciones de una sola variable) y del análisis bivariante (clasificaciones
cruzadas, correlación, análisis de varianza, y regresiones simples para analizar
dos variables). Por ejemplo, una regresión simple (con una variable predictor) se
extiende al caso multivariante para incluir varias variables predictor. De la misma
forma, la variable dependiente que se encuentra en el análisis de varianza se
extiende para incluir múltiples variables dependientes en el análisis multivariante
de la varianza. En muchas ocasiones las técnicas multivariantes sson un medio de
representar en un análisis simple aquello que requirió varios análisis utiliznado
técnicas univariantes. Otras técnicas multivariantes, sin embargo, están diseñas
exclusivamente para tratar con problemas multivariantes, tales como el análisis
factorial que sirva para identificar la estructura subyacente de un conjunto de
variables o el análisis discriminante que sirve para diferenciar entre grupos
basados en un conjunto de variables. Una de las razones de la dificultaad de
definir el análisis multivariante es que el término multivariante no se usa de la
misma forma en la literatura. Para algunos investigadores, multivariante significa
simplemente examinar relaciones entre más de dos variables. Otros usan el término
sólo para problemas en los que se supone que todas las variables múltiples tiene
una distribución normal multivariante. Sin embargo, para ser considerado
verdaderamente multivariante, todas las variables deben ser aleatorias y estar
interrelacionadas de tal forma que sus diferentes efectos no puedan ser
interpretados separadamente on algún sentido. Algunos autores afriman que el
propósito del análisis multivariante es medir, explicar y predecir el grado de
relación de los valores teóricos (combinaciones ponderadas de variables). Por
tanto, le carácter multivariante reside en los múltiples valores teóricos
(combinaciones múltiples de variables) y no sólo en el número de variables y
observaciones. Aquí no insisteremos en una definición rígida del análisis
multivariante. En lugar de esto, el análisis multivariante incluirá tanto técnicas
multivariables como técnicas multivariantes, debido a que los autores creen que el
conocimiento de las
4
Referencia original: Hair, J., Anderson, R., Tatham, R. & Black, W. (1999).
Análisis multivariante. Madrid: Prentice Hall Iberia, pp. 4
249
técnicas multivariables es un primer paso esencial en la comprensión del análisis
multivaariante.
250
ACTIVIDADES DE AUTOAPRENDIZAJE 1. Elabore un cuadro comparativo entre el muestreo
aleatorio simple y el muestreo aletorio sistemático. Muestreo aleatorio sistemático
1.
Muestreo aletorio simple 1.
2.
2.
3.
3.
4.
4.
2. Identifique la respuesta correcta y diga el porqué. 1. En un estudio sobre la

sintomatología depresiva que presentan los obreros de una fábrica ¿cuál será la
unidad de análisis apropiada? A) Los hombres obreros B) las mujeres obreras C) las
fábricas D) los obreros de ambos sexos. ¿Por qué?
___________________________________________________
____________________________________________________________ 2. En relación con la
pregunta anterior, de las siguientes opciones de valores de la variable, elija la
más injdicada y apropiada: Variable: Sintomatología depresiva A) Con sintomatología
depresiva/Sin sintomatología depresiva B) Con mucha sintomatología depresiva/Con
poca sintomatología depresiva/Sin nada de sintomatología depresiva ¿Por qué?:
___________________________________________________
____________________________________________________________ 4. Un psicólogo
estudia los patrones de conducta familiar en relación con el estudio en un pueblo
surandino peruano. El convive con varias familias del pueblo alternadamente durante
un cierto tiempo. Este es un ejemplo de: A) Observación estructurada B) Observación
no estructurada ¿Por qué?: ___________________________________________________
251
5. La población de un estudio esta compuesta de 50 000 personas ¿Cuál será el
tamaño de la muestra necesaria para calcular los parámetros con un nivel de
confianza del 95% y un margen de error de +/-4%?
____________________________________________________________ 6. Suponiendo que la
muestrsa obtenida será repartida por afijación uniforme en tres estratos, ¿cuántos
individuos tendrá cada estrato?
____________________________________________________________ 7. “El próposito de
emplear preguntas de tipo abierto o libre en una entrevista o cuestionario es el de
lograr una información mucho más profunda” ¿Qué opina Ud. de esta afirmación?
______________________
3. ¿Por què se dice que en algunos eswtudios la unidad de muestreo no coincide con
la unidad de análisis?
Respuesta:……………………………………………………………………………………………………….
………………………………………………………………………..........................................
……………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………
4. En relación al texto, elabore enunciados verdaderos en los que se incluyan los

siguientes tres términos: 1. Individuo – población – muestra Enunciado: 2. Error
muestral – error de sesgo – error aleatorio Enunciado: 3. Afijación proporcional –
afijación uniforme – afijación óptima. Enunciado: 4. Recolección de datos – fuente
de información – frecuencia de recolección Enunciado: 5. Codificación – variable
independiente – variable dependiente Enunciado:
252
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ AUTOEVALUACIÓN 4
Afirmaciones 1. Individuo es uno de los elementos de una muestra o poblaciòn. 2. El

concepto demográfico y el concepto metodológico de población coinciden. 3. La
población accesible es el conjunto de casos acerca de los cuales se pretende hacer
una generalización. 4. Un parámetro es un valor numèricxo logrado con los valores o
puntuaciones de una muestra. 5. Una elevada concentración de valores en la zona
media indica una curva leptocúrtica. 6. La asimetría y la curtosis influyen en el
análisis de los datos. 7. El error tipo I es también denominado “Falso negativo”.
8. Una limitación de una prueba estadística es que el tamaño de la población afecta
la sigbificatividad estadística. 9. La prueba t de student es una prueba no
paramètrica. 10. El análisis factorial multivariadas de análisis. es una de las
técnicas (
V ) (
F )
( (
) )
( (
) )
( (
) )
( (
) )
RESPUESTAS: 1) V ; 2) F ; 3) F; 4) F 5) V; 6) F; 7) V; 8) V; 9) V; 10) V
253

http://www.uam.es/personal_pdi/ciencias/ajaikin/basest2004/muestreo.pdf
http://www.santiagoapostol.net/Matematicas/joaquina-pdf/INF.pdf
http://www.ucm.es/info/eue/pagina/APOYO/JavierPortela/indexmuestreo.ht ml
http://posdem.com/ http://tarwi.lamolina.edu.pe/~cgonzales/pdf/Tecnicas%20de
%20Muestreo %20II/estratificacion1.pdf
http://www.peruv.com/ingenieria/estadistica_muestreo/muestreo_estratificado.htm
http://www.monografias.com/trabajos12/muestam/muestam.shtml
http://www.psico.uniovi.es/Dpto_Psicologia/metodos/tutor.7/p2.html
http://www.uv.es/rmartine/sociologia/tema2.PDF http://www.educar-
argentina.com.ar/OCT2000/educ33.htm
http://www.unifr.ch/ddp1/derechopenal/articulos/a_20080521_56.pdf
http://aps.sld.cu/bvs/materiales/metoinvestigacion/Cap%EDtulo%206.html
http://www.losrecursoshumanos.com/contenidos/212-focus-group-tecnicasde-
recoleccion-de-datos.html
254
Babbie, E. (2000). Thomson.
Fundamentos de la investigación social.
México:
Briones, G. (1980) Curso avanzado de técnicas de investigación social aplicadas a

