LA METODOLOGÍA EXPERIMENTAL

Introducción ____________________________________________________________________ 2
a) Hipótesis_____________________________________________________________________ 2
b) Conceptos: constantes y variables _________________________________________________ 4
c) Categorización y operacionalización _______________________________________________ 13
d) Organización de los datos_______________________________________________________ 20
e) Análisis e interpretación de los datos ______________________________________________ 26

1
 LA METODOLOGÍA EXPERIMENTAL

Introducción
La metodología experimental se caracteriza por el control establecido en la situación de
observación. El control hace referencia al proceso de asignación aleatoria de las unidades
experimentales a las diferentes condiciones de tratamiento, a la manipulación o variación
controlada de la variable independiente y a las técnicas específicas utilizadas para evitar la
influencia de variables contaminadoras o extrañas. Según Arnau (1994) es una estrategia en la
que los datos se obtienen creando las condiciones específicas para que se produzcan los
fenómenos que son objeto de estudio. Esta es la razón por la que la Metodología Experimental
se identifica con la búsqueda de relaciones causales, ya que permite satisfacer los tres
supuestos exigibles: Precedencia temporal de la causa, la covariación entre la causa y el efecto
y la ausencia de espuriedad

a) Hipótesis

Comenzaremos por establecer qué es una hipótesis, cómo debemos formularla, y cuáles son
sus elementos constitutivos.
En una primera aproximación intuitiva, diremos que una hipótesis no es una pregunta sino una
respuesta, una respuesta a un problema, un intento de explicación. Cotidianamente solemos
formular hipótesis sin ser científicos. Si alguien no llegó a la cita (problema) buscamos alguna
hipótesis para explicar esta situación (aunque se llame "excusa" si la explicación la da el
impuntual): había huelga de transportes, tuvo un accidente, se quedó dormido leyendo este libro,
etc. Son todas respuestas tentativas que después podrán verificarse o no.
Pero el científico también inventa hipótesis; de hecho, su tarea central consiste en formularlas y
luego probarlas. Por ejemplo frente al problema de porqué existe el dolor, puede ocurrírsele la
hipótesis de que el dolor es un aviso natural de alguna enfermedad para alertar al sujeto y poder
combatirla. Así como las preguntas suscitan respuestas, así también los problemas suscitan
hipótesis.
En una segunda aproximación más técnica, una hipótesis es una proposición general, sintética y
verificable. Esta definición nos dice que ante todo una hipótesis es una proposición, o sea una
afirmación (o negación) acerca de algo. Cuando simplemente decimos “aprendizaje” no estamos
afirmando ni negando nada, pero cuando decimos que “el aprendizaje es estimulado con
premios” aquí sí ya estamos afirmando algo. Aunque también una negación es una proposición
(“el aprendizaje no es estimulado por premios”), lo habitual en la ciencia es la formulación de
hipótesis en forma positiva o afirmativa.
La proposición hipotética debe además ser general: suponemos y pretendemos que es aplicable
a todos los individuos (incluso a los que aún no conocemos, con lo que la hipótesis tiene
también un carácter predictivo). El anterior ejemplo sobre el aprendizaje es una proposición
general; en cambio, "Juancito aprende más cuando es premiado" es singular, y en este sentido
no es una hipótesis. A lo sumo podrá ser una proposición deducible de una hipótesis ("el
aprendizaje aumenta con los premios") cuando no el resultado de una observación. El requisito
de la generalidad deriva de una exigencia del conocimiento científico que dice que tiene que ser
general pues esto no sólo aumenta nuestro saber sobre la realidad sino que además, al ser
predictivo, tiene una mayor utilidad práctica.

2
La hipótesis también debe ser una proposición sintética. De acuerdo con cierta clasificación de
inspiración kantiana, las proposiciones pueden ser analíticas, contradictorias y sintéticas.

Las proposiciones analíticas son siempre verdaderas: "lo que es, es", o "el triángulo tiene tres
ángulos", etc. Las proposiciones contradictorias son siempre falsas: "una empanada no es una
empanada", "un cuadrilátero tiene cinco lados", etc. Lo característico de estas proposiciones es
que sabemos su verdad o su falsedad simplemente por el examen de la misma proposición, con
lo que no necesitamos confrontarlas con la realidad: no necesitamos observar un triángulo para
saber que tiene tres ángulos, porque la misma expresión "triángulo" ya lo dice.

Si en las proposiciones analíticas (o contradictorias) tenemos siempre la certeza de su verdad (o

falsedad), en las proposiciones sintéticas no podemos saber de antemano (o "a priori", que es
más elegante) si son verdaderas o falsas. Por ejemplo "el lápiz es azul", o "la frustración genera
agresión". Puesto que no conocemos su verdad o falsedad, requerirán entonces ser verificadas
empíricamente, lo que constituye otra de las características de una hipótesis.
Pero para poder verificar una proposición sintética esta deberá ser, obviamente, verificable.
"Lucifer vive en el infierno" es una proposición sintética pues no sabemos de antemano si esto
es cierto o no, pero no es verificable pues no contamos con ninguna experiencia que pueda
probarlo. Recordemos que una hipótesis es una respuesta a un problema, y si queremos que
éste sea solucionable deberemos buscar una respuesta verificable. "La frustración genera
agresión" sí es verificable, por ejemplo dando a las personas ciertos problemas para resolver
(que en realidad son insolubles) y luego ver si nos tiran con el problema por la cabeza o no. Es
entonces posible administrar estímulos frustrantes y observar luego si aparecen o no respuestas
agresivas.

Resumamos otras características de las hipótesis: a) Relevancia: la hipótesis procura dar

explicaciones "esperables" de acuerdo al contexto donde se trabaja. En un contexto científico no
puedo afirmar como hipótesis que "la neurosis se debe a que existe el universo".
Indudablemente esto no carece de sentido, porque si no habría universo no habría personas y
por lo tanto tampoco neuróticos, pero ésta no es la explicación esperable en un contexto
psicológico. Del mismo modo, en el contexto de la química sería irrelevante explicar un incendio
diciendo que se debió a que se quería cobrar el seguro. La explicación relevante en el mismo
contexto es aportada por la teoría de la combustión. b) Multiplicidad: habitualmente se proponen
varias hipótesis para resolver un problema, y luego se va haciendo una selección sobre la base
de los elementos de juicio a favor o en contra de cada una de ellas. Hempel cita un ejemplo
donde para resolver el problema de por qué las mujeres parturientas contraían la fiebre
puerperal, se habían propuesto seis hipótesis alternativas. c) Simplicidad: dadas dos hipótesis
alternativas que fueron ambas verificadas con la misma fuerza, se tiende a preferir la más
simple, o sea, aquella que con los mismos elementos explica más, o aquella que muestra una
realidad más armónica y uniforme, o hasta incluso aquella que resulta psicológicamente más
entendible. Tras la aparente complejidad de su indagación, el científico trata de buscar la
solución más sencilla.

Respecto del modo cómo deben formularse las hipótesis, tenemos básicamente dos variantes:
las hipótesis de correlación y las hipótesis causales. Las primeras tienen pocas pretensiones,
pues se limitan a afirmar que hay una cierta correlación entre dos o más factores, como cuando
decimos que "a mayor cohesión grupal mayor eficacia laboral". Esta hipótesis me dice que
cuanto más unido es un grupo mejor trabaja, o sea me informa que los factores cohesión y
eficacia están altamente correlacionados: cuando aumenta uno también aumenta el otro. Pero
cuidado: la hipótesis no dice explícitamente que un factor sea la causa del otro (aunque

3
podamos suponerlo íntimamente o leerlo entre líneas), o sea que explícitamente no está
formulada como hipótesis causal. Hubiera sido así si hubiésemos dicho "la causa de la eficacia
laboral es la cohesión grupal", o "la cohesión grupal determina la eficacia laboral", donde la
expresión "determina" ya sugiere en forma explícita la idea de un vínculo causa-efecto. La
correlación podrá ser directa (ambos factores aumentan, o ambos disminuyen), o inversa (uno
aumenta y el otro disminuye, o viceversa).
Las hipótesis causales tienen mayores pretensiones: no solamente afirman que dos factores se
encuentran correlacionados sino que además arriesgan la idea que hay un vínculo causal entre
ellos, o sea uno es la presunta causa y el otro el efecto. Las hipótesis del tipo "la cohesión
grupal es la causa de la eficacia laboral" son claramente explicativas (explican la eficacia a partir
de la cohesión), mientras que las hipótesis de correlación son más bien descriptivas, pues
resumen las observaciones realizadas sobre cierta cantidad de grupos donde se constató una
cierta regularidad entre la cohesión y la eficacia.
Normalmente, las hipótesis de correlación van surgiendo en el transcurso de una investigación
descriptiva, pero a medida que avanza esta descripción el investigador puede ir alimentando la
sospecha de que entre ciertos factores no sólo hay una correlación sino también una relación
causal. La investigación descriptiva, como veremos, termina con la formulación de una hipótesis
causal, que luego deberá ser probada mediante una investigación explicativa.

Puede también ocurrir que el científico alimente primero la sospecha de un vínculo causal, en
cuyo caso el paso posterior será hacer una investigación descriptiva para constatar si hay o no
correlación, así como su grado o fuerza, como paso previo para probar definitivamente el vínculo
causal en el estudio explicativo. De aquí que a veces se diga que en una investigación
descriptiva (y aún en una exploratoria) se puede o no partir de hipótesis previas.

b) Conceptos: constantes y variables

Examinaremos ahora los elementos constitutivos de una hipótesis, partiendo del siguiente
ejemplo: "En la provincia de Buenos Aires, a mayor densidad poblacional menor solidaridad
entre los habitantes". En esta hipótesis los elementos que la componen son tres: "área
geográfica", "densidad poblacional" y "solidaridad", y los llamamos conceptos.
Para lo que aquí nos interesa, los conceptos son ante todo propiedades o características de los
sujetos o las poblaciones que estamos estudiando (o sea, propiedades de las unidades de
análisis). Por ejemplo, tal sujeto o tal población tiene la propiedad de estar en tal zona
geográfica, con lo cual "zona geográfica" es un concepto. Del mismo modo también son
propiedades de una población su densidad o su grado de solidaridad.
Los conceptos tienen diferentes grados de abstracción: "sexo" o "raza" son propiedades
directamente observables, pero hay conceptos más abstractos como "aprendizaje",
"personalidad" o "inteligencia". Estos no son directamente observables (son hipotéticos o
teóricos) salvo a través de otras propiedades más empíricas o menos abstractas: "inteligencia"
puede observarse mediante otros conceptos como "aptitud para la suma aritmética" o "habilidad
para armar rompecabezas".
No debemos confundir el concepto con el término: el primero es una idea, mientras que el
segundo es una mera palabra. Muchas teorías utilizan el mismo término como por ejemplo,
"transferencia", pero cada una lo conceptualiza de diferente manera y entonces son conceptos
diferentes: una cosa es la transferencia en el psicoanálisis, otra en las teorías del aprendizaje,
otra el ARN de transferencia en biología, y aún fuera de un contexto científico también puede

4
significar el trámite de cambio de titularidad de un vehículo. Otro tanto podemos decir del
término "resistencia", que puede apuntar a un concepto físico como a uno psicoanalítico.

