03 Tipos de Variables y Datos

Tipos de variables y datos
Indicadores y variables: Definición y

clasificación
Interpretación y análisis de datos: Matriz de
datos
Docente:
Pablo Andrés Salgado
Centro de Estudios sobre Ciencia, Desarrollo y Educación Superior

Unidad Asociada al Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET)
“El pensamiento estadístico será algún día tan necesario para el ciudadano
competente como la capacidad de leer o escribir”
H. G. Wells
Tabla de contenido
1. ¿Qué datos recolectar? ................................................................................................................ 3
2. Variable: ....................................................................................................................................... 4
2.1. Variable aleatoria ...................................................................................................................... 4
2.2. Propiedades de las variables: .................................................................................................. 5
2.3. Formas de clasificación y tipos de variables ............................................................................ 6
2.3.1. Según las dimensiones: ........................................................................................................ 6
2.3.2. Según la función que cumplan en la hipótesis: .................................................................... 8
2.3.3. Según la pregunta que responde en el estudio .................................................................... 8
2.3.4. Variables universales ............................................................................................................ 9
2.3.5. Según la forma de medir (nivel de medición): .................................................................... 10
2.3.5.1. Variables cualitativas: ...................................................................................................... 10
2.3.5.1.1. Escala nominal:............................................................................................................ 11
2.3.5.1.2. Escala ordinal .............................................................................................................. 12
2.3.5.1.3. Variables cuantitativas: ................................................................................................ 16
3. Recolección de los datos ........................................................................................................... 18
3.1. Fuentes de recolección de datos ............................................................................................ 19
3.2. Formas de recolección datos ................................................................................................. 20
4. Organización y presentación de datos ....................................................................................... 20
4.1. Matriz de datos ....................................................................................................................... 20
4.1.1. ¿Por qué codificar? ............................................................................................................. 23
4.2. Operacionalización de las Variables ...................................................................................... 24
5. Elección del tipo de análisis estadístico ..................................................................................... 27
5.1. Estudio descriptivo, correspondiente a la estadística descriptiva .......................................... 27
5.2. Estudio analítico, correspondiente a la estadística inferencial o inductiva ............................ 28
6. Procesamiento estadístico de un archivo de datos ................................................................... 28
Referencias Bibliográficas..................................................................................................................... 34
1
Autor: Pablo Salgado E-mail: cursos-estadistica@centroredes.org.ar
Objetivos de aprendizaje
 Comprender el concepto de variable, su clasificación y operacionalización.

 Comprender el concepto de dato.
 Describir las diferentes fuentes de datos y sus métodos de recolección.
 Comprender el concepto de estadística y su clasificación.
 Interpretar el análisis de datos y la presentación de resultados.
Ejes de estudio de la clase

1. Indicadores y variables:
⇨ Identificación del problema.
⇨ Generación de Hipótesis
⇨ Variables:
o Definición
o Clasificación
o Operacionalización
2. Fuentes de información:
⇨ Dato:
o Concepto
o Fuentes de recolección
o Métodos de recolección
3. Estadística;
⇨ Definición
⇨ Clasificación
⇨ Análisis de datos
⇨ Presentación de resultados
2
1. ¿Qué datos recolectar?
Una vez que el planteo de la investigación ya está definido, la metodología aplicada es coherente y la
revisión del marco teórico permite tener una base conceptual sólida, es necesario someter a prueba la
hipótesis formulada a fin de responder a la pregunta de investigación; y/o cumplir con los objetivos
definidos. Para ello, se requiere seleccionar las características o variables que sean susceptibles de
ser evaluadas empíricamente. Este procedimiento de medición de las variables se denomina
recolección de datos y es indispensable en la práctica científica.
Los datos de investigación son aquellos materiales generados o recolectados durante las primeras
etapas en que transcurre una investigación (fuentes de datos primarios) o también recolectados
previamente (fuente de datos secundarios), siempre que cumplan con los requisitos de validez y
confiabilidad de las mediciones.
Los datos de la investigación son observaciones, hechos o experiencias en que se basa el argumento,
la teoría o la prueba. Los datos pueden ser numéricos, descriptivos o visuales. Los datos pueden ser
en estado bruto o analizado, pueden ser experimentales u observacionales. Los datos incluyen:
cuadernos de laboratorio, cuadernos de campo, datos de investigación primaria (incluidos los datos en
papel o en soporte informático), cuestionarios, cintas de audio, videos, desarrollo de modelos,
fotografías, películas, y las comprobaciones y las respuestas de la prueba. En la información sobre la
procedencia de los datos también se podría incluir: el cómo, cuándo, dónde se recogió y con qué (por
ejemplo, instrumentos). El código de software utilizado para generar, comentar o analizar los datos
también pueden ser considerados datos.
En este punto, resulta fundamental tener en claro las siguientes cuestiones:
⇨ ¿Cuál es el tipo de datos que permite responder a la pregunta de investigación?
⇨ ¿Cuáles son las fuentes de donde se van a obtener los datos?
⇨ ¿Cómo se van a recolectar los datos?
Los instrumentos de recolección de datos (herramientas y técnicas utilizadas) deben cumplir con tres
requisitos: confiabilidad, validez y objetividad.
Por otra parte, la gestión de los datos de manera eficaz a través de su ciclo de vida es muy importante
para el éxito del proyecto de investigación. Una gestión de datos adecuada proporciona un mayor
impacto de la investigación optimizando la visibilidad de los datos producidos, mejor accesibilidad a los
mismos, asegurando la calidad e integridad durante su ciclo de vida, más transparencia para la
validación de los resultados de la investigación reflejados en las publicaciones, la reutilización de los
datos sin necesidad de reproducir la investigación y el retorno de la inversión pública cumpliendo con
los requerimientos de los organismos financiadores de la investigación.
3
2. Variable:
Una variable se conoce como aquella que se caracteriza precisamente porque varía o que está sujeto
a cambios.
Una variable estadística es entonces un conjunto de valores que miden o evalúan características de la
población sobre la que se realizan estudios estadísticos.
Se define como variable a cualquier característica o cualidad de la realidad que es susceptible de

asumir diferentes valores, es decir, que puede variar, aunque para un objeto determinado que se
considere puede tener un valor fijo.
Una variable es una propiedad, característica, cualidad o atributo que puede darse en ciertos sujetos
o pueden darse en grados o modalidades diferentes.
En otras palabras, las variables son aquellas características de los individuos o unidades de análisis
de una determinada población que pueden ser establecidas por observación y mostrar diferentes
valores o categorías de una unidad de observación a otra. Se trata de conceptos clasificatorios
centrales en los estudios, que permiten ubicar a los individuos en categorías o clases y son susceptibles
de identificación y medición.
Ejemplo: sexo, edad, nivel educativo alcanzado, peso, número de hijos, ingresos
mensuales, estado civil, ingreso per cápita familiar, etcétera.
El comportamiento de las variables, es decir, lo que influye en los datos numéricos, las conductas o
las opiniones de las personas, no suele generarse de forma aislado. Podemos, entender, por ejemplo,
que la demanda de servicios sociales de atención a la mujer puede depender de su situación
ocupacional, de su situación convivencial, de sus ingresos, de su edad, etc. En este caso y a efectos
de una investigación social, diríamos que el grado de demanda de servicios de atención a la mujer es
una variable dependiente. Su evolución está influenciada por el comportamiento de todas las variables
que se han mencionado, que actuarían como variables independientes.
Es importante saber diferenciar entre variables dependientes o independientes, porque si planteamos

la necesidad de una intervención social debemos saber cuáles son las cadenas explicativas y qué
variables dependen de otras en su comportamiento.
2.1. Variable aleatoria

