Вы находитесь на странице: 1из 228

ReLMeCS, vol. 1, n 2, segundo semestre de 2011.

ISSN 1853-7863

Los conceptos de validez en la investigacin social y su abordaje


pedaggico

VctorConchaR.,OmarA.BarrigayGuillermoHenrquezA.

Resumen

Desde su gnesis, las ciencias sociales han intentado legitimar sus criterios internos de
cientificidad,quegaranticenqueelconocimientogeneradoporlainvestigacinsocialsea
cientficamente vlido y confiable. Con este objetivo se han elaborado una serie de
tcnicas,normas,procesos,reglasyprocedimientosparalograrresultadosdeexcelenciay
calidad, que certifiquen que la investigacin social ha sido concebida y ejecutada con la
rigurosidad necesaria para definir sus resultados principales como ciencia. El concepto
fundamental para responder a la necesidad de criterios cientficos es la validez. El
presentetrabajobuscaexplorarlasprincipalesacepcionesquepresentaesteconceptoen
la literatura cientfica social. En un primer momento se busca identificar las diversas
adjetivaciones del concepto de validez en la bibliografa comnmente utilizada para
ensear metodologa en nuestras universidades (por ejemplo, validez predictiva, de
criterio,etc.).Enunsegundomomentoseexaminarnlasdefinicionesparacadaunode
losconceptosidentificados.Finalmente,enuntercermomento,sebuscarsintetizary/u
organizar estos diversos conceptos de una forma que sea lgica y pedaggicamente
coherente.

Palabrasclave:VALIDEZMETODOLOGAENSEANZA

UnaversinpreliminardeestetrabajofuepresentadoenelIEncuentroLatinoamericanodeMetodologa
delasCienciasSociales,UniversidadNacionaldeLaPlata,Argentina,1012dediciembrede2008.

MagsterenInvestigacinSocialyDesarrollo,UniversidaddeConcepcin,Chile

ProfesorAsociadoUniversidaddeConcepcin,Chile

ProfesorAsociadoUniversidaddeConcepcin,Chile

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
91








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863

The concepts of validity in social research and its pedagogical


approach

VctorConchaR.,OmarA.BarrigayGuillermoHenrquezA.

Abstract

Since its inception, the social sciences have tried to legitimate their scientific criteria so
thattheknowledgegeneratedbysocialresearchisdeemedvalidandreliable.Withthis
objective in mind, a series of techniques, norms, processes, rules and procedures have
been elaborated to achieve quality results that certify that social research has been
conceivedandexecutedwiththenecessaryrigortodefineitsprincipalfindingsasscience.
The basic concept needed to satisfy scientific criteria is validity. This paper seeks to
explore the principal meanings associated with the term validity in the social scientific
literature.Webeginbyidentifyingtheprincipaladjectivestiedinwiththetermvalidityin
thebibliographiescommonlyusedtoteachmethodologyinouruniversities(forexample
predictivevalidity,criterionvalidity,etc.).Wethenexaminethedefinitionsgivenforeach
of these identified terms. Finally, we attempt to synthesize and organize these diverse
conceptsinawaythatwefeelislogicallyandpedagogicallycoherent.

Keywords:VALIDITYMETHODOLOGYTEACHING

MagsterenInvestigacinSocialyDesarrollo,UniversidaddeConcepcin,Chile

ProfesorAsociadoUniversidaddeConcepcin,Chile

ProfesorAsociadoUniversidaddeConcepcin,Chile

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
92








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863

Los conceptos de validez en la investigacin social y su abordaje


pedaggico

1.Introduccin

Cuando nos iniciamos en la tarea del conocer, nunca partimos de cero. Existen
conocimientos preexistentes que delimitan el horizonte de nuestra bsqueda, lo que es
llamado conocimiento vulgar.1 Desde este punto de vista, todo conocimiento cientfico
naceapartirdelconocimientocomnovulgar,laevolucinqueseproducemediantela
reflexin que es generada desde este tipo de conocimiento original o primigenio, da el
punto de partida para elaborar un tipo de saber configurado mediante procedimientos
sistemticos, constantes y universales. En los trminos de Babbie (1996: 25) el
conocimientoesacumulativo,elmontantedeinformacinycomprensinqueheredamos
constituyen el punto de partida para el desarrollo de un mayor conocimiento. Si bien
descansamos sobre las espaldas de los cientficos que han sintetizado y validado ciertas
formas de conocimiento, al momento de enfrentarnos a una nueva forma de
entendimientosiempredebeexistirunprimermomentodedudafrentealoquenoses
dadocomoreal,verdicoocierto.
Sin este cuestionamiento previo podemos caer, ilusoriamente, en un estanco de
sabidura inexistente o en un saber del falso conocer. Frente a este problema Lamo de
Espinoza,GonzlezyTorres(1994:75)nosdicen:realesloquedoyporsupuestoyno
dudo: el conocimiento es algo ms, es una realidad por as decirlo, certificada, una
realidad analizada es necesario que esa realidad haya sido objeto de contraste y
verificacin....
En este sentido, para que el conocimiento haya sido certificado y analizado, es
absolutamente necesario su anterior contrastacin, esto entendido como un
procedimientodeliberadoporpartedelindividuocognoscentealmomentoderecibirun
nuevotipodeconocimiento.

1
Llmaseconocimientovulgarauntipodeconocimientoquenoessustentadomedianteunprocedimiento
lgicocientfico(metodolgico).

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
93








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


BarrigayHenrquez(2005),handefinidoelconocimientocientficoatravsdetres
criterios fundamentales; el primero es que todo conocimiento cientfico debe ser
generadomedianteobservacionesrigurosasysistemticas,yporendedebemaximizarlos
criteriosdefiabilidadyvalidez2delasobservacionesrealizadas.Elsegundocriteriorefiere
a transparentarlasaccionesprocedimentales llevadasacaboporlosinvestigadoresque
posibilitaron la generacin de dicho conocimiento; y tercero, el conocimiento cientfico
siempre debe ser considerado como tentativo. Por lo tanto, el conocimiento cientfico
nunca es absoluto, es slo una respuesta provisoria que est sujeta a frecuentes
reconsideraciones, ha de ser reformulado permanentemente y sujeto a correcciones
peridicas, que pueden transformarlo de forma relativa o pueden convertirlo en algo
completamentediferentealconocimientooriginaldesdeelcualfuegenerado.
Noexisteunaverdaddefinitiva,existensloverdadestemporales,queestnsujetas
a un reordenamiento o a una supresin definitiva de sus preceptos fundamentales. El
conocimiento cientfico se encuentra estructurado mediante la nocin de
espacio/tiempo/contexto,dondecadanuevoestancodeconocimientoestsujetoaun
lugar especfico, un tiempo determinado y un contexto establecido. La formulacin de
leyescientficasinmutableseinalterablesesunaideaanacrnicaqueinclusoseencuentra
desvirtuada en las ciencias duras o ciencias exactas, y en la construccin de un
conocimientocientficosocialesunaideafalaz,quenotienesustentacinepistemolgica,
emprica, terica, ni metodolgica, aun as se mantienen algunos reductos que intentan
sostenerladeformaartificial,comoundogmainalterable.

2.Validezencienciassociales

El concepto fundamental para responder a la necesidad de criterios cientficos en


investigacin social es la validez. El presente trabajo busca explorar algunas de las
principales acepciones que presenta este concepto en la literatura cientfica social y
sugerirrelacioneslgicasentreellas.Msan, reconocemosquenotratamostodaslas
acepcionesdevalidezexistentesenlaliteratura.Porejemplo,nohemosincorporadolas
nocionesdevalidezconvergenteodivergenteanuestroanlisis.Enestaocasinoptamos
por remitirnos exclusivamente al tema de la validez dentro de las metodologas

2
Estecriteriodecientificidadotorgarelsustentoprcticoytericodelpresentetrabajo.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
94








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


cuantitativas, pero al ser un concepto que otorga la certificacin de confianza y calidad
dentro de la investigacin social emprica, no debiera ser tan complejo extrapolar la
operacionalizacindelosconceptosalainvestigacincualitativa.3
Una primera aproximacin del concepto, y de modo general, la encontramos en
SierraBravo(2003:126):

Validez,calidaddevlido;vlido,loquetienevalor,yvalor,sederivaetimolgicamentedel
verbolatinoValere,quesignificaestarsano,serfuerte,poder,prevalecer.Elvalorylavalidez
se refieren, pues, a la cualidad de algo de ser sano, fuerte,potente, y, por extensin, a la
bondad,labellezay,engeneral,atodacualidadpositiva.

En este sentido, si el conocimiento cientfico tiene como objetivo fundamental
representar la realidad fielmente, este retrato debera ser lo ms depurado posible, sin
contaminaciones que enturbien esa fortaleza que se encuentra basada en los
procedimientosrigurososquehanposibilitadolageneracindeeseretrato.
Samaja (1993: 220) nos entrega otra definicin general del concepto que puede
ayudarnos a formarnos una idea previa sin incluir operaciones tcnicas que definen los
procedimientosytcnicasquedefinirncadasubdimensindelconceptoquenosinteresa
develar,

eltrminovalidezesuntrminogenrico.Quierodecirquetieneunsignificadogeneralque
puedeseracomodadoadistintasespecies.Enefecto,eltrmino,seaplicagenricamenteaun
ciertohechoparasignificarquelescongruenteconlasnormasyfinalidadesdelsistemaenel
quepretendeestarincluido.Decirqueesteconceptoesvlidooestedatoesundatovlido
significa,entonces,queesposiblemostrarquepuedeformarpartedelsistemaconceptual(de
lateoracientfica)odelsistemaoperacional.

Estasnormasyfinalidadesdelossistemasalosquealudeelautor,eneltemaque
nosconvocaenelpresenteartculoseranlascienciassocialescontemporneas,dondelos
ejes delimitadores de un concepto vlido o de datos vlidos generados a partir de la
investigacinsocial,sonconcebidosdentrodelacomunidadcientficasocialquedaforma
aestndaresuniversalesdecalidadyexcelencia;esdecir,eselconsensointersubjetivoal

3
Los criterios evaluativos de calidad en los estudios cualitativos han sido extrados desde los criterios
generadosdesdelainvestigacincuantitativa,porejemploValles(1997)describeanalgicamenteelcriterio
de validez interna como credibilidad, la validez externa como transferibilidad y la fiabilidad como
dependibilidad,respectivamenteenlasmetodologascualitativas.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
95








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


que han llegado los cientficos sociales para definir una investigacin como vlida y
confiable4.
Cules son los criterios de excelencia y calidad para certificar la validez de una
investigacin social? Cualesquiera sean las orientaciones tericas o metodolgicas que
tengamos,lasinvestigacionesgeneradasdesdelascienciassocialesdebencumplirconlos
criteriosquesehanconsensuadoparacertificarlavalidezdelosresultadosobtenidos.

Una investigacin es vlida si acierta, si da en el clavo, si descubre, si mide


correctamente, si llega al fenmeno al que quiere llegar, descubrir, medir, analizar o
comprender. Su excelencia ser tanto ms notable cuanto ms se aproxime a este objeto y
cuantamayorsealagarantadehaberloconseguidovalidar(RuizOlabunaga,1996:87).

Existe un consenso unnime respecto a los juicios de validez en la investigacin
social? Muchos de nosotros nos hemos visto en serias dificultades para determinar
lgicamente qu es la validez dentro de la investigacin social, y este problema se
acrecienta, cuando debemos exponer en clases a nuestros alumnos loque significa este
conceptodentrodelametodologadelainvestigacin.
Al revisar diversos manuales sobre el tema, podemos encontrar este concepto
principalmente en dos secciones diferentes (fases o momentos como los llama Samaja)
queremitenaideastambindistintasdeloqueseentiendeporvalidez.Enprimerlugar,
al revisar los diseos de investigacin (experimental, cuasiexperimental y no
experimental, principalmente), encontramos las definiciones sobre validez interna y
validez externa. En segundo lugar, y de manera mucho ms extensa5, surgen las
definicionesacercadelavalidezrelacionadasconlosinstrumentosdemedicin.

