Errores Cotidianos en el Razonamiento

Cuando ignoramos la complejidad del mundo y fracasamos en

tomar en cuenta los intereses propios, la subjetividad y la
resistencia al cambio, es muy probable que cometamos errores
en nuestro razonamiento de los fenómenos y, por lo tanto, en
las conclusiones de nuestras investigaciones o en la toma de
decisiones.

¿Cuáles son los errores más frecuentes?

. Sobregeneralizaciones
. Observaciones Selectivas e Imprecisas
. Razonamiento Ilógico
 Sobregeneralizaciones

Este error de razonamiento ocurre cuando concluimos

que lo que hemos observado o conocido como
verdadero para un número limitado de elementos es
igualmente cierto para todo el conjunto.

Los métodos de investigación científica reducen la

posibilidad de hacer estas sobregeneralizaciones al utilizar
procedimientos para estudiar elementos que sean
representativos del conjunto y a partir de los cuales
generalizar.
 Observaciones Selectivas e Imprecisas

Tendemos a seleccionar observaciones porque están en

concordancia con nuestras preferencias y creencias.

Las personas tienden a seleccionar observaciones que

confirmen sus sobregeneralizaciones.

Las observaciones imprecisas son aquellas basadas en

percepciones erróneas de la realidad empírica.

Los métodos de investigación científica reducen el riesgo

de observar selectiva e imprecisamente al requerir la
medición sistemática de los fenómenos.
 Razonamiento Ilógico

Cuando prematuramente concluimos o argumentamos

con supuestos incorrectos, estamos razonando
ilógicamente.

Los métodos de investigación científica explícitamente

incluyen criterios para identificar causas y para
determinar si dicho criterio está en concordancia con una
situación particular.

No es necesario ser un científico o utilizar técnicas

sofisticadas de investigación para intentar evitar
errores de razonamiento.
¿Cómo aproximarnos entonces a comprender y observar una
realidad que, en la mayoría de las ocasiones, personalmente
no hemos experimentado?

Antes que nada debemos aceptar que una aseveración científica

debe tener soporte lógico y empírico.

El entendimiento científico del mundo y la toma decisiones

debe entonces:

hacer sentido y
corresponder con lo que observamos.

El diseño de una investigación debe garantizar que esto se

cumpla.
 ¿Cómo se construye entonces el conocimiento científico?

Todos las personas mostramos un deseo natural por

predecir las circunstancias futuras.

¿Cómo realizamos esta labor?

Utilizando un razonamiento

Causal y Probabilístico
 Causal:

Reconocemos que las circunstancias futuras son,

de alguna manera, condicionadas por situaciones
actuales.

La educación afectará cuánto dinero ganaré en el

futuro.
 Probabilístico:

Los efectos ocurren más frecuentemente cuando

las causas están presentes que cuando están
ausentes, pero no siempre.

Aprendemos que más educación produce más

ingreso, pero no en todos los casos.
Para construir conocimiento, la ciencia hace explícito
este razonamiento causal y probabilístico, e igualmente
provee las técnicas para confrontar este razonamiento de
una forma más rigurosa que el pensamiento humano
casual.

En el lenguaje cotidiano de la investigación a las

explicaciones científicas se les refiere tradicionalmente
como modelos.

Explicaciones Científicas = Modelos

 Los Modelos son:

• Afirmaciones sobre los determinantes más

importantes sobre el comportamiento o problema
bajo estudio.

• Por diseño, simplificaciones y abstracciones de la

realidad.

Existen dos diferentes enfoques para la construcción de

estos modelos:
• Deductivo
• Inductivo
Modelo Deductivo: parte de afirmaciones axiomáticas simples a
partir de las cuales se derivan predicciones acerca del
comportamiento esperado.

Este modelo tan exitoso en las ciencias naturales, pocas veces

se utiliza de manera estricta en los problemas de carácter
social, económico, político o administrativo.

La perspectiva tradicional del método científico, como

probablemente recuerden, esta basado en las siguientes
etapas:
.Construcción de Teoría.
.Derivación de Hipótesis.
.Operacionalización de los Conceptos.
.Recolección de Datos.
.Prueba Empírica de las Hipótesis.
Modelo Inductivo: Implica el desarrollo de generalizaciones
a partir de observaciones específicas.