Una variable aleatoria o variable estocástica es una variable estadística cuyos valores se obtienen de
mediciones en un experimento aleatorio. Son las características o cualidades seleccionadas de una
población para medir en un determinado experimento aleatorio.
4
Los valores o categorías posibles de una variable aleatoria pueden representar los posibles resultados
de un experimento aún no realizado, o los posibles valores de una cantidad cuyo valor actualmente
existente.
Como ejemplo, se define un experimento aleatorio como medir el peso del recién nacido. La variable
estadística elegida es “Peso del recién nacido”. Como el experimento es aleatorio (selecciono a las
unidades de análisis al azar), la variable es aleatoria y como se seleccionó esta variable para evaluar
en el experimento, es una variable estadística, que como se describirá después se podrá clasificar
según en nivel de medición a partir de la forma en que se evaluó a esta variable (operacionalización
de la medición). El peso del recién nacido se podrá medir en gramos, entonces la variable estadística
es cuantitativa con valores reales continuos (toma cualquier valor entre límites máximos y mínimos).
Luego de terminado el experimento podría describir la distribución de probabilidades de los pesos de
los recién nacidos. También se podría operacionalizar a la variable en categorías, teniendo en cuenta
alguna otra condición, como por ejemplo el riesgo perinatal y/o en nivel de complejidad de atención
que necesita el recién nacido según el peso al nacer. Podría clasificarse (operacionalizar, ver más
adelante), en extremo bajo peso (< 1.000 gr), muy bajo peso (1.000 a < 1.500 gr), bajo peso (1.500 a
< de 2.500 gr), normopeso (2500 a < 4.000gr) y macrosomía (4.000 gr o más).
2.2. Propiedades de las variables:

Los valores o las categorías de una variable deben cumplir necesariamente con dos requisitos,
estos son:
Exhaustivas:
Los valores o las categorías de las variables deben abarcar todos los casos que puedan presentarse,
de modo que ninguna unidad de análisis sea dejada de lado por no poder ubicarse en alguna
alternativa. El que una escala de una variable sea exhaustiva significa que los grupos, clases o
categorías que se formen o definan, deben dar la posibilidad de ubicar a todas las unidades de análisis
u observaciones que intervienen en el estudio o investigación.
Ejemplo: Una escala que dividiera a las piezas dentales en incisivos, caninos y molares no
sería exhaustiva, porque no permitiría la inclusión de los premolares.
Mutuamente Excluyentes:
El que una escala sea mutuamente excluyente quiere decir que los grupos, clases o categorías que se
formen no deben dejar dudas sobre donde incluir a cada unidad de análisis u observación, por lo que
en el proceso de clasificación es necesario definirlo con la mayor precisión posibles y los límites de
cada categoría o escala de valores deben ser claros.
5
Una unidad de análisis debe ubicarse en una y solo una categoría en una variable cualitativa o tomar
un solo valor en caso de las variables cuantitativas. No debe darse la posibilidad de inclusión en dos
categorías o valores distintos. Esto significa que la unidad de análisis tiene que poder ubicarse sólo en
una de las categorías en variables cualitativas o tomar un valor en el caso de las cuantitativas.
Ejemplo: Grupos de edad.
Escala No excluyente Escala Excluyente
0 -5 años 0-4 años
5-10 años 5-9 años
10-15 años 10-14 años
2.3. Formas de clasificación y tipos de variables

Antes de comenzar a desarrollar las escalas y niveles de medición, debe precisarse el significado del
término Estadística. Como ciencia. La estadística es un conjunto de procedimientos y técnicas
diseñadas con el propósito de obtener, organizar, analizar, interpretar y presentar información sobre
determinado hecho o fenómeno que puede expresarse numéricamente.
La medición es vital en el análisis estadístico. El análisis científico implica identificar los fenómenos en
estudio para poder describir su evolución cualitativa, y luego, la medición de esos fenómenos,
proporcionando así la característica de magnitud para su conocimiento y previsión.
En tanto las hipótesis estadísticas se construyen a partir de las variables, resulta clave tener presente
las diferencias existentes entre los diversos tipos, ya que las mismas condicionan la clase de estudio,
la descripción (tabla o gráfico) y la prueba estadística y que será posible realizar.
Las diferentes formas de clasificación de las variables son:
1. Según las dimensiones: Variables simples o complejas

2. Según la función que cumplan en la hipótesis
3. Según la pregunta que responde en el estudio
4. Variables universales
5. Según la forma de medir (nivel de medición)
2.3.1. Según las dimensiones:

1.1. Variables simples: Son las que se manifiestan directamente a través de un indicador o
unidad de medida y son fáciles de medir. No se descomponen en elementos o dimensiones
(como, por ejemplo: peso, altura, sexo).
6
1.2. Variables compuestas: Una variable basada en dos o más variables, dimensiones e
indicadores, recibe el nombre de variable "compuesta" o “compleja”.
Ejemplos:
 El Índice de Masa Corporal, se calcula a partir de peso y talla.

 El índice de hacinamiento se calcula a utilizando el número de individuos que viene en
un hogar y la cantidad de habitaciones dormitorio que tiene el hogar.
 El ingreso per cápita familiar se calcula sumando los ingresos mensuales de un hogar
y se divide por la cantidad de individuos que viven en el hogar.
Como parte del proceso de clarificar cada una de las variables sometidas a estudio, debe
especificarse su escala de medición.
Formas de clasificación de las variables
“Cuando podemos medir aquello de lo que hablamos y

expresarlo en cifras, sabemos algo de ello; cuando no
podemos hacerlo, nuestro saber es débil e insatisfactorio”.
(Lord Kelvin
7
2.3.2. Según la función que cumplan en la hipótesis:
De acuerdo con la relación que guardan entre sí, las variables se clasifican en independientes o
variables explicativas y dependientes o variables respuesta. Cuando se supone que una variable
produce un cambio en otra, se considera a la primera como independiente (o causa) y a la segunda
como dependiente (o efecto). Cabe resaltar que esta relación es contextual, es decir, obedece al
modelo teórico planteado.
Por ejemplo, si un investigador desea conocer la efectividad de un nuevo tratamiento para
prevenir una enfermedad, para ello se seleccionarán dos grupos independientes. A uno se le
aplicará un tratamiento (casos) y otro al que no se le aplicará nada en absoluto (controles).
Para que el experimento tenga validez ambos grupos deben estar sometidos a las mismas
condiciones para evitar que no aparezcan influencias de otras variables intervinientes (no
controladas).
En este caso la variable independiente corresponde a la aplicación o no del tratamiento y la
dependiente a la aparición o no de la enfermedad.
Ejemplo
Variable dependiente: Tasa de repitencia escolar en primer grado.