4
Laconfiabilidadesunconceptofundamentaldentrodeloscriteriosdeexcelenciaycalidaddentro dela
investigacinsocial.Sudevelamientohasidoreservadoparaunfuturotrabajo.Laconfiabilidadserefiereal
hechoqueundeterminadoinstrumento,aplicadorepetidamenteaunmismofenmeno,arrojeresultados
similares.Generalmenteenlaliteraturadelainvestigacinsocialesunaspectotrabajadoenloscriteriosde
calidaddelosinstrumentos,denotamosqueenSamaja(1993)existeunalneaargumentativaqueubicaraa
laconfiabilidadcomounaspectodelavalidezexternadeldiseodeinvestigacin,porlantimarelacinque
tienelaestabilidaddelasmedidasconlosintentosdegeneralizacindelosresultadosdeunainvestigacin.
5
Delosmanualesquefueronconsultadosparaestetrabajo,encasilatotalidaddeellosexistenreferencias
acerca de la validez de los instrumentos de investigacin. Asimismo, slo en algunos de ellos existen
referenciasacercadelavalidezdeldiseodeinvestigacin.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
96








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


Acontinuacinserealizarladefinicindeambostiposdevalidezyseefectuarla
estructuracin de cada una de las subdimensiones que tienen ambas definiciones que
tradicionalmentehansidoexpuestasdemaneradisgregada;nuestracontribucinhasido
agruparlasenunesquemaquepretendesimplificarlacomprensindeesteconceptopor
parte de los estudiantes que se inician en metodologa de investigacin social. La
organizacinlgicadeoperacionalizacindelconceptodevalidez,ysusmltiplesniveles
conceptuales,sepuedeestructurardelasiguienteforma:



Fuente:Elaboracinpropia

3.Validezdeldiseodeinvestigacin

Respecto a la validez del diseo de investigacin, encontramos definiciones de


validez casi exclusivamente dentrode la explicacin de los diseos experimentales. Esto
nosremitealprimerproblema paradefinirlavalidezdelosdiseos,puesto queslose
pueden inferir los conceptos de validez desde el diseo experimental, y este tipo de

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
97








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


diseoeselquemenosseutilizaenlainvestigacinsocialqueesrealizadaporlamayora
de nosotros, por las limitaciones procedimentales, metodolgicas6 y los consiguientes
problemasdegeneralizacin(quesernabordadosenelapartadosobrevalidezexterna).
Demanerageneralesnecesariodefinirqusonlosdiseosexperimentales,puesa
partir de ellos iremos desglosando las diversas acepciones que tiene la validez en este
aspectodelainvestigacin.

Laexperimentacinodiseoexperimentalesunmtododeinvestigacinsocialenelcualse
controla o manipula una o ms variables independientes para determinar el efecto que tal
manipulacinejercesobrelavariabledependiente(Vieytes,2004:352).

Enestesentido,lavariabledependienteeslaquesemide7,esesteelfenmeno,la
propiedad o la caracterstica que puede ser influido(a) (por esta razn es afectada) por
una o ms variables independientes (que sera(n) la(s) causa(s) de la variacin). La
manipulacindelasvariablesindependientestienediferentesintensidades,desdeelnivel
msbsicodeausencia/presencia,pasandoporvariosnivelesintermedios.8En1966,D.T.
Campbell y J. Stanley, en un memorable trabajo que se ha convertido en un clsico
respecto a la validez del diseo de investigacin, acuaron dos criterios valorativos
originales:elcriteriodevalidezinternayelcriteriodevalidezexterna.

3.1ValidezInterna

El concepto fundamental para comprender el proceso de validacin interna de un


diseoexperimentaleselcontrol.Esteeselobjetivometodolgicotrascendentaldetodo
experimento, de controlar experimentalmente que la modificacin en la variable
dependiente sea nicamente atribuible al efecto de la variable independiente. Cea
D`Ancona(1998:118)definelavalidezinternadelasiguientemanera:

Hace referencia a la posibilidad de establecer relaciones de causalidad entre variables


(dependientes e independientes), al haber eliminado (o controlado) otras explicaciones

6
Eldiseoexperimentalestdelimitadoporantonomasiaalametodologacuantitativa,noobstanteenla
literaturaaparecenreferenciasdelautilizacindeexperimentosmixtos(cuantitativosycualitativos).
7
Dentrodeldiseoexperimentaleslamedicinquenecesitaservlida.
8
Losgradosdemanipulacindela(s)variable(s)independiente(s)dependerndelniveldeespecificidadque
logresuoperacionalizacindentrodeldiseoexperimental.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
98








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


alternativaslavalidezinternaconstituyeelsinequanondecualquierindagacinemprica.
Siestecriterionosesatisface,losresultadosdelainvestigacinserancuestionables.9

Apartirdeestadefinicintomaespecialrelevancia,loquesepuedadeciracercadel
controldelasvariablesextraas10,externasoperturbadorasquepuedanestarinfluyendo
enlarelacincausalqueuninvestigadorpuedaestablecerentredosomsvariables,

Se dice que un diseo deinvestigacin tiene validez interna cuando todas las posibles
explicacionesalternativasquedancontroladasporeldiseo,detalmodoquelosresultadosde
lainvestigacincorrespondientetendrnunainterpretacininequvoca(Alvira,1992:88).

CampbellyStanley(1966)sealaronunaseriedefuentesdeinvalidacininterna.11
Nosotroshacemosunadivisinrespectoaestosfactores,porunladoubicamoselcontrol
delasvariablesyporotroladosituamoselcontroldelosprocedimientos,cualquiercosa
que afecte los controles de un diseo se convierte en un problema de validez interna
(Kerlinger,1998:341).

3.1.1Controldevariables

El control de las variables es una decisin netamente terica; fundamentalmente


desde la perspectiva de nuestro dominio de una temtica y a nuestra comprensin de

9
Vieytes (2004) reconoce tres criterios en un experimento para establecer causalidad: variacin
concomitante:queuncambioenlavariableindependiente(supuestacausa),setraduzcaenuncambioenla
variabledependiente(supuestoefecto);secuenciatemporal:quelavariableindependiente(supuestacausa)
ocurraanteseneltiempoquelavariabledependiente(supuestoefecto);ylaausenciadevariablesextraas:
quelavariacindelavariabledependientenoseaproductodeningnfactorextraodistintodelavariable
independiente.
10
Son variables que, aun quedando fuera del objeto de la investigacin, son o pueden constituir factores
susceptibles de influir en los resultados (Sierra Bravo, 2003:127). Vieytes reconoce una diferenciacin
dentro de las variables distintas a la independiente, que se tiene la sospecha que pueden afectar a la
variable dependiente, pero al ser reconocidas son puestas bajo control por el investigador, por ende la
autoralasdenominavariablescontroladas.
11
Noexistendiferenciassignificativasrespectoaltextoespecficoqueutilicemosparadefinirlasfuentesde
invalidacininterna,lamayoradeellossebasanenCampbellyStanley(1966)Diseosexperimentalesy
cuasiexperimentales en la investigacinsocial,la nica diferencia son lasediciones de estemismotexto
quecitanlosdiversosautores.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
99








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


culesfactorespodranincidirsobreelfenmenobajoestudio.Estosfactoressepueden
dividirendosgrandesgrupos,aquellosfactoresquesondenuestroconocimientoprevioy
aquellos factores que no son previamente conocidos. Esta distincin conceptual
normalmente genera las denominaciones de variables de control y variables extraas.
Respectoalasvariablesquepodemoscontrolar,stasestnclaramentedelimitadaspor
nuestro marco referencial que debera otorgarnos las directrices necesarias para definir
quvariablesdeberansercontroladaspornuestrodiseoyculesno.Porotrolado,las
variables extraas, que si bien no tenemos la certeza de cules son, sabemos que se
pueden tomar en cuenta al aplicar procesos de aleatorizacin en la asignacin
experimental.
Tomandoencuentaelcontroldelasvariables,Alvira(1992)nosplantealasiguiente
interroganteysuinmediatarespuesta:Cmolograrunmayorgradodevalidezinterna?
La respuesta es aparentemente sencilla: controlando todas las hiptesis alternativas
exceptoaquellaquenosintereseanosotrosporconstituirelobjetivodelainvestigacin
(p.91). A su vez Alvira coincide conCea D`Ancona en queel control de las explicaciones
alternativas puede efectuarse a priori o a posteriori dentro del diseo de investigacin.
Esta ltima autora va ms all y otorga a cada uno de los controles, diseos distintos;
cuando las explicaciones o hiptesis alternativas se controlan a priori, esto ocurrira
fundamentalmente en una estrategia de diseo experimental, y cuando el control se
realiza a posteriori durante el proceso de anlisis de la informacin, esto sera ms
habitual en diseos no experimentales y sera ms frecuente en la prctica de la
investigacin social. Su consecucin se logra mediante la aplicacin de tcnicas de
anlisisbivariableymultivariable,quepermitenlaformacindegruposdesujetosiguales
enfuncindelosvaloresdelavariablequesecontrole(CeaD`Ancona,1998:118).

3.1.2ControldeProcedimientos

En un segundo momento, al haber controlado las variables extraas que pudieran


estarinfluyendolosresultados,esnecesariocontrolarlosprocedimientossistemticosa
realizar dentro del diseo experimental; consideramos que esta es una decisin
estrictamente tcnica, cualquiera de los errores que se nombran a continuacin hacen
peligrar la validez interna de una situacin experimental: Administracin de pruebas,
Instrumentacin, Difusin o imitacin de los tratamientos, Inestabilidad, Historia,
Maduracin, Regresin estadstica, Seleccin y Mortalidad experimental. Estos seran

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
100








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


aspectos importantes que deberan ser controlados en los diseos experimentales para
garantizarlavalidezinternadelosexperimentosrealizados,sialgunadeestassituaciones
noestomadaenconsideracin,disminuyelavalidezinternadelexperimento,alpuntode
hacer peligrar la validez de las conclusiones que se logren a partir de la situacin
experimental.

3.2ValidezExterna

Al haber realizado los controles de variables y de procedimientos para asegurar la


validezinternadeldiseoexperimental,esnecesariopreocuparseporlavalidezexterna.
Estasehadefinidodelasiguientemanera:

Se dice que un diseo tiene validez externa cuando los resultados obtenidos pueden ser
generalizados a otras unidades de anlisis, otras situaciones/contextos y otros momentos
distintosdeaqulenqueserealizlainvestigacin(Alvira,1992:91).

Sibieneldiseoexperimentaltienecomofortalezalavalidezinterna,asuveztiene
comograndebilidadlavalidezexterna.Hastaqupuntosonextensivaslasconclusiones
de un experimento a situaciones no experimentales y a otros sujetos o poblaciones? En
CienciasSociales,remitindonosexclusivamenteaMtodosCuantitativos,aexcepcinde
los Censos de poblacin, generalmente se trabaja en relacin a muestras que se espera
sean representativas de un universo terico anteriormente definido, obviamente esto
circunscritoadiseosnoexperimentales.Enlosdiseosexperimentalestambinsebusca
establecer relaciones entre diversos aspectos o variables que deberan reflejar una
relacin anloga en el mundo real, si no el objetivo de realizar experimentos en la
investigacinsocialnotendraningnsentido.

Toda investigacin pretende, generalizar resultados obtenidos en un contexto/situacin


determinados o diferentes contextos/situaciones de la misma manera que se pretende
generalizar a otras fechas/momentos distintos de aquellos en que se ha realizado la
investigacin(Alvira,1992:91).

Tal como lo hicimos en relacin con la validez interna, introducimos una divisin
respectoaloscriteriosdevalidezexterna,porunladoencontramoslavalidezecolgicay
porlaotravertienteencontramoslavalidezpoblacional.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
101








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


3.2.1ValidezEcolgica

Eslapropiedadquepuedenteneronolosresultadosdeunestudiodesergeneralizadosaun
ambientediferenteasuambientedeorigen,elegidoytratadoporelinvestigadorencuantoa
suscondicionesycontrolesexperimentales(Briones,1989:22).

Esunproblemainsalvableendiseosexperimentales,dondeelambientecreadoes
comnmenteartificialyporendeesbastantecomplejoextrapolarlosresultadosaotros
contextos o situaciones diferentes, a lo acontecido circunscritamente en la situacin
experimental.LenyMontero(1999:124)adviertenelproblemadelavalidezecolgica
en los diseos experimentales, pues la conducta de los sujetos en un tratamiento
experimental es tan controlada que puede llegar a no tener nada que ver con lo que
sucedeenloscontextosnaturales,apesardequeenlamentedelinvestigadorexistaun
isomorfismoestructuralolgicoentrelastareasdellaboratorioylascotidianas.
Enlosdiseosnoexperimentalesexisteunamayorposibilidaddesalvaguardareste
tipo de validez, considerando que los ambientes en los cules se pretende generalizar
presentencondicionessimilaresalambienteenelculfuerealizadalainvestigacin.

El concepto de validez ecolgica puede ser considerado como una modalidad de la


confiabilidad, en el sentido de que todo dato debe estar acompaado de un respaldo
argumentalafavordesuvalidezenelmarcodeciertasvariacionescontextualespermitidas
(Samaja,1993:224).