La mayoría de los modelos científicos en las ciencias

sociales y administrativas son inductivos. Estos modelos
están basados en observaciones empíricas previas y de
corazonadas intuitivas sobre el comportamiento
esperado en varias circunstancias.

Con el modelo inductivo se intenta “hacer sentido” de

los diferentes patrones observados en los datos.
El trabajo de campo, es decir, la observación directa del
fenómeno bajo estudio, es utilizado frecuentemente para
desarrollar teorías a través de la observación.

Los modelos derivados de cualquiera de estas formas son

esenciales para el trabajo empírico porque identifican los
factores/variables cruciales y hacen predicciones sobre el
comportamiento, bajo condiciones específicas. Sin ellas,
el trabajo empírico es simplemente un recolección de
variables y pruebas estadísticas incapaces de una
interpretación con significado.
 Un aspecto que debe quedar claro es que:

Las técnicas estadísticas en sí mismas no tienen

ningún sentido en la ausencia de teoría.

Por teoría debemos entender la actividad de razonamiento

que permite, en términos abstractos, definir claramente el
problema que nos interesa estudiar, así como los factores
asociados con la determinación del mismo.
 El Papel de la Teoría o Modelo Conceptual de un
Problema.

Teorizar o conceptualizar permite hacer lógica de muchos

fenómenos interrelacionados, así como predecir
comportamiento y actitudes que son más probables de que
ocurran cuando ciertas condiciones se cumplen.

Mucha investigación es conducida con teoría, aunque en

ocasiones la teoría pueda estar parcialmente desarrollada o aún
no ser tan claramente reconocida por el propio investigador.
Así pues, en última instancia la investigación
científica se reduce a observar el mundo e
interpretar lo que observamos. Sin embargo,
antes de hacerlo es necesario desarrollar un
plan, es decir, diseñar la investigación.

El diseño de una investigación tiene como

propósito la planeación de una estrategia
cuyo objetivo final es la búsqueda de
conocimiento científico.
 Las etapas del proceso de investigación pueden
simplificarse de la siguiente manera:
 
3. Identificación y formulación del problema (oportunidad)
de investigación
4. Elaboración de un marco conceptual o un marco teórico
5. Definir el tipo de investigación (exploratoria, descriptiva,
etc.)
6. Establecer las hipótesis
7. Operacionalización de conceptos y unidad de análisis
8. Selección del método de investigación
9. Selección del procedimiento de muestreo
10. Recolección de la información
11. Análisis de la información
12. Elaboración del reporte de investigación
¿De qué depende la selección de una
técnica estadística?:

. Tipo de datos
. Diseño de la investigación
. Supuestos detrás de la prueba
estadística.
 Tipo de Dato (Escalas de Medición)

Una variable es cualquier característica de una

persona u objeto que pueda ser expresada en
términos numéricos. Existen dos grandes grupos
de variables o niveles de medición: escalas
métricas y escalas no métricas.
Los niveles de medición de las variables se refieren a la
naturaleza de los supuestos que hacemos sobre los datos
que recolectamos. En la medida en que utilizamos un
mayor número de supuestos, estamos hablando de un
nivel de medición más alto.
Los supuestos son los siguientes:

• Orden: ¿tiene sentido la ordenación de los

números?
• Distancia: ¿las diferencias entre los números
pueden ser directamente comparadas?
• Origen: ¿ existe un origen único indicado por el
valor numérico cero?

El nivel de medición está determinado por la posesión

que tienen los números de estas características.
  Escalas No-métricas
(variables cualitativas, discretas o categóricas):

Atributos, características o propiedades categóricas

que identifican o describen a un sujeto u objeto. Los
valores numéricos son asignados a sujetos u objetos
basados simplemente en el hecho de que éstos
pertenecen a categorías particulares. Ejemplos:
ocupación, sexo, lugar de nacimiento, condición
laboral, nivel de satisfacción con el desempeño de un
funcionario público, etc.

Las escalas de medición no-métricas pueden ser de

dos tipos: nominales u ordinales.
  Escalas nominales

Son aquellas que dividen a las respuestas posibles en

dos o más categorías, las cuales son mutuamente
excluyentes y colectivamente exhaustivas. Dichas
categorías, no obstante no representan ninguna
jerarquía en particular.
 Escalas Nominales (ejemplo)

El ejemplo típico de este tipo de escala es el género.