la educación. Santiago de Chile: PIIE. Coe, R. & Merino, C. (2003). Magnitud del
efecto: Una guía para investigadores y usuarios. Revista de Psicología de la PUCP,
30(1), 145-178. Cuadras, C.M. 1991. Métodos de Análisis Multivariante. Bilbao:
Eunibar. Domenech, J.M. (1975). Métodos estadísticos para la investigación en
ciencias humanas. Barcelona: Herder. Encinas, I. (1991). Teoría y técnicas en la
investigación educacional. Lima: Ave. El-Anzi, F.O. (2005). Logro académico y su
relación con la ansiedad, la autoestima, el optimismo y el pesimismo en los
estudiantes kuwaitíes Social Behavior and Personality,. Recuperado el 12 de enero
2010. Disponible en:
http://findarticles.com/p/articles/mi_qa3852/is_200501/ai_n9520814 / Hair J.,
Anderson R., Tatham R. & Black W.(1999). Análisis multivariante, Madrid: Prentice
Hall. Hernández, R., Fernández C. & Baptista .P. (2003): Metodología de la
investigación. México: Mc GrawHill. Kerlinger, F. & Lee, H. (2002). Investigación
McGrawHill/Interamericana. León, O. & Montero, I. (1991). Introducción a la lógica
de la investigación en psicología y educación. 1ª. edición. Madrid: McGrawHill.
Martínez-Taboas, A. (1997). Abuso sexual en la niñez y sus repercusiones
emocionales. Psicología Contemporánea, 4(1), 56-63. Naghi, M. (1984). Metodología
de la investigación en administración, contaduría y economía. México: Mc Graw Hill.
255
Selltiz, C.; Jahoda, M.; Deutsch, M. & Cook, S. (1976). Métodos de investigación en
las relaciones sociales. Madrid: Rialp Polit, B. & Hungler, D. (2000) Investigación
científica en ciencias de la salud. México: Mc Graw Hill. Sierra Bravo, R. (1994).
Técnicas de investigación social. Teoría y ejercicios. Madrid: Paraninfo. Sierra
Bravo, R. (1991). Diccionario Práctico de Estadística. Madrid: Paraninfo.
256
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ BIBLIOGRAFÍA GENERAL
Alarcón, R. (1991). Métodos y diseños de investigación del comportamiento. 1ª.
edición. Lima: Universidad Peruana Cayetano Heredia. Alarcón, R. (2008). Métodos y
diseños de investigación del comportamiento. Lima: Universidad Ricardo Palma.
Aliaga, J. (1998). La inteligencia, la personalidad, la actitud hacia la matemática
y el rendimiento en matemática en los estudiantes del quinto de secundaria. Tesis
para optar el grado de Magister en Educación, Universidad San Martín de Porres,
Lima, Perú. Aliaga, J., Ponce, C., Bernaola, E. & Pecho, J. (2001). Características
psicométricas del inventario de autoevaluación de la ansiedad ante exámenes
(IDASE). Paradigmas, 2 (2), 11-30. Aliaga, J. (2003). El aprendizaje autorregulado
en estudiantes del quinto y sexto grado de primaria y el rendimiento en matemática
y lenguaje (Construcción de un cuestionario para la evaluación del aprendizaje
autorregulado según el modelo de Pintrich y DeGroot). Tesis para optar el grado de
Doctor en Psicología, Universidad San Martín de Porres, Lima, Perú. Arnau, J.
(1978). Métodos de investigación en las ciencias humanas. Barcelona: Omega. Arnau,
J. (1986) Diseños experimentales en psicología y educación. Volumen 1. México:
Trillas. Arnau, J. (1995) Diseños longitudinales aplicados a las ciencias sociales
y del comportamiento. México: Limusa. Avila, R. (1997). Introducción a la
metodología de la investigación. La tesis profesional. Aplicaciones y ejemplos.
Lima: Estudios y ediciones RA. Babbie, E. (2000). Fundamentos de la investigación
social. México: Thomson. Baker, T. (1997). Doing Social Research. USA: McGrawHill.
Baltes, P., Reese, H. & Nesselroeade, J. (1981). Métodos de investigación en
psicología evolutiva. Madrid: Morata. Balluerka, N. & Vergara, A. (2002). Diseños
de Investigación Experimental en Psicología. México D.F.: Prentice Hall. Barriga,
C. (1997). Fundamentos teórico-metodológicos de la investigación
257
educacional. Scienta Omni, 1, 47-107. Beltrán, J. (1993). Intervención
Psicopedagógica. Madrid: Pirámide. Beltran, J. & Alvarez, J. (1995). Psicología de
la educación. Madrid: Morambo. Best, J. (1970). Como investigar en educación.
Madrid: Morata. Briones, G. (1980) Curso avanzado de técnicas de investigación
social aplicadas a la educación. Santiago de Chile: PIIE. Briones, G. (1986).
Métodos y técnicas de investigación para las ciencias sociales. México: Trillas.
Buela-Casal, G., Caballo, V. & Sierra, J. (1999). Manual de evaluación en
psicología clínica y de la salud. Mèxico: Siglo XXI. Buendía, l., Colas, P. &
Hernández, F. (1998): Métodos de investigación en Psicopedagogía. Madrid: McGraw-
Hill. Bunge, M. (1979) La investigación científica. Ariel. Barcelona. Bunge, M.
(1980). La ciencia: su método y su filosofía. México: Siglo XXI. Bunge, M. (1984).
La investigación científica. Su estrategia y filosofía. Barcelona: Ariel. Burns, N.
& Grove, S. (2004). Investigación en enfermería. Madrid: Elsevier. Caballero, A.
(2000): Metodología de la investigación científica. Diseños con hipótesis
explicativas. Lima: Udegraf. Caballero, A. (2004). Guías metodológicas para los
planes y tesis de maestría y doctorado. Lima; Ugraph. Campbell, D. & Stanley, J.
(1973). Diseños experimentales y cuasiexperimentales en la investigación social.
Buenos Aires: Amorrortu. Castro, L. (1976). Diseño experimental sin estadística.
México: Trillas. Carbajal, I. (2004) Efectos de un programa cognitivo conductual en
los niveles de atención y reflexividad en un grupo de estudiantes del 3°. Grado de
educación primaria con déficit atencional. Pedagogía de la investigación
científica, 325-328. Carro, J. (1994). Psicoestadística descriptiva. Salamanca:
Amaru.
258
Chang, A. (1997). Relación entre las actitudes maternas y el proceso de adaptación