Si bien utilizamos conceptos en la vida cotidiana ("golosina", "alegría"), y los hay también en la
filosofía ("ente", "alma"), los conceptos que aquí nos interesan son aquellos que pueden ser
tratados científicamente, para lo cual deben reunir dos requisitos: a) deben poder observarse y
medirse. Los conceptos abstractos no son directamente observables, pero si podemos
traducirlos a otros conceptos más empíricos entonces sí son científicos. Precisamente al poder
observarlos puedo también medirlos. Medimos "inteligencia" a través de la medición de la
"habilidad para el cálculo aritmético" en un test. Para poder transformar un concepto teórico en
conceptos empíricos hago una operacionalización, proceso que describiremos más adelante; b)
deben estar vinculados con otros conceptos a través de una hipótesis. "Solidaridad" como
concepto aislado no es tratable científicamente, salvo que lo relacionemos con "densidad
poblacional", o con "raza", etc. La hipótesis permite al investigador relacionar conceptos entre sí
para determinar cómo varían unos en función de otros y, de esta manera, ampliar y profundizar
su comprensión de la realidad.
Para algunos autores, si un concepto reúne los dos requisitos apuntados entonces puede
usárselo en la investigación científica y recibe el nombre de "constructo".

Sin embargo, en una hipótesis no todos los conceptos funcionan de la misma manera, y así,
encontraremos básicamente dos tipos de conceptos, a los que se suele llamar constantes y
variables.
Una constante es todo concepto que no sometemos a variación en una determinada
investigación: precisamente lo mantenemos constante. En nuestro ejemplo anterior "área
geográfica" es una constante, ya que en la hipótesis queda claro que investigamos solamente
poblaciones de Buenos Aires, y no de Entre Ríos o Catamarca. Al mantenernos sólo en Buenos
Aires mantenemos constante el área geográfica. Constantes habituales en la investigación
científica son las constantes espaciales (como "área geográfica") y las temporales (como "año").
Lo que en una determinada hipótesis puede funcionar como constante, en otra hipótesis puede
no hacerlo. Consideremos estas dos hipótesis: "En 1988, el índice de drogadicción aumentó con
la deserción escolar", y "Los índices de drogadicción fueron aumentando en los últimos años". El
concepto "año" funciona como constante en la primera hipótesis, porque lo mantenemos en un
valor fijo (1988); pero en la segunda no es constante pues lo sometemos a variaciones (1986,
1987, 1988, etc.).
Precisamente llamaremos variable a todo concepto que esperamos que varíe a lo largo de una
investigación determinada. En nuestro primer ejemplo variable son la "densidad poblacional" y la
"solidaridad", ya que si sometemos a variación la densidad poblacional es esperable una
variación correlativa de la solidaridad. ¿Cómo sabemos que han variado? Porque las hemos
medido, y esta es la razón de la importancia de la medición en la investigación científica.
Obviamente podemos llevarnos una sorpresa: hemos variado la densidad poblacional pero
resulta que no varió la solidaridad. Esto no quiere decir que solidaridad deje de ser variable,
pues lo esencial de una variable es ser un concepto sobre el cual recae una expectativa de
variación.
Si en la hipótesis anterior "densidad poblacional" funcionaba como variable, en otra hipótesis
puede funcionar como constante, como en el caso siguiente: "En zonas de igual densidad
poblacional, a mayor homogeneidad de razas mayor solidaridad", lo cual demuestra que un
concepto no es en sí mismo ni constante ni variable: esto lo habrá de decidir la hipótesis donde
lo incluimos, o sea, el propósito de nuestra investigación.

5
 Clasificación de variables

Según complejidad Simples (manifiestas)

Complejas (latentes)
Según manipulación Activas
Asignadas
Según ubicación Organísmicas
Situacionales
Según medición Cualitativas
Cuantitativas (estas pueden ser discretas y continuas)
Según función Relevantes: Dentro de las relevantes encontramos las independientes (X), las
dependientes (Y), y las adicionales (éstas últimas pueden ser antecedentes,
intervinientes y contextuales).
No relevantes

Según su grado de complejidad, las variables pueden ser simples y complejas. Las primeras
pueden observarse y medirse directamente, mientras que las segundas son más teóricas y sólo
pueden observarse y medirse indirectamente traduciendo sus términos abstractos a términos
empíricos. "Inteligencia" es variable compleja pues sólo puede medirse a través de sus
indicadores empíricos, como por ejemplo "aptitud para comprender refranes". Más adelante, al
hablar del proceso de operacionalización, volveremos a caracterizar variables complejas como
aquellas constituidas por varias dimensiones, y variables simples como las que no tienen
dimensiones. De acuerdo con otras nomenclaturas, las variables simples se llaman también
manifiestas, y las complejas latentes.
Según el grado de manipulación ejercido por el investigador sobre las variables, éstas podrán
ser activas o asignadas según que sean manipuladas o no, respectivamente, entendiendo por
manipulación la acción que realiza el investigador de cambiar sus valores a voluntad. La edad
suele ser una variable de fácil control, ya que el investigador puede agrupar personas de
acuerdo a su edad en forma sencilla. Pero si intenta agrupar personas con la misma motivación
podrá tener dificultades debido a su desconocimiento de las motivaciones de las diferentes
personas para estudiar, jugar, aprender, etc. "Motivación" es así una variable asignada o de
difícil control, salvo que el investigador pueda "despertar" la motivación y regularla sobre la base
de premios o castigos, en cuyo caso pasa a ser una variable activa. La distinción entre variables
activas y asignadas es importante por cuanto, como veremos, la gran tarea del investigador es la
de manipular variables.
No debe confundirse la manipulación con el control. La manipulación se ejerce sobre las
variables independientes, pues son éstas las que el investigador varía a voluntad para ver si se
produce alguna variación en la variable dependiente. Mientras tanto, las otras variables
adicionales que podrían estar también influyendo sobre ésta última deben ser ‘controladas’, es
decir, se intentará evitar su influencia. En suma: las variables independientes se manipulan, las
variables adicionales o extrañas se controlan, y finalmente las variables dependientes se miden
(para saber si sufrió alguna variación por efecto de la variable independiente).
Según su ubicación, las variables pueden ser organísmicas y situacionales. Las primeras son
propias del sujeto (temperamento, tolerancia a la frustración, etc.), mientras que las segundas
son más propias del ambiente o la situación que rodea al sujeto (clima político, clima
meteorológico, tipo de tarea a realizar, etc.). Ciertas variables como "inteligencia “son lo
suficientemente complejas como para incluir aspectos organísmicos (factores genéticos,
maduración nerviosa) y aspectos situacionales (alimentación, estimulación recibida). No
obstante, en cada teoría puede predominar la concepción organísmica o la situacional de
inteligencia: para el conductismo ortodoxo, inteligencia es una variable eminentemente
situacional en tanto considera que una persona es más o menos inteligente según el ambiente y
los estímulos que en él se generan.

6
Según el nivel de medición empleado para medir las variables, éstas pueden ser cualitativas o
cuantitativas. Toda variable tiene distintas posibilidades de variación: "religión" tiene como
posibles variaciones "católico", "protestante", "judío", etc., y la variable edad admite variaciones
como "10 años", "11 años", etc. Las primeras se denominan cualitativas y las segundas, al
expresarse numéricamente, son cuantitativas. Aquí los números no deben ser simples etiquetas,
como los que identifican a los jugadores de fútbol, sino que deben poder servir para realizar
sumas, restas, etc. Otras variables cualitativas son por ejemplo "partido político", "sexo", etc., y
variables cuantitativas son también "cantidad de hijos", "peso", etc.
Las variables cuantitativas pueden a su vez ser continuas y discretas, lo que en última instancia
dependerá de la decisión del investigador. Así, la variable "edad" será considerada discreta si
sus valores remiten sólo a números enteros: 20, 21, 22 años., etc., y será considerada continua
si sus valores pueden ser enteros y fraccionarios (edades en años, meses y días). En las
variables continuas es siempre posible agregar otro valor entre dos valores dados cualesquiera.
También depende de una decisión del investigador considerar una misma variable como
cualitativa o cuantitativa, según su criterio. Si considera para "altura" los valores "alta", "media" y
"baja" la estará tomando como cualitativa; no así si selecciona los valores "1,60", "1,70", etc. El
importante requisito de exactitud que debe regir toda investigación nos hará preferir siempre que
se pueda el nivel cuantitativo.
Llegamos ahora al criterio más importante y más utilizado para clasificar variables: según su
función en el contexto de la investigación. Si bien esta clasificación varía mucho de un autor a
otro, propondremos aquí una que nos parece lo suficientemente completa.
Primeramente encontramos variables relevantes y no relevantes. Estas últimas, que serán
descartadas por el investigador son aquellas que, a juicio de éste, no influyen en la investigación
que está realizando, o al menos existen razonables elementos de juicio como para eliminarlas.
Podemos pensar que la dureza de los minerales no influye para nada sobre el humor de las
personas, salvo que nos arrojen una piedra por la cabeza.
Las variables relevantes son aquellas que sí consideraremos en la investigación, sea porque son
las variables que queremos estudiar directamente (la independiente y la dependiente), sea
porque sospechamos que están ejerciendo algún tipo de influencia que deseamos medir para
controlarlas y eventualmente anularlas (variables adicionales). Así por ejemplo, si estamos
indagando la influencia del ruido sobre el estrés, podemos sospechar que también actúa una
variable adicional, el tipo de ocupación, que también influiría sobre el estrés. Para controlarla y
anular su influencia procuraremos que los sujetos sean lo más heterogéneos posible en cuanto a
sus respectivas ocupaciones.
Hipotéticamente, en el medio de nuestra investigación podemos empezar a darnos cuenta que el
ruido no tiene nada que ver con el estrés, sino la ocupación. Si entonces nos proponemos
estudiar la influencia de ésta última sobre el estrés, entonces la variable adicional pasará a ser
una variable independiente, y ruido de ser variable independiente pasará a ser una variable no
relevante.
Llamaremos variable independiente a aquella que supuestamente actúa como causa (por
ejemplo el ruido). En cambio la variable dependiente es el efecto (el estrés). Si se la denomina
dependiente es sólo porque suponemos que "depende" de la independiente. Por convención
universal a la variable independiente se la designa X y a la dependiente Y, con lo cual la relación
entre ambas variables puede expresarse del siguiente modo:

X -----------> Y

Esta expresión, tan sencilla como fundamental, significa que X es la supuesta causa de Y
("supuesta" porque no necesariamente tuvo que haber sido probada, como ocurre en los
preliminares de la investigación). A la variable X se la suele llamar también variable

7
experimental, porque es aquella variable que manipulará o hará variar el investigador para ver si
también varía Y. Así por ejemplo el científico producirá diferentes intensidades de ruidos (varía
X) para comprobar si en la misma medida varía también el estrés (variación de Y). Observemos
que no hace variar directamente Y, sino indirectamente actuando sobre X. En síntesis: el
investigador actúa sobre X, y X eventualmente actuará sobre Y.
Vale la reiteración por ser una relación importante: la variable dependiente es aquella que
depende de la independiente. En la hipótesis que dice que "nuestra impresión de las personas
depende de cómo hablan" se está considerando que la impresión es la variable dependiente y el
modo de hablar la variable independiente.
En el caso anterior es el mismo enunciado de la hipótesis el que nos está indicando
explícitamente qué variable depende de la otra. Puede ocurrir sin embargo que nos presenten
dos variables aisladas -no vinculadas mediante una hipótesis- como por ejemplo "edad" y
"memoria". En estos casos la mejor forma de saber cuál es cuál es hacernos interiormente la
pregunta "¿cuál depende de cuál?". Obviamente, tiene más sentido decir que la memoria
depende de la edad, que decir que la edad depende de la memoria. Esto último puede funcionar
como chiste, como cuando a una persona le preguntamos su edad y hace que no se acuerda.
La cuestión puede complicarse cuando nos dan estas otras dos variables: "clase social" e
"inteligencia". Aquí cualquiera de las dos puede funcionar como variable depediente o
independiente, según qué sea lo que nos interese [Link] tanto sentido decir que la
inteligencia depende de la clase social (pues las clases más altas alimentan mejor y dan más
estimulación a sus niños, con lo que estos desarrollarán mayor inteligencia), como decir que la
clase social depende de la inteligencia (sujetos más inteligentes tienen mayores posibilidades de
escalar clases sociales). Otro tanto podemos decir con respecto a las variables "cantidad de
ensayos" y "número de errores".
El esquema simple X-------->Y nos sugiere la idea que los fenómenos obedecen a una única
causa. Al respecto, se pueden sustentar tres posiciones distintas:

a- Todo fenómeno tiene una sola causa.

b- Algunos fenómenos se deben a una sola causa, pero otros a varias.
c- Todo fenómeno responde a muchas causas.

El sentido común sostiene habitualmente la primera postura. En nuestra vida cotidiana solemos
basarnos en este supuesto cuando afirmamos o creemos en enunciados tales como "coma
manzanas y adelgazará", o "si estoy enojado se debe simplemente a que usted me hizo enojar",
etc., o bien "no aprobé el examen porque el profesor se ensañó conmigo". Si nos mantenemos
en esta ilusión de la única causa se debe probablemente a que, entre otras razones, en nuestra
fantasía podremos controlar la ocurrencia o la no ocurrencia de los acontecimientos controlando
un solo factor, o sea de la forma más sencilla. Si yo pienso que me resfrié simplemente porque
me desabrigué, podré supuestamente controlar el resfrío abrigándome bien.
La psicología conoce bien esta tendencia. De Vega refiere que “el hombre de la calle utiliza un
‘principio de parsimonia’ intuitivo cuando busca explicaciones causales a los fenómenos.
Tendemos a sobreestimar el valor de las atribuciones unicausales, a conformarnos con una sola
causa plausible, minimizando otras causas concurrentes”.
Sin embargo, cuando empezamos a advertir que las cosas no son tan sencillas empezamos a
sostener insensiblemente la segunda postura, pero la tercera posición ya es sustentada por la
actitud científica. Años de investigaciones enseñan que la realidad es bastante más compleja de
lo que se supone y que cualquier fenómeno, por simple y anodino que parezca, obedece a
muchas causas que actúan conjuntamente para producirlo. Uno podría pensar que la rotura de
un vidrio tiene una sola causa: la piedra que hemos arrojado contra él. Este acontecimiento
obedece sin embargo a muchas razones que intervienen simultáneamente: el arrojar la piedra, la

8
dureza y la trayectoria de la misma, su velocidad, la fragilidad del vidrio, nuestro propio instinto
de agresión, etc. etc. Conocí un niño que habiendo roto una ventana, se justificó diciendo "qué
culpa tengo yo si el vidrio es frágil". Podría también haber dicho, apelando a otra posible causa,
"qué culpa tengo yo si el vidrio se interpuso en la trayectoria de la piedra".
Pero si el científico sostiene la tesis de la policausalidad, ¿por qué entonces se plantea
habitualmente el simple esquema X
Y? Podemos citar dos razones importantes: a) es
imposible poner a prueba simultáneamente todas las causas posibles (entre otras cosas porque
las desconocemos), por lo que el científico decide probar uno por uno cada factor causal en
investigaciones separadas e independientes sobre la base del esquema antes indicado; b) al
científico suelen interesarle, por razones prácticas, sólo ciertos factores que está en condiciones
de controlar. En la causación de la neurosis intervienen muchas causas, entre las que podemos
citar los factores constitucionales heredados y los conflictos sexuales no resueltos de la primera
infancia. Como por ahora, y dado el relativamente exiguo avance de la ingeniería genética no se
puede influir en los genes para evitar la neurosis, científicos como Freud se abocaron al estudio
de la causalidad sexual infantil, cosa que sí es posible controlar o influenciar mediante una
educación adecuada. Consciente de la necesidad de adoptar un punto de vista policausalista, el
creador del psicoanálisis se refirió también a los factores constitucionales, pero sólo se limitó a
mencionarlos.
No obstante lo dicho, el simple esquema X
Y admite una complejización más. Si bien no se
pueden investigar simultáneamente todas las causas posibles, mediante diseños más complejos
podemos estudiar unas pocas causas al mismo tiempo, con lo cual resultan dos esquemas de
investigación:

X1
Esquema
X Y bivariado X2 Y Esquema
multivariado

X3

Las investigaciones más simples son bivariadas: consideran solamente la variable independiente
X (posible causa) y la variable dependiente Y (efecto). Tal es el caso del abordaje de hipótesis
como "la memoria depende de la edad", "ambientes con música aumentan el rendimiento
laboral", etc., o de aquellas otras que la divulgación científica suele expresar más literariamente
como "el mal humor es una hormona" y "la tristeza atrae a los virus".
En cambio, ejemplos de investigaciones multivariadas son la indagación simultánea de la edad,
el sexo y la situación familiar como posibles causas de la drogadicción. O la música, el color de
las paredes y la temperatura ambiente como posibles factores que influyen sobre el rendimiento
laboral. Tanto en estos esquemas como en los simples bivariados, siempre la variable
dependiente es una sola, y lo que sí puede variar es el número de posibles causas o variables
independientes tomadas en consideración.
Por supuesto que teóricamente cabe también la posibilidad de investigar simultáneamente dos
variables dependientes (dos efectos) de una única causa, como sería el esquema:

9
 Y1
X
Y2

Tal es el caso del enunciado "el ruido produce estrés y también hipoacusia", pero en estas
situaciones deberemos desglosar el enunciado en dos hipótesis diferentes ("el ruido produce
estrés" y "el ruido produce hipoacusia") y emprender dos investigaciones diferentes y bivariadas,
con lo que volvemos al primer esquema simple. Y si bien es posible también desglosar una
investigación bivariada en varias bivariadas, si se prefiere la primera es porque ahorra tiempo y
esfuerzo o porque no es posible separar en la realidad la influencia de las otras posibles causas.
Veamos algunos ejemplos de relaciones X-Y, o sea de posibles vínculos causales:

Edad ---
Memoria Incentivo ---
Rendimiento

Nivel económico ---
Hábitos alimenticios Nivel socioeconómico ---
Inteligencia
Área geográfica ---
Drogadicción Cantidad de ensayos ---
Número de errores
Método de enseñanza ---
Rapidez del aprendizaje Deserción escolar ---
Drogadicción
Proximidad elecciones --
Voto decidido Frustración ---
Agresión
Padres separados ---
Deserción escolar Drogadicción ---
Soledad

En los ejemplos de la segunda columna la relación causal puede darse en cualquiera de ambos
sentidos: si bien es cierto que el incentivo aumenta el rendimiento, un mejor rendimiento puede a
su vez funcionar como incentivo. O también la droga hace que un adolescente falte al colegio, y
a su vez la ausencia del colegio hace que vaya a otros lugares donde puede adquirir el hábito.
En última instancia cuál de los dos factores será considerado causa depende, lo dijimos, de la
decisión del investigador, lo cual viene a mostrarnos que fuera de todo contexto no podemos
saber si una variable dada es independiente o dependiente, y sólo lo sabremos viendo cómo
está relacionada con otra variable: si como causa o como efecto. El solo hecho de pensar que la
variable ´´conducta´´ en psicología es dependiente (pues pensamos que la psicología estudia las
causas de la conducta), no debe hacernos excluir la posibilidad de que, en este mismo ámbito,
pueda ser considerada a veces como independiente, en la medida que se pretenda investigar
cómo influye nuestro comportamiento sobre nuestra visión de nosotros mismos o en la
consideración de los demás.

En algunos de sus escritos Freud consideró al síntoma en su doble aspecto de causa y efecto.
Lo entendió como efecto cuando sugirió que un sentimiento de culpa o una intensa fijación anal
(causa) puede hacer que el paciente sea un maniático de la limpieza (síntoma-efecto); y lo
entendió como causa, cuando agregó que su manía por la limpieza (síntoma-causa) puede
tornarse tan insoportable para el mismo sujeto que se defienda de ella con una extrema
suciedad (efecto, o síntoma secundario).