Responder masculino o femenino sólo indica la
presencia o ausencia de un atributo; sin embargo, no
conlleva ningún orden o jerarquía en sí. El uso de
etiquetas (1-Hombre 2-Mujer) es meramente
arbitrario y convencional, ya que su valor de la
etiqueta en sí mismo no tiene ningún significado. Es
por ello que no podemos calcular el sexo promedio
de una población o un grupo de entrevistados.
 Escalas Nominales (ejemplo)

La única medida significativa de tendencia central

para este tipo de variables es la moda. Existe también
la posibilidad de utilizar análisis estadísticos más
avanzados (pruebas no paramétricas), o bien crear
distribuciones de frecuencias o tablas cruzadas con
este tipo de datos.
  Escalas ordinales

Representan un nivel de medición más elevado que

las escalas nominales porque los números asignados
reflejan un orden que sirve para identificar objetos.
Las escalas ordinales mantienen un orden
-descendente o ascendente- entre las distintas
categorías de respuesta. Esto implica que las etiquetas
para cada categoría forman parte de una jerarquía,
pero no que los intervalos entre valores sean iguales
entre sí, ni que las etiquetas tengan otro significado
que no sea el jerárquico.
Si a una persona se le pregunta, de una lista de colores dada, cuáles
son sus dos preferidos, tan sólo sabremos que el azul le gusta más
que el blanco y que, a su vez, éste le es más agradable que todos los
demás. Sin embargo, no podemos aseverar que él prefiere más el
blanco que otro color tanto como prefiere más el azul que el blanco.

Otro ejemplo de escala no-métrica ordinal:

¿Cómo evalúa el desempeño del Presidente Vicente Fox durante su
primer año de gobierno?
Honesto Deshonesto
1 2 3 4 5 6 7
Eficiente Ineficiente
1 2 3 4 5 6 7

….continúa
Supongamos que una persona calificó con 7 en la
escala de eficiencia a la administración actual, y que
otra le asignó un 5 en la misma escala. La escala
permite concluir que la primera persona percibió una
mayor ineficiencia que la segunda. Sin embargo, la
diferencia entre el 7 y el 5 no permite concluir que la
ineficiencia es de más del doble.

La mediana y la moda son medidas estadísticas

adecuadas para las escalas ordinales.
 Escalas Métricas
(cuantitativas o continuas)

Estas mediciones identifican o describen sujetos u

objetos no sólo por la posesión de un atributo sino
también por la cantidad o grado, por lo cual, el sujeto u
objeto puede ser caracterizado por el atributo.
Ejemplos: edad, peso, ingresos, etc.

Las escalas métricas pueden ser de dos tipos: escalas de

intervalo o escalas de razón
Escalas de Intervalo
Poseen todas las cualidades de las escalas ordinales y
nominales, además de que los intervalos entre puntos
consecutivos son iguales, pero el punto cero es arbitrario.
Por ejemplo, si pedimos a una persona que reparta 100
puntos a 3 distintas profesiones con el fin de conocer su
preferencia entre éstas, y la persona reparte 80 a
Medicina, 20 a Derecho y 0 a Contaduría, sabremos la
distancia que hay entre las tres.
No obstante, el cero es relativo y simbólico, ya que no
muestra la ausencia total de gusto por la contaduría, sino
que indica que es nulo en relación con las otras dos
profesiones.
Un ejemplo típico de escala no-métrica de intervalo
es la temperatura.

La media aritmética de este tipo de escalas es

significativa gracias a la igualdad de la distancia
entre categorías. El uso de otras medidas de
tendencia central (además de la distribución de
frecuencias y las tablas cruzadas) también son
herramientas descriptivas adecuadas para este tipo
de escalas.
Escalas de razón
Son aquéllas en las que el cero tiene un significado
real y absoluto: la ausencia del atributo. Ejemplos
de escala de razón lo constituyen el número de
hijos nacidos vivos de una mujer, la altura y el peso
de una persona, los ingresos familiares, la
velocidad, etc.
Las escalas métricas de medición proporcionan el
nivel más alto de medición y precisión, pues
permiten calcular casi todas las operaciones
matemáticas.
 En resumen, las propiedades que poseen las
distintas escalas son las siguientes:

Orden Distancia Origen

Nominal No No No

Ordinal Sí No No

Intervalo Sí Sí No

Razón Sí Sí Sí
¿Por qué es importante entender los diferentes tipos de medición?