personal del niño obeso. Revista Peruana de Psicología, 2(4), 115-140. Clark-
Carter, D. (2002). Investigación cuantitativa en psicología. México: Oxford. Coe,
R. & Merino, C. (2003). Magnitud del efecto: Una guía para investigadores y
usuarios. Revista de Psicología de la PUCP, 30(1), 145-178. Cohen, L. & Manion, L.
(1990). Métodos de investigación educativa. Madrid: La Muralla. Córdova, J. (2001).
El proyecto de investigación para la tesis universitaria. Argumentos y Novedades,
2, 91-104. Cuadras, C.M. 1991. Métodos de Análisis Multivariante. Bilbao: Eunibar.
Dioses, A., Morocho, J., Velásquez, C., Cuzcano, A. y Días, G. (2000). Efectos de
un programa de un programa de estimulación del lenguaje en niños con bajo
rendimiento escolar residentes en un AA.HH. de Chorrillos. Revista de Investigación
en Psicología, 3(2), 19-28. Domenech, J.M. (1975). Métodos estadísticos para la
investigación en ciencias humanas. Barcelona: Herder. Encinas, I. (1991). Teoría y
Técnicas en la Investigación Educacional. Lima: Ave. El-Anzi, F.O. (2005). Logro
académico y su relación con la ansiedad, la autoestima, el optimismo y el pesimismo
en los estudiantes kuwaitíes Social Behavior and Personality,. Recuperado el 12 de
enero 2010. Disponible en:
http://findarticles.com/p/articles/mi_qa3852/is_200501/ai_n9520814 / Eyssautier, P.
(2002). Metodología de la investigación. Desarrollo de la inteligencia. México:
Ecafsa Thomsom Learning. Ezcurdia, A. & Chávez. P. (1996). Diccionario filosófico.
México: Limusa. Facundo, A. (1991). El proyecto de investigación. Modulo 5. Serie
aprender a aprender. Lima: Universidad Inca Garcilaso de la Vega. Vicerectorado
Académico.
259
Fiallo, J., Cerezal, J. & Hedesa, Y. (2008). La investigación pedagógica una vía
para elevar la calidad educativa. Lima: Colección Ruta Pedagógica. Flores, J.
(1995). Teoría y metodología de la investigación. Lima: Universidad Nacional Mayor
de San Marcos. Facultad de Educación. Gómez, J. (1983). El método experimental.
México: Harla. Gómez, M. (2006). Introdución a la metodología de la investigación
científica. Córdova: Brujas. Gortari, Eli de (1972. Lógica general. México:
Grijalbo. Hair J., Anderson R., Tatham R. & Black W.(1999). Análisis multivariante,
Madrid: Prentice Hall. Hayman, J. (1991). Investigación y Educación. Barcelona:
Paidós. Hempel, C. (1979) Filosofía de la Ciencia Natural. Alianza Universidad.
Madrid. Hernández, R., Fernández C. & Baptista .P. (2003): Metodología de la
investigación. México: Mc GrawHill. House, E. (1994). Evaluación, ética y poder.
Morata: Madrid. Instituto de Investigaciones de la Universidad Inca Garcilaso de la
Vega. (1993). Fundamentos de Investigación Científica. Serie; Antología de
Investigación Científica. Lima: Autor Kerlinger, F. & Lee, H. (2002). Investigación
McGrawHill/Interamericana. Kerlinger, F. (1984): Enfoque Conceptual de
Comportamiento. México: Interamericana. la Investigación del
Marqués Graell, S. (2000) Sociedad de la información. Nueva cultura. Habilidades

claves para los ciudadanos del siglo XXI. Nuevas competencias para el profesorado.
Quaderns Digitals, N° 22. [En línea]. Disponible en
http://www.ciberaula.es/cuaderns/ [26 setiembre 2005]. Martínez-Taboas, A. (1997).
Abuso sexual en la niñez y sus repercusiones emocionales. Psicología Contemporánea,
4(1), 56-63. Martínez, M. (2006). La investigación cualitativa (síntesis
conceptual). Revista de Investigaciones Psicológicas, 9(1): 123–146.
260
Mejía, E. & Reyes, E. (1994) Operacionalización de variables conductuales. Lima.
Cénit. Miro Quesada, F. (1969). Iniciación a la Lógica. Lima: Universidad Nacional
Mayor de San Marcos. Munch, L. & Angeles, E. (1999). Métodos y técnicas México:
Trillas. de investigación.
Mosterin, J. & Torreti, R. (2002). Diccionario de lógica y filosofía de la ciencia,

Pág. 387. Naghi, M. (1984). Metodología de la investigación en administración,
contaduría y economía. México: Mc Graw Hill. León, O. & Montero, I. (1991).
Introducción a la lógica de la investigación en psicología y educación. 1ª.
edición. Madrid: McGrawHill. O'Neil, W M. (1968). Introducción al método en
psicología. Buenos Aires: Eudeba Pardinas, F. (1983). Metodología y técnicas de
investigación en ciencias sociales. Introducción elemental. México: SigloXXI.
Pecho, J. (1997). Autoestima, habilidades sociales y autoritarismo paterno. Revista
Peruana de Psicología, 2(4), 93-114. Pérez Juste, R. (1988). La evaluación de
instituciones educativas aplicada a los centros asociados de la UNED. Revista
Iberoamericana de Educación Superior a Distancia, 1(1), 7-30. Pick, S. (1995) Cómo
investigar en ciencias sociales. México: Trillas. Piscoya, L. (1987). Investigación
científica y educacional. Un enfoque epistemológico. Lima: Amaru. Polit, B. &
Hungler, D. (1994) Investigación científica en ciencias de la salud. México: Mc
Graw Hill. 5ta. edición. Polit, B. & Hungler, D. (2000) Investigación científica en
ciencias de la salud. México: Mc Graw Hill. Quesada, R., Escurra, M. & Delgado, A.
(2001). Riqueza léxica en estudiantes de educación básica, nivel secundario de Lima
Metropolitana. Revista de Investigación en Psicología, 4(1), 109-119. Reátegui, N.
(1999) El constructivismo. sociocultural. Lima: Cedhum. La dimensión individual y
261
Reyes, E. (1988). Influencia del Programa Curricular y el trabajo Docente en el
Aprovechamiento en Historia del Perú del 3er. Año de Educación Secundaria. Tesis
para optar el grado de Doctor en Educación. Universidad Nacional Mayor de San
Marcos. Lima, Perú. Roces, C.; Gonzáles, M. & Touron, J. (1997). Expectativas de
aprendizaje y rendimiento de los alumnos universitarios. Revista de Psicología de
la Educación, 22, 99-123. Rodriguez Rivas, M. ((2002). La ciencia. Lima:
Universidad Inca Garcilaso de la Vega. Sautu, R. (2005). Todo es Teoría. Objetivos
y métodos de investigación. Buenos Aires: Lumiere. Sanchez, H. & Reyes, C. (2006).
Metodología y diseños en la investigación científica. Lima: Editorial
universitaria. Salkind, N. (1998). Métodos de investigación. México: Prentice Hall.
Selltiz, C., M. Jahoda, Deutsch, M. & Cook, S. (1976). Métodos de investigación en
las relaciones sociales. Madrid: Rialp. Siegel, S. & Castellan, J. (1995).
Estadística no paramétrica aplicada a las ciencias de la conducta. México: Trillas.
Shaughnessy, J., Zechmeister, E. & Zechmeister, J. (2007). Métodos de investigación
en psicología. México: McGrawHill. Sierra Bravo, R. (1984). Ciencias Sociales.
Epistemología, Lógica y Metodología. Madrid: Paraninfo Sierra Bravo, R. (1991).
Diccionario Práctico de Estadística. Madrid: Paraninfo. Sierra Bravo, R. (1994).
Técnicas de investigación social. Teoría y ejercicios. Madrid: Paraninfo. Tamayo,
M. (1991). Diccionario de la investigación científica. México: Limusa Tamayo, M.
(2002). El proceso de la investigación científica. México: Limusa. Zorrila, S.,
Torres, M., Luiz, A. & Alcino, P. (1997). Metodología de la investigación. México:
McGrawHill. Tafur, R. (1994). La tesis universitaria. Lima: Mantaro. Tafur, R.
(1994). Introducción a la investigación científica. Lima: Mantaro.
262
Travers, R. (1986). Introducción a la investigación educacional. Aires: Paidós.
Buenos
Ugarriza, N. (1994). Un modelo causal explicativo sobre el uso de bebidas