El solo hecho de llevar a cabo una investigación bivariada no nos garantiza, sin embargo, que
sobre el efecto Y no estén actuando en la realidad los otros posibles factores causales. Se hace
necesario entonces controlar (en el sentido de neutralizar) la influencia de ellos porque si no
nunca podremos saber si Y se produjo debido a X (que es lo que nos interesa) o debido a los
otros factores. Ya quedó dicho que si no se puede aislar la influencia de éstos podremos optar
por un diseño multivariado.
Estas otras posibles causas que es necesario controlar o neutralizar se llaman variables
adicionales. Algunos autores la designan con la letra "t" como Hyman, y otros con la letra "z"
como Blalock. También suele designárselas como variables de control, factores de prueba, etc.,
en alusión al uso que se les da en la investigación. E n lo que sigue adoptaremos la
denominación "z", con lo cual el esquema simple bivariado adquiere en realidad la siguiente
forma:

10
 z1

X Y

z2

Las líneas punteadas indican que los factores adicionales están supuestamente ejerciendo
influencia sobre Y, y entonces la debemos neutralizar. Tal es la esencia de un experimento:
aislar variables. O´neil da una excelente definición de experimento cuando dice que es un
modelo particular de variación y constancia, con lo cual, entre otras cosas, está queriendo decir
que en todo experimento hacemos variar solamente X para ver cómo varía Y, mientras se
mantienen constantes todos los otros posibles factores z1, z2, etc. Muy genéricamente,
entonces, una variable adicional es aquella de la cual sospechamos que puede estar ejerciendo
influencia causal sobre Y, con lo cual resulta que nos es X el único factor causal pero sí el único
que nos interesa. En un esquema multivariado también habrá que controlar otros posibles
factores z, mientras investigamos sólo los que nos interesan en ese momento (X1, X2, X3, etc.).
Estas variables adicionales o extrañas pueden estar ejerciendo su influencia de tres maneras
distintas, de donde podemos decir que habrá tres tipos de variables adicionales.

z z

X z Y X Y
X Y

Variable antecedente Variable interviniente Variable contextual

Los esquemas nos muestran que z actúa como variable antecedente cuando ocurre
cronológicamente antes de X; que actúa como variable interviniente cuando ocurre después de
X; y que actúa como variable contextual cuando ocurre al mismo tiempo (simultáneamente) que
X.
Examinemos un ejemplo de variable antecedente:
Tras haber realizado una investigación descriptiva podemos empezar a sospechar que X es
causa de Y debido a la alta correlación encontrada entre ambas variables: cuanto más tiempo
alejada del hogar aparecía una persona, mayor nivel de estrés constatábamos en ella. Pero
luego empezábamos a sospechar que este vínculo causal es sólo aparente, y que si
afectivamente hay una alta correlación se debe en realidad a que hay otro factor z que actúa
simultánea e independientemente sobre X y sobre Y. Efectivamente: el tipo de ocupación influye
en forma independiente y simultánea sobre el tiempo de ausencia del hogar y sobre el estrés.

11
Por ejemplo: los ejecutivos están mucho tiempo ausentes del hogar pero también las exigencias
y responsabilidades de su profesión les producen estrés.
Si comprobamos que efectivamente el estrés es producido por el tipo de ocupación y no por el
mayor o menor tiempo de ausencia del hogar, entonces la relación original X-Y deja de ser
causal y pasa a ser una relación "espúrea", o sea, el vínculo que primeramente nos parecía
causal pero luego constatamos que no lo es. Este tipo de constatación se llama prueba de
espureidad.
Otro ejemplo de variable antecedente son los factores genéticos. El hecho de que hayamos
encontrado una alta correlación entre la raza (X) y ciertos tipos de cáncer (Y) no prueba
necesariamente que la raza sea la causa de esas patologías: raza y cáncer dependen de
factores genéticos (Z), por ejemplo: si pensamos que entre X e Y hay una relación causal es
porque vimos alta correlación, pero ésta puede deberse simplemente a que raza y cáncer están
determinados por el mismo cromosoma, portador al mismo tiempo del gen del color de piel
(raza) y del gen que predispone al cáncer.
Otro investigador podrá sospechar otra cosa: que el cáncer se debe a la raza y que los factores
genéticos no influyen, si por ejemplo piensa que el color de piel hace que los rayos ultravioletas
solares pentren más profundamente en los tejidos y tengan más probabilidades de producirles
lesiones malignas. En estos casos la investigación estará encaminada a probar que X es causa
de Y, en lugar de intentar probar que no lo es por existir otro sospechoso más convincente (z).

Veamos ahora un ejemplo de variable interviniente. Originalmente, los datos de una

investigación descriptiva nos pueden hacer sospechar que el nivel de educación de las personas
(X) es lo que determina sus intenciones de voto (Y) o sea, sus intenciones por participar
activamente del sistema democrático, sea porque la educación enseña la importancia del voto,
sea porque simplemente hemos advertido una alta correlación entre ambos factores (personas
poco instruídas tienden a no votar, personas instruidas tienden a querer votar).

Podemos sin embargo suponer que en realidad entre X e Y se interpone una variable más: el
interés en política (z), de forma tal que el nivel de educación determina el interés en política y
recién éste es la causa directa de la intención de votar:

X z Y

Nivel de educación Interés en política Intención de voto

Podríamos aquí argumentar que en rigor el nivel educativo es también causa, aunque indirecta,
de la intención de votar. Esto es admisible, pero también es cierto que lo que al científico le
interesa es una causa más bien directa para poder controlar mejor la aparición o la no aparición
de Y. Es más difícil controlar la intención de votar a partir del nivel educativo pues puede ocurrir
que cierto tipo de educación no despierta interés en política. En cambio el interés político es más
seguro para controlar la intención de voto. Esta es sólo una razón práctica para elegir causas
directas, pero hay también una razón teórica: no aumenta en mucho nuestro conocimiento de un
fenómeno conociendo sus causas remotas. Efectivamente, cuanto más indirecta o remota sea la
causa menor interés tendrá para el científico: una causa remota de la drogadicción es por

12
ejemplo la existencia del sol, ya que si no hay sol no hay fotosíntesis, y por lo tanto no hay
plantas, y por lo tanto no habrá ni cocaína ni marihuana, con lo cual no habrá drogadicción. La
explicación de la adicción a las drogas por el sol resulta ser inatingente.

Examinemos, por último, la variable contextual. Una investigación descriptiva realizada en

nuestro país nos ha revelado que hay una alta correlación entre el sexo de los estudiantes y la
carrera que estos eligen, ya que por ejemplo los hombres se orientan sobre todo hacia la
ingeniería y las mujeres hacia la psicología:

z País

X Y

Sexo Carrera

Suponiendo que nuestra investigación haya sido hecha a escala internacional, podríamos llegar
a advertir que la relación sexo-carrera sufre variaciones según el país considerado. Podríamos
quizás constatar que en los países socialistas aumenta la proporción de mujeres que estudian
ingeniería, etc. Sobre la original relación X-Y está entonces actuando una variable contextual
(país), la que obviamente no tendremos en cuenta si la investigación es sólo a nivel nacional, en
cuyo caso deja de ser variable adicional y pasa a ser una constante.
Por lo general las variables contextuales son espacio-temporales. La relación sexo-carrera no
sólo puede depender de la región o país, sino también de la época considerada: hace 60 o 70
años la proporción de mujeres que estudiaban medicina era considerablemente menor.

Otras relaciones entre variables.- No siempre una investigación se ajusta al esquema simple
X>Y. Hay una cantidad enorme de esquemas diferentes, de los cuales los siguientes son
apenas una muestra.
Esquemas en lineales y cibernéticos. Estos últimos estudian específicamente procesos de
feedback o retroalimentación: no es lo mismo estudiar cómo influye la alimentación en la
inteligencia (esquema lineal X
Y), que estudiar como ambas variables se influyen
mutuamente (X 
Y).

c) Categorización y operacionalización

Si bien las constantes son importantes como marco de referencia, lo que el investigador atiende
son fundamentalmente las variables porque éstas, al variar o no variar, le permitirán sacar
conclusiones sobre la aceptación o rechazo de su hipótesis. Este paso fundamental que es la
prueba de hipótesis no puede llevarse a cabo si antes no hemos sometido a todas las variables
de la hipótesis a un doble proceso: la categorización y la operacionalización.

La categorización es el proceso por el cual especificamos cuáles serán las categorías de la

variable que habrán de interesarnos. A su vez, las categorías o valores son las diferentes
posibilidades de variación que una variable puede tener. Qué posibilidades de variación tiene
“clase social”? Alta, media y baja, y por lo tanto estas tres serán sus categorías. Y si queremos
ser más sutiles podemos identificar cinco posibilidades: alta, media alta, media, media baja y

13
baja, y si acaso nuestro estudio se centra en un país donde sólo hay dos clases sociales
netamente diferenciadas, entonces sólo adoptaremos dos categorías, todo lo cual demuestra
que las categorías se seleccionan según los propósitos de cada investigación.

No obstante esta libertad para elegir, y sea cual fuese el sistema de categorías seleccionado,
éste debe reunir dos requisitos: a) las categorías deben ser mutuamente excluyentes. No
podemos decir que las categorías de la variable “religión” son “cristianos” y “católicos” porque
hay una superposición en las mismas; b) deben ser además exhaustivas, o sea deben agotar
todas las posibilidades de variación, con lo cual no podríamos decir que las categorías de la
variable “raza” son solamente “blanca” y “negra”. Hay veces en que son muchas las categorías
que habría que agregar para cumplir con este requisito, en cuyo caso podremos agruparlas a
todas las restantes bajo una categoría residual caratulada como “otras”.
Estos dos requisitos sirven en la medida en que permiten ubicar a cualquier sujeto en una y sólo
una categoría sin que surjan dudas. Si tengo que ubicar al Papa no sabré si ponerlo en
“cristianos” o “católicos”, de aquí que podamos también definir la exclusión mutua como la
imposibilidad de que un sujeto cualquiera pueda adquirir más de un valor de la variable. En el
caso de la variable “ocupación”, puede ocurrir que un individuo sea al mismo tiempo “médico” y
“psicólogo”, en cuyo caso se podrán abrir categorías mixtas (por ejemplo “médico y psicólogo”)
con lo que queda igualmente salvado el requisito de la mutua exclusión.
De idéntica forma y para el segundo requisito, si tengo que ubicar a un japonés y sólo cuento
con las categorías ”blanco” y “negro” no podré hacerlo, de aquí que también podamos definir la
exhaustividad como la imposibilidad de no poder categorizar a un sujeto cualquiera.

Las posibilidades de variación pueden llamarse categorías o valores. Se acostumbra a llamar

categorías a aquellas que no admiten un tratamiento cuantitativo por medio de cálculos, y por lo
tanto regularmente se expresan en palabras. Tales son las categorías de clase social, de raza,
de partido político, etc. En cambio suelen llamarse valores a las posibilidades de variación
cuantitativa, por lo que han de expresarse numéricamente. Es el caso de las variables
cuantitativas peso, altura, ingreso mensual, edad, número de hijos, cantidad de ingesta diaria de
alcohol, etc.
Así como un concepto puede ser tratado como constante o como variable, así también una
variable puede ser tratada como cualitativa o cuantitativa, aunque ya hemos indicado que
siempre deben preferirse valores numéricos. La variable “participación social” puede asumir
categorías como “intensa”, “moderada”, “escasa” o “nula” (lo que nos da una idea cualitativa de
la participación de los sujetos en la sociedad), o puede asumir valores como “1”, “2”, “3”, etc.,
designando con estas cifras la cantidad de instituciones a las que el individuo está afiliado (lo
que nos da una idea cuantitativa de un grado de participación en el seno social).