 Como investigadores, debemos claramente

identificar la escala de medición de cada variable
que deseamos utilizar, de tal forma de que datos
no métricos no sean utilizados de manera
incorrecta como datos métricos y viceversa.

 La escala de medición es crítica para determinar

qué tipo de técnica, univariada o multivariada, es la
más apropiada para los datos, con consideraciones
en el caso, tanto de variables dependientes, como
independientes.
EJERCICIOS ESCALAS DE MEDICION
Identifica el tipo de escala (nominal, ordinal, intervalo, razón) representada en cada
una de las siguientes preguntas:
3. Tu sexo: 1 _____ Femenino 2 _____ Masculino

2. Tu edad: 1 _____ Menor de 13

2 _____ 13 - 19
3 _____ 20 - 29
4 _____ 30 - 39
5 _____ 40 - 49
6 _____ 50 - 59
7 _____ 60 - 69
8 _____ 70 o más
3. Cual es tu coeficiente Intelectual (IQ): _____________________________
(especifica tu puntaje exacto)
4. Especifica el nivel más alto de educación alcanzado por tu padre:
1 _____ Ninguno
2 _____ Primaria
3 _____ Algo de secundaria
4 _____ Secundaria completa
5 _____ Algo de preparatoria
6 _____ Preparatoria completa
7 _____ Licenciatura
5. Tu ingreso anual total: _________________________________
(especifica la cantidad exacta)
6. Tus preferencias religiosas:
1 _____ Protestante
2 _____ Católico
3 _____ Judío
4 _____ Otro _______________
especifica
7. Clase social a la que pertenecen tus padres:
1 _____ Alta
2 _____ Media-Alta
3 _____ Media
4 _____ Media-Baja
5 _____ Baja
8. ¿En cuál de las siguientes áreas viven tus padres?
1 _____ Rural
2 _____ Pueblo pequeño
3 _____ Suburbio cerca de la ciudad
4 _____ Ciudad
9. Indica tu orientación política poniendo una X en el lugar que consideres
más apropiado.
Liberal Conservador
_____ ____ _____ _____ ____
1 2 3 4 5
EJERCICIO CUESTIONARIO BIBLIOTECA TEC
Identifica el tipo de escala (nominal, ordinal, intervalo, razón) representada en cada
una de las siguientes preguntas:

4. ¿Qué tan seguido usas la Biblioteca del TEC?

___ menos de una vez a la semana
___ una vez a la semana
___ dos veces a la semana
___ tres o más veces a la semana

10. ¿Cuántas horas a la semana pasas en la biblioteca? ________ hrs.

• ¿Para qué usas principalmente la biblioteca? Pon un 1 en el uso más

frecuentemente y un 2 en el segundo uso más frecuente.
___ como lugar de estudio
___ como lugar de reunión con otros estudiantes
___ para obtener material para el trabajo de clases

17. Marca todos los servicios que has usado de la biblioteca

___ hemeroteca
___ préstamos entre librerías
___ servicios de búsqueda en línea
___ sala de microfichas
___ referencias (ayuda)
2. ¿En qué medida la biblioteca cubre tus necesidades?
___ Extremadamente bien
___ Muy bien
___ Bien
___ No tan bien
___ Extremadamente mal

9. ¿Cómo piensas que los servicios de la biblioteca podrían mejorar? ________

_________________________________________________________________

12. ¿Cuál es tu promedio?________

14. ¿En dónde vives?

___ en el campus
___ fuera del campus

18. ¿Cuál es tu grado escolar?

___ primer año de universidad
___ segundo año de universidad
___ tercer año de universidad
___ cuarto año de universidad
___ estudiante maestría o doctorado

25. ¿Qué programa docente cursas?_________________________

 Asociación entre variables

Dos variables medidas en la misma unidad de

observación están asociadas si algunos de los valores
de una de las variables tienden a ocurrir más
frecuentemente con algunos valores de la segunda
variable que con otros.

Asociación o Relación Positiva: a mayor número de

horas trabajadas mayores ingresos.

Asociación o Relación Negativa: a mayor educación

de la madre menor fecundidad.
 Asociación entre variables
El análisis estadístico multivariado es acerca de las
relaciones entre variables.