Culseraestemarcodevariacionescontextualespermitidas?Larespuestaaesta
pregunta la intentamos responder en cada una de las investigaciones que realizamos
cotidianamente, y reconocemos la dificultad que tienen los diseos experimentales de
superarloscriteriosdevalidezecolgica.RuizOlabunaga(1996:93)defineelaspectode
la validez ecolgica de la siguiente manera: garantiza que el hecho seleccionado
representabienelmbitosustantivoderealidadquesequeraconocerynoesnecesario
intentarotro.

3.2.2Validezpoblacional

Eslapropiedadquepuedeteneronounamuestradequelosresultadosencontradosenella
puedan ser generalizados a un grupo mayor. Se distinguen dos clases de esta validez. La
primera clase consiste en la posibilidad de generalizar de una muestra a su poblacin o
universodelacualfueseleccionada(Briones,1989:21).

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
102








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


Eslatpicapreguntarespectoalavalidezendiseosnoexperimentales,respectoa
los resultados de un estudio realizado en una realidad geogrfica regional o nacional
determinada,ymscomplicadoaneslautilizacinvlidadelosresultadosgeneradosen
un experimento circunscrito a una situacin creada artificialmente. La otra clase de
validez de la poblacin refiere a los efectos diferentes que un cierto tratamiento puede
teneren unapoblacinogrupodiferente delque seusoriginalmente(Briones,1989:
21).Losmismostratamientospuedencausarefectosdistintosengruposespecficos,para
esto es necesario conocer las caractersticas arquetpicas de la unidad de anlisis de
nuestroproblemadeinvestigacin,silosresultadosresultancoherentes,lageneralizacin
serverificadayporendetendrmayorvalidezpoblacionalrespectoaluniversodelcual
fueextradalamuestraoelexperimentoqueseestllevandoacabo.12Tantoeldiseode
investigacin,comolametodologa13utilizadadebenserunadecisinquetengaestricta
coherencia con el objeto de estudio y los objetivos que se requiera resolver en cada
proyecto de investigacin. Esta decisin debiera ser tomada con el mximo de seriedad
por parte de los investigadores sociales, todo investigador que se precie de tal, tendra
quemanejarlainformacinnecesariaparatomarunadecisinrespectoaloscriteriosde
validezalaquedeberespondertododiseodeinvestigacinescogido.

4.Digresinsobrelavalidezdelosinstrumentosdemedicin

Habitualmente se considera la validez de los instrumentos, respecto a si el


instrumento mide efectivamente lo que promete medir, esta definicin es transversal e
indiscutida en la literatura cientfica social. Ac la validez pasa a ser exclusivamente un
problemademedicin;cuandosemideeltiempo,lalongitud,elpeso,engeneralcuando
se miden propiedades fsicas, existen instrumentos y unidades de medida consensuados
universalmente, y no existe una discusin respecto a si el instrumento de medida es
realmente vlido. El problema en las ciencias sociales, es que no existen estos criterios
indiscutidosrespectoalosinstrumentosqueutilizamosparamedirvariablesactitudinales,
conductuales,psicolgicasosociales.Ladefinicinmscomndevalidezestresumida

12
Enestesentidotienequeverconlareplicacindelainvestigacinengruposdistintos.
13
Ciertamente este trabajo refiere a la validez dentro de la metodologa cuantitativa, pero igualmente se
debenresguardarloscriteriosdevalidezdentrodelametodologacualitativa.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
103








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


porlapregunta:Seestmidiendoloquesepiensaqueseestmidiendo?Elnfasisde
estapreguntasedaenloqueseestmidiendo(Kerlinger,1989:471).
Respuestastpicasaestapreguntaaparecenenlosmanualesdemetodologadela
investigacin, donde una prueba para medir aptitudes, competencias, habilidades, debe
en la prctica medir lo que declara medir y no medir propiedades que no estn
especificadasenelmarcoreferencialquesustentaatodainvestigacinsocial.

La validez hace referencia a la relacin que ha de existir entre el concepto terico y el


indicador emprico. El investigador ha de comprobar si los indicadores elegidos realmente
indican lo que se pretende que indiquen; si miden correctamente el significado dado al
conceptotericoenconsideracin(CeaD`Ancona,1998:150).

Es decir, si la medida que se est utilizando refleja las propiedades del concepto
terico que est midiendo. En este sentido existen varias formas de validacin del
instrumento,laoperacionalizacinconceptualtradicionalqueutilizamayoritariamentela
literaturacientficasocialeslaquepreparuncomitdelaAsociacinEstadounidensede
Psicologa, de la Asociacin Estadounidense de Investigacin Educativa y del Consejo
NacionaldeMedicionesusadasenlaEducacin.14Allseanalizantrestiposdevalidez:de
contenido,decriterioydeconstructo.
Nosotros queremos plantear un nuevo reordenamiento de la validez del
instrumento,poniendocomoconceptogenerallavalidezdeconstructo,dentrodeellaun
tipo de validez que denominaremos de traduccin, que incluira la validez aparente y la
validezdecontenido,yporotroladolavalidezdecriterioqueincluiralavalidezpredictiva
ylavalidezconcurrente.

5.ValidezdeConstructo

La validez de constructo es uno de los progresos cientficos ms significativos de


lateora moderna de la medicin (Kerlinger, 1988: 475). La validez de constructo es la
forma de validez ms importante y general dentro de la validacin del instrumento.
Refiereprincipalmenteaquelosconceptostericosdefinidosenelmarcoreferencialde

14
StandardsforEducationalandPsychologicalTests.Washington,D.C.:AmericanPsychologicalAssociation,
1974.CitadoenKerlinger,1988:472.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
104








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


unainvestigacinseencuentren reflejadosenlosinstrumentosutilizadosparamedirlos.
Lavalidezdeconstructoestbasadaenlasrelacioneslgicasentrelasvariables(Babbie,
1996: 173). En este sentido la validez de constructo se encuentra estrictamente
relacionadaconlateoraquefundamentalainvestigacin,larigurosaoperacionalizacin
de los conceptosfundamentales y que las hiptesis planteadas puedan ser verificadas o
rechazadas vlidamente con la teora. El aspecto significativo acerca de la validez de
constructoquelasegregadeotrostiposdevalidezessupreocupacinporlateora,los
constructos tericos y la investigacin cientfica emprica que implica la prueba de
relacioneshipotetizadas(Kerlinger,1998:476).
Loquesebuscaesunarelacinlgicaycoherenteentrelasvariablesdefinidasylos
instrumentos creados para medirlas. Muchas de las variables utilizadas en Ciencias
Socialessonconstruccionesoperacionalesquenohansidomedidasconanterioridad,en
este tipo de variables es bastante complejo validar instrumentos con variables que no
tienen un correlato emprico anterior, la teora slo indica la medicin de conceptos
adyacentes que indican una tendencia, pero no dan seguridad para validar la nueva
medicin.Laoperacionalizacindeconstructosyconceptosnosonnicas;deaquque
convengainterrogarsesobreelefectoquepudieratenerunadiferenteoperacionalizacin
enlosresultadosdelainvestigacin(Alvira,1992:93).Apartirdelavalidezdeconstructo
sebifurcantodasnuestrasdefinicionesdevalidezdelinstrumento.

5.1ValidezdeTraduccin

Este tipo de validez toma forma en relacin a la traduccin de los conceptos


mediante la operacionalizacin de los trminos que sern medidos. Es el procedimiento
mediante el cual un concepto terico es traducido en indicadores que reflejen las
caractersticasdelavariableoperacionalizada,esdecir,elprocesoenelquelostrminos
fundamentales tratados en la investigacin se transforman en preguntas y respuestas.
Este tipo de validez contiene dos subcategoras, por un lado surge la validez aparente y
porotroladoseencuentralavalidezdecontenido.

5.1.1ValidezAparente

Este tipo de validez no es muy abordada dentro de la bibliografa cientfica social.


Babbie (2000: 113) la define tambin como validez patente, de la siguiente forma: Las

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
105








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


mediciones empricas pueden concordar o no con nuestros consensos y nuestras
imgenes mentales respecto a un concepto. En este sentido no es muy difcil definir la
validez para medir la variable sexo, pensando que es una variable dicotmica con dos
categorasuniversales,quedicenrelacinalsexomasculinoyfemeninorespectivamente,
pero cuando son variables ms complejas y abstractas, el concepto terico puede no
resultar tan evidente a simple vista, y las imgenes mentales que podemos tener, no
concuerdan con la medicin emprica que necesitamos hacer de este concepto en una
investigacindeterminada,comopodraserelcasodelconceptodegnero.15Peak(1953)
en Los problemas de la observacin objetiva, define la validez aparente para las
observacionesdelasiguientemanera:

cualquierprocesoounidadfuncionalobservadopuededefinirseointerpretarseatenindose
simplemente a las similitudes manifiestas que se han descubierto en las situaciones o
respuestascuyarelacinfuncionalsehayapodidodemostrar(FestingeryKatz(comp.),1953:
273).

Enestesentido,elautordefinequelavalidezesaparentecuandolascaractersticas
delosfenmenostienenuncorrelatoempricoquelogradiferenciarlagraduacinenlas
categorasqueantesyahansidodemostradas,oquedentrodelosmismosfenmenosse
pueden descubrir nuevas relaciones funcionales que determinen la validez de un
dispositivo de indagacin emprica. La debilidad de este tipo de validez es que muchas
veces no existen estos correlatos empricos que puedan verificar si efectivamente el
instrumentoestmidiendoloquedeclaramedir;enestecasonosencontramosenserias
dificultadesparadeterminarlavalidezaparentedeunconstructotericotraducidoenun
indicadoremprico.

5.1.2ValidezdeContenido

Este tipo de validez refiere principalmente a si un conjunto de indicadores refleja


satisfactoriamente las dimensiones que se quieren medir respecto a un concepto
determinado.

15
Existeunagrandiscusintericarespectoalgnero,quenocorrespondeincluirenelpresentetrabajo.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
106








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


Consiste en el grado en que una prueba representa el universo de reactivos del cual se
extrajo(serainabordablerecreartodoslosreactivosposibles),yporlotanto,elgradoenque
unapruebarepresentaeluniversodecontenidosquepretendemedir(Vieytes,2004:448).

Una ejemplificacin de esto es el examen realizado para obtener la licencia de
conducirenChile.Ensteseutilizaunapruebafsica,dondesemidelavisin,audiciny
reflejos,entreotrascaractersticas;porotrolado,serealizaunapruebaprcticadondelos
postulantesdebenconducir,ylaotraparteesunexamentericosobreelconocimiento
de la reglamentacindel trnsito, y preguntas sobre elfuncionamiento mecnico de los
automviles. La falta de validez de contenido sera por ejemplo, que se dejara de lado
algunas de estas dimensiones (fsica, prctica o terica); o siendo ms especfico an
dentrodelapruebaterica,sedejaradeladoelaspectomecnicoysloseconsideraran
laspreguntassobrelareglamentacinrespectoaltrnsito.Enestesentidolapruebapara
obtenerlalicencianoestaramidiendontegramentelacapacidadquetieneunpostulante
paradesenvolverseadecuadamenteenlaconduccindeunautomvil.
Samaja (1993: 169) describe que todo dato cientfico vincula un concepto con un
estado de cosas de un mundo externo, mediante la ejecucin de un procedimiento
aplicado a una o ms dimensiones consideradas dentro del concepto terico que se ha
determinado medir; Esta definicin incluye como ingredientes esenciales del indicador
dos elementos: la dimensin (considerada como observable), y el procedimiento para
ejecutar la observacin. Es decir, se aplica un procedimiento especfico a la dimensin
quelaconvierteenunelementoobservableyparaquepuedaconvertirseenunindicador
vlido, esto mediante ndices, escalas, test, reactivos, etc. La validacin de contenido,
entonces,esbsicamenteunacuestindejuicio(Kerlinger,1988:473).

5.2ValidezdeCriterio

La validez de la medicin se comprueba comparndola con algn criterio (o medida


generalmenteaceptada)queanteriormentesehayaempleadoparamedirelmismoconcepto.
El objetivo es demostrar que la nueva medida clasifica a los individuos, u otras unidades de
anlisis,deigualformaqueotrosindicadoresalternativosdelamismavariablelatente(Cea
D`Ancona,1998:150).