alcohólicas en los adolescentes. Revista de Psicología de la Universidad Ricardo
Palma, 6(Especial), 69-75. Van Dalen, D. & Meyer, D. (1994). Manual de técnica de
la investigación educacional. México: Paidós. Velásquez, A. & Rey, N. (1999).
Metodología de la investigación científica. Lima: San Marcos. Vizcarra, C. (1985).
Elementos de investigación (Antología). Lima: INIDE. Wood, G. (1984). Fundamentos
de la investigación psicológica. México: Trillas. Zubizarreta, A. (1998). La
aventura del trabajo intelectual: cómo estudiare investigar. México: Addison-Wesley
Longman.
263
ANEXOS
264
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ Anexo 1
PERFIL DE UN INFORME DE INVESTIGACIÓN Informe parcial El avance de la investigación

será comunicado por medio de informes parciales al profesor Asesor, quien los
revisará y aprobará. Los informes comprenderán cada una de las siguientes partes:
1. Primera parte: Planteamiento del problema de investigación: Selección y
formulación del problema. Objetivos. Finalidad e importancia. Limitaciones del
estudio. 2. Segunda parte: Marco de referencia de la investigación: Marco
histórico. Antecedentes del estudio en el extranjero y el país. Marco teórico.
Definiciones conceptuales y operacionales. 3. Tercera parte: Método: Tipo y diseño
de investigación. Población. Muestra. Identificación de variables. Técnicas e
instrumentos de recolección de datos. Procedimiento. Estadísticos y pruebas para el
tratamiento estadístico. 4. Cuarta parte: Resultados: Presentación, análisis e
interpretación. Verificación de hipótesis. Discusión de resultados. Resumen,
conclusiones y recomendaciones. Referencias bibliográficas. Informe final El
informe final será presentado al profesor Asesor para su revisión y aprobación.
Esquema del informe final. Título Índice Índice de cuadros Introducción Capítulo I.
EL PROBLEMA DE INVESTIGACION
265
1.1. Planteamiento del problema 1.1.1 Selección del problema 1.1.2 Formulación del
problema Objetivos 1.2.1 Objetivo general 1.2.2 Objetivos específicos
1.2.
1.3 Justificación y limitaciones Capítulo II. MARCO TEORICO REFERENCIAL 2.1

Antecedentes del estudio 2.1.1 En el extranjero 2.1.2 En el Perú Bases teórico-
científicas. Supuestos Hipótesis Definición de conceptos Capítulo III. METODO 3.1
3.2 3.3 3.4 3.5 3.6 3.7 Tipo de investigación Diseño de investigación Población y
muestra de estudio Variables de estudio Técnicas e instrumentos de recolección de
datos Procedimiento de recolección de datos Técnicas estadísticas de análisis de
datos Capítulo IV. RESULTADOS 4.1 4.2 Capítulo V. 5.1 5.2 Presentación y análisis
de resultados Discusión de resultados RESUMEN Y CONCLUSIONES Resumen Conclusiones
2.2 2.3 2.4 2.5
RECOMENDACIONES/SUGERENCIAS. REFERENCIAS BIBILIOGRÁFICAS ANEXOS.
266
VI. ADMINISTRACION DEL PROYECTO 6.1. Presupuesto a. Personal b. Bienes
c. Servicios
- Apoyo especializado - Material de escritorio -Material de Impresión -Otros -

Movilidad y viáticos -Servicios de Impresión -Servicios de Cómputo
PRESUPUESTO (Un ejemplo)
PRESUPUESTO ITEM 1 2 3 4 5 Equipos, software y servicios técnicos Transporte y

salidas de campo Materiales y suministros Material bibliográfico y fotocopias
Varios e imprevistos ( por variación de precios y servicios) TOTAL 1 Presupuesto
detallado 2 EQUIPOS, SOFTWARE Y VALOR TRANSPORTE SALIDAS DE SERVICIOS CAMPO 200 200
100 100 600 Movilidad local TOTAL 600 150 800 350 150 2,050
VALOR 150
Pruebas a utilizarse Tipeo Libros Revistas Sub-total 1
150 Sub-total 2
3 MATERIALES Y SUMINISTROS Papel bond Papel periodico Útiles de escritorio Sub-

total 3 VALOR 300 300 200 800
4 MATERIAL BIBLIOGRÁFICO VALOR Libros Separatas Fotocopias Sub-total 4 100 50 200