Variables independientes: Haber cursado el nivel inicial, escolarización de los padres,
vulnerabilidad social.
En algunas situaciones hay co-dependencia entre variables, por lo tanto, no hay variables
independientes (ejemplo: asociación entre peso y altura).
⇨ La/s variable/s independiente/s está en manos del investigador, mientras que la
dependiente no.
⇨ La/s variable/s independiente/s afectan directamente a la variable dependiente.
2.3.3. Según la pregunta que responde en el estudio

⇨ ¿Quiénes? Variables de Persona establecer el sexo de las personas afectadas, su edad,
profesión, ingresos, hábitos alimentarios
⇨ ¿Cuándo? Variables de Tiempo - el tiempo de calendario es el que más a menudo se utiliza,

como en los estudios anuales de mortalidad (del 1º de enero al 31 de diciembre del año en
curso)
⇨ ¿Dónde? Variables de Lugar domicilio y zona de residencia de las personas afectadas.
8
Variables dependientes e independientes
⇨ Variable dependiente: Es aquella que se busca comprender, explicar o predecir y cuyos valores
dependen de los que tome/n otra/s variable/s.
⇨ Variable independiente: Es aquella que se manipula en un experimento con el objeto de estudiar

cómo incide su variación sobre la expresión de la variable dependiente.
2.3.4. Variables universales

Este grupo de variables se deben contemplar en cualquier investigación, es decir, tanto en estudios
descriptivos como comparativos.
 Edad: Siempre que desee realizar una investigación debe considerar la descripción de esta
variable.
 Sexo: Al igual que la edad, el sexo es otra variable que se debe considerar. Casi todas las
enfermedades ocurren de forma diferente de acuerdo al sexo de las personas.
 Nivel Socioeconómico: El nivel socioeconómico hace alusión, fundamentalmente, a los

ingresos percibidos por el individuo o en el grupo familiar asociada a muchas y diversas
situaciones de Salud, tales como la alimentación, la exposición a factores tóxicos ambientales,
el acceso a servicios de Salud, educación, etc.
 Grupo Étnico y Cultural: El grupo étnico y cultural se refiere al conjunto de personas que
guardan similitud respecto de las costumbres (religión, historia, hábitos dietéticos, etc.) y
también a la herencia biológica.
9
2.3.5. Según la forma de medir (nivel de medición):
La escala de medición de una variable tiene consecuencias en la forma de presentación de la
información y resumen estadístico (tablas y gráficos). Asimismo, dicha escala, el grado de exactitud y
de precisión en la medición de las variables determinan los métodos estadísticos que se van a aplicar
para analizar los datos.
Por tanto, antes de comenzar un trabajo estadístico, es importante definir las características que se
van a medir y la escala que se va a utilizar.
Una vez que se han establecido las variables a analizar, éstas deben ser definidas de manera operativa
(operacionalización), especificando el método y la escala con las cuales se llevará a cabo su medición.
Tipos de variables según el nivel de medición
2.3.5.1. Variables cualitativas:

Son aquellas que expresan distintas cualidades, características o modalidades, cada una de las cuales
se denomina atributo o categoría. Estos son no son medibles en términos numéricos y la medición
consiste precisamente en la clasificación de los mismos.
10
Los niveles de medición de las variables cualitativas pueden ser nominales y ordinales.
2.3.5.1.1. Escala nominal:

Se usa para la forma más simple de medición, cuando los datos se distinguen por un nombre que
expresa una cualidad, categoría o atributo. La condición o propiedad formal de esta escala es que los
miembros, observaciones o elementos de una clase o categoría sean equivalentes, idénticos respecto
a la propiedad que se tiene en cuenta, no habiendo una jerarquía u orden de las mismas.
Se denominan variables cualitativas dicotómicas cuando sólo pueden tomar dos categorías o
atributos posibles, como “sí” o “no”, “presencia” o” ausencia”.
Algunos ejemplos son: i) sexo (mujer o varón), ii) presencia de una enfermedad (enfermo o
sano) , repitencia escolar(si o no), iii) Necesidades básicas insatisfechas (si o no), iv) Obito (si
o no).
Las variables cualitativas politómicas cuando se distinguen tres o más categorías.
Algunos ejemplos de estas últimas son: i) Sector de gestión educativo (público, privado y
cooperativa), ii) Pueblo originarios de pertenencia (Ngäbe, los Buglé, los Guna, los Emberá,
los Wounaan, los Bri bri, y los Naso Tjërdi), iii) Condición de actividad (ocupado, desocupado
e inactivo) ; iv) Afiliación en salud (Sólo sistema público, Sólo obra social, Sólo prepaga o
mutual vía obra social, Sólo plan de medicina prepaga por contratación voluntaria).
En este nivel de medición los valores no pueden ser sometidos a un criterio jerárquico, ya que los
atributos o categorías carecen de un orden inherente o son equivalentes entre sí.
Al utilizar la escala nominal, simplemente se cuantifica la cantidad de datos (frecuencia) que
corresponde a cada una de las categorías de la variable y se evalúa la que posee mayor frecuencia
(moda o modo).
La forma más sencilla de determinar si las observaciones se miden con una escala nominal es peguntar
si se clasifican o se colocan en categorías equivalentes.
Con este tipo de escalas se pueden hacer algunas operaciones estadísticas; por ejemplo contar
cuantos elementos hay en cada uno de los grupos formados y así se obtienen las frecuencias absolutas
por categoría o atributo.
Como estadístico descriptivo se pueden calcular frecuencias o porcentaje para cada atributo y ver cuál
es el grupo que tiene mayor frecuencia alcanzando el concepto de “Moda”.
También se obtienen algunas medidas de asociación/independencia cuando se relacionan variables
entre sí (tabla de contingencia o bivariadas).
Los gráficos más comunes para representar este nivel de medición son los de sectores o barras.
11
2.3.5.1.2. Escala ordinal
Se define a las variables cualitativas como ordinales cuando las categorías, atributos o valores que
adopta poseen un orden, secuencia o progresión natural esperable, surge a partir de la operación de
ordenamiento; en esta escala se habla de primero, segundo, tercero. No se sabe si quien obtiene el
primer puesto está cerca o lejos del segundo puesto. Los valores de la escala representan categorías
o grupos de pertenencia, con cierto orden asociado, pero no una cantidad mensurable. La distancia
entre puntos de la escala no es constante: no se puede determinar la distancia entre las categorías,
sólo es interpretable el orden entre sus valores.
Se aplica a aquellas variables en las que se puede establecer grados dentro de ella. Ejemplos: i) Nivel
educativo (Inicial, Primaria, Media, Universitarios y Postgrado), ii) Autopercepción del estado de salud:
(muy malo, malo, regular, bueno, muy bueno, excelente), iii) Intensidad de un dolor o afección (sin
dolor, poco, medio, fuerte, muy fuerte).
La escala ordinal permite establecer una relación de orden entre los datos que pertenecen a distintas
categorías, es decir, clasificarlos de acuerdo a su posición relativa respecto de otros, en función de
una variable determinada. No obstante, no es posible medir las distancias dentro de ese ordenamiento.
La medida estadística de tendencia central más apropiada para este tipo de escala es la mediana
además de la moda y también las medidas de posición como los cuartiles, quintiles, deciles o
percentiles. Los gráficos en general son diagramas de barras y no se deben usar gráficos circulares
o de sectores.
Leer con atención
Las categorías de las escalas nominales y ordinales deben establecerse en forma objetiva, sin
utilizar criterios arbitrarios o que puedan llevar a confusión. Estos criterios deben estar claramente
estipulados, de tal forma que cualquier persona o equipo que investigue tenga la posibilidad de
repetir la clasificación (revisar operacionalización de las variables).
Dentro de las escalas ordinales se pueden incluir a algunos constructos, que aunque utilicen valores
numéricos, se deben tomar como escalas ordinales, dado que la distancia entre cada valor numérico
no es igual entre sí.
Para ilustrarlo, considérense las calificaciones APGAR, que es una prueba de evaluación del cuadro
de vitalidad de un recién nacido. Se toma al minuto del nacimiento y luego de 5 minutos.
Es una escala que toma valores de 0 a 10, los valores menores indican depresión de funciones
cardiorrespiratorias y neurológicas. Sin embargo, es probable que la diferencia entre una calificación
de 8 y una de 10 no sea de la misma magnitud que entre 4 y 6.
12
Por esta razón este tipo de variables complejas, se comportan como una variable ordinal, más que
como una variable cuantitativa, por lo tanto se deben tratar como variables ordinales, esto no permitiría
realizar cálculos matemáticos y entre ello calcular el promedio y sus derivados (desvío estándar entre
otros).
Puntuación de escala de APGAR
Por otra parte, en general se terminan agrupando.
Ejemplos de estos constructos o escalas son:
 Escalas de dolor. Escala analógica visual
En este caso el instrumento se debe aplicar al mismo paciente (intra sujeto) para poder comparar un
dato muy subjetivo
 Escalas del Coma de Glasgow. Su objetivo es el de proporcionar un método simple y fiable de