Loscriteriosquesernutilizadossonmedicionesdelosconstructostericosquese
hanrealizadoconanterioridadenotrasinvestigacionesyavalidadas,dondeseesperaque

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
107








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


lasvariablesqueseestnmidiendosecomportendeformasimilaracomolohanhecho
enelpasado,esdecir,quelosresultadosobtenidosconelnuevocriterioutilizadoresulten
coherentes con el criterio utilizado en otros estudios cientficos ya realizados. Selltiz y
otros(1965:182)llamanaestetipodevalidezpragmticayladefinendelasiguiente
manera: En el intento pragmtico de la validez, el inters se centra en la utilidad del
instrumento de medida como indicativo o previsor de alguna otra conducta o
caractersticadelapersona.Elcriterioutilizadodebemedirefectivamenteloquedeclara
medir, y debe servir para discriminar las diferencias empricas reales entre las
dimensionesqueseintentandevelar,enconsiguienteysiguiendoaGaltung(1966:356)
Lavalidezeslapropiedadquetieneunindicadordeindicarloquedicequeindica;esun
problema de correlacin con un criterio. En otros trminos, es la medida en que el
indicador(quepuedeserunndice)redescubrealgoyaconocido.Esteautorotorgauna
centralidad preponderante al indicador como fuente de validacin de criterio. En la
literaturasereconocendosformasdevalidezdecriterio,porunladosedefinelavalidez
predictivayporotroladosedefinelavalidezconcurrente.

5.2.1ValidezPredictiva

Concierne a un criterio futuro que est correlacionado con la medida (Cea


D`Ancona,1998:151).Retomandoelejemplodelosrequisitosparaobtenerunalicencia
deconducir,lavalidezpredictivasemidecomparandoqutanbienlaspruebastericas,
prcticas y fsicas predicen el desempeo de un buen conductor. Para obtener el poder
real de prediccin de esta medida podramos investigar en el registro de licencias de
conducir qu puntuacin obtuvieron los conductores que se han visto involucrados en
accidentesdetrnsitograves,oconductoresquepresentenunaltoniveldeinfracciones
detectadas.16

16
Claramente, existen variables extraas que pueden estar influyendo en esta relacin, como la forma de
aplicacin de las pruebas en diferentes distribuciones territoriales, la forma de fiscalizacin de las
infracciones,causasdelosaccidentes,etc.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
108








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


5.2.2ValidezConcurrente

Cuando se correlaciona la medicin nueva con un criterio adoptado en un mismo


momento(CeaD`Ancona,1998:151).Siguiendoelejemplodelalicenciadeconducir,se
esperaraquepostulantesqueobtuvieranaltascalificacionesenlapruebatericasobrela
reglamentacin del trnsito, apliquen ese conocimiento y obtuvieran tambin altas
calificacionesenlapruebaprcticadeconduccinyespecficamenteenelcumplimiento
de las normas del trnsito.17 Si una persona describe su propia conducta en trminos
especficosylareferenciaesalpresenteoaunpasadomuyrecienteoaunfuturomuy
cercano,habrabuenasrazonesparaesperarcoherencia(Galtung,1966:149).
DeVaus(1990,enCeaD`Ancona[1998])adviertedosproblemasprincipalesfrentea
la validez de criterio: en primer lugar si las correlaciones entre la medida antigua y la
nueva medida no resultan coherentes, tal vez la invlida sea la medida antigua (la que
tradicionalmentesehaaceptado),ynolanuevamedida;ensegundolugarmuchosdelos
conceptos que utilizamos en Ciencias Sociales carecen de mediciones validadas, y esta
posibilidadaumentamientrasmsabstractoeselconceptoqueseanaliza.

6.Consideracionesfinales

El objetivo de este trabajo fue presentar de manera estructurada los diferentes


sentidosdelconceptodevalidezenlainvestigacinsocial,demodoque,deacuerdoala
propia estrategia metodolgica de una investigacin, se tenga claridad en cuanto a los
tiposdevalideznecesariosdeconsiderar.
Esperamosconellohabercontribuidoaesclarecerlagranconfusinquesepresenta
albuscardentrodelaliteraturacientficasocialelconceptodevalidez.Sibienanexisten
conceptos que aparecen en los manuales de metodologa que llevan esta misma
denominacin, no los consideramos relevantes al momento de construir una
operacionalizacin coherente y slida que no dejara dudas respectoa lo que queramos
decir con cada uno de los tipos de validez. Es fundamental determinar claramente las
definicionesdeloscriteriosquecertificanlaexcelenciaycalidaddeuntrabajocientfico

17
Indudablementeactitudoconocimientonoimplicanunacorrelacinperfectaconaccin,perodetodas
formasseesperaraunacorrelacinpositivaaltaentreestasdosvariables.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
109








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


dentrodelasCienciasSociales.Silogramosunificarundiscernimientouniversaldentrode
nuestrasdisciplinasparaelconceptodevalidez,nosencontraremosenunamejorposicin
para replicar esto en nuestras aulas y construir una nueva forma de enseanza de los
conceptos elementales para realizar investigacin social de calidad. Cada investigador
debe sopesar qu tipos de validez va a privilegiar en sus estudios, esto en ningn caso
pretende ser un dogma inalterable, o mucho menos determinar una serie de
procedimientoslinealesquedebenserseguidosalpiedelaletra,peroconsideramosque
los investigadores sociales en formacin deben comprender efectivamente qu se
entiende por criterios de validez tanto de los diseos como de los instrumentos que
componenlainvestigacinsocial.

Referenciasbibliogrficas

Alvira,F.(1992).Diseosdeinvestigacinsocial:criteriosoperativos.EnGarcaFerrando,
M.; Ibez, J., y Alvira, F. El anlisis de la realidad social mtodos y tcnicas de
investigacin.Madrid:Alianza.
Babbie, E. (1996). Manual para la prctica de la investigacin social. Bilbao: Descle De
Brouwer.
Barriga, O. y Henrquez G. (2005). Repensando el conocimiento y la ciencia para la
investigacin social del Siglo XXI: algunas reflexiones preliminares. En Cuadernos de
TrabajoSocial,N1(pp.4854).Concepcin,Chile:UniversidadSanSebastin,Chile.
Briones, G. (1989). Mtodos y tcnicas avanzadas de investigacin aplicadas a la
educacinylascienciassociales.Santiago:Programainterdisciplinariodeinvestigaciones
eneducacincursodeeducacinadistancia.
Cea D`Ancona, M. (1998). Metodologa cuantitativa: estrategias y tcnicas de
investigacinsocial.Madrid:Sntesis.
Galtung,J.(1966).Teoraymtodosdeinvestigacinsocial.BuenosAires:EUDEBA.
Kerlinger, F. (1988). Investigacin del comportamiento. Mxico: McGrawHill
InteramericanaEditores.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
110








ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863


Lamo de Espinoza, E., Gonzlez Garca, J. y Torres Albero, C. (1994). La Sociologa del
ConocimientoydelaCiencia.Madrid:Alianza.
Len O., y Montero I. (1997). Diseo de investigaciones. Madrid: McGrawHill
InteramericanaEditores.
Peak, H.(1953) Los problemas de la observacin objetiva. En Festinger, L. y Katz, D.
(comps.) En Los Mtodos de Investigacin en las Ciencias Sociales (pp.235285).Buenos
Aires:Paids.
Ruiz Olabunaga, J. (1996). Metodologa de la investigacin cualitativa. Bilbao:
UniversidaddeDeusto.
Samaja, J. (1993) Epistemologa y metodologa elementos para una teora de la
investigacincientfica.BuenosAires:EUDEBA.
Selltiz, C., Jahoda, M., Deutsch, M., Cook, S. (1965). Mtodos de investigacin en las
relacionessociales.Madrid:RIALP.
Sierra Bravo, R. (2003) Tcnicas de investigacin social: teora y ejercicios. Espaa:
ThompsonEditores.
Valles, M. (1997). Tcnicas cualitativas de investigacin social: Reflexin metodolgica y
prcticaprofesional.Madrid:Sntesis.
Vieytes,R.(2004).Metodologadelainvestigacinenorganizaciones,mercadoysociedad:
Epistemologaytcnicas.BuenosAires:EditorialdelasCiencias.

ReLMeCS, vol. 1, n 2, segundo semestre de 2011., pp. 91-111. ISSN 1853-7863.


Red Latinoamericana de Metodologa de las Ciencias Sociales
Recibido: 13/10/2011, Aceptado: 18/12/2011
111

METODOLOGA DE LA INVESTIGACIN II
CATEDRA: MORENO (Ex Cohen)
www.catedras.fsoc.uba.ar/metcohen
2 cuatrimestre 2017
GUA DE TRABAJOS PRCTICOS N 4 Tcnicas cualitativas, la entrevista

Atencin: La fecha de entrega la indicar el/la docente. Se debe entregar la entrevista de


acuerdo a las pautas indicadas y el informe.
En grupos de dos alumnos/as deben entregar una entrevista y un informe detallado
considerando modalidad de llegada a campo, entrada, estada y salida y las notas de campo.
En los casos en que el grupo se conforme por tres integrantes debern entregar dos
entrevistas.
I.- Actividad en clase:
a) Preparacin del trabajo de campo. Para ello considerar:
1. Los objetivos del pre-proyecto.
2. El objetivo de la entrevista.
3. La secuencia terico-temtica a desarrollar.
4. La bibliografa de la temtica especfica y la metodolgica.
5. La consigna de presentacin ante los/las entrevistados/as.
6. Los criterios de seleccin del/la entrevistado/a. Para ello retome el texto de
muestreo cualitativo (Flick) y elabore una tabla en la que d cuenta de las
diferencias entre los grupos seleccionados.
7. El modo de llegar al/la entrevistado/a, el ingreso al campo.
8. Presentar la gua de pautas con la que se efectuaran las entrevistas y su
vinculacin con el punto 1 y 2.
II.- Actividad domiciliaria:
1. Lectura, anlisis y estudio de la gua de pautas y su vinculacin con la temtica a
desarrollar y los objetivos de las entrevistas.
2. Trabajo de campo:
2.a) Seleccin del/a entrevistado/a. Es importante cumplir con los requisitos
establecidos en la muestra (personas econmicamente activas residentes en el
rea metropolitana de Buenos Aires1, de 25 a 65 aos que formen parte de
hogares no unipersonales) para la seleccin de la persona a entrevistar. Revisar
la indicacin del/a docente respecto a gnero, edad y nivel educativo que
corresponde.
2.b) Realizacin de la entrevista (al comenzar, recuerde informar al/la
entrevistado/a respecto al uso del grabador y al finalizar, brindarle la posibilidad
de preguntar).

1 El rea Metropolitana de Buenos Aires (AMBA) est compuesta por localidades y barrios de la Ciudad de

Buenos Aires y los 24 partidos del Gran Buenos Aires (INDEC, 2003)
2. c) Recuerde que la entrevista debe contener todos los apartados establecidos
en la gua de pautas, el orden lo establecen el entrevistado la entrevistada.
Las preguntas dentro de esta gua tienen como objeto aspectos que se deben
indagar por ello es que no requiere de la realizacin de cada una de ellas,
pero si deben estar presentes todos los temas requeridos.
2. d) Presentacin del informe escrito, conteniendo:
- Da y hora de la entrevista.
- Duracin de la misma.
- Lugar de realizacin.
- Fundamento de la seleccin del/ la entrevistado/a.
- Gnero, edad y barrio/municipio del/la entrevistado/a.
- Modo de acceso al entrevistado/a.
- Las notas de campo del/la entrevistador/a una vez finalizada la entrevista.
- Evaluacin de la situacin de entrevista, el rol del/la entrevistador/a,
para ello considere: criterio de eleccin del/la entrevistado/a, el sitio en
que se realiz la entrevista; el clima generado durante la entrevista; la
utilizacin de gua de pautas; los silencios en la entrevista; las situaciones
embarazosas; los modos de indagar; etc.
- Desgrabacin de la entrevista en su totalidad.

Se entregar un informe por entrevista en la fecha establecida. No se aceptarn entregas


parciales.
Recuerde que la entrevista tendr que ser entregada desgrabada, en arial 12. Identifique al
entrevistado con la letra E y al entrevistador con la sigla EN. Las preguntas tienen que ser
escritas en negrita.
El informe y la desgrabacin de la entrevista se entregar en papel, pero adems debern
enviarse a la direccin de mail que indique el docente con copia a:
MetodoIIsocio@gmail.com. El nombre del archivo se conformar de la siguiente
manera: EntrevistaCom (N)apellido (del/la alumno/a).
La desgrabacin iniciara con:
Nombre y Apellido de los/as
estudiantes Comisin:
Datos del/la entrevistado/a:
- Nombre de pila
- Edad
- Gnero
- Barrio
- Estudios alcanzados. Situacin ocupacional (trabaja/no trabaja)
- Tipo de actividad laboral
III.- GUA DE PAUTAS:
Objetivos
Describir la forma de la divisin del trabajo domstico de los hogares de acuerdo
a las relaciones de gnero y de clase social.
Describir la forma de la divisin del trabajo extra - domstico de los hogares, de
acuerdo a las relaciones de gnero y de clase social.
Caracterizar las percepciones que justifican y que cuestionan las desigualdades
sociales percibidas en torno a la divisin del trabajo domstico.
Caracterizar las percepciones que justifican y que cuestionan las desigualdades
sociales percibidas en torno a la divisin del trabajo extra - domstico.