Pero a las variables no sólo hay que categorizarlas, sino también operacionalizarlas.
Llamaremos operacionalización al proceso por el cual transformamos o traducimos una variable
teórica en variables empíricas, directamente observables, con la finalidad de poder medirlas.
Obviamente una variable que ya es empírica no necesita ser operacionalizada, o, mejor, la
operacionalización es mucho más sencilla. Para explicar la operacionalización nos basaremos
en el siguiente esquema, que describe suscitamente el proceso:
Desde un punto de vista más técnico, operacionalizar significa identificar cuál es la variable,
cuáles son sus dimensiones y cuáles los indicadores y el índice (o, lo que es lo mismo, definirla
teóricamente, realmente y operacionalmente), ya que todo ello nos permitirá traducir la variable
teórica en propiedades observables y medibles, descendiendo cada vez más desde lo general a
lo singular.

14
Habíamos dicho que una misma expresión podía referirse a conceptos diferentes: el término
inteligencia puede significar una institución (“Servicio de inteligencia”), una habilidad para
resolver situaciones nuevas (en la orientación de Claparede) o puede hacer alusión a
habilidades verbales, manuales y sociales (en la orientación de Weschler). El propósito de la
definición teórica es precisamente eliminar esta ambigüedad para estar seguros de cuál es el
concepto que queremos operacionalizar: sólo identificándolo de esta forma sabremos cuáles
pueden ser sus correspondientes dimensiones e indicadores.
Cuando se trata de variables teóricas o complejas, debemos discernir en ellas varios aspectos o
facetas para describirlas adecuadamente. Este no es el caso de variables simples como “sexo”.
Si bien el sexo puede tener varios aspectos, habitualmente no necesitamos considerarlos a
todos para saber a qué sexo pertenece una persona: basta con mirar sus aspectos generales y,
si esto no resultare confiable, lo constatamos mediante el documento de identidad, o se lo
preguntamos directamente.
En cambio la variable inteligencia tiene muchos aspectos, y para describirla y medirla no basta
simplemente con decir que alguien tiene inteligencia porque tiene una “mirada” inteligente ya
que esto, además de subjetivo (otro observador puede estar en desacuerdo), es muy parcial (no
es el único aspecto).
Todas las facetas que nos permiten describir adecuadamente una variable compleja se llaman
dimensiones. Dimensiones de inteligencia son por ejemplo inteligencia verbal, manual y social.
Estas dimensiones nos acercan un poco más al plano empírico, a lo observable, o sea permiten
concretizar más una variable que antes había sido definida sólo teóricamente. Si un profano nos
pregunta qué es la inteligencia y le damos una definición teórica, mucho no habrá entendido,
pero si le enumeramos sus dimensiones tendrá una mejor comprensión porque aludimos a
características o facetas más concretas: ser inteligente es saber usar las palabras, ser hábil con
las manos, y saberse manejar con las personas. Del mismo modo, dimensiones de la variable
clase social serán por ejemplo el prestigio ocupacional, el nivel económico, el nivel de educación
formal y modo de vida. Especificar las dimensiones de una variable es dar una definición real de
la misma.
Dar una definición teórica no es sólo importante porque nos permite inferir las dimensiones de la
variable definida (si tomamos la definición teórica de Weschler las dimensiones serán verbal,
manual y social), sino también para decidir acerca de si tiene o no dimensiones (o sea, si es
compleja o simple). En sociología, a la variable “sexo” se la considera simple, pero en medicina
puede considerársela compleja, de aquí que en este último contexto “sexo” tenga varias
dimensiones: sexo cromosómico, cromatínico, gonadal y fenotípico. Otro tanto podemos decir de
la variable “clase social”: en ciertos países y culturas las personas de distinta clase social se
visten inexorablemente en forma muy distinta, y basta este solo indicador para saber enseguida
a qué clase social pertenece una persona sin necesidad de investigar su nivel económico, el
prestigio de su ocupación, su nivel de educación, etc. En estos casos “clase social” pasa a ser
una variable simple.

Suele a veces confundirse categoría con dimensión, y una regla práctica nos ayudará a
distinguirlas. Una categoría es una especie de casillero donde podemos ubicar a un sujeto:
“clase media” es una categoría de la variable clase social porque puedo encasillar allí a un
sujeto según ciertas características que observé en él, características que surgen de las
dimensiones. No tiene sentido decir que ubicaremos un sujeto dentro de “ingresos” o dentro de
“educación formal”, pues estas son dimensiones: todo sujeto es ubicable en una determinada
categoría pero contiene todas las dimensiones, pues cualquier sujeto tiene un cierto ingreso, una
cierta educación formal, etc., y es gracias a este análisis que puedo ubicarlo en tal o cual
categoría.

15
Si bien las dimensiones nos permiten acercarnos un poco más al plano empírico, todavía no nos
alcanzan para poder observar y medir conductas concretas. Así como cuando dábamos una
definición teórica el profano no entendía de qué hablábamos, con el mismo derecho cuando
ahora le especificamos dimensiones puede decirnos que eso de “inteligencia verbal” es aún algo
genérico y vago, con lo cual nos vemos obligados a descender aún más al nivel empírico. O sea,
a partir de las dimensiones buscaremos indicadores.
Precisamente se llaman “indicadores” porque nos indican qué cosas concretas y palpables debe
realizar un sujeto para poder decir si tiene o no inteligencia verbal, manual o social, y en qué
medida. Indicadores de la dimensión inteligencia verbal serán entonces qué amplitud de
vocabulario tiene, si puede o no completar frases, si puede encontrar absurdos en frases como
“qué lástima que el sol se ponga de noche porque ese es justo el momento donde más lo
necesitamos!” o “como llovía, Juan se sumergió en el río para no mojarse”.
Del mismo modo indicadores de la dimensión “educación formal” podrían ser si completó o no la
primaria, la secundaria o la universidad, e indicadores de la dimensión “nivel socioeconómico”
pueden ser el ingreso mensual por trabajo, si es o no propietario, cuántos coches tiene, nivel de
ingreso por rentas, si es o no socio de un country, si tiene o no tarjeta de crédito, etc.
Generalmente necesitamos varios indicadores, pues uno solo no suele ser suficiente para
caracterizar la correspondiente dimensión: si juzgáramos el nivel socioeconómico sólo a partir de
si es o no propietario podríamos equivocarnos pues una persona podría haber heredado una
propiedad hipotecada, estar desempleado o ganar apenas para su subsistencia.
Así entonces, un indicador es una propiedad manifiesta gracias a la cual podemos medir
directamente una propiedad latente que nos interesa (la variable teórica). La aptitud para armar
rompecabezas es una característica manifiesta que me permite medir la inteligencia, que es una
característica latente. En última instancia los indicadores, así como las dimensiones, son
también variables sólo que más empíricas, pues también son susceptibles de variación: la
aptitud para armar rompecabezas es un indicador que puede adoptar distintos valores, como por
ejemplo de 1 a 10, donde el número diez correspondería al armado perfecto en el tiempo mínimo
para determinada edad.

Una definición más precisa de indicador dice que es una propiedad observable que suponemos
ligada empíricamente (aunque no necesariamente en forma causal) a una propiedad latente que
nos interesa. Esto quiere decir que al seleccionar indicadores podemos optar en principio e
indistintamente por aquellos que solamente están altamente correlacionados con la variable, o
por aquellos otros que, además, suponemos que son efectos de la causa que es la variable
teórica.
Un ejemplo de Lazarsfeld nos aclarará la cuestión. Al buscar indicadores de la variable
“antisemitismo” pueden seleccionarse dos tipos de indicadores, o una mezcla de ambos: a) “La
obediencia y el respeto a la autoridad son las virtudes más importantes que debe aprender un
niño”. Esta es una afirmación que figura en un cuestionario que mide antisemitismo y el sujeto
debe responder si está o no de acuerdo, es decir, es un indicador. Pero este indicador no
expresa directamente la variable “antisemitismo” sino “autoritarismo”, y si lo consideramos es
solamente porque sabemos que hay una alta correlación entre ambas variables. En rigor dicho
indicador no es manifestación o efecto directo de la variable que nos interesa, que son las
inclinaciones antisemitas; b) “La mayoría de la gente no se da cuenta hasta qué punto nuestras
vidas están regidas por las conspiraciones de los políticos”. Este indicador ya expresa
directamente el antisemitismo (basta pensar en el presunto fraude de los Protocolos de los
Sabios de Sion), y está en una relación de causa-efecto con el mismo: el grado de antisemitismo
es la causa de que la persona responda si está o no de acuerdo con dicha afirmación.
Lazarfeld llama al primer tipo “indicador expresivo” y al segundo “indicador predictivo”, pues sólo
se puede predecir una respuesta con cierta seguridad sobre la base de un vínculo causal. Como

16
luego veremos, efectivamente, la simple correlación no prueba que haya causalidad, y tiene
menor potencia predictiva. En suma: el primero es un indicador de otra variable muy
correlacionada con la que nos interesa, mientras que el segundo mide directamente esta última
con la cual lo suponemos ligado causalmente.