registro y monitorización del nivel de conciencia en pacientes con traumatismo
craneoencefálico.
13
Son tres dimensiones o parámetros de manera independiente: apertura ocular (1 a 4 puntos),
respuesta motora (1 a 6 puntos) y respuesta verbal (1 a 5 puntos).
Se suman los puntajes parciales de las tres dimensiones y se llega el puntaje final. Los puntajes
son 3 como mínimos y 15 como máximo.
Finalmente se agrupa en 3 categorías de gravedad: leve entre 13 a 15, moderado

entre 9 a 12 y grave entre 3 a 8.
 Clasificación de fractura de cadera según Garden:
Hay otros constructos que si son variables cuantitativas, como por ejemplo ingreso per cápita familiar
(unidad de análisis es el hogar) o Producto Bruto interno per cápita (unidad de análisis es el País). Hay
constructos complejos denominadas escalas Psicométricas en que los puntajes pueden ser tratados
como variables cuantitativas pero, es siempre recomendable evaluar la distribución de los valores para
decidir que tablas, gráficos y métodos estadísticos se van a aplicar.
Este tipo de escalas, inventarios, cuestionarios, que se construyen sumando la codificación de varias
variables ordinales en escala Likert (de 1 a 5 puntos generalmente) y obteniendo un puntaje final o
total, en muchas ocasiones se pueden tratar como si fueran variables cuantitativas (continuas o
discretas, según el caso).
Podemos denominar a estas escalas como de puntaje o scores para diferenciarlas de las variables
cuantitativas.
14
Ejemplos de este tipo de variables complejas:
Escala de depresión de Beck, Mini-Mental State Examination, Índice Clínico de Demencia, Coeficiente
Intelectual, Escalas que miden la Atención, memoria, Escalas que miden la condición de un paciente
(Coma de Glasgow, Apache II) y muchos otros.
Para ampliar:
Las escalas psicométricas, tienen como objetivo establecer una relación de función entre
estímulos ambientales (físicos, sociales) y el comportamiento del individuo, al evaluar en qué
medida un determinado estímulo consigue imprimir respuestas sobre este. El estímulo se evalúa a
partir de un puntaje, construido, siendo validado y confiable a partir de metodologías específicas.
Estas escalas se pueden clasificar en: Test de Desarrollo, Test de Inteligencia, Test de Aptitudes
Específicas, Test de Conocimiento y Rendimiento, Test de Personalidad.
Ejemplo 1: Mini-Mental State Examination (MMSE) para la detección de la demencia en las personas
de 65 años o mayores.
https://www.cochrane.org/es/CD011145/DEMENTIA_mini-mental-state-examination-mmse-para-la-
deteccion-de-la-demencia-en-las-personas-de-65-anos-o
Ejemplo 2: Inventario de depresión de Beck

https://www.psi.uba.ar/academica/carrerasdegrado/psicologia/sitios_catedras/obligatorias/070_psicoterapias1/
material/inventario_beck.pdf
Ejemplo 3: Learning and Study Strategies Inventory (LASSI - Inventario de Estrategias de

Aprendizaje y Estudio)
https://www.aidep.org/03_ridep/R08/R082.pdf
Importante:
Las categorías de las escalas nominales y ordinales deben poder establecerse en forma
objetiva.
No se puede utilizan criterios arbitrarios o que puedan llevar a confusión.
Estos criterios, deben ser claramente estipulados, de tal forma que cualquier persona
pueda repetir la clasificación.
15
2.3.5.1.3. Variables cuantitativas:
Son aquellas que se expresan mediante cantidades numéricas. La propiedad más importante que
presentan, a diferencia de las cualitativas, es que las distancias numéricas iguales representan
distancias empíricas equivalentes. Así es posible decir que, en las escalas de las variables
cuantitativas, algo que mide 4 es el doble de otro que mide 2 y que dos objetos a los que se han
asignado los números 5 y 10 están igualmente separados que otros dos a los que se han asignado los
números 10 y 15.
Las variables cuantitativas se clasifican en discretas y continuas:
1.1. Variable cuantitativa discreta
Es aquella que presenta separaciones o interrupciones en su escala de medición, lo cual indica la