Matriz de planificacin del trabajo de campo cualitativo (Meccia, s/f)1


A quin/es
necesito
Qu necesito Por qu y para qu Qu tipo de informacin necesito para
contactar para
saber? necesito saber sto? responder mis preguntas?
acceder a esa
informacin?
Informacin sobre composicin del hogar,
Cmo dividen el
Para saber cmo se divide la quines tienen un trabajo remunerado, qu tipo
trabajo domstico y
carga de trabajo por gneros de trabajo realizan, quines participan las tareas
extra-domstico
y clase social domsticas y de cuidado, en cules y quines son
entre los hogares
los responsables
Para ver los discursos que Percepcin de desigualdad sobre la divisin del
percepciones sobre justifican desigualdades, trabajo domstico en su hogar y en la sociedad,
la desigualdad social quienes las rechazan y percepcin de la divisin por sexos del trabajo en
Varones y
segn gnero y quienes las niegas, queremos su hogar y en la sociedad, opinin sobre estas
clase social distinguir estos tres grupos percepciones; percepcin sobre la desigualdad de mujeres del
de opiniones clases sociales, su opinin al respecto. AMBA, entre 25
Porque pensamos que las y 59 aos
Opinin sobre la participacin de la mujer en el
opiniones inciden en la
mercado de trabajo, sobre los puestos y
divisin del trabajo y
ocupaciones que tienen mujeres y varones en el
Percepciones sobre necesitamos una reduccin
mercado de trabajo, sobre la relacin entre vida
las relaciones de tipolgica de esas opiniones
familiar y participacin laboral de los miembros,
gnero (tradicionales o no
opiniones sobre la divisin de las tareas
tradicionales; familiaristas vs
domsticas, sobre la organizacin de la vida
modernas; igualitaristas vs
familiar y la divisin del trabajo
jerrquicas)

PRE-PROYECTO DE INVESTIGACIN LAS DESIGUALDADES SOCIALES


Y SUS PERCEPCIONES DESDE LAS RELACIONES DE GNERO Y DE
CLASE SOCIAL.

Consigna: Mi nombre es soy estudiante de la Carrera de Sociologa de la UBA y


estamos realizando una prctica de investigacin para la Carrera de Sociologa de la
Universidad de Buenos Aires. Nos interesa hacerle unas preguntas en torno al trabajo en
general y al trabajo domstico, que nos cuente que piensa. El propsito de esta entrevista es
puramente acadmico y est garantizada la confidencialidad de toda la informacin que se
registra en la misma. Le solicitamos su permiso para grabar la misma. Desde ya gracias por
su colaboracin.

1 Meccia, Ernesto (s/f) Ms que un juego de preguntas y respuestas. Una propuesta para el anlisis sistemtico de
entrevistas en profundidad. Material de Ctedra. Metodologa y Tcnicas de la Investigacin social, Carrera de Ciencias
de la Comunicacin, Facultad de Ciencias Sociales, Universidad de Buenos Aires. Disponible online en:
http://www.catedras.fsoc.uba.ar/salvia/comunicacion/teoricos/meccia_mas_que.zip
Gua de Pautas de entrevista

Caracterizacin del entrevistado/a

Sociodemogrfica. Indicar genero y lugar de nacimiento.


Educativa. Mximo nivel educativo alcanzado. Indagar estudios alcanzados. En el
caso de abandono indagar motivos

Participacin laboral del entrevistado/a


Trabaja? En qu? (de qu se trata tu trabajo? detallar actividades, si es remunerado o
no, si es familiar o no, si es en el hogar o fuera del hogar, antigedad
Caracterizacin del trabajo actual
Ud. trabaja? de qu se trata su trabajo? Por su cuenta o como empleado?
Cmo se llama la ocupacin? Qu tipo de tareas hace? Era un puesto
profesional, tcnico, calificado? Tiene algn tipo de participacin en las
decisiones de la organizacin de su trabajo o en la empresa? Si es empleado/a
est en blanco/registrado? A qu se dedica la empresa? Qu producto o
servicio produce? Cuntos empleados son en su establecimiento?
Divisin por gneros en el trabajo actual
En su trabajo hay mujeres, varones qu tipo de tareas hace cada uno, hay
igual cantidad de mujeres que de varones? Sus compaeros de trabajo, los ms
cercanos en cuanto las tareas que realiza, son en su mayora varones, son
mujeres, o se reparten en partes iguales? y sus jefes/as? y sus subordinados/as?
Hay alguna tarea que slo hagan varones en su trabajo? y slo mujeres? En el
caso de ser patrn o cuenta propia, preguntar por socios, proveedores y clientes.
Revisar si es una actividad familiar quin hace cada cosa, quines cobran?

Percepcin sobre la divisin por gneros del trabajo extra-domstico.


Por qu cre que estn divididos por sexo de esa manera en su trabajo
actual? qu ventajas le ve a esta divisin? y qu desventajas? Cree que ser
varn o ser mujer puede llegar a ser una barrera para el crecimiento laboral de
una persona? Por qu?
Supone que pasan estas situaciones en otros tipos de trabajos? Por qu
motivos le parece que sucede esto? Le parece bien que haya trabajos que slo
hagan varones? y trabajos que slo hagan mujeres? piensa que hay trabajos que
pueden hacer mejor un sexo que otro? cules? por qu?

Si no est trabajando fuera del hogar


Por qu motivo no est trabajando? Le gustara trabajar? De qu? En qu
condiciones?
Trabaj por un ingreso alguna vez? (En caso afirmativo, preguntar por el
trabajo ms reciente) Por su cuenta o como empleado? Cmo se llamaba la
ocupacin que tuvo? Qu tipo de tareas haca? Era un puesto profesional, tcnico,
calificado? Si era empleado estaba en blanco/registrado? Tena algn tipo de
participacin en las decisiones de la organizacin de su trabajo o en la empresa? A
qu se dedicaba la empresa?
Composicin del hogar
Con quines vive? Edades, parentesco, mximo nivel educativo alcanzado.
A qu se dedican (trabajan, estudian, se ocupan de las tareas del hogar, no trabaja no
estudia no se ocupa de las tareas del hogar)?

Participacin laboral de los otros miembros del hogar.

Para quienes trabajan por un ingreso o fuera del hogar: A los mayores de 14 aos

Trabajan por su cuenta o como empleado? Cmo se llamaba la ocupacin


que tiene? Qu tipo de tareas hace? Es un puesto profesional, tcnico o
calificado? Tena algn tipo de participacin en las decisiones de la organizacin
de su trabajo o en la empresa? Si es empleado est en blanco/registrado? A
qu se dedica la empresa? Qu producto o servicio produce? Cuntos
empleados son en su establecimiento?

Si no est trabajando fuera del hogar


Por qu motivo no est trabajando? Le gustara trabajar? De qu? En qu
condiciones?

Organizacin de la divisin del trabajo extra-domstico en el hogar


Discuten o discutieron sobre el trabajo de los miembros del hogar, si alguien
debera trabajar o debera dejar de trabajar? Por qu motivos? Cmo se
deciden y resuelven estas discusiones en su hogar? Le parece a ud. que deberan
empezar a trabajar o trabajar ms? O bien dejar de trabajar o trabajar menos
horas? Por qu motivos? Les parece que estas ocupaciones que tienen son
adecuadas para sus capacidades? por qu? Y en cuanto a sus expectativas qu
tipo de trabajo le parece que deberan tener? por qu?
Opiniones sobre la Organizacin de la divisin del trabajo extra-domstico en la
sociedad
Por qu piensa que los miembros de su hogar se encuentran trabajando de
esta manera? Piensa que en el resto de los hogares sucede algo similar? Y con
respecto a la participacin en el mercado de trabajo de los integrantes de su
hogar cmo la calificara? est conforme? Si pudiera cambiar algo qu
cambiara? por qu?
Indagar respecto al propio hogar la divisin de las tareas domsticas
En su casa quin realiza las tareas del hogar? Qu hace ud? y el resto de los
miembros del hogar? por qu? quin hace cada cosa? Descripcin de las
tareas y de quin las realiza
Descripcin de la divisin de tareas del hogar
Participan todos en las tareas del hogar? Quines se ocupan de limpiar la
casa, cocinar, lavar los platos y la ropa? Todos colaboran? Algunos se encargan
o son responsables de estas tareas? Otros ayudan? Otros no hacen nada?
Quines?
Cmo se organizan para hacer estas tareas? Alguien se encarga de
distribuirlas? Se dividen esas tareas? Discuten o se pelean por la realizacin de
esas tareas? Si hay menores, adultos dependientes, o cuando se enferma algn
miembro del hogar cmo se organiza el cuidado de estas personas?
Reciben ayuda de personas que vivan fuera del hogar? Contratan personal
domstico? Reciben ayuda no remunerada de familiares, amigos, vecinos u
otras personas?

Miradas sobre la divisin de tareas del hogar


Qu es lo que ms le gusta de esta forma de organizar las tareas del hogar?
Y lo que menos? Piensa que podra ser de otra manera? De qu maneras? En
el resto de la sociedad piensa que se organiza de la misma manera? Qu
diferencias podra haber? Cules piensa que son las causas que hacen que se
organice el trabajo del hogar de distintas maneras? Y piensa que puede haber
similitudes?
Percepcin sobre la divisin de tareas del hogar
Esta forma de organizar el trabajo del hogar qu opinin tiene al respecto?
percibe que anda bien o que genera ms problemas que soluciones? Siente que
es una situacin justa o injusta para cada persona del hogar? Algn miembro del
hogar plantea quejas al respecto, o no cumple con su parte el trabajo?

Vida familiar y trabajo


Cmo es la vida familiar cundo la mujer trabaja fuera del hogar? y cundo trabaja
en el hogar? y cundo no trabaja. Por qu? Indagar por la presencia de nios en el
hogar y la organizacin familiar.
Deben todos los miembros del hogar ocuparse de aportar un ingreso al hogar? Y
de trabajar fuera del hogar? Y dentro del hogar con las tareas domsticas y el
cuidado de menores, ancianos, discapacitados o personas enfermas? Cmo piensa
que deberan dividirse las tareas en el hogar? Qu piensa que se podra cambiar en
su hogar actual para alcanzar ese ideal?

Percepcin de desigualdad de clases sociales


Estuvimos conversando bastante sobre las formas de organizar el trabajo dentro y fuera de
los hogares. Ahora me gustara que hablemos de las clases sociales.

Hay clases sociales en la Argentina? Cmo son? cules son?

Si contesta que s las hay Si contesta que no


Por qu cree que las hay? En qu se Por qu que no las hay? Hay otras
diferencian una clase social de la otra? diferencias ms importantes en la
Piensa que estas diferencias de clases sociedad? Cules? Por qu?
sociales son justificables? Estas diferencias
deberan eliminarse, hacerse ms leves o
hacerse ms fuertes?
Hay otras diferencias ms importantes en la
sociedad? Cules? Por qu?

Siempre ofrecer si tiene algo para agregar y agradecer.


relmis.com.ar

Revista Latinoamericana de Metodologa de la Investigacin Social.


N1. Ao 1. Abril - Sept. de 2011. Argentina.ISSN 1853-6190. Pp. 36 - 46.

Las tipologas y sus aportes a las teoras


y la produccin de datos
Typologies and their contributions
to theories and data production

Nstor Cohen y Gabriela Gmez Rojas

Resumen.
El artculo reflexiona sobre un recurso muy particular empleado por la sociologa como
es la tipologa. Ella se ha utilizado para interpretar y comprender un fenmeno de la
realidad, para caracterizar, identificar, cuestiones sociales, para producir datos o, en
otras palabras, ser puente, conexin, entre la teora, los conceptos, y los datos. Pero,
tambin, las tipologas tuvieron y mantienen vigencia independientemente de los
datos producidos, son un recurso muy til como ordenador de un proceso terico
especulativo de caractersticas ms abstractas que sin referenciarse con la realidad,
sin apelar a la contrastacin emprica, intenta dar cuenta de ella. Asimismo se
presentan dos ejemplos de tipologas elaboradas por dos investigadores relevantes de
la sociologa contempornea, como cierre a dicha reflexin.
Palabras Claves: medicin, datos, concepto, mtodo, tipologas.