350
267
JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ Cronograma
MESES TAREA/SEMANA 1Elaboracion Proyecto 2. Elab. Informe I 3.Revision Informe I 4.
Elab. Informe II 5.Revision Informe II 6. Elab. Informe III 7. Revisión Informe III
8. Elab. Informe IV 9. Revisión Informe IV 10.Elab. Informe Final 11. Rev. Informe
Final 12.Rev. Informantes 13.Impresión de Informe 14. Sustentación de informe ABRIL
1 2 3 4 1 MAYO 2 3 4 JUNIO 1 2 3 4 JULIO 1 2 3 4 AGOSTO 1 2 3 4 SETIEM 1 2 3 4
268
ANEXO 2 REFERENCIAS BIBLIOGRAFICAS (Modelo de la Asociación de Psicología Americana
APA). Construcción de citas y fichas bibliográficas y lista de referencias de
acuerdo a las reglas establecidas por el Manual de Estilo de la American
Psychological Association (APA) (URL: http://www.apa.org) El manual de estilo según
APA es utilizado por autores y estudiantes de psicología, educación, ciencias
sociales, enfermería, criminología, relaciones públicas y otras profesiones. La
Escuela de Post Grado de la Universidad Marcelino Champagnat ha adoptado el estilo
APA para la redacción de los proyectos y tesis de maestría y doctorado. I. CITAS A.
Ejemplos de cómo citar en el texto una obra por un(a) autor(a): Rivera (1994)
comparó los tiempos de reacción... En un estudio reciente sobre tiempos de
reacción... (Rivera, 1994). En 1994, Rivera comparó los tiempos de reacción...
Cuando el apellido del autor(a) forma parte de la narrativa, como ocurre en el
ejemplo (a), se incluye solamente el año de publicación del artículo entre
paréntesis. En el ejemplo (b), el apellido y fecha de publicación no forman parte
de la narrativa del texto, por consiguiente se incluyen entre paréntesis ambos
elementos, separados por una coma. Rara vez, tanto la fecha como el apellido forman
parte de la oración (véase ejemplo c), en cuyo caso no llevan paréntesis. B. Obras
con múltiples autores (as): 1.Cuando un trabajo tiene dos autores(as), siempre se
cita los dos apellidos cada vez que la referencia ocurre en el texto. 2. Cuando un
trabajo tiene tres, cuatro o cinco autores(as), se cita todos los autores(as) la
primera vez que ocurre la referencia en el texto. En las citas subsiguientes del
mismo trabajo, se escribe solamente el apellido del(la) primer(a) autor(a) seguido
de la rase “et al.” Y el año de publicación.
Ejemplo:
269
Ramírez, Santos, Aquilera y Santiago (1985) encontraron que los pacientes....

(Primera vez que se cita en el texto). Ramírez et al. (1985) concluyeron que...
(próxima vez que se menciona en el texto). 3. Cuando una obra se compone de seis o
más autores(as), se cita solamente el apellido del (la) primer(a) autor(a) seguido
por la frase “et al.” Y el año de publicación, desde la primera vez que aparece en
el texto. (En la lista de referencias, sin embargo, se proveen los apellidos de
todos los autores.) 4. En el caso que se citen dos o más obras por diferentes
autores(as) en una misma referencia, se escriben los apellidos y respectivos años
de publicación separados por un punto y coma dentro de un mismo paréntesis.
Ejemplo: En varias investigaciones (Ayala, 1984; Conde, 1986; López & Muñoz, 1994)
Concluyeron que.... C. Citas directas: Material que es citado directamente (palabra
por palabra) de otro(a) autor(a) requiere un trato diferente para incluirse en el
texto. Al citar directamente, se representa la cita palabra por palabra y se
incluye el apellido del (la) autor(a), año de publicación y página en donde aparece
la cita. 1. Cuando las citas directas son cortas (menos de 40 palabras), éstas se
incorporan a la narrativa del texto entre comillas. Ejemplo: “En estudios
psicométricos realizados por la Universidad de Connecticut, se ha encontrado que
los niños tienen menos habilidades que las niñas”. 2. Cuando las citas directas
constan de 40 o más palabras, éstas se destacan en el texto en forma de bloque sin
el uso de comillas. Comienza este bloque en una línea nueva, sangrando la misma y
subsiguiente línea a cinco espacios (utilice la función de Tab si usa un procesador
de palabras). El bloque citado se escribe a doble espacio. Ejemplo: Miele (1993)
encontró lo siguiente:
270
El “efecto de placebo” que había sido verificado en estudio previo, desapareció

cuando las conductas fueron estudiadas de esta forma. Las conductas nunca fueron
exhibidas de nuevo aún cuando se administran drogas verdaderas. Estudios anteriores
fueron claramente prematuros en atribuir los resultados al efecto de placebo (p.
276). II. Listas de referencia Construcción de fichas bibliográficas y de la lista
de referencia Elementos generales del estilo APA La lista de referencias al final
de un proyecto o artículo lo documenta y proporciona la información necesaria para
identificar y recuperar cada fuente. Una lista de referencias cita trabajos que
apoyan específicamente los planteamientos realizados. En contraste, una
bibliografía cita trabajos que sirvieron de fundamento o son útiles para una
lectura posterior, y puede incluir notas descriptivas. Las revistas científicas en
psicología requieren listas de referencias, no bibliografías y la misma regla se
sigue para todo documento estructurado con base en las normas APA. Las referencias
se citan en el texto con un sistema de citación de autor y fecha, y se listan
alfabéticamente en la sección de Referencias. Las referencias que se citan en el
texto deben aparecer en la lista de referencias; y viceversa: cada entrada en la
lista de referencias debe citarse en el texto. El autor debe cerciorarse de que
cada fuente referida aparece en ambos lugares, y que la cita en el texto y la
entrada en la lista de referencias son idénticas en su forma de escritura y en el
año. Los datos deben estar correctos y completos. Debe darse una especial atención
a la ortografía de los nombres propios y de las palabras en lenguas extranjeras,
incluyendo los acentos u otros signos especiales, y al hecho de que estén completos
los títulos, los años, los números de volumen y de las páginas de las revistas
científicas. Los autores son responsables de toda la información de una referencia.
Debido a que una lista de referencias contiene sólo referencias que documentan el
artículo o el proyecto, proporcionando datos recuperables, no debe incluir las
comunicaciones personales, tales como cartas, memorandos y la comunicación
electrónica informal, las cuales deben citarse sólo en el texto. Los siguientes
bibliográficas: • elementos se aplican en la preparación de fichas
La lista bibliográfica se titulará: REFERENCIAS.
271
• • • • La lista tiene un orden alfabético por apellido del autor(a) y se incluye
con las iniciales de sus nombres de pila. La lista se escribe a doble espacio. Se
escribe en cursivas los títulos de revistas o de libros. Se deja un solo espacio
después de cada signo de puntuación.
Elementos generales (los ejemplos de fichas bibliográficas que aparecen a

continuación, se realizaron a espacio sencillo para guardar espacio en la redacción
de esta guía. Las mismas deben aparecer a espacio doble en la lista de referencias
de su trabajo). • Publicaciones periódicas (revistas) Autor, A.A. (año). Título del
artículo. Título de la revista, vol., págs. Publicaciones no periódicas (libros).
Autor, A.A. (año). Título de la obra. Lugar de publicación: Editor o casa
publicadora.
Revistas profesionales o “journals” • Artículo con un solo autor (paginación