ausencia de valores entre los distintos valores específicos que puede asumir. De este modo, cuando
una observación solamente puede medirse en números enteros, la escala es discontinua o discreta.
Generalmente, la forma de medir consiste en contar unidades. Como ejemplos: i) cantidad de hijos, ii)
número de embarazos, iii) alumnos por sección de grado, iv) personas que viven en un hogar.
Ejemplos:
 Número de pacientes.
 Número de habitaciones.
 Número de personas que viven en un hogar.
 Cantidad de médicos.
 Número de camas de una sala de internación.
 Frecuencia cardíaca.
 Nº de células por mm3
Generalmente tienen un tratamiento semejante a las variables cualitativas ordinales, con la diferencia
de que al ser valores numéricos, se pueden realizar operaciones matemáticas.
Esto permite que además de la moda y la mediana se puede calcular la media aritmética o el promedio
como sus derivados (varianza, desvío estándar y coeficiente de variación).
Los gráficos utilizados son los mismos que se usan para las variables cualitativas ordinales: gráficos
de barras.
1.2. Variable cuantitativa continua
Es la que puede adquirir cualquier valor dentro de un intervalo especificado, existiendo siempre algún
valor entre dos cualesquiera. Ejemplos de este tipo de variables son: edad de los alumnos de nivel
primario, peso y talla de los mismos. La escala de medición se caracteriza por una medida común y
constante que asigna un número real a todos los pares de objetos en un conjunto ordenado.
16
Dado que toma a los números reales, se pueden calcular todas las medidas de tendencia central
(media, mediana y moda), de dispersión (desvío estándar, varianza, coeficiente de variación) y de
posición (cuartiles, deciles y percentiles).
Los gráficos más usados son: histogramas, diagramas de cajas y bigotes (Box Plot) y barra de errores.
Histogramas Box plot Barra de errores
A su vez, dentro de las variables cuantitativas continuas se diferencian las de cociente o razón, que
usan una escala de números donde cero quiere decir que la característica no existe, y las intervalares,
que no le atribuyen ese significado al punto cero.
Escala de razón: Corresponde al nivel de medición más completo. Tiene las mismas propiedades que
la escala intervalos, y además posee el cero absoluto. Aquí el valor cero no es arbitrario, pues
representa la ausencia total de la magnitud que se está midiendo. Con esta escala se puede realizar
cualquier operación lógica (ordenamiento, comparación) y aritmética. A iguales diferencias entre los
números asignados corresponden iguales diferencias en el grado de atributo presente en el objeto de
estudio. Ejemplos: longitud, peso, distancia, ingresos, precios. Por ejemplo ingresos mensuales, en la
que quien gana $0 no posee ingresos, es decir, carece completamente del atributo analizado. De igual
forma, quien percibe $1000 al día gana el doble que quien gana $500 al día (escalas cuantitativas
continuas de cociente o razón).
Escala de intervalos: Esta escala representa magnitudes, con la propiedad de igualdad de la distancia
entre puntos de escala de la misma amplitud. Aquí puede establecerse orden entre sus valores,
hacerse comparaciones de igualdad, y medir la distancia existente entre cada valor de la escala. El
valor cero de la escala no es absoluto, sino un cero arbitrario: no refleja ausencia de la magnitud
medida, por lo que las operaciones aritméticas de multiplicación y división no son apropiadas. Cumple
con las propiedades de identidad, magnitud e igual distancia. La igual distancia entre puntos de la
escala significa que puede saberse cuántas unidades de más tiene una unidad de análisis comparada
con otra, con relación a cierta característica analizada. Por ejemplo, en la escala de temperatura
centígrada puede decirse que la distancia entre 25° y 30°C es la misma que la existente entre 20° y
25° C, pero no puede afirmarse que una temperatura de 40° C equivale al doble de 20° C en cuanto a
intensidad de calor se refiere, debido a la ausencia de cero absoluto.
17
Muchas de las variables cuantitativas construidas por las Ciencias Psicológicas, Pedagógicas y
Sociales pertenecen a este tipo.
Resumen de nivel de medición
3. Recolección de los datos

El dato es el valor o la categoría que adopta la variable para una unidad de análisis. Los datos que se
recolectan para una investigación, como se describió anteriormente, dependen del nivel de medición
de la variable que se defina evaluar.
Los resultados de una investigación derivan del proceso de análisis e interpretación conjunta de los
datos y de las relaciones que se establezcan entre los mismos.
¿Qué implica la etapa de recolección de datos?
Una vez que seleccionamos el diseño de investigación apropiado y la muestra adecuada de acuerdo
con nuestro problema de estudio e hipótesis (si es que se establecieron), la siguiente etapa consiste
en recolectar los datos pertinentes sobre los atributos, conceptos o variables de las unidades de
muestreo/análisis o casos (participantes, grupos, fenómenos, procesos, organizaciones, etc.).
Recolectar los datos implica elaborar un plan detallado de procedimientos que nos conduzcan a
reunirlos con un propósito específico. Este plan incluye determinar:
18
1. ¿Cuáles son las fuentes de las que se obtendrán los datos? Van a ser proporcionados por
personas, se producirán de observaciones y registros, se encuentran en documentos, archivos,
bases de datos, etc.
2. ¿En dónde se localizan tales fuentes? Regularmente en la muestra seleccionada, pero es
indispensable definir con precisión.
3. ¿A través de qué medio o método vamos a recolectar los datos? Esta fase implica elegir uno
o varios medios y definir los procedimientos que utilizaremos en la recolección de los datos. El
método o métodos deben ser confiables, válidos y “objetivos”.
Una vez recolectados, ¿de qué forma vamos a prepararlos para que puedan analizarse y respondamos
al planteamiento del problema?
El plan se nutre de diversos elementos:
1. Variables, conceptos o atributos a medir (contenidos en el planteamiento e hipótesis o

directrices del estudio).
2. Definiciones operacionales. La forma en que hemos operacionalizado las variables es crucial
para determinar el método para medirlas, lo cual a su vez resulta fundamental para realizar
inferencias de los datos.
3. Muestra.
4. Recursos disponibles (tiempo, apoyo institucional, económicos, etc.).
El plan se implementa para obtener los datos requeridos, no olvidemos que todos los atributos,
cualidades y variables deben ser medibles.
3.1. Fuentes de recolección de datos

Las fuentes de recolección de datos se clasifican en:
Fuentes secundarias o documentales, de las que se obtienen datos ya existentes y que son
elaboradas por otras personas o instituciones con fines diferentes a los planteados en la propia
investigación. Por ejemplo, las estadísticas del ministerio de educación o el censo nacional.
La ventaja de usar fuentes secundarias es el ahorro de costos y tiempo. La desventaja es que en

algunas ocasiones no se conoce la calidad de los datos.
Fuentes primarias o de recolección directa, constituidas por el conjunto de datos obtenidos por
medio de diferentes métodos planeados y provocados por la persona o equipo que realiza la
investigación de acuerdo a los fines de su estudio.
Son los datos que son creadas para producir/recolectar información específica para monitorear o
evaluar un indicador o definida de antemano en un proyecto de investigación. La información es original
y se difunde por primera vez.
19
3.2. Formas de recolección datos
Entre las formas de recolección de datos se encuentran:
Los registros: Método sistemático, periódico, continuo y, en algunas ocasiones, permanente que
usualmente genera datos de tipo secundario.
Las encuestas: Método sistemático pero eventual, de corte transversal. En caso que sean elaboradas
ad hoc para una investigación, los datos obtenidos mediante encuestas constituyen una fuente primaria
de información, pero también pueden ser utilizados en otros estudios como fuente secundaria.
La observación: Abarca el uso de técnicas que van desde la simple observación a otro tipo de
mediciones que pueden realizarse tanto in vivo (medición de la presión arterial) como in vitro (en el
laboratorio). Esta forma de recolección provee generalmente una fuente primaria de información.
4. Organización y presentación de datos