Abstract.
This article reflects on a very particular resource used by the Sociology, called typology.
It has been used to interpret and understand a phenomenon of reality, to characterize,
identify, social issues, to produce data, in other words, be a bridge, connection,
between theory, concepts an data. But also, the typologies were and are still valid
regardless of the data produced, they are a valuable resource as authorizing a
theoretical and speculative process with abstract characteristics, which without
referring to reality, without resorting to empirical, tries to account it. The article also
presents two examples of typologies developed by two relevant researchers of
contemporary sociology, as a finale to this reflection.
Keywords: measurement, data, concept, method, typologies.

[36]
Las tipologas y sus aportes a las teoras y...

Introduccin
Las tipologas forman parte de esos viejos, pero vigentes y muy utilizados recursos de la
Sociologa en particular y de las Ciencias Sociales en general, para interpretar y comprender un
fenmeno de la realidad, para caracterizar, identificar cuestiones sociales, para producir datos o, en
otras palabras, ser puente, conexin, entre la teora, los conceptos, y los datos. Pero, tambin, las
tipologas tuvieron y mantienen vigencia independientemente de los datos producidos, son un
recurso muy til como ordenador de un proceso terico especulativo, de caractersticas ms
abstractas que sin referenciarse con la realidad, sin apelar a la contrastacin emprica, intenta dar
cuenta de ella. A la vez que ordena el corpus terico, otorga coherencia analtica a la compleja y a
veces catica realidad con la que trabaja el cientfico social. No hay duda alguna que han sido y son
herramientas tiles para el trabajo cotidiano del investigador. Pretendemos, simplemente,
reflexionar en torno a su utilidad y vigencia a partir de las dos grandes formas de trabajarlas, los
tipos construidos y los tipos ideales, e interpretarlas dentro de un marco ms complejo, atravesado
por diferentes campos de la ciencia y la epistemologa, que es la medicin como cuestin que
merece ser debatida.
El artculo consta de dos partes directamente relacionadas entre s. La primera dedicada a
reflexionar en torno a algunas cuestiones vinculadas con el modo de concebir la medicin en
sociologa y la segunda incursiona en diferentes alternativas metodolgicas, que permiten
materializar lo que entendemos es la medicin o ms precisamente el acto de medir.
A lo largo del texto recurrimos a ejemplos resultantes de la produccin de otros autores.
Desde una perspectiva constructivista de la medicin, concibiendo que la teora no es un modelo
estructurado ni definitivo cuyo nico destino es ser sometido a contrastacin ni tampoco resulta del
dilogo que el investigador pueda establecer con los datos, sino que la concebimos en un vnculo
dialctico con la base emprica, abordamos diferentes alternativas del pasaje del concepto al dato.
Recorreremos aquellas estrategias con las que solemos trabajar en la investigacin sociolgica,
comparndolas y evalundolas desde lo eficaces que resultan cuando incursionan en la cosa
oculta, en la dimensin latente del fenmeno estudiado.

Algunas reflexiones sobre la nocin (idea) de medicin


Proponer reflexionar sobre la medicin en Sociologa es como desempolvar un viejo objeto
para poder reconocerlo, como probar cul es la llave que abre esa puerta que no abrimos hace
mucho tiempo y es, tambin, arriesgarse a que nuestros invitados consideren que transitaremos el
camino de lo obvio, de lo definitivamente verdadero. Pareciera que sobre la medicin existiera un
acuerdo universal que clausura toda posibilidad de revisin, se asume que nada nuevo hay para
decir. Sin embargo, nosotros creemos que hay algunas cuestiones en torno a la medicin en
Sociologa, y probablemente en las Ciencias Sociales, de las que no se habla porque hacerlo
implicara iniciar el camino de la incertidumbre, implicara cuestionar premisas que se utilizan como
postulados1 a partir de los cuales se recorre un largo trayecto de demostraciones, afirmaciones y
confirmaciones.
Instalar como debate la cuestin de la medicin en las Ciencias Sociales conduce,
necesariamente, a poner la mirada sobre el mismo proceso de investigacin, en tanto el acto de
medir no se involucra con una etapa o momento particular de este proceso sino que lo atraviesa en
una significativa parte de su extensin, acerca de lo cual nos referiremos ms adelante. Pero,
adems, al incursionar en esta cuestin debemos ser conscientes que acerca del significado y de la

1Es interesante observar en un campo como el de la Sociologa proclive al debate, al permanente cuestionamiento, la
medicin es, en las ltimas dcadas, una cuestin que suele ser tratada como un postulado matemtico, haciendo
afirmaciones cuya verdad no es sometida a prueba alguna y sirviendo para posteriores razonamientos.

[37]
Nstor Cohen y Gabriela Gmez Rojas

comprensin existente en torno a este concepto, no hay un acuerdo tcito ni mucho menos
consenso. En este sentido, est vigente an, y en una magnitud nada despreciable, una concepcin
estrictamente cuantitativa de la medicin. Aquella clsica definicin de Campbell (1919) que
concibe la medicin como el proceso por el cual se representan cualidades mediante nmeros y
en la misma lnea argumental, el planteo de Stevens (1951) para quien medir es asignar
numerales a objetos o acontecimientos de acuerdo a ciertas reglas, gozan de muy buena salud
entre cierto grupo de investigadores sociales muy proclives al uso de los recursos cuantitativos.
Entre quienes reniegan de este tipo de recurso para el tratamiento de la realidad social, no conciben
la medicin como una cuestin metodolgica que merezca ser tratada porque, tambin, la asocian a
la idea de cantidad o magnitud, muy lejana a sus intereses acadmicos. Sea por adhesin o por
rechazo a los enfoques cuantitativos, concebir la medicin como un proceso plenamente
identificado con la magnitud sigue siendo aceptado en diferentes mbitos de la academia.
Recientemente, y mediante una definicin que pone condiciones acerca del carcter
inclusivo de este concepto, Marradi (2007: 140) considera un verdadero abuso terminolgico usar
el trmino medicin para la clasificacin y el ordenamiento. En otras palabras, no solo adhiere al
sentido que Campbell y Stevens han dado en sus definiciones, sino que lo profundiza aceptando al
nmero en tanto expresin de una magnitud o cantidad. Si bien sospechamos que en Campbell y
Stevens la apelacin al nmero es en su carcter cuantificador, como magnitud, y no slo como
ordenador, estableciendo jerarquas, en Marradi no queda duda alguna que lo homologa a la
cantidad. Ahora bien, considerar que clasificar y ordenar es abusivo como acto de medicin no
considera que toda medicin basada en la magnitud conlleva, inexcusablemente, la clasificacin y el
ordenamiento del fenmeno medido. Medir la diferencia de magnitud entre dos sujetos u objetos
implica clasificarlos y ordenarlos. Qu hace la medicin cuantificada sino expresar la
identificacin/nominacin/clasificacin de cada sujeto u objeto, el orden y la distancia cuantitativa
de uno respecto al otro? Quiz lo que se pretende cuestionar no es la clasificacin y ordenamiento,
sino la posibilidad de clasificar y ordenar sin apelar a la magnitud. Volvemos, entonces, al principio,
hay una concepcin acerca de la medicin que postula que sin apelar a la cantidad no es posible
medir.
Esta concepcin estrictamente cuantitativa constituye el ncleo en torno al cual se
concentra la versin que goza de mayor aceptacin y acerca de la cual no suelen proponerse ni en
calidad de hiptesis versiones diferentes, alternativas y, mucho menos, antagnicas. Esta mirada
limita un abordaje ms rico, ms complejo, es una concepcin simplificadora que asigna al lenguaje
numrico la exclusiva potestad de la medicin.
Ahora bien, para que podamos asignarle nmeros a ciertas cualidades de los fenmenos
que estudiamos, es necesario asumir que la distancia que hay entre un nmero y otro en la
variable o concepto que utilizamos, equivale a la distancia que hay entre un sujeto, objeto o
acontecimiento y otro. Nos encontramos, entonces, ante dos cuestiones que merecen ser atendidas.
En primer lugar, la distancia entre un nmero y otro son distancias convencionales establecidas,
segn ciertas reglas, al interior de una escala la cual forma parte de una variable, expresin formal
de una definicin terica. Sin embargo, las distancias entre los objetos, sujetos y/o acontecimientos,
son distancias que no dependen de convenciones y, menos an, de definiciones tericas, sino que
dependen de las propiedades condiciones materiales que hacen a la constitucin de aquellos.
Por lo tanto, la variable, en tanto construccin terica, reproduce con mayor o menor fiabilidad la
distancia real del campo emprico, de esto se desprende que toda modificacin en la definicin
terica producir cambios en la escala inherente a la variable. Ms an, habr tantas escalas como
definiciones tericas existan referidas a una misma propiedad del fenmeno en cuestin. Si bien se
dispone de recursos metodolgicos y tcnicos que evalan la confiabilidad y validez del instrumento
construido, no siempre estos recursos son exitosos. Significa esto arbitrariedad? No, simplemente,
expresa un modo de construir conocimiento que consiste en aceptar, o reconocer, que en el campo
de las Ciencias Sociales resulta dificultoso y, a veces, imposible garantizar una relacin isomrfica
(de equivalencia) entre la escala numrica empleada y el conjunto de propiedades del fenmeno
que se pretende medir. Por lo tanto, apelar a variables con magnitudes no garantiza una mayor
fiabilidad de la medicin, aunque potencia la posibilidad de realizar mejores ajustes en la instancia
del clculo y anlisis.

[38]
Las tipologas y sus aportes a las teoras y...

En segundo lugar, si las nicas definiciones posibles acerca de la medicin fueran la de


Campbell y Stevens, estas ciencias tendran un conjunto muy amplio y variado de fenmenos
inmensurables; en el caso particular de la Sociologa afectara a la mayora de los fenmenos de los
cuales se ocupa. Podra afirmarse que es una caracterstica limitacin de estas ciencias o podra
cuestionarse este tipo de definicin. Nosotros optamos por la segunda alternativa, no por una
cuestin defensiva del campo disciplinar, sino porque esta definicin, reiteramos, tiene un sentido
reduccionista y limitante de la produccin de conocimiento, se refiere a un tipo de medicin, a
aquella en la cual puede o tiende a establecerse una relacin isomrfica entre la escala numrica y
las propiedades del fenmeno a medir. Sin embargo, la ciencia no siempre produce este tipo de
mediciones. Estas otras modalidades o mtodos de medicin requieren de una perspectiva
conceptual ms inclusiva.
Por qu surge la necesidad o se propone como objetivo medir? Qu otra accin o acciones
generan esta necesidad, esta bsqueda? El objetivo de la medicin no queda cumplido con la
obtencin del resultado producido por la accin de medir, el objetivo del investigador es satisfecho
cuando, a partir del resultado, compara, identifica diferencias o semejanzas. Es un modo, no el
nico ni necesariamente el mejor, de ordenar la informacin, los registros de la realidad, para a
partir de all, evaluar e interpretar el resultado obtenido. La evaluacin e interpretacin es posible
porque hay una decisin previa de comparacin con otros resultados producidos mediante la misma
u otras mediciones. Cuando se compara se observan diferencias y semejanzas, a partir de aqu se
puede, no siempre, establecer un orden o jerarqua de los registros comparados y, de manera
menos frecuente en las Ciencias Sociales, pueden representarse con magnitudes las diferencias y
semejanzas observadas. Cada vez que se compara se dice de los objetos o sujetos comparados que
son iguales o distintos o que uno es mayor o menor que el otro o se puede identificar (cuantificar) la
distancia que hay entre los objetos o sujetos comparados. La primera expresin nos remite al nivel
de medicin nominal, la segunda, al ordinal y la tercera, al intervalar o por cociente. Apelar al
trmino nivel implica que entre las tres posibilidades planteadas hay una relacin tal, que el pasaje
de una a otra significa referirse a diferentes estados de complejidad de la comparacin. Pero
adems implica que en la medida que aumentamos la complejidad del nivel, estamos incluyendo en
el nivel superior el significado del o de los niveles inferiores. Cuando decimos que A es tanto ms
que B, estamos diciendo, tambin, que A es mayor que B y que A es distinto que B. Si "A
es distinto que B", quiere decir que hay por lo menos dos unidades de anlisis que se diferencian a
partir de una variable. De qu manera se diferencian? Slo en tanto y en cuanto "A" y "B" sean
clasificadas en categoras distintas en el interior de un mismo sistema de categoras. Sea que
cuantifiquemos la diferencia entre un elemento y otro, que jerarquicemos el lugar de un elemento
respecto de otro o que sealemos que son diferentes o iguales entre s, sea cual fuere la accin
realizada, en las tres estamos llevando adelante el proceso de medicin segn distintos niveles de
complejidad. En otras palabras, cuando se dice que medir es asignar numerales a objetos o
acontecimientos de acuerdo a ciertas reglas, se estn aceptando los tres niveles de complejidad
que nos hemos referido, porque asignar numerales implica establecer diferencias-semejanzas y
establecer un orden. Por lo tanto, diferenciar y ordenar forma parte indiscutible de la medicin, no
son acciones ajenas a ella, hacen a su definicin. De acuerdo a cmo se lleven a cabo estas
acciones, sea que el objetivo del investigador sea solo interpretar un fenmeno a partir de
establecer diferencias o que lo interprete a partir de un orden (que incluye las diferencias) o a partir
de distancias cuantificables (que incluyen las diferencias y el orden), tendremos distintos niveles de
complejidad de la medicin y como consecuencia de ello podremos acceder a estrategias de
anlisis, tambin, ms complejas.
En este sentido, incluyendo estas diferentes modalidades, Canales (1986: 67) tiene una
propuesta ms amplia para la comprensin de este proceso, concibe la medicin como la
cualificacin o cuantificacin de una variable para un estudio dado (). La clasificacin bsica de
las variables es lo que permite asignar distintos valores cualitativos o cuantitativos, para los
diferentes fenmenos bajo estudio. En esta ltima parte de su definicin nos recuerda la existencia
de los niveles de medicin como criterios clasificatorios de todas las variables, tanto las cualitativas
como las cuantitativas. Canales introduce la idea de la cualificacin como inherente al proceso de
medicin. Esta perspectiva, si bien est menos difundida, la consideramos ms cercana a nuestra
concepcin.