Antes de referirnos a los índices, convendrá previamente distinguir entre otros tres conceptos
que suelen confundirse: indicador, ítem y dato. Cuando uno se propone diseñar un test de
inteligencia, busca crear varias pruebas concretas de diversa índole, o sea, deberá “bajar” al
plano empírico. Para ello, como vimos, deberá primero identificar las dimensiones y luego los
indicadores de cada dimensión. Uno de estos indicadores podrá ser por ejemplo “habilidad para
el cálculo matemático”. Consiguientemente, en el test deberá figurar una o varias pruebas para
medir esta habilidad: “hacer una suma”, “resolver una ecuación”, etc., pruebas que corresponden
respectivamente a habilidades para el cálculo aritmético y para el cálculo algebraico. Cada una
de estas pruebas se llama ítem y así, para un mismo indicador puede haber uno o varios ítems.
Si en vez de un test se trata de un simple cuestionario, los ítems serán cada una de las
preguntas que el sujeto habrá de responder. Por dar un ejemplo cualquiera, tres de estas
preguntas podrán corresponder a un indicador, o sólo dos, o sólo una, pero se supone que la
totalidad de las preguntas (o de las pruebas si es un test) habrán de cubrir todos los indicadores
que hemos seleccionado y por ende, también todas las dimensiones elegidas para la variable
que queremos medir, pudiendo ocurrir a veces que un ítem corresponda simultáneamente a dos
indicadores de la misma dimensión o de dimensiones diferentes. La pregunta sobre “si cursa o
no estudios en una universidad privada” corresponde simultáneamente a dos dimensiones: nivel
económico (por lo de “privada”) y nivel educacional (por lo de “universidad”).
Mientras hemos diseñado el test sólo hemos construido los indicadores con sus respectivos
ítems, pero todavía no tenemos datos ya que aún no lo hemos administrado a ningún sujeto.
En tanto el ítem es una pregunta o una prueba, debe admitir varias alternativas de respuesta o
de ejecución. En el caso más simple de un cuestionario cerrado, el ítem “está de acuerdo con la
actual situación económica?” podría admitir como alternativas posibles “sí”, “no”, “más o menos”,
y “no sabe”. En el caso de un test, el ítem “arme un rompecabezas con las siguientes piezas”
podría tener como posibilidades de ejecución “buena”, “mala” y “regular”.
Una vez construido el test y previstas las distintas posibilidades de cada ítem, podemos ahora
administrarlo a un sujeto determinado. Una vez que éste respondió las preguntas o hizo las
pruebas correspondientes ya estamos en posesión de los primeros datos, ya que el individuo
quedó ubicado en alguna de las alternativas posibles. Ejemplos de datos son “Juancito contestó
que sí a la pregunta número 15”, o “Pedrito cumplió sólo regularmente la prueba del
rompecabezas”, o “Fulanito se sacó 6 en la prueba de encontrar absurdos”.
Supongamos, más concretamente, que administramos nuestro test de inteligencia a una
persona. Cuando ésta hubo resuelto todas las pruebas o ítems, procedemos ahora a evaluarla
especificando para cada prueba en qué alternativa la ubicamos. Por ejemplo en la primera
prueba sacó 7 puntos, en la segunda 5, en la siguiente 6 y en las otras 7, 4, 5, 10, 8 y 2.
A los dos días nos visita esta persona con toda su familia y, ansiosa por saber si es un genio o
tan sólo muy inteligente, nos pregunta por el resultado del test. Nosotros entonces le decimos
que su inteligencia es 7, 5, 6, 7, 4, 5, 10, 8 y 2, o sea los distintos puntajes que obtuvo. Con esta
respuesta el sujeto quedará desorientado como Adán en el día de la madre, pero, y lo que es
más grave, también nosotros, porque nos resultará difícil apreciar rápidamente su grado de
inteligencia mediante una montaña de cifras diferentes.
Nos vemos entonces obligados a resumir esta información para hacerla más fácilmente
comprensible y para que, llegado el momento de hacer algún promedio aritmético sobre la
inteligencia de una muestra de sujetos, podamos disponer de una sola cifra para cada individuo.
Es aquí donde aparece la necesidad del índice. El índice será la cifra que razonablemente

17
represente a los 20 o 30 datos obtenidos, como por ejemplo un simple promedio de los mismos.
Tal índice suele definírselo como un indicador complejo, ya que reúne la información de todos
los indicadores y sus respectivos ítems.

Hay muchas formas de construir índices. Además del simple promedio aritmético está también el
promedio ponderado, donde asignamos mayor peso a ciertas pruebas a los efectos del conteo
final. Otras veces extraemos previamente sub-índices, uno para cada dimensión, para luego
resumirlos en el índice final, tal como puede verse en el test WISC de inteligencia.
La utilidad del índice no consiste sólo en resumir mucha información en una sola cifra,, sino
muchas veces también compensar estadísticamente la inestabilidad de las respuestas. Dicho en
castellano: factores como la falta de atención o el desinterés pueden malograr algunas
respuestas del test, pero no por ello juzgaremos al sujeto falto de inteligencia: en el índice
pueden quedar compensados esos pobres resultados con otras pruebas donde se puso mayor
interés y concentración, y donde se obtuvieron resultados óptimos.

Volviendo a nuestro ejemplo, si el promedio de todas las pruebas nos dio por caso 7, ahora sí el
sujeto y nosotros podremos darnos una idea de su inteligencia (siempre que conozcamos la
media poblacional). La ventaja de decir 7 en vez de un montón de cifras es entonces práctica, ya
que teóricamente ambas cosas expresan casi lo mismo: con un índice comprendemos mejor la
ubicación del sujeto respecto de la variable inteligencia.
Lo ideal es poder calificar las pruebas numéricamente porque el número se presta mejor al
cálculo a los efectos de obtener índices y, en general, al tratamiento estadístico. A veces no es
posible hacer esta cuantificación y en vez de decir “7” decimos “inteligencia regular”, lo cual es
también un índice en la medida que sintetiza o resume todos los resultados obtenidos en las
pruebas. Un ejemplo típico de índice numérico de la variable inteligencia es la “edad mental” la
cual, en combinación con el indicador de la variable simple “edad cronológica” nos da un índice
compuesto llamado “cociente intelectual” que también constituye un dato, aunque derivado de
los datos originales que eran los puntajes de cada prueba. Como podemos apreciar, unos datos
surgen a partir de otros: las respuestas a los ítems nos dan datos derivados (los índices) y
luego, sacando a su vez promedios de estos índices obtenemos nuevos datos sobre muestras y
poblaciones. Un índice por ejemplo puede ser 110, y el promedio de una muestra puede ser 115,
lo que indica que el sujeto que se sacó 110 está por debajo de la media de la muestra. Si en
cambio la media de la poblaciójn se considera como 100, entonces estará por encima del
promedio poblacional. Podemos entonces ir sintetizando una definición de dato, diciendo que es
el valor que adquiere una variable en un determinado ítem, en un determinado sujeto
perteneciente a cierta muestra y población.
Los primeros datos que obtenemos entonces son los resultados de las distintas pruebas
individuales del test (o las respuestas a las distintas preguntas de un cuestionario). Estos datos
se resumen en un dato final para cierto sujeto, dado por el índice (“Fulano tiene un CI de 130”).
Podemos ir sintetizando los pasos dados hasta ahora de la siguiente manera:

a) Definir teóricamente la variable.

b) Especificar sus dimensiones (y sub-dimensiones, si las hubiere). Es lo que se llama dar
una definición real de la variable.
c) Especificar los indicadores de las dimensiones (definición operacional).
d) Seleccionar los ítems para cada indicador.
e) Especificar las alternativas posibles de respuesta en cada ítem asignándole a cada una
de ellas una cifra convencional (por ejemplo de 1 a 10). Este proceso, junto con el
siguiente, podemos llamarlo selección de un sistema de puntuación.
f) Especificar un procedimiento para obtener un índice.

18
 g) Obtener o recolectar los datos administrando el test (o el cuestionario) a un sujeto.
h) Resumir los distintos datos en un índice, con lo cual cada sujeto tendrá su propio índice.

Estrictamente hablando, el proceso de operacionalización comprende todos estos pasos menos

los dos últimos, pues operacionalizar es preparar un esquema de dimensiones, indicadores e
índices para luego ser aplicado empíricamente a un sujeto determinado. La historia de un test
tiene tres etapas: primero lo inventamos, luego lo administramos y después lo evaluamos. Los
seis primeros pasos están en la primera etapa, el séptimo coincide con la segunda y, el último
forma parte de la tercera etapa.
Esta compleja secuencia de pasos no se realiza –o se simplifica notablemente- cuando la
variable es simple por cuanto no hay que buscar ni dimensiones ni una pluralidad de
indicadores. La variable “edad” tiene un solo indicador, que puede ser la información que da el
documento de identidad, o también la simple pregunta “qué edad tiene?”. A nadie se le ocurriría
hacerle un test con varias pruebas a una persona para medir su edad cronológica. Lo ideal sería
que todas las variables fuesen así de sencillas, pero tal cosa no ocurre. Llevados por un ataque
de simplicidad, podríamos construir el test más simple de inteligencia el que, en vez de incluir
varias pruebas distintas constaría de una sola pregunta: “Es usted inteligente?” (lo cual mide
más la inteligencia del que lo inventó que de quien lo contesta). Si el sujeto responde “sí”
entonces concluiríamos que el inteligente, y si dice “no” concluimos que no lo es, pero
lamentablemente este test, aunque puede ser confiable, no es válido. Cabe pensar que es
confiable porque un sujeto muy probablemente contestará siempre la misma respuesta al
hacerle varias veces la misma pregunta, pero no es válido porque no está midiendo inteligencia
sino por ejemplo autoestima, necesidad de agradar, o, si es un test laboral, grado de interés por
obtener un empleo. Confiabilidad y validez son requisitos básicos de un test, y sobre ellos
volveremos más adelante.
Por lo demás, este hipotético test de inteligencia tampoco resulta cuantitativamente preciso,
pues la simple respuesta “sí” o “no” no nos informa sobre cuánto más inteligente es el sujeto con
respecto a otro que contestó lo mismo o con respecto a un promedio estadístico.

A través del siguiente esquema resumimos la notable diferencia que hay entre la
operacionalización de una variable simple, como “peso”, y de una variable compleja, como
“clase social”.

VARIABLE PESO CLASE SOCIAL

Dimensiones Nivel económico Nivel educacional
Indicadores Registro Ingreso Es o no Tiene Nivel Es o no
balanza mensual dueño vehículo alcanzado autodidacta

Una vez que conocemos el índice de un determinado individuo, damos ahora el siguiente paso
que es la categorización de ese dato, y que viene a continuación del paso h) anterior.
No debemos confundir la categorización de la variable con la categorización del dato.
Categorizar la variable fue lo que hicimos al principio de todo cuando establecimos sus
categorías o valores como posibilidades de variación. Por ejemplo para la inteligencia pueden
establecerse cuatro categorías (menos de 90, 91 a 110, 111 a 130, y 131 o más). Conocidas las
categorías de la variable, podemos ahora categorizar el dato obtenido, que no es otra cosa que
ubicar a éste en alguna de las categorías establecidas. Como Fulano obtuvo 130, lo ubicaremos
en el casillero 111 a 130, y lo mismo haremos con el resto de los sujetos de la muestra.

19
Conceptos/constructor Inteligencia Cociente intelectual
Variables Ansiedad Nivel de ansiedad
Indicadores Test de WAIS Test de Spielberger
Los indicadores son el máximo nivel de operacionalización de variables.

Ejemplo:
El alcohol está implicado en casi la mitad de los accidentes de tráfico, se producen más de un
millón de arrestos y casi 2/3 de los arrestados en núcleos urbanos dan positivo en sustancias
tóxicas.
Constructo: Borrachera
Variables Frecuencia de episodios bebidas alcohólicas
Indicadores Cuantas veces tomaste en la última semana 5 o más bebidas

Ejemplo:
Constructo Pobreza
Variables Pobreza absoluta Pobreza subjetiva
Indicadores Ingresos en el umbral de la pobreza
¿Se considera pobre?