La estadística ha experimentado, en los últimos años, un aumento en la demanda en todas las áreas
de la ciencia, siendo una herramienta útil y rigurosa en el campo de la investigación. Este incremento
se encuentra estrechamente vinculado al crecimiento del área de la informática y los programas de
procesamiento de datos.
El progreso de la informática a nivel de software y hardware posibilitó la realización de pruebas

estadísticas en forma habitual como así también el manejo y la administración grandes volúmenes de
información mediante bases de datos.
Esta simbiosis entre la estadística y la informática también impactó sobre el proceso de enseñanza-
aprendizaje, de modo tal que en los cursos de estadística actuales resulta un imperativo utilizar los
recursos que proveen las nuevas tecnologías.
Un tema central para poder realizar un análisis estadístico y obtener resultados mediante el uso de
paquetes estadísticos para el procesamiento de datos, es el diseño un archivo de datos que sea
compatible. La digitalización y construcción de este archivo es un aspecto importante del desarrollo
de una investigación.
Se denomina archivo de datos a un conjunto de datos relacionados entre sí, el cual se diseña,
construye y organiza con un propósito u objetivo específico. Si está bien diseñado, luego el programa
de base de datos nos permitirá, entre otras cosas, filtrar, ordenar, crear nuevas variables agrupando o
combinando y buscar casos con ciertas condiciones.
4.1. Matriz de datos

Este concepto fue desarrollado por Galtung (1971, pp. 3-31). Se refiere a una forma de ordenar los
datos de una investigación en una disposición cuadrangular de manera tal que sea visible su estructura
tripartita: unidad de análisis (UA), variable (V), categoría o valor (R). De este modo, una matriz es un
20
arreglo bidimensional en forma de filas y columnas en el que los datos son agrupados de la siguiente
forma:
⇨ En las columnas se colocan las variables relevadas.

⇨ En las filas se ubica a cada unidad de observación, unidad de análisis o caso.
⇨ Su intersección representa el valor o categoría que asume cada variable en esa unidad de análisis.
Galtung define tres principios para determinar correctamente a una matriz de datos:
 Comparabilidad: Asegura la relación entre unidad de análisis y variable para un estímulo

particular dado y la respuesta hallada en la matriz (categoría o valor).
 Clasificación: Agrega el denominado fundamentum divisionis, en otras palabras, garantiza
que cada variable contenga categorías exhaustivas y excluyentes.
 Integridad: Refiere a que ninguna celda debe resultar vacía.
Los dos primeros principios dan cuenta de cuestiones formales de la construcción de la matriz, en
cambio, el tercero se aplica al trabajo empírico. Como señala Galtung, si bien este último principio se
enuncia fácilmente, es de difícil cumplimiento, ya que exige mantener lo más baja posible la cantidad
de rechazos a responder o poder dar cuenta de los casos casi imposibles de obtener.
Luego, el concepto fue parcialmente modificado por Samaja, quien propuso la incorporación de un
cuarto elemento a la tríada desarrollada por Galtung. A las unidades de análisis (UA), variables (V) y
categorías o valores (R), le sumó el indicador (I). Esencialmente, su aporte es que en el lugar de los
valores se encuentra un procedimiento de construcción de un valor denominado indicador (Samaja,
2004, Pp. 162).
Matriz de datos
21
Matriz de datos en MS Excel:
Algunas cuestiones a tener en cuenta si la matriz de datos se arma un archivo de datos en Excel o en
una planilla de cálculo son:
 No se deben dejar cálculos hechos a los costados o al final de la matriz de datos ni tampoco
gráficos.
 Si se realizan cálculos, tablas o gráficos se deben ubicar en otra hoja del archivo.
 No se tienen que unir celdas.
 No se deben dejar filas o columnas vacías.
Leer con atención
Cuando se diseña una matriz de datos, si no se tienen en cuenta los detalles explicitados
anteriormente a la hora de armar la matriz de datos, cuando se intente importarla por un
programa de estadística, lo hará con errores o el software no permitirá que se abra.
Por otra parte, previamente al armado de la matriz de datos, las variables deben estar
claramente definidas, convenientemente operacionalizadas y con el nivel de medición
(nominal, ordinal, numérica).
22
A continuación, se brinda como ejemplo de una matriz de datos en MS Excel un archivo con variables
educativas correspondiente al Instituto de Estadísticas Educativas de Guatemala (INE):
Como se observa, cada columna representa una variable, cuyo nombre se encuentra en la primera fila,
y en cada una de las filas subsiguientes se coloca una unidad de análisis o caso (alumno).
Otra cuestión importante que se puede ver en el ejemplo es que el nombre de las variables no tiene
caracteres especiales o espacios ni comienza con un carácter numérico. Por ejemplo, “Código de
municipio” se escribe como “Codigo_Municipio”.
Por otra parte, salvo “Edad” y “Fecha_Nac”, la mayoría de las variables son cualitativas y sus categorías
están definidas con números. Representar a una cualidad o categoría con un carácter numérico se
denomina codificación.
 En este caso, las categorías de la variable cualitativa nominal dicotómica “Sexo” están
codificadas como 1=Mujer y 2= Hombre.
 La variable cualitativa nominal politómica “Sector” está codificada como 1=Oficial; 2=Privado;
3=Municipal y 4= Cooperativa.
 La variable ordinal “Nivel_educativo” está codificada como 1=Preprimaria; 2=Primaria; 3=Medio

básico y 4=Medio diversificado.
En el caso de la variable cuantitativa continua “Edad”, se define por años cumplidos.
4.1.1. ¿Por qué codificar?