[39]
Nstor Cohen y Gabriela Gmez Rojas

No pretendemos entrar en un debate terica y metodolgicamente central en las Ciencias


Sociales ni tampoco sembrar dudas en el proceso de medicin, slo intentamos reflexionar acerca
de la complejidad de un procedimiento no tan simple ni tan obvio. En las Ciencias Sociales la
medicin es el resultado de un procedimiento que entrecruza lo conceptual, lo metodolgico y lo
emprico. Obviar o minimizar el tratamiento de alguna de estas instancias puede conducir a
mediciones no confiables ni vlidas. En las Ciencias Sociales no contamos con abundantes recursos
metodolgicos ni tcnicos que permitan disponer de instrumentos de medicin estandarizados o
suficientemente validados. Ms an, es una caracterstica particular de estas ciencias la de
provocar desafos terico-metodolgicos muy frecuentes, ya que es necesario preocuparse y
ocuparse no slo del fenmeno de estudio sino tambin de la estrategia de aproximacin al mismo.
La forma de aproximarse requiere de un ajuste entre los conceptos, el mtodo y las tcnicas, a partir
de una ida y vuelta entre los supuestos que subyacen al proceso de medicin y la correspondiente
contrastacin emprica. Estos supuestos son las premisas que el investigador tiene para establecer
tericamente el ms apropiado sistema de categoras, que le permita reproducir las propiedades de
las unidades de anlisis que le interesa analizar.
El proceso de medicin es un proceso dialctico que confronta, y unifica a la vez, los
conceptos contenidos en proposiciones con aquellos objetos o sujetos de la base emprica a los que
hace referencia. El investigador social no apela a mtodos ni tcnicas apropiados a (propios de) una
teora, sino que construye el nexo terico-metodolgico-tcnico a partir de su problema de
investigacin. No hay correspondencia unvoca ni determinista entre teora, mtodo y tcnica, hay
relaciones lgicas entre ellos y alternativas de combinacin respetando ciertas condiciones
formales. No existe el mtodo para dar cuenta de un fenmeno, sino ms bien se recurre al mtodo
que mejor adecue los conceptos a la base emprica. Independientemente de la estrategia que
diseemos como expresin del nexo terico-metodolgico-tcnico, cada vez que nos involucramos
en la realidad de estudio a partir de conceptos-variables, producimos algn tipo de medicin, ms o
menos compleja, de la que resultan datos cualitativos o cuantitativos. Qu es lo que est
ocurriendo en ese caso, en ese acto intrnseco al proceso de investigacin? En primer lugar, que el
sistema de categoras es portador de las alternativas que se suponen empricamente posibles para
la definicin de esa variable. La variable se expresa, se manifiesta, a travs de las categoras. Hay
un supuesto inicial que dice que sas y slo sas categoras son suficientemente exhaustivas para
referirse al universo de contrastacin. Este supuesto es direccional, fija un camino en el proceso
terico-emprico, por lo tanto, debe explicitarse el marco conceptual que lo contiene. En segundo
lugar, una vez efectuada la contrastacin emprica, se asume que se ha producido una cierta
correspondencia entre el sistema de categoras y las propiedades de las unidades de anlisis que
son de inters terico, en otras palabras, se han obtenido registros, observables tericamente
significativos que, como consecuencia de ello, permitirn completar el proceso que conocemos
como produccin terica de los datos. Slo si se da tal correspondencia podemos considerar que
esa variable clasifica, ordena o asigna valores-magnitudes a las unidades de anlisis en estudio. Por
lo tanto, no coincidimos con toda una tradicin cientfica que, como Norman Campbell (1919),
considera que medir es el proceso por el cual se representan cualidades mediante nmeros. Esta
es una concepcin reduccionista que excluye la posibilidad de representar cualidades de los objetos
mediante categoras cualitativas. Medir es para nosotros comparar mediante una confiable y vlida
correspondencia entre las propiedades de los objetos o sujetos, entendidas como atributos que los
caracterizan y distinguen, y el sistema de categoras tericamente construido, sea ste cuantitativo
o cualitativo. De no ser as, resultara incomprensible referirse a las escalas nominales y ordinales
como los niveles de medicin tal cual, habitualmente, lo hacemos. Suele decirse que toda vez que
no es posible medir entendiendo por tal, adjudicar magnitudes a cualidades, se clasifica u
ordena. En otras palabras, segn esta concepcin las variables pueden clasificar, ordenar o medir
segn representen o no cualidades mediante magnitudes. Sin embargo, se olvida, se omite que todo
acto de medicin es, en s mismo, clasificatorio y ordenador. Por lo tanto, concebir la medicin de
ese modo conlleva una contradiccin: separa aquello la clasificacin y el orden que forma parte
de su propia definicin. Adems, si el hecho de adjudicar magnitudes a cualidades legitima el acto
de la medicin, debera fundamentarse epistemolgica y tericamente la equivalencia magnitud-
cualidad, de modo tal que esa magnitud, y solo esa, equivalga a determinada cualidad.
Como ya lo dijramos en otra oportunidad (Cohen y Gmez Rojas, 1996), en las Ciencias
Sociales contamos con diferentes mtodos y tcnicas para pasar del concepto definido

[40]
Las tipologas y sus aportes a las teoras y...

tericamente, al concepto definido operacionalmente y, de esta manera, hacer de un concepto un


recurso apto (variable) para la produccin de los datos. En el punto siguiente abordamos uno de
estos mtodos que nos permite transitar entre el concepto corpus terico y el dato producido.

Acerca del pasaje del concepto al dato


En el campo de las Ciencias Sociales, desde las primeras dcadas del siglo pasado, ha
habido una importante y variada produccin de conocimiento en torno al desarrollo de mtodos y
tcnicas de medicin.2 En este artculo pretendemos concentrarnos en algunas reflexiones referidas
a determinadas experiencias vinculadas al proceso de medicin. Para ello hemos elegido las
tipologas como uno de los casos metodolgicos que contribuyen a discurrir respecto a esto que
decidimos llamar pasaje del concepto al dato. La eleccin no es casual, optamos por este recurso
como expresin acabada de una alternativa cualitativa de medicin.
Un libro clsico en estas cuestiones es el de McKinney (1968: 85) quien sostiene que el
tipo construido a diferencia del tipo ideal en Weber puede prestar el importante servicio de
funcionar como puente entre la teora sistemtica sustantiva y los datos empricos relativamente no
estructurados. McKinney considera la tipologa como un modelo analtico de una teora ms
amplia, en otras palabras, los tipos ganan importancia terica y emprica cuando se los coloca
dentro de un esquema ms general. Esta reflexin es coincidente con la de Casas Aznar (1989:
196), quien refirindose a los indicadores plantea que su verdadero potencial est en el desarrollo
de teoras y conceptos que puedan ser contrastables con su uso. Obsrvese que interesante es
esta reflexin, en la medida que trata la tipologa no como un recurso metodolgico vlido en s
mismo, autnomo, sino necesariamente incorporado a la teora, dependiente de ella. La tipologa la
concibe como orientando la investigacin hacia la produccin de teora, comparando lo que ocurre
empricamente con la construccin heurstica. McKinney hace uso de muchos ejemplos que
rescata de la pasada produccin sociolgica. Entre ellos se destaca la mencin a los cuatros tipos
de suicidios, tipos construidos segn su propia interpretacin, de la obra de Durkheim: el altruista,
el egosta, el anmico y el fatalista. Seala al respecto que
() esta breve consideracin de Durkheim sobre las tendencias suicidas debe servir
solo para ilustrar la posibilidad de enumerar casos concretos de grupos concretos, y
relacionarlos con tipos heursticos. () Cuando el analista puede detectar la variacin
de la incidencia del tipo en varios grupos, puede entonces formular algunos enunciados
generales acerca de esos grupos (McKinney, 1968).
Estas consideraciones son para nosotros de gran inters porque ponen el nfasis en primer
lugar, en la centralidad de la teora y en segundo lugar, en cmo el dato resulta de un proceso
productivo que involucra tres instancias: la conceptual, la metodolgica y la emprica. Es importante
sealar que no se da entre ellas una conexin lineal, en cadena, sino de mutuo involucramiento, de
puentes que son recorridos en ambos sentidos y que como consecuencia de ello pueden producirse
reformulaciones conceptuales y/o metodolgicas.
Uno de los ejemplos que proponemos tratar en este documento es el de Eric Wright (1994,
1997) quien ha enfocado el abordaje de las clases sociales desde una perspectiva neomarxista. Lo
consideramos de especial inters en tanto permite observar cmo se va recorriendo el complejo
camino de la construccin de las variables en los trminos planteados por McKinney, estableciendo
un nexo entre lo emprico y lo heurstico. En este sentido, su perspectiva neomarxista pone el
nfasis en el campo emprico contemporneo, si bien conserva la nocin marxista de explotacin en
las categoras analticas que elabora, busca redefinir los indicadores que le permitan interpretar
ms adecuadamente las variantes empricas que encuentra en su abordaje a la realidad. En una
apretada sntesis trataremos de referirnos a las premisas conceptuales, a partir de las cuales Wright
construye lo que llama Tipologa de las posiciones de clase en la sociedad capitalista.
En primer lugar, establece una distincin entre clase y ocupacin. Las ocupaciones deben
entenderse como posiciones definidas dentro de las relaciones tcnicas de produccin, mientras
que las clases se definen por las relaciones sociales de produccin. Las nociones de control y
2A riesgo de olvidar a varios de quienes produjeron conocimiento, en este prrafo estamos recordando a Likert, Torgerson,
Lazarsfeld, Guttman, Boudon, Barton, Coleman, McKinney, Thurstone, Osgood, Becker, etc.

[41]
Nstor Cohen y Gabriela Gmez Rojas

explotacin en las relaciones sociales de produccin, son centrales en el anlisis de Wright. En su


primer esquema afirm que las relaciones sociales de produccin podan dividirse en tres
dimensiones: a) las relaciones sociales de control sobre el capital monetario, b) relaciones sociales
de control sobre el capital fsico y c) relaciones sociales de autoridad, es decir, control de la
supervisin y la disciplina en el proceso de trabajo. En segundo lugar, estableci las tres posiciones
bsicas en las relaciones de clase del capitalismo: la burguesa, a la que caracteriza por poseer
propiedad econmica y ejercer control sobre los medios fsicos de produccin y la fuerza de trabajo
de otros, la pequea burguesa que posee y controla sus medios de produccin pero no controla la
fuerza de trabajo de otros, y el proletariado que no tiene la propiedad ni el control de su fuerza de
trabajo. Si bien plante estas tres posiciones bsicas, una de sus principales preocupaciones ha
sido dar cuenta de la clase media o de los empleados no proletarios de las sociedades capitalistas
contemporneas. Como resultado de ello incluy estas nuevas tres posiciones: directivos y
supervisores quienes no son poseedores de los medios de produccin en trminos de la concepcin
clsica marxista, sin embargo, ejercen de hecho diferentes tipos de control sobre los medios
materiales de produccin y la fuerza de trabajo, muchas veces a gran escala, los empleados
semiautnomos quienes no poseen ni controlan los medios materiales de produccin aunque
conservan cierto control sobre su propia fuerza de trabajo y los pequeos empleadores (artesanos,
pequeos agricultores, comerciantes, etc.) quienes son poseedores, parcial o totalmente, de los
medios de produccin, controlan la fuerza de trabajo, de muy pequea magnitud y no pueden dejar
de trabajar ellos mismos.
Sin embargo, a partir de crticas tericas recibidas por este primer esquema, Wright
reformul el modelo original. Las modificaciones estuvieron orientadas a medir de mejor modo el
concepto de explotacin, tericamente de mayor relevancia en su concepcin de las clases sociales.
Para ello, distingui cuatro clases de bienes y su propiedad o control desigual, proporcionando la
base de diferentes tipos de explotacin: bienes de fuerza de trabajo (que llam explotacin feudal);
bienes de capital (explotacin capitalista), bienes de organizacin (explotacin estatal) y bienes de
cualificacin (explotacin socialista).
El siguiente esquema formaliza la tipologa propuesta por Wright, a partir de lo sealado en
la breve sntesis de los prrafos anteriores.