Los conceptos o constructor señalados hasta ahora son fácilmente operacionalizarlos objetivamente,
pero no siempre ocurre así:
Constructo Clase social
Variable Nivel de ingresos Nivel educativo Prestigio ocupacional
Para operacionalizar el constructo “clase social” se ha de atender a varias variables, la media de todas
ellas servirá para definir el constucto. A su vez cada una de ellas se puede subdividir en otras
subvariables, debiendo encontrar indicadores para cada una de ellas.
Los indicadores son las medidas de una variable o de un constructo.
STEVENS, en 1951 definió medir como “proceso de asignar valores numéricos a objetos o eventos
conforme a ciertas reglas.
La medida pretende ser un ISOFORMISMO (igual forma) entre la medición y la realidad que pretende
medir.

d) Organización de los datos

Una vez recolectados los datos, ahora deberemos cumplir las tres últimas etapas: la
organización, el análisis y la interpretación de los mismos.
Supongamos que la muestra de la que veníamos hablando en el párrafo anterior esté
conformada por 85 personas. Lo que ahora necesitamos hacer es empezar a resumir toda esta
información de forma tal que en vez de tener 85 tests tomados sobre nuestro escritorio
tengamos solamente una hoja donde volcamos todos los datos obtenidos, colocando una marca
en cada categoría, como vemos en la siguiente “matriz de datos”:

20
 Categoría de CI Cantidad de individuos
80 
85 
90 
95 
100 
105 
110 
115 
120 
125 
130 
135 
140 
145 
150 
155 

Así por ejemplo, la matriz me informa que dentro de la muestra encontramos tres personas que
obtuvieron un puntaje de 115, y así sucesivamente. Así como al principio habíamos resumido
todos los resultados de cada prueba o sujeto en un índice, ahora estamos resumiendo todos los
índices en una matriz de datos, y nuestro siguiente paso será a su vez sintetizar los datos de la
matriz en una tabla o cuadro, proceso llamado tabulación.
Lo que una tabla muestra son esencialmente frecuencias, o sea, cantidad de sujetos por cada
categoría o valor. La tabla siguiente condensa la información de la matriz de datos precedente, y
en dicha tabla la cifra 25 es una frecuencia, o sea una indicación que en la muestra hay 25
sujetos que tienen 90 o menos de cociente intelectual. No debe pensarse, por ejemplo, que 25
significa cociente intelectual. Esta tabla nos revela también que la frecuencia total o sumatoria
de frecuencias es 85, y ha de coincidir siempre con la cantidad de sujetos investigados, es decir,
con lo que habitualmente se llama “tamaño de la muestra”.

CI f (frecuencia)
menos de 90 25
91-110 20
111-130 18
más de 131 22
Total 85

La información que nos suministra esta tabla podemos también representarla de otras maneras,
de acuerdo a qué nos interesa más saber. El siguiente esquema nos revela que podemos
representar los datos como frecuencias acumuladas (fac), como frecuencias porcentuales (f%),
o como frecuencias acumuladas porcentuales (fac%):

21
 CI f fac f% fac%
menos de 90 25 25 29% 29%
91-110 20 45 24% 53%
111-130 18 63 21% 74%
más de 131 22 85 26% 100%
Total 85 --- 100% ---

En la segunda columna fuimos acumulando (sumando) las frecuencias anteriores, y así la

frecuencia 63 corresponde matemáticamente a la suma de las anteriores frecuencias
(25+20+18). Pero el número 63, como toda frecuencia, además de tener un significado
matemático tiene también un significado empírico, importante a la hora de tener que analizar la
tabla. Empíricamente, el número 63 me dice que hay 63 sujetos que tienen 130 o menos de CI.
Por otro lado observemos que si los cálculos están bien hechos, la última frecuencia acumulada
deberá coincidir con el tamaño de la muestra (85).
Para obtener frecuencias porcentuales (f%) consideramos primeramente el total de casos (85)
como si fuera el 100%. A partir de aquí y por un simple algoritmo de regla de tres simple,
obtenemos por porcentajes parciales:

Si 85 ------------------------------ 100%
25 x 100
25 --------------------------------- x = ------------ = 29,41% = 29%
85

Luego, si así lo deseamos, podemos obtener las frecuencias porcentuales acumuladas

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

a) Univariadas o de simple entrada (informan sobre una sola variable).

b) Bivariadas o de doble entrada (relacionan dos variables).
c) Multivariadas o de múltiple entrada (relacionan tres o más variables).

Nos centraremos en la situación más habitual representada por la tabla o cuadro bivariado,
donde una de las variables será la independiente y la otra la dependiente. Comparemos una
tabla univariada con otra bivariada:

CI f CI Alta Media Baja Total

-90 140 -90 30 40 70 140
90-110 160 90-110 55 55 50 160
+110 150 +110 80 50 20 150
Total 450 Total 165 145 140 450
Tabla univariada Tabla bivariada

22
La primera describe la situación de una sola variable, e informa que por ejemplo hay 140 sujetos
con CI inferior a 90, o que el total de la muestra era de 450 individuos. El cuadro bivariado
suministra más información pues entrecruza dos variables (inteligencia y clase social). En suma,
los elementos básicos de una tabla bivariada son los siguientes:

a) Las dos variables a relacionar.

b) Título, que en este caso puede ser “Inteligencia según clase social en adolescentes de
la Ciudad de Buenos Aires, año 1980”. Como se ve, están aquí especificadas las
coordenadas espacio-temporales (dónde y cuándo) pero también se especifica cuál es
la variable independiente y la dependiente (la expresión “según” nos lo sugiere).
c) Las categorías (o valores) de ambas variables. Por ejemplo de clase social hemos
consignado “alta”, “media” y “baja”. Un cuadro muestra siempre categorías, pudiendo o
no mostrar también dimensiones.
d) Las frecuencias, de las que diremos dos palabras.

Hay varios tipos de frecuencias. Por ejemplo la cifra 30, que significa que hay 30 sujetos de
clase alta con CI inferior a 90; o la cifra 145, indicadora que hay 145 adolescentes de clase
media; o la cifra 450, que indica el número total de casos de la muestra. Estos tres ejemplos
corresponden, respectivamente, a las llamadas frecuencias condicionales, marginales y totales.
La frecuencia condicional corresponde al entrecruzamiento de dos categorías distintas, y la
frecuencia marginal sólo a una. Así, 20 es frecuencia condicional y 150 frecuencia marginal.
Podemos ver también que las frecuencias marginales resultan de la suma de las frecuencias
condicionales correspondientes, y pueden ser horizontales (como 140, resultado de sumar 30,
40 y 70) o verticales (como 145, que resulta de sumar 40, 55 y 50). La suma de las frecuencias
marginales horizontales debe ser igual a la suma de las frecuencias marginales verticales, y esa
cifra debe equivaler a la frecuencia total (tamaño de la muestra).
Un cuadro bivariado puede también incluir la misma información pero bajo la forma de
frecuencias acumuladas (horizontales o verticales), frecuencias porcentuales (horizontales o
verticales) y frecuencias porcentuales acumuladas (también horizontales o verticales). El
esquema siguiente ejemplifica estas alternativas:

23
 Alta Media Baja Total
-90 30 40 70 140
Ejemplos de frecuencias 90- 55 55 50 160
110
+110 80 50 20 150
Total 165 145 140 450
1. Frecuencias absolutas

Alta Media Baja Total Alta Media Baja Total

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

Alta Media Baja Total Alta Media Baja Total

-90 21% 29% 50% 100% -90 18% 28% 50% -
90- 34% 34% 32% 100% 90- 33% 38% 36% -
110 110
+110 53% 33% 14% 100% +110 49% 34% 14% -
Total - - - - Total 100% 100% 100% -
4. Frecuencias porcentuales horizontales 5. Frecuencias porcentuales verticales

Alta Media Baja Total Alta Media Baja Total

-90 21% 50% 100% - -90 18% 28% 50% -
90- 34% 68% 100% - 90- 51% 66% 86% -
110 110
+110 53% 86% 100% - +110 100% 100% 100% -
Total - - - - Total - - - -
6. Frecuencias porcentuales acumuladas 7. Frecuencias porcentuales acumuladas
horizontales verticales

Como podemos ver, la misma información del cuadro original 1 puede expresarse, según
nuestras necesidades, de seis maneras diferentes. Veamos algunos ejemplos de cómo han de
leerse las distintas posibilidades:
a) La cifra 110 del cuadro 2 indica que hay 110 individuos de clase media con 110 o menos de
CI. En cambio la cifra 95 del cuadro 3 indica que hay 95 sujetos con CI entre 90 y 110 y que
además pertenecen a las clases media y alta. En el primer caso la acumulación se hizo
horizontalmente y en el segundo verticalmente.
b) La cifra 53% del cuadro 4 indica que sobre el total de sujetos con CI superior a 110, el 53%
son de clase alta. En cambio la cifra 49% del cuadro 5 indica que sobre el total de sujetos de
clase alta, un 49% posee un CI superior a 110. También en ambas tablas los porcentajes se
calcularon horizontal y verticalmente, en forma respectiva. Una importante utilidad que tienen los
porcentajes es que permiten igualar las frecuencias con respecto a una base común (el 100%):

24
 Edad Primaria Secundaria Total Edad Primaria Secundaria Total
30 años 12 142 154 30 años 20% 89% -
40 años 18 18 36 40 años 30% 11% -
50 años 30 - 30 50 años 50% - -
Total 60 160 220 Total 100% 100% -
Tabla I – Frecuencias absolutas Tabla II – Frecuencias porcentuales

En la Tabla I encontramos dos frecuencias absolutas iguales (18 y 18), pero ellas no tienen el
mismo significado estadístico, pues un 18 se tomó sobre un total de 60 personas (escolaridad
primaria) y el otro sobre un total de 160 (escolaridad secundaria). Si igualamos 60 y 160 en una
base común (100%) como en la Tabla II, vemos que en realidad uno de los 18 representa el
30% del total y el otro tan sólo el 11% del otro total. Esto nos permite evaluar a simple vista qué
proporción de sujetos de 40 años hay en cada nivel de escolaridad: si bien la cantidad absoluta
de sujetos es la misma (18), hay mayor proporción de sujetos primarios que secundarios.
c) La cifra 50% del cuadro 6 indica que el 50% de los sujetos con CI inferior a 90 pertenecen a
las clases alta y media. La cifra 28% en cambio, en el cuadro 7, expresa que el 28% de los
sujetos de clase media tiene CI inferior a 90. Las acumulaciones de los porcentajes se realizaron
en forma horizontal y vertical, respectivamente. Obsérvese que la información del cuadro 6 no es
la misma que la del cuadro 7, pero es igualmente verdadera. La elección de una u otra
información dependerá de qué información nos interese más o, incluso, hay quienes utilizan esta
posibilidad de elegir con el propósito de convencer o persuadir. Por ejemplo, si quiero persuadir
a alguien que el cigarrillo es pernicioso para la salud, preferiré decirle que el 90% de los cáncer
de pulmón son ocasionados por el cigarrillo a decirle que sólo el 10% de los fumadores mueren
de cáncer de pulmón, siendo que ambas afirmaciones son igualmente verdaderas.