continua): Bekerian, D.A. (1993). In search of the typical eyewitness. American
Psychologist, 48, 574-576. En este ejemplo se incluye solamente el volumen en la
ficha bibliográfica ya que la paginación es continua a través del volumen. Artículo
con dos autores (paginación separada): Klimoski, R., & Palmer, S. (1993). The ADA
and the hiring process in organizatiosn. Consulting Psychology Journal: Practice
and Research, 45 (2), 10-36. En este ejemplo incluye tanto el volumen como el
número en la ficha bibliográfica ya que cada edición enumera sus páginas por
separado. El (2) corresponde al número de la edición; la cursiva se extiende hasta
el volumen de la revista. Los nombres de los autores (cuando son más de uno) se
unen con el símbolo del ampersand (&). No se utilizan con este propósito las
conjunciones y o and.
Revista popular (magazine) Posner, M.I. (1993, October 29). Seeing the mind.
Science, 262, 673674. • Se incluye la fecha de la publicación el mes en el caso de
publicaciones mensuales y el mes y el día en el caso de publicaciones semanales.
272
Artículos de periódicos • • Millán Pabón, C. (1995, Febrero 12). Endereza el curso
de la reforma. El Nuevo Día, p.4. En los artículos de períodos, se utiliza la
abreviatura p. cuando la cita se encuentra en una sola página. En citas de dos o
más páginas se utiliza la abreviatura pp. Elías, M. (1995, February 15). Quickie
colesterol test often errorprone. USA Today, p. A1. Ejemplo de periódico compuesto
por varias secciones.
• •
Ejemplos de referencia a libros • Cone, J.D., & Foster, S.L. (1993). Dissertations
and theses from start to finish: Psychology and related fields. Washington, DC:
American Psychological Association.
Libro con nueva edición: Mitchell, T.R., & Larson, J.R., Jr. (1987). People in
organizations: An introduction to organizational behavior (3rd ed.). New York:
McGrawHill. Libro con autor colectivo institutos científicos, etc.): (agencia de
gobierno, asociaciones,
American Psychological Association. (1994). Publication Manual of the American

Psychological Association (4th ed.). Washington, DC: Author. • • Cuando el autor y
editor son los mismos, se utiliza la palabra Author para identificar la casa
publicadora. Enciclopedias: Bergman, P.G. (1993). Relativity. In The new
encyclopedia Britannica (Vol. 26, pp, 501-508). García Font, J. (1977). Magia y
santería. En Enciclopedia Planeta de las ciencias ocultas y parapsicología (Vol. 5,
pp. 141-155). Barcelona: Editorial Planeta.
273
Capítulo de un libro: Autor, A. A. & Autor, E. E. (Año de publicación). Título del
capítulo. En A. Editor, E. Editor & C. Editor (Eds.), Título del trabajo. (pp. xxx-
xxx). Localidad: Editorial. Ejemplos: Eckenrode, J., Power, J. & Garbarino, J.
(1997). Youth in trouble are youth have been hurt. En J. Garbarino& J. Eckenrode
(Eds.), Understanding abusive families: An ecological approach to theory and
practice (pp. 166193). San Francisco, EE.UU.: Jossey-Bass. Ponencia presentada en
un evento: González, R., Calvo, A., Benavides, G. & Casullo, M. (1998, noviembre).
Evaluación de la conducta social: Un estudio comparativo entre adolescentes
argentinos y españoles. Ponencia presentada en la Sexta Conferencia Internacional
“Evaluación Psicológica: Formas y Contextos”, Salamanca, España. Tesis de maestría
no publicada • Rocafort, C.M., Sterenberg, C., & Vargas, M. (1990). La importancia
de la comunicación efectiva en el proceso de una fusión bancaria. Tesis de maestría
no publicada, Universidad del Sagrado Corazón, Santurce, Puerto Rico.
Material audiovisual Películas (videos): Hopkins, J. (Director). (1987). Critical

thinking: How to evaluate information and draw conclusions [Videotape]. (Available
from The Center for Humanities, Inc., Box 1000, Mount Kisco, NY 10549-0010) • • • •
• Se provee el nombre y, entre paréntesis, la función o contribución principal de
la persona o entidad. Se señala el formato del recurso entre corchetes [ ] Se
provee nombre y dirección del (la) distribuidor(a) ya que la misma es una película
de circulación limitada. Fritz, S. (Directora). (1994). Sueños atrapados, la
migración dominicana a Nueva York [Videocinta] Santurce, PR: Isla Films.
274
Grabación en cassette: Miranda, M.T.B. (Conferenciante). (1987). La familia con
hijos adolescentes y problemas de conducta [Grabación en cassette]. San Juan, PR:
Consultores en Desarrollo y Conducta Humana. Grabación musical: Sting. (1993). Ten
summoner’s tales [CD]. Hollywood, CA: A&M Records. Artículo procedente del
Educational Resources Information Center (ERIC). Minami, M., & Kennedy, B.P.
(Eds.). (1991). Language issues in literacy and bilingual/multicultural education
(Series Nº 22). Cambridge, MA: Harvard Education Review. (ERIC Document
Reproduction Service Nº ED 384 225) • El número de documento que corresponde a ERIC
se incluye entre paréntesis al final de la ficha.
Programa de computadora (software): Rosenberg, V. (1992). Pro-Cite 2.0 version for

the IBM [Computer software]. Ann Arbor, MI: Personal Bibliographic Software. • No
se subrayan los nombres de los programas o lenguajes de computadoras.
Recursos de los servicios de INTERNET Para referenciar documentos que provienen de

la Internet se consideran diversos aspectos, por ejemplo: Una página Web: Dewey, R.
A. (2002). Psych Web by Russ Dewey. Recuperado en enero 25, 2003. disponible en
http://www.psywww.com Un artículo de una revista electrónica: Jacobson, J. W.,
Mulick, J. A., & Schwartz, A. A. (1995). A history of facilitated communication:
Science, pseudoscience, and antiscience: Science working group on facilitated
communication. American Psychologist, 50,
275
750-765. Recuperado en enero http://www.gpa.orljoumalsljacobson.html 25, 1996
disponible en
Jiménez Arias ME.(2004). Preocupaciones actuales sobre la confección de títulos