 Facilita el ingreso de datos y disminuye los errores de carga, ya que es menos probable
equivocarse al escribir un código numérico que el nombre completo o abreviado de la categoría.
 El manejo de la información por la base de datos se vuelve mucho más rápido.
 Los programas de estadística limitan el procesamiento de datos para las variables alfanuméricas
o cadena de caracteres.
 Todo ingreso de datos en una base es codificado/numérico salvo Apellido y Nombre, Dirección,
Documento, Matrícula, que no son variables, sino que identifican el caso.
23
Esquema que interrelaciona los conceptos unidad de
análisis, matriz de datos, variables y codificación:
Secuencia de análisis de datos
4.2. Operacionalización de las Variables

Operacionalización: proceso por el cual se transforma o traduce 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.
24
Es el proceso a través del cual el investigador explica en detalle la definición que adoptará de las
categorías y/o variables de estudio, tipos de valores (cuantitativos o cualitativos) que podrían asumir
las mismas y los cálculos que se tendrían que realizar para obtener los valores de las variables
cuantitativas.
La operacionalización es un proceso que variará de acuerdo al tipo de investigación y de diseño. No

obstante, las variables deben estar claramente definidas y convenientemente operacionalizadas.
Se consideran incompletas aquellas investigaciones cuyo nivel de operacionalización es vago o mal

definido.
Para explicar la operacionalización nos basaremos en el siguiente esquema, que describe en forma
esquemática 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.
Los pasos a seguir son:
⇨ Definir la variable
⇨ Determinar la/s dimensión/es de la variable
⇨ Establecer los indicadores
⇨ Elaborar las escalas de medición
⇨ Indicar los ítems relacionados en el instrumento
Se denomina dimensiones a las facetas que permiten describir adecuadamente una variable. Por
ejemplo, para el caso de “inteligencia” es posible identificar al menos tres: la verbal, la manual y la
25
social. Estas subvariables nos acercan un poco más al plano empírico, a lo observable, permitiendo
concretizar una propiedad o característica que antes había sido definida sólo teóricamente.
Los componentes relevantes de la dimensión se denominan indicadores y se caracterizan por ser

elementos o abstracciones de la realidad.
Ejemplos: Tasa de repitencia, Tasa de sobreedad, tasa de analfabetismo. Al tener una única
dimensión, las variables simples se pueden operacionalizar con un sólo indicador.
En cambio, las variables complejas requieren un conjunto de indicadores, ya que poseen varias
dimensiones.
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 entonces, un indicador es una
propiedad manifiesta gracias a la cual podemos medir directamente una propiedad latente que nos
interesa (la variable teórica).
En última instancia los indicadores, así como las dimensiones, son también variables sólo que más
empíricas, pues también son susceptibles de variación.
Cuando se dispone de varias opciones para definir operacionalmente una variable, se debe elegir
aquella que sea más precisa, exacta y adecuada a su contexto, que proporcione mayor información y
capte mejor su esencia.
Ejemplo: Accesibilidad a los Servicios de Salud
26
Ejemplo: Índice de necesidad de tratamiento de caries (INTC)
El INTC (Bordoni N, 1992) , ha sido diseñado para establecer a nivel sanitario, el estado de salud- enfermedad,
así como la necesidad de tratamiento recomendado para su evolución y los recursos pertinentes.
5. Elección del tipo de análisis estadístico

Permite resumir la información y comparar los datos con herramientas estadísticas.
⇨ Estadística descriptiva: resumir en tablas y gráficos
⇨ Estadística inferencial: Univariado, bivariado y multivariado
5.1. Estudio descriptivo, correspondiente a la estadística

descriptiva
Estadística descriptiva: Es la parte de la Estadística que se ocupa de recopilar, ordenar, representar
y condensar los datos obtenidos del Universo o población en estudio con el fin de describir en forma
apropiada las principales características.
Generalmente es el primer análisis elemental y fundamental que se realiza. Las primeras conclusiones
obtenidas en un análisis descriptivo, nos brindan una serie de medidas de tendencia central, medidas
de dispersión y frecuencias o porcentajes, para ver en qué medida los datos se agrupan, dispersan o
distribuyen en torno a un valor central.
A partir del Análisis Descriptivo se resumen los resultados en:
27
En variables cualitativas se pueden calcular: frecuencias, %, moda, mediana, cuartiles. Gráficos
circulares, Gráficos de barras.
En variables cuantitativas se pueden : media, mediana, moda, cuantiles, varianza/desvío estándar.

Gráficos histograma, diagramas de errores, barra de errores, entre otros.
5.2. Estudio analítico, correspondiente a la estadística inferencial

o inductiva
Estadística inferencial o inductiva: Se denomina estadística inferencial o inferencia estadística a la
rama de la Estadística encargada de hacer deducciones, es decir, inferir propiedades, conclusiones y
tendencias, a partir de una muestra del conjunto. Su papel es interpretar, hacer proyecciones y
comparaciones. Es la parte de la Estadística dedicada a la formulación de supuestos y estimaciones,
para hacer predicciones y poder sacar conclusiones de los datos obtenidos a partir de las muestras,
para luego extrapolar los resultados al total de la población.
Comprende los métodos y procedimientos que por medio de la inducción determina propiedades de
una población estadística, a partir de una pequeña parte de la misma (muestra).
A partir del Análisis Analítico se aplican diferentes métodos estadísticos como:
⇨ Comparación de medias (test de student, Análisis de la Varianza)

⇨ Asociación entre variables
⇨ Correlación entre variables
⇨ Comparación de proporciones
⇨ Riesgo Relativo y Odds Ratio
⇨ Curvas de supervivencia
6. Procesamiento estadístico de un archivo de datos

Dependiendo de cuál sea el nivel de medición de una variable, corresponderá el análisis estadístico
descriptivo y su resumen en tablas y gráficos.
En la próxima figura se observan en un programa de procesamiento estadístico diferentes variables

con distintos niveles de medición:
Variables cualitativas nominales:
Las variables cualitativas nominales se pueden representar en tablas de frecuencia y en gráficos de

barras o de sectores.
Es conveniente asignarle un número a cada una de las categorías que tiene la variable (codificación).
Esto facilita la carga de datos, ya que es menos probable equivocarse al ingresar un código numérico
que el nombre completo o abreviado de la categoría.
28
Ejemplo:
Sexo: Femenino=1 Masculino=2
En el caso de las variables cualitativas nominales no hay una forma de seleccionar el código para cada
categoría, dado que no hay un ordenamiento intrínseco entre las categorías.
Muchas veces en el caso de nominales dicotómicas (presencia o ausencia) se elige “0” para ausencia
y “1” presencia. También se suelen ordenar los códigos según la frecuencia de aparición de las
categorías, en el caso que se sepa de antemano.
Para ejemplificar, se tomó una variable cualitativa nominal dicotómica como “Género del Encuestado”
(riesgo cardiovascular, no riesgo cardiovascular) y una variable cualitativa nominal politómica como
“Afiliación de salud”.
Variables según el nivel de medición
29
Ejemplo: Procesamiento estadístico para variables
cualitativas nominales
Variables cualitativas ordinales:
En caso de variables cualitativas ordinales en las cuales hay un orden jerárquico entre las categorías
tendrá que respetarse este orden con los códigos.
Ejemplo:
Calidad pedagógica del docente:
1=malo, 2=regular, 3=bueno, 4=muy bueno, 5=excelente.
No se podría ordenar de otra forma.
Ejemplo de codificación de una variable cualitativa ordinal: Nivel educativo alcanzado
Código Categoría de la variable

0 Sin estudios formales
1 Primario Incompleto
2 Primario Completo
3 Secundario Incompleto
4 Secundario Completo
5 Terciario / Universitario Incompleto
6 Terciario / Universitario Completo
9 Ns/Nc o no corresponde
30
cualitativas ordinales
Variables cuantitativas o numéricas:
En general no hay que hacer ningún cambio, se deberá definir con qué cantidad de decimales se
trabajará.
A partir de éstas se pueden generar nuevas variables:
⇨ Cuantitativas, aplicando funciones matemáticas (log, ln, 1/x, Raíz, etc.).
⇨ Cualitativas, agrupando los valores.