Sin embargo, la tabulación no es la única forma de resumir y organizar la información. Existen

también otros dos recursos estadísticos, que son la graficación y las medidas estadísticas
descriptivas (tanto de posición como de dispersión). Ambas modalidades se construyen
habitualmente sobre la base de una tabla de distribución de frecuencias como las ya vistas. A
través del ejemplo siguiente veremos cómo la información que contiene una tabla puede también
presentarse bajo la forma de gráficos o medidas estadísticas:

Tabla
f
Edad f
17 70 160
150
18 110 140
19 140 130
20 160 120
110
Total 480
100
090
Gráfico 080
070

Medidas estadísticas 17 18 19 20 Edad

_
X = 18,8 años (Media aritmética)
δ = 0,9 años (Desvío Standard)
_
X ± δ = 18,8 ± 0,9

25
En estos ejemplos se tomó una muestra de 480 jóvenes que cursaban primer año de la
universidad, y por algún motivo al investigador le interesó tener información sobre sus edades.
La tabla nos muestra que 70 de ellos tienen 17 años, 110 tienen 18 años, etc. El gráfico nos da
la misma información, con la diferencia que es más fácil visualizarla de un golpe de vista,
especialmente para quien no está habituado a la estadística: la forma ascendente de la curva ya
nos dice que hay más jóvenes de mayor edad o, si se quiere, a edades más altas corresponden
mayores frecuencias. Este tipo de gráfico se llama polígono de frecuencias, pero hay otras
modalidades de gráficos.
Las medidas estadísticas, por su parte, permiten condensar todas las cifras de la tabla en dos,
que típicamente suelen ser la media aritmética y el desvío standard. Esta simplificación hace
que una parte de la información se pierda, pues las medidas obtenidas no me dicen por caso
cuántos jóvenes de 19 años hay. Esta desventaja (si así puede llamársela, pues hay información
que no tiene mayor utilidad) queda ampliamente compensada con el hecho de que conociendo
las medidas estadísticas, entre otras cosas puedo efectuar análisis de correlación y regresión
(ver más adelante) y pruebas de significación, es decir, seguir adelante con la investigación
estadística y consiguientemente con la investigación en general.
En el ejemplo considerado, la media aritmética me dice simplemente que 18,8 años es el
promedio de edades de alumnos de primer año de la universidad. Respecto del desvío standard,
habíamos ya señalado que se trata de un promedio de las distancias o desvíos de todos los
valores respecto de la media (18,8 años) e indica entonces cuán lejos o cerca de ella están
todos los sujetos. La cifra 0,9 obtenida es muy pequeña en comparación con la media 18,8 años,
lo que significa que las edades de los alumnos no son muy dispares entre sí, o sea, sus edades
no difieren demasiado.
La media aritmética y el desvío estándar son medidas estadísticas utilizables cuando las
variables son cuantitativas. Existen otras medidas, como el modo o la mediana, que sirven
especialmente para variables cualitativas. Por ejemplo, el modo es la categoría que más se
repite, mientras que la mediana es la categoría ubicada en el centro de la serie de las categorías
obtenidas, ordenadas en forma creciente o decreciente.

e) Análisis e interpretación de los datos

Obtener tablas, gráficos o medidas estadísticas como las indicadas no son más que pasos
preparatorios para llegar a la operación central de la investigación descriptiva: el análisis de los
datos.

Desde el punto de vista de la evolución de los datos en la investigación, el análisis de los datos
es la etapa posterior a la organización de datos, pero la etapa previa a la interpretación de los
mismos. En ésta última la información ya analizada es integrada en un contexto más amplio: con
otras teorías, con otras investigaciones, etc Por ejemplo interpretar puede significar explicar la
correlación constatada en el paso del análisis a la luz de una teoría. Una alta correlación entre
inteligencia y clase social será interpretada de manera muy distinta por una teoría ambientalista
y por una innatista: la primera insistirá en que la inteligencia en clases altas obedece a que los
niños están más estimulados (hacen más viajes, tienen más juguetes, etc), mientras que la
segunda planteará la existencia de mejores genes en las personas de clase alta.
Las cuatro etapas en el procesamiento de los datos (recolección, organización, análisis e
interpretación), y que en mayor o menor medida aparecen en investigaciones exploratorias,
descriptivas y explicativas.

26
Los datos pueden analizarse tanto a partir de una tabla, como de un gráfico o de las medidas
estadísticas, pero aquí daremos una idea del modo de hacerlo según una tabla. Desde este
punto de vista, el análisis de los datos es el momento donde debemos hacer “hablar” a la tabla
para saber qué nuevo tipo de información nos dará. Esta nueva información consiste
principalmente en determinar si las variables están o no correlacionadas, qué tipo de correlación
muestran (positiva o negativa), y hasta qué punto mantienen una correlación. Para los dos
primeros puntos suele bastar con un simple examen visual del cuadro, y más concretamente de
las frecuencias condicionales.
Siguiendo con un ejemplo anterior donde relacionábamos inteligencia con clase social, las cifras
de la tabla nos están diciendo que comparativamente existen muchas personas de clase baja
con CI bajo (70 personas) y muchas de clase alta con CI alto (80 personas). Decir que 70 y 80
son frecuencias “comparativamente” altas significa que lo son en comparación con las otras
frecuencias condicionales (y no por ejemplo en comparación con la frecuencia total, en cuyo
caso aparecerían como frecuencias bajas).
El cuadro también nos está diciendo que hay pocas personas de clase baja con CI alto (hay 30),
y pocas personas de clase alta con CI bajo (hay 20), donde 20 y 30 son frecuencias también
“comparativamente” bajas. Todos estos exámenes nos están revelando a simple vista que existe
una alta correlación entre ambas variables, pues vemos que a mayor nivel social le corresponde
mayor inteligencia, y a menor nivel, menor inteligencia. El cuadro siguiente representaría un
ejemplo completamente opuesto, donde no hay ningún tipo de correlación:

Alta Media Baja Total

-90 50 50 50 150
90-110 50 50 50 150
+110 50 50 50 150
Total 150 150 150 450

Una vez que nos hemos asegurado que no hay correlación constatable, abandonamos este
último cuadro y continuamos la investigación examinando nuevas relaciones entre más variables
hasta encontrar correlaciones. Si no las encontramos no podremos seguir avanzando hacia la
etapa de la investigación explicativa.
Todo el proceso de la investigación decriptiva apunta a un propósito fundamental: buscar alguna
correlación entre las variables relevantes (con o sin hipótesis previas que orienten nuestra
selección de variables a correlacionar). Sin embargo, este análisis de correlación tampoco es un
fin en sí mísmo, sino sólo un medio para continuar nuestra investigación por alguno de dos
caminos alternativos: el análisis de regresión o la inferencia de relaciones causales.
a) Una vez que hemos constatado mediante un análisis de correlación el grado de asociación
existente entre dos variables, podremos ahora hacer un análisis de regresión, o sea, podremos
predecir, dado un nuevo valor de la variable, qué valor de la otra variable le corresponderá. Por
ejemplo: si los datos ya conocidos me revelan que a mayor edad la memoria disminuye (análisis
de correlación), puedo entonces predecir que un nuevo sujeto al que no conocía y que es muy
anciano, tendrá mala memoria (análisis de regresión). Este tipo de análisis sirve entonces para,
conociendo una variable, predecir el comportamiento de la otra.
b) Una vez que hemos establecido que entre dos variables hay una correlación significativa,
podemos ahora decidirnos a sospechar que entre ellas hay algo más que un simple correlación:
una relación de causa-efecto. En otras palabras, pasamos de una hipótesis por correlación a
una hipótesis causal. Por ejemplo, la alta correlación observada entre clase social e inteligencia
nos sugiere la idea de que la clase social determina o causa el nivel de inteligencia de los
sujetos.
Pero cuidado: la correlación no prueba ni garantiza por sí sola que haya una relación causal, y
sólo nos permite sospecharla. Si bien el análisis de correlación presupone bastante

27
conocimiento anterior (que ya había comenzado a incorporarse en la investigación exploratoria),
no prueba necesariamente la idea de que una variable es la causa y otra el efecto. Probar esta
hipótesis causal será la gran tarea de la investigación explicativa.
Establezcamos, finalmente, una relación entre el análisis de regresión y la inferencia de
relaciones causales. Emprender la tarea de sospechar y luego probar un vínculo causal no es,
dijimos, el único camino posible aunque sí el deseable según y conforme la clásica idea de
ciencia como conocimiento por las causas. Pero si ampliamos esta idea de ciencia como
posibilidad de predecir, se torna posible hacer un análisis de regresión sin presuponer que haya
ningún vínculo causal. Aunque las predicciones simplemente regresivas no son tan firmes como
las derivadas de un vínculo causal efectivamente probado, muchos las prefieren por su sencillez
y practicidad y porque tienen una concepción instrumentalista de la ciencia según la cual las
teorías científicas no explican sino que sirven para predecir. De lo dicho no debe inferirse que no
podamos hacer predicciones en base a explicaciones causales: de hecho, el análisis de
regresión puede también hacerse sobre la base de una conexión causal efectivamente
verificada, en cuyo caso la predicción será más confiable.

Antes de pasar a la investigación explicativa, haremos una somera referencia al problema de la

medición, fundamental en la actividad científica, no sin antes ir resumiendo los pasos de la
investigación descriptiva:

a) Formulación de una hipótesis. Cuando no tenemos una hipótesis previa describimos una
muestra empezando desde el el paso siguiente.
b) Identificación de las constantes y variables en juego.
c) Categorización de las variables.
d) Operacionalización de las variables.
e) Obtención de los datos hasta obtener índices.
f) Categorización de los datos obtenidos. Construcción de una matriz de datos.
g) Organización de los datos en tablas, gráficos o medidas estadísticas.
h) Análisis de los datos. Si se constata que hay correlación emprendemos directamente un
análisis de regresión, o bien dejamos planteada nuestra sospecha en la existencia de
una conexión causal. Como dijo alguien, investigar es ver lo que todos ven y pensar lo
que nadie piensa.

28