adecuados para artículos científicos. MEDISAN;8 (2). Recuperado en Diciembre 23,
2007, disponible en http://bvs.sld.cu/revistas/san/vol8_2_04/san09204.htm . Un
artículo que proviene de APA Monitor (un periódico): Sleek, S. (1996, enero).
Psychologists build a culture of peace. APA Monitor, pp. 1, 33. Recuperado en enero
25, 1996 disponible en http://www.apa.orglmonitor/peacea.html Un resumen
(abstract): Rosenthal, R. (1995). State of New Jersey v. Margaret Kelly Michaels:
An overview [Abstract]. Psychology, Public Policy, and Law, 1, 247-27 1. Recuperado
en enero 25, 1996 disponible en http://www.apa.orgljoumals/abl.htrffl Un documento:
Electronic reference formats recommended by the American Psychological Association.
(1999, noviembre 19). Washington, DC: American Psychological Association.
Recuperado en Noviembre 19, 1999 disponible en
http://www.apa.orgljoumalslwebref.html Ejemplos de referencias de informaciones
tomadas de diferentes bases de datos: Procedente de una base de datos en CD-ROM:
Federal Bureau of Investigation. (1998, marzo). Encryption: Impact on law
enforcement. Washington, DC: Autor. Recuperado de la base de datos SIRS (SIRS
Government Reporter, CD-ROM, Fall 1998 release). Base de datos de una revista en
una WWW: Schneiderman, R. A. (1997). Librarians can make sense of the Net. San
Antonio Business Journal, 11 (3), pp. 5 8+. Recuperado en enero 27, 1999 de la base
de datos EBSCO (Masterfile) disponible en http://www.ebsco.com
276
Base de datos de un diario de noticias científicas en una MFWW: Kerrigan, D. C.,
Todd, M. K., & Riley, P. 0. (1998). Knee osteoarthritis and high- heeled shoes. The
Lancet, 251, 1399-1401. Recuperado en enero 27, 1999 de la base de datos DIALOG
(#457, The Lancet) disponible en http://www.dialogweb.com Base de datos de una
revista universitaria en una WWW: Davis, T. (1992). Examining educational
malpractice jurisprudence: Should a cause of argon be created for student-athletes?
Denver University Law Journal, 69, 57+. Recuperado en febrero 17, 1993 de la base
de datos en línea WESTLAW (69 DENULR 57) Base de datos en línea: Bowles, M. D.
(1998). The organization man goes to college: AT&T's experiment in humanist
education, 1953-1960. The Historian, 61, 15+. Recuperado en marzo 4, 1999 de la
base de datos en línea DIALOG (#88, IAC Business A.R.T.S., Item 04993186)
Ordenación de varios trabajos con el mismo primer autor. Cuando se ordenen varios
trabajos realizados por el mismo primer autor, se proporciona el nombre de éste en
la primera referencia y en las subsecuentes, y se utilizan las siguientes reglas
para alfabetizar las entradas: Las entradas de un solo autor se ordenan por el
autor de publicación, primero el más antiguo: Kim, L. S. (1991) Kim, L. S. (1994) -
Las entradas de un solo autor preceden a las de autor múltiple, que comienzan con
el mismo apellido: Kaufman, J. R. (1991) Kaufman, J. R. & Cochran, D. E. (1987) -
Las referencias con el mismo primer autor y segundo o tercer autores diferentes se
ordenan alfabéticamente por el apellido del segundo autor y así sucesivamente:
Kaufman, J. R., Jones, E. & Cochran, D. F. (1992) Kaufman, J. R. & Wong, D. F.
(1989) Letterman, D., Hall, A. & Leno, J. (1993) Letterman, D., Hall, A. &
Seinfeld, J. (1993) - Las referencias con los mismos autores en la misma sucesión
se ordenan por el año de publicación, con el más antiguo en primer lugar: -
277
Kaufman, J. R. & Jones, E. (1987) Kaufman, J. R. & Jones, E. (1990) - Las
referencias con el mismo autor (o con los mismos dos o más autores en el mismo
orden) con la misma fecha de publicación se ordenan alfabéticamente por el título
(excluyendo los artículos Un [Una] o El [La]) que sigue a la fecha. Excepción: Si
las referencias con los mismos autores publicadas en el mismo año se identifican
como artículos en una serie (e.g., Parte y Parte 2), se deben organizar siguiendo
el orden de la serie y no alfabéticamente por el título. Las letras en minúsculas
-a, b, c, etc.- se colocan inmediatamente después del año, dentro del paréntesis:
Kaufman, J. R. (1990a). Control.... Kaufman, J. R. (1 990b). Funciones de los....
Ordenación de varios trabajos de diferentes primeros autores con el mismo apellido.
Los trabajos realizados por diferentes autores con el mismo apellido se ordenan
alfabéticamente por la primera inicial: Eliot, A. L. & Wallston, J. (1983) Eliot,
G. E. & Ahlers, R. J. (1980) Se incluyen las iniciales con el apellido del primer
autor en las citas del texto. Ordenación de los trabajos con autores corporativos o
sin autores. De vez en cuando un trabajo tendrá como autor a una dependencia,
asociación o institución, o no tendrá autor en lo absoluto. Los autores
corporativos deben alfabetizarse, tales como las asociaciones o dependencias
gubernamentales, a partir de la primera palabra significativa del nombre. Deben
utilizarse los nombres oficiales completos (American Psychological Association, no
APA; Instituto Mexicano del Seguro Social no IMSS). Una entidad principal precede a
una subdivisión (University of Michigan, Department of Psychology; Universidad del
Estado de México, Coordinación de Orientación Educativa). Si, y sólo si, el trabajo
se rubrica como "Anónimo", la entrada comienza con la palabra "Anónimo" completa, y
dicha entrada se alfabetiza como si
278
Anónimo fuera un nombre verdadero. Si no hay un autor, el título se mueve hacia la
posición del autor y la entrada se alfabetiza por la primera palabra significativa
del título (Rey, 2006). PRESENTACIÓN FORMAL DEL PROYECTO Formato. Márgenes
(sugeridos) Izquierda : 3.5 cm. Derecha : 2.5 cm. Superior : 3.5 cm. Inferior : 2.5
cm Tipo de letra: Times Roman o Arial, tamaño 12 para texto normal y 14 para
títulos de capítulo y en negrita. Numeración en Apartados: Números dígitos (1.,
1.1., 1.1.1,….) Tipo de papel : Bond A-4, 75 grs. La escritura a una sola cara de
la hoja y a doble espacio. Párrafos. Empiezan en el margen izquierdo y sin sangría.
Entre párrafo y párrafo se dejarán cuatro renglones sencillos. Redacción: La
redacción será de manera impersonal, en lenguaje claro, conciso; sin fallas
sintácticas y ortográficas. Numeración de las páginas: De preferencia en la parte
inferior central. La portada y el índice no llevan numeración –la numeración es
implícita. La numeración se visibiliza a partir de la introducción. Ejemplar
espiralado.
279
Glosario 1. Conocimiento : Acción y el efecto del conocer, que implica la
proposición, enunciado o juicio resultante del acto del conocer. : Serie de
proposiciones que en algunos casos pueden estar acompañados de algún intento de
explicación sin que esta explicación a su vez este comprobada o disprobada. :
Conocimiento generado en y por la ciencia y que va más allá del conocimiento
empírico de los fenómenos o hechos estudiados, pues los trasciende buscando las
causas, las regularidades, principios o leyes que los rigen, todo ello para
describirlos, predecirlos, retrodecirlos, explicarlos y comprenderlos mejor. :
Conjunto racional de conocimientos objetivos, ciertos y probables, sistematizados y
comprobables que hacen referencia a objetos de una misma naturaleza, resultantes de
la investigación hecha con un método válido y enunciados en proposiciones
lógicas. : Sistemas de proposiciones concernientes a un conjunto de constructos que
sirven para describir, explicar, predecir, retrodecir y. añadimos, comprender,
algunos aspectos limitados de su dominio. : Proceso de llegar a soluciones fiables
para los problemas a través de la obtención, análisis e interpretación planificadas
y sistemáticas de los datos. : El concepto es una abstracción formada por
generalizaciones sustraídas de casos particulares. : Concepto pero inventado o
adoptado de manera deliberada y consciente para un propósito científico especial. :
Atributo, la propiedad o cualidad que pueden
2.
Conocimiento vulgar u ordinario
3.
Conocimiento científico
4.
Ciencia
5.
Teoría
6.
Investigación científica
7.
Concepto
8.
Constructo
9.
Variable
280
estar presentes o ausentes en un individuo o grupo de individuos – denominados
unidad de observación o de análisis – y que “pueden presentarse con matices o
modalidades diferentes; pueden darse en grados, magnitudes o medidas distintas a lo
largo de un continuo. 10. Definición operacional : Proporciona el significado a un
constructo o variable especificando las actividades u “operaciones” necesarias para
medirlo. : Conjeturas o especulaciones que el investigador presenta como respuesta
a su problema de investigación. sirve de guía a la investigación científica. Ella
determina, entre otras cosas, cuál es el tipo de datos que son pertinentes a la
investigación que sea el caso. la : Los objetivos constituyen los móviles o
propósitos que orientan El proceso de investigación y el proceso de su logro guía
todas las acciones programadas. : Referente empírico, signo o manifestación externa
directa, observable y medible que hace posible cuantificar de manera indirecta a la
variable. : Modelo o esquema lógico que impone restricciones para observar un hecho
provocado y que comprende el planeamiento de las operaciones para conducir un
experimento, en orden a dar respuesta al problema planteado y a controlar las
fuentes de error. : Refiere al grado en que los cambios observados en la VD se
pueden atribuir a la manipulación experimental de la VI, es decir, los cambios
observados en la VD no pueden ser explicados por la acción de ninguna otra variable
más que por la VI. : Generalización desde una relación observada en un conjunto de
datos a otros conjuntos
11. hipótesis
12. Objetivos de investigación
13. Indicador
14. Diseño
15. Validez interna
16. Validez Externa
281
potenciales de datos que podían haber sido observados pero que no lo han sido. 17.
Validez Estadística : Hace referencia a si las conclusiones sobre las relaciones o
diferencias entre los grupos extraídas del análisis de los datos son un reflejo del
mundo real. : Conjunto de casos que concuerdan con una serie de especificaciones. :
Subconjunto de individuos pertenecientes a una cierta población. : Valor numérico
conseguido a partir de los valores de una población que resume las características
pertinentes o más importantes de esta. : Valor numérico conseguido con los valores
de una muestra y que resumen alguna característica de esta. : Proceso de selección
de una parte de la población para que represente al conjunto de ella, en otras
palabras es el procedimiento utilizado para la elección de unidades dentro de un
conjunto más amplio de ellas.
18. Población
19. Muestra
20. Parámetro
21. Estadístico
22. Muestreo
282