 En algunas ocasiones tenemos un sólo conjunto de

variables sin ninguna especificación a priori de
dependencia. Entonces nos enfocamos a las relaciones al
interior (within) del conjunto de variables. Estos métodos
son conocidos como métodos de interdependencia.

 En otras ocasiones, como los ejemplos que veremos en

este curso, tenemos dos conjuntos de variables dónde
especificamos de antemano el efecto de algunas variables
sobre el comportamiento de otras. Aquí el enfoque es en la
relación entre (between) variables. Estos métodos son
conocidos como métodos de dependencia.
Interdependencia

X Y

Dependencia

X Y
Algunos métodos de dependencia (between):

• Regresión múltiple
• Análisis de variancia
• Análisis de covariancia
• Regresión logística
• Análisis discriminante

Algunos métodos de interdependencia (within):

• Componentes principales
• Análisis factorial
• Análisis de conglomerados (Cluster Analysis)
 Asociación entre variables

Variable Dependiente: variable a ser “explicada” y

cuyo comportamiento depende, presumiblemente, de
los efectos de las variables independientes.

Variable Independiente: variable que, en teoría,

“explica” el comportamiento de la variable
dependiente.

El nivel de ingresos (dependiente) depende del nivel de educación

(independiente)

Una variable puede ser definida como dependiente en

un análisis y como independiente en otro.
 Asociación entre variables
Existen reglas en relación con el orden causal en
un conjunto de variables, es decir, supuestos
sobre cual es la “causa” y cual es el “efecto”.

Por ejemplo, si estuviéramos estudiando ingreso

y preferencia política, naturalmente asumiríamos
que ingreso es la “causa” y preferencia política es
el “efecto”.
La variable X es la causa de la variable Y cuando:

• Un cambio en X produce un cambio en Y, ó

• Porque algunas Xs no cambian, Ys tienden a estar en
línea con valores fijos de X

Ejemplos:

El empleo es la causa de ingresos: las personas que

obtienen (pierden) un empleo incrementan (decrementan)
sus ingresos.

Educación es la causa de prestigio ocupacional: las

personas que tienen un grado universitario son más
probables de tener empleo de gran prestigio y status.
 Es importante hacer notar lo siguiente:

1) Estamos hablando de “promedios” y “tendencias”.

Debemos esperar excepciones individuales a las relaciones
que exploramos.

2) Decir que “X es causa de Y” no es decir que “X es la causa

de Y” (reduccionismo).

3) Correlación entre dos variables no es suficiente prueba de

la existencia de causalidad.

4) Información de carácter no experimental presenta

elementos menos convincentes que experimentos
controlados de manera apropiada.
Para dos variables, X y Y, podemos distinguir entre
cuatro posibilidades:

X puede influir en Y pero Y no

X Y
influye en X

X Y Y puede influir en X pero X no

influye en Y

X Y X y Y pueden influirse entre ellas.

X y Y puden mostrar coordinación

X Y estadística (correlación), pero no es
posible asumir sobre la dirección.
Regla causalidad 1: Traza una flecha de X a Y si Y
inicia después que X.

Crisis económica Resultados

de 1994-1995 electorales 1996

Tipo de residencia Nivel educativo

al nacer

Educación del Educación del

padre hijo
Regla causalidad 2: Traza una flecha de X a Y si X
está ligada a una etapa temprana en una secuencia
de eventos bien conocida.

Prestigio en el Prestigio en el
primer empleo segundo empleo

Puntos logrados Calificaciones en

en el GRE posgrado
Disolución del
Edad al primer
primer
matrimonio
matrimonio
Finalización de la Primer empleo de
educación tiempo completo
Regla causalidad 3: Si durante un periodo de tiempo
X nunca cambia y Y cambia algunas veces, trace la
flecha de X a Y.

Sexo Ingreso
El sexo está fijo al nacimiento y tiene una fecha de
“congelamiento” a la edad 0. Los ingresos tienen varias
fechas de inicio, pero siempre serán después de la edad
0.

Otras variables constantes son:

Cohorte de nacimiento
Raza
País de origen
Regla causalidad 4 : Si X es relativamente estable,
difícil de cambiar y Y es relativamente volátil, fácil de
cambiar, o tiene pocas consecuencias, trace la flecha
de X a Y.