También se puede combinar más de una variable usando fórmulas matemáticas.
Ejemplo: Edad a partir de “Fecha de nacimiento'' y “Fecha de consulta”.
Por otra parte, las variables cuantitativas, por razones metodológicas o de objetivos, se pueden agrupar
en categorías (denominadas intervalos de clase), pasando a tener un nivel de medición variable
cualitativa ordinal o nominal dicotómica.
Ejemplo: Edad en grupo de edades cada 5 años. Mayores o menores de una edad determinada.
A pesar de que una variable cuantitativa ya se haya definido en el proyecto de investigación que se
agrupará para su tratamiento estadístico, no es conviene cargarlas en forma agrupada, ya que en
caso de necesitar el valor puntual no se podrá contar con el mismo.
31
Los programas de estadística, con cierta facilidad, pueden recodificar o agrupar una variable
cuantitativa en una ordinal o en una nominal dicotómica.
Por otro lado, en el caso de la edad, es más conveniente cargar la fecha de nacimiento (siempre que
se pueda), de esta manera se podrán generar nuevas variables operando entre dos fechas, calculando
unidades de tiempo entre las mismas.
Un ejemplo de una variable cuantitativa discreta es el “Número de habitaciones por vivienda” y de una
variable cuantitativa continua, la “Edad del / la encuestado/a en años cumplidos”.

cuantitativa discreta
32
Ejemplo: Operacionalización de variables y su construcción
33
Referencias Bibliográficas
Galtung, J. (1971). Teoría y Métodos de la Investigación Social. Buenos Aires, Argentina: EUDEBA.
Hederich Martínez, C.; Martínez Bernal, J. & Rincón Camacho, L. (2014). Hacia una educación basada
en la evidencia. (Universidad Pedagógica Nacional, Ed.) Revista Colombiana de Educación
(66), 19-54. Recuperado de: https://www.redalyc.org/articulo.oa?id=413635257002
Hernández Sampieri, R.; Fernández Collado, C. & Baptista Lucio, M. P. (2014). Metodología de la
Investigación (Sexta ed.). México, México: McGRAW-HILL Education.
Salazar Pinto, C. y Del Castillo Galarza, S. (2017). Fundamentos básicos de estadística. Fundamentos
básicos de estadística (Primera ed.). Quito, Ecuador. Recuperado de:
http://www.dspace.uce.edu.ec/handle/25000/13720
Samaja, J. A. (2004). Epistemología y metodología: Elementos para una teoría de la investigación

científica (Tercera ed.). Buenos Aires, Argentina: Eudeba.
Triola, M. F. (2009). Estadística (Décima ed.). (Pineda Ayala, L. E. Trad.) México, México: Pearson
Educación. Recuperado de: https://www.uv.mx/rmipe/files/2015/09/Estadistica.pdf
34

03 Tipos de Variables y Datos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

03 Tipos de Variables y Datos

Cargado por

Copyright:

Formatos disponibles

Tipos de variables y datos

Indicadores y variables: Definición y

Centro de Estudios sobre Ciencia, Desarrollo y Educación Superior

 Comprender el concepto de variable, su clasificación y operacionalización.

Ejes de estudio de la clase

En este punto, resulta fundamental tener en claro las siguientes cuestiones:

⇨ ¿Cuál es el tipo de datos que permite responder a la pregunta de investigación?

⇨ ¿Cuáles son las fuentes de donde se van a obtener los datos?

⇨ ¿Cómo se van a recolectar los datos?

Se define como variable a cualquier característica o cualidad de la realidad que es susceptible de

Es importante saber diferenciar entre variables dependientes o independientes, porque si planteamos

2.1. Variable aleatoria

2.2. Propiedades de las variables:

Ejemplo: Grupos de edad.

Escala No excluyente Escala Excluyente

0 -5 años 0-4 años

5-10 años 5-9 años

10-15 años 10-14 años

2.3. Formas de clasificación y tipos de variables

Las diferentes formas de clasificación de las variables son:

1. Según las dimensiones: Variables simples o complejas

2.3.1. Según las dimensiones:

 El Índice de Masa Corporal, se calcula a partir de peso y talla.

Formas de clasificación de las variables

“Cuando podemos medir aquello de lo que hablamos y

Variable dependiente: Tasa de repitencia escolar en primer grado.

2.3.3. Según la pregunta que responde en el estudio

⇨ ¿Cuándo? Variables de Tiempo - el tiempo de calendario es el que más a menudo se utiliza,

⇨ ¿Dónde? Variables de Lugar domicilio y zona de residencia de las personas afectadas.

⇨ Variable independiente: Es aquella que se manipula en un experimento con el objeto de estudiar

2.3.4. Variables universales

 Nivel Socioeconómico: El nivel socioeconómico hace alusión, fundamentalmente, a los

Tipos de variables según el nivel de medición

2.3.5.1. Variables cualitativas:

2.3.5.1.1. Escala nominal:

Leer con atención

Puntuación de escala de APGAR

Por otra parte, en general se terminan agrupando.

Ejemplos de estos constructos o escalas son:

 Escalas de dolor. Escala analógica visual

 Escalas del Coma de Glasgow. Su objetivo es el de proporcionar un método simple y fiable de

Finalmente se agrupa en 3 categorías de gravedad: leve entre 13 a 15, moderado

 Clasificación de fractura de cadera según Garden:

Ejemplo 2: Inventario de depresión de Beck

Ejemplo 3: Learning and Study Strategies Inventory (LASSI - Inventario de Estrategias de

Las variables cuantitativas se clasifican en discretas y continuas:

1.1. Variable cuantitativa discreta

Es aquella que presenta separaciones o interrupciones en su escala de medición, lo cual indica la

1.2. Variable cuantitativa continua

Histogramas Box plot Barra de errores

Resumen de nivel de medición

3. Recolección de los datos

¿Qué implica la etapa de recolección de datos?

El plan se nutre de diversos elementos:

1. Variables, conceptos o atributos a medir (contenidos en el planteamiento e hipótesis o

3.1. Fuentes de recolección de datos

La ventaja de usar fuentes secundarias es el ahorro de costos y tiempo. La desventaja es que en

4. Organización y presentación de datos

El progreso de la informática a nivel de software y hardware posibilitó la realización de pruebas

4.1. Matriz de datos

⇨ En las columnas se colocan las variables relevadas.

 Comparabilidad: Asegura la relación entre unidad de análisis y variable para un estímulo

Leer con atención

 La variable ordinal “Nivel_educativo” está codificada como 1=Preprimaria; 2=Primaria; 3=Medio