Metodo Cuantitativo Investigacion

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

Metodo Cuantitativo Investigacion

Încărcat de

Drepturi de autor:

Formate disponibile

JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODRÍGUEZ

METODOLOGÍA DE LA INVESTIGACIÓN CUANTITATIVA

JAIME RAMIRO ALIAGA TOVAR TOMÁS PEDRO PABLO CAYCHO RODÍGUEZ

Jaime Aliaga & Tomás Caycho, 2011

Orientaciones Metodológicas Sumilla del Curso

La naturaleza de la asignatura es de formación general, de carácter

Descripción de las Unidades del Texto

I Unidad: Metodologia de la Investigacion Cientifica: Paradigma Cuantitativo de la

III Unidad: Proceso de Investigacion Cuantitativa II

OBJETIVO DEL CURSO

Desarrollar competencias y destrezas conceptuales, procedimentales y actitudinales

Se evaluará las actividades de autoaprendizaje y el avance del proyecto de

Sugerencias para el estudio: Recuerda: 1. Para aprender es necesario un aprendizaje

b. Al finalizar tu estudio la pregunta siempre debe ser: ¿Qué de

RECUERDA QUE PARA TENER ÉXITO NECESITAS SER UN ALUMNO AUTORREGULADO

“Los psicólogos intentan comprender el comportamiento y los procesos mentales

¿Qué es el conocimiento y cuáles son los tipos de conocimiento? ¿Qué es la ciencia?

Define la ciencia y su método en los diferentes campos de la actividad humana.

Aplica el método científico en las actividades diarias. Utiliza el método

Valora el método científico como expresión de la psicología como ciencia. Valora la

CONSECUENCIAS DEDUCIDAS EN TÉRMINOS FORMALES

HECHOS EMPÍRICOS OBSERVACIONES ANTECEDENTES

HECHOS EMPÍRICOS OBSERVACIONES CONSECUENTES

CONCEPTOS CLAVE Ciencia, conocimiento, investigación científica, método científico

1.1 El Conocimiento 1.1.1 Concepto En una primera aproximación, el conocimiento es

Vincent Van Gogh (Autorretrato)

Figura 2. Guérnica de Pablo Picasso

Como hemos visto, el conocimiento implica una proposición, enunciado o juicio

Etnocentrismo: Tendencia a erigir valores y costumbres del grupo en que se nacido y

El objeto del conocimiento es Lo Real – todo lo que existe -, que a su vez es

1.1.3.2 El conocimiento filosófico La filosofía no es una ciencia tal como

Es gracias al conocimiento científico que el Humano construye, elabora, la mejor

Caracteriza al conocimiento científico lo siguiente: 1) Es crítico y fundamentado.

En el cuadro 2 se muestran algunas comparaciones entre el conocimiento ordinario y

Busca una explicación racional de los hechos. Es sistemático (los conocimientos se

Es no especializado (Saber popular)

No es preciso y puede equivocado (puede haber considerado científico).

estar Corrige o proporciona mayor sido precisión al conocimiento ordinario.

Ejemplos: Ejemplos: - Los cuerpos dejados libremente en - Los cuerpos lanzados al

Son ciencias que proporcionan información sobre los objetos comprendidos en su

Son aquellas que en base a la información de las ciencias teóricas buscan

Figura 4. Modelo de una teoría científica

3.1 El método científico El conocimiento científico es el resultado de la

El método científico sigue la vía de la duda sistemática y utiliza los métodos

Hipótesis Variables Indicadores

Sistema teórico de la ciencia

3.2 La investigación científica 3.2.1 Concepto

La investigación científica es la herramienta más importante para avanzar

TEORIA MODELO VERIFICACIÒN HIPÒTESIS HECHOS DATOS TEORIZACIÒN ENUNCIADOS

Figura 6. Esquema del proceso de investigación (proceso lógico) (Tomado de Sierra

HECHOS (seres, cosas, acontecimientos, procesos, fenómenos)

SUS ASPECTOS, CARACTERÍSTICAS (dimensiones)

Figura 7. Desagregación de los hechos

Modelo del átomo (Bhör)

Modelo del rendimiento académico

Yij = f( Xj1 b1i+ Xj2 b2i + Xj3 b3i+ Xj4 b4i).

Figura 8. Ejemplos de Modelos en la investigación científica

En la Figura 9 se observa el Modelo del componente Motivación del Modelo de

Orientación a metas Percepciones de dificultad de la tarea

RENDIMIENTO Autorregulación Elección Persistencia

Creencias de eficacia, control y resultado

Ansiedad en los exámenes y afectos

Figura 9. Modelo de la Motivación de McKeachie et al. (Roces, González & Tourón,