Tamaño
Preferencia por
lugar de
un producto
residencia
 Unidad de Análisis

La unidad de análisis se refiere a quién o qué queremos

estudiar.
El conocimiento de la unidad de análisis permite conocer
cabalmente el significado de las variables en cualquier
estudio.
Los científicos sociales generalmente recopilamos
información de elementos miembros de una población:

◦ Empresas del conjunto del sector empresarial de

Nuevo León.

◦ Personas de la población de Nuevo León.

◦ Electores del padrón electoral del Distrito Federal.

 Unidad de Análisis

En las ciencias del comportamiento el individuo es

comúnmente la unidad de análisis. Sin embargo, en
diversas ocasiones, la unidad de análisis son grupos de
personas u organizaciones.

Individuos: Empresarios en la manufactura,

Consumidores de automóviles, Agricultores, Mujeres en
edades fértiles, Población económicamente activa.

Grupos u Organizaciones: Microempresas, Escuelas,

Familias, La Iglesia, Industria Maquiladora, Nuevo León,
Monterrey.
 Unidad de Análisis
LaUnidad de Análisis no siempre es la Unidad de
Observación.
Existen unidades de análisis a las que no podemos ir a
entrevistar o averiguar información directamente: las
entidades federativas del país, América Latina, el sector
maquilador, etc.
Para estas unidades de análisis regularmente
AGREGAMOS información de otras unidades de
observación.
Por ejemplo, la información recopilada de individuos sobre
educación en el censo de población y vivienda, permite
calcular el promedio de educación de la población de
Nuevo León.
 Unidad de Análisis
LaUnidad de Análisis no siempre es la Unidad de
Observación.
Ejemplo: el porcentaje de viviendas sin agua entubada del
Distrito Federal se calcula a partir de la información que
se recopiló para cada vivienda de dicha entidad en el censo
de población y vivienda.
Para cada vivienda: sólo sabemos una condición dicotómica
(variable no-métrica): tiene o no tiene agua entubada.

Para el D.F.: conocemos tanto el número total como la

distribución de viviendas con y sin agua entubada. Si
conocemos esta información para las 32 entidades
federativas del país, estaremos hablando de una variable
de tipo métrico.
 Unidad de Análisis
LaUnidad de Análisis no siempre es la Unidad de
Observación.

Los índices de marginación del Consejo Nacional de

Población tienen como unidad de análisis a los municipios
y estados del país, pero se construyen con información
referente a cada persona y vivienda del país.

PROPORCIONAR EJEMPLOS CUANDO LA UNIDAD

DE ANÁLISIS NO ES LA UNIDAD DE
OBSERVACIÓN
  Tipos de Observación
Los datos provienen de dos tipos de diseños de investigación:
experimentales o no-experimentales (observacionales).
Datos Experimentales: provienen de diseños experimentales
para evaluar un tratamiento, política o investigar efectos
causales. Las unidades bajo observación se asignan
aleatoriamente al grupo de control o al grupo de tratamiento.
Ejemplo: PROGRESA
Experimentos en un contexto real con seres humanos son
difíciles de administrar y controlar: caros y poco éticos.

Leer Belmont Report:

http://ohrp.osophs.dhhs.gov/humansubjects/guidance/belmont.htm

Datos No-Experimentales u Observacionales: la mayoría de

los datos se obtienen observando el comportamiento en la vida
real, usando encuestas, registros administrativos, etc. En estos
diseños, la variable de tratamiento no se asigna de manera
aleatoria, por lo que es más difícil discernir sobre el efecto del
tratamiento de otros factores relevantes.
  Tipos de Datos
Los tipos de datos son principalmente los
siguientes:
 Transversales: datos para diferentes
observaciones de la misma unidad de análisis
(empleados, consumidores, empresas) para un
solo periodo de tiempo.
 Series de Tiempo: datos para una sola
observación (país, persona o empresa)
recolectados en diferentes periodos de tiempo.
 Longitudinales: datos para diferentes
observaciones de la misma unidad de análisis
recolectados en dos o más periodos de tiempo.
 Tipos de Datos: Transversales
 Tipos de Datos: Series de Tiempo
 Tipos de Datos: Longitudinales
 Tipos de Datos: Longitudinales