Tipologa de las posiciones de clase en la sociedad capitalista

Relacin c/la
Propietarios .................... No propietarios ....................
autoridad
Contrata obreros Directivos Directivos Directivos No
Burguesa Directivos
y no trabaja expertos calificados calificados
Contrata obreros Pequeos Supervisores Supervisores Supervisores
Supervisores
y trabaja empleadores expertos calificados No calificados
No contrata Pequea Obreros Obreros No
Expertos No directivos
obreros y trabaja burguesa calificados calificados
Bienes de
Expertos Calificados No calificados
cualificacin

Decamos ms arriba que en Wright ocupa un lugar relevante el concepto de explotacin y


que a partir de la distincin de cuatro clases de bienes, introduce un criterio clasificatorio que
conlleva cuatro dimensiones de explotacin. Obsrvese que para transitar coherentemente por este
pasaje del concepto al dato, construye una tipologa que resulta de la combinacin de estas cuatro
dimensiones.
La que denomina explotacin capitalista, que se expresa a travs de propietarios y no
propietarios, es lo suficientemente general como para ser la nica que incluye a las doce categoras
resultantes de la tipologa. Las otras tres dimensiones de explotacin incluyen parcialmente a las
categoras de la tipologa, segn involucren a los propietarios o a los que no lo son.

[42]
Las tipologas y sus aportes a las teoras y...

La dimensin explotacin feudal se expresa por medio de la contratacin o no de fuerza de


trabajo combinada con el propio involucramiento o no en el trabajo. Esta dimensin genera tres
categoras entre los propietarios: burguesa, pequeos empleadores y pequea burguesa.
La explotacin estatal se expresa a travs de la posicin que el trabajador (no propietario)
ocupa dentro de la organizacin, segn la relacin que tenga con la autoridad y la explotacin
socialista incorpora el nivel de calificacin que alcance la tarea desempeada. Ambas
dimensiones, combinadas entre s, generan nueve categoras adjudicadas a los no propietarios.
Como resultado de la combinacin de estas cuatro dimensiones, se constituye un sistema
de doce categoras de la variable que llama Posiciones de clase en la sociedad capitalista. De este
modo Wright recorre las tres instancias que nos referamos en pginas anteriores, como intrnsecas
a la produccin del dato: la conceptual partiendo de la nocin de explotacin, la metodolgica
optando estratgicamente por la tipologa como recurso y la emprica obteniendo los registros u
observables de la realidad en la que se involucra.
Desde otra perspectiva metodolgica para la construccin de tipologas y, en consecuencia,
desde otro modo de transitar desde el concepto al dato, Zygmunt Bauman (2007) recurre a la
construccin de tipos ideales para describir el fenmeno del consumo en las sociedades actuales.
Este ejemplo resulta interesante pues es el mismo autor quien le dedica un apartado en su
produccin a las caractersticas metodolgicas de los recursos analticos por l elaborados: los
modelos de consumismo, sociedad de consumidores y cultura consumista. Bauman (2007)
retoma nociones de Weber respecto de los tipos ideales como
(...) herramientas tiles que sacan a relucir ciertos aspectos de la realidad social
descrita, mientras que dejan en la sombra otros aspectos considerados como menos
relevantes () no son descripciones de la realidad: son las herramientas utilizadas para
analizarla. Son buenas para hacernos pensar. Y aunque resulte paradjico, a pesar de
su naturaleza abstracta permiten la descripcin de una realidad social emprica. ()
permiten dar coherencia narrativa a la abrumadora y catica evidencia de la experiencia
humana (Bauman, 2007)
Para el autor los tipos postulan un mundo social emprico ms homogneo y con ms
coherencia lgica que lo que la experiencia cotidiana nos permite observar. Los tipos en Bauman, y
lo fueron en Weber, son un recurso (especulacin) ordenador de la realidad como paso intermedio
para su abordaje y anlisis. Los tipos no reproducen la realidad, para Bauman lo catico de la
realidad es irreproducible, sino que facilitan el trabajo interpretativo del investigador y contribuyen a
la produccin de teora.
Si bien a lo largo de su obra caracteriza los tres tipos mencionados, en el caso de este
artculo slo haremos mencin al consumismo. Cules son los rasgos ms sobresalientes que
destaca? En primer lugar, el consumismo es para Bauman un atributo intrnseco a la sociedad, no a
los individuos.
[Es un] tipo de acuerdo social que resulta de la reconversin de los deseos, ganas o
anhelos humanos en la principal fuerza de impulso y de operaciones de la sociedad,
una fuerza que coordina la reproduccin sistemtica, la integracin social, la
estratificacin social y la formacin del individuo humano, as como tambin
desempea un papel preponderante en los procesos individuales y grupales de
autoidentificacin, y en la seleccin y consecucin de polticas de vida individuales. El
consumismo llega cuando el consumo desplaza al trabajo de ese rol axial que cumpla
en la sociedad de productores (Bauman, 2007)
En su caracterizacin del consumismo Bauman introduce la comparacin entre dos tipos de
sociedades, la de consumidores y la de productores. En esta ltima la apropiacin y posesin de
bienes se orientaban a la bsqueda de seguridad a largo plazo en desmedro de la gratificacin
inmediata. Pero esta bsqueda no es til en una sociedad de consumidores, el consumismo que se
corresponde como estilo de vida en dicha sociedad no asocia la felicidad con la gratificacin de los
deseos, sino con un constante aumento del volumen e intensidad de los mismos.
Asimismo, se hace presente otra resignificacin de la dimensin temporal. La vida es
ahorita, acelerada, absolutamente inmediata, con apremio para adquirir y acumular pero con

[43]
Nstor Cohen y Gabriela Gmez Rojas

cierta urgencia en eliminar y reemplazar. La economa consumista descansa en el exceso y los


desechos, pues para que aparezcan constantemente nuevos y mejores productos, deben
desecharse otros. Y tambin en la insatisfaccin perpetua por parte de los individuos, buscando
como camino el denigrar y devaluar los artculos que se consumen ni bien han sido lanzados al
mercado. Est presente, tambin, la economa del engao, la sobrepromesa que apuesta a la
irracionalidad de los consumidores, a la emocin consumista. Ya no tiene lugar el consumidor
tradicional, aqul que se guiaba por sus necesidades genuinas.
Ahora bien, cabe preguntarse qu tienen en comn la tipologa de posiciones de clase de
Wright y los tipos ideales de Bauman. Ambas buscan la construccin de sistemas clasificatorios y
por ende de nuevas variables, para traducirlo a un lenguaje de carcter ms metodolgico. Los dos
autores logran, desde una combinacin de distintas variables o dimensiones de anlisis, construir
hacer operativas aquellas variables protagonistas de sus preocupaciones analticas: las posiciones
de clase por un lado y el consumismo por el otro. Tal como fue planteado, al recorrer la definicin
del consumismo (tipo ideal) en Bauman, observamos distintas dimensiones que estn presentes en
su construccin, entre ellas destacamos la bsqueda de gratificacin inmediata, la bsqueda de
acumulacin de bienes y el modo de desechar bienes asociada a la insatisfaccin permanente.
Obviamente el carcter (ms abstracto?) de las variables en juego es diferente, pues las
pretensiones de los autores son diferentes, pero en ambos las referencias tericas son las que dan
sustento a las tipologas elaboradas. En ambos hay una decisin de llegar al dato desde el concepto.
En el trabajo metodolgico que realizamos como investigadores tendemos a disear
tipologas al estilo de la construida por E. Wright y estamos menos abiertos a reflexionar sobre el
camino recorrido, como es el caso de autores como Bauman. En este sentido, cabe recordar que
McKinney (1968) mostr cmo el empleo de las tipologas ha sido tan usual en nuestra disciplina y
cmo asumieron distintas modalidades. Desde la perspectiva de este autor, las tipologas aqu
expuestas corresponderan a dos clases diferentes, una de carcter gradacional (la de posiciones de
clase) y otra de carcter polar (la de consumismo).
Ahora bien, es necesario aclarar qu elementos las definen como constitutivas de una clase
u otra. Comenzando por la de consumismo, puede decirse que est emparentada con cierta
tradicin en las Ciencias Sociales de tipificar entidades de manera antagnica, pues Bauman
recurre en su obra a la comparacin, a veces manifiesta y otras implcita, de la caracterstica del
consumo como propio de la sociedad de productores y del consumismo propio de la sociedad
de consumidores. Entendemos que de esta manera est dando lugar a la interpretacin del pasaje
de un tipo de sociedad a otra, al estilo de lo hecho por Durkheim (1985) respecto al pasaje de la
solidaridad mecnica a la solidaridad orgnica, en su estudio sobre la divisin social del trabajo.
Por otro lado, la tipologa de posiciones de clase responde a la bsqueda de cierta
gradacin, en la cual se pretende no solo tipificar situaciones extremas si no tambin intermedias.
Por ello entre la burguesa y los obreros no calificados Wright construye diez posiciones de clase.
Adems, desde las diversas aplicaciones de este esquema de clases se ha mostrado que a pesar de
su pretensin relacional, finalmente se comporta configurando estratos de clase ordenados
jerrquicamente, pero cuya discusin excede los lmites de este artculo.

Conclusiones
Dos son las cuestiones que nos interesan destacar en estas pginas: una referida a una
concepcin ms inclusiva del acto de medir en las Ciencias Sociales en general y en la Sociologa en
particular. En este sentido, acordamos con quienes entienden la medicin como la cualificacin o
cuantificacin de una variable, en tanto parte de la produccin de datos. La otra cuestin est
referida a destacar cmo se intersecan lo conceptual, lo metodolgico y lo emprico en el pasaje del
concepto al dato. Consideramos que no es pertinente hablar de el mtodo para dar cuenta de un
fenmeno, sino ms bien debemos recurrir al mtodo que mejor adecue los conceptos a la base
emprica. Esta bsqueda de adecuacin es la que lleva a intersecar estas tres instancias inevitables
en todo proceso de medicin.
Hemos elegido, en Wright y Bauman, a dos referentes de la sociologa contempornea,
diferentes pero confluyentes, que muestran sendos tratamientos cualitativos en cuanto a medir las

[44]
Las tipologas y sus aportes a las teoras y...

clases sociales uno y el consumismo el otro y destacando su preocupacin por el vnculo entre
concepto y mtodo o como dice Casas Aznar (1989: 91) atendiendo uno de los problemas cruciales
de la epistemologa de la ciencia: la relacin metacientfica del trpode realidad-dato-conceptos.
Con Wright y sus tipos construidos y con Bauman y sus tipos ideales pudimos ver, adems,
cun eficaces resultaron cuando incursionaron en la cosa oculta, en la dimensin latente del
fenmeno estudiado. Si bien sta ha sido nuestra eleccin, es importante sealar que otros autores
han recurrido al uso de las tipologas desde perspectivas metodolgicas y tcnicas distintas, por
ejemplo han apelado al recurso del anlisis de clusters o del anlisis factorial entre otras
alternativas. Estos recursos abren caminos muy interesantes para seguir explorando en el abordaje
de lo latente, abordaje que siempre ha sido el gran desafo o el gran obstculo terico y
metodolgico, de toda produccin de datos en las Ciencias Sociales.

[45]
Nstor Cohen y Gabriela Gmez Rojas

REFERENCIAS BIBLIOGRFICAS.
BAUMAN, Zygmunt (2007). Vida de consumo.FCE. Buenos Aires.

CAMPBELL, Norman (1919). Physics: The Elements. Ed. Dover. Nueva York

CASAS AZNAR, Ferrn (1989). Tcnicas de investigacin social: los indicadores sociales y
psicosociales. Promociones y Publicaciones Universitarias. Barcelona.

COHEN, Nstor y Gabriela GMEZ ROJAS (1996). Un enfoque metodolgico para el abordaje de
escalas aditivas. Of. de publicaciones del CBC-UBA. Buenos Aires.

DE CANALES F. y otros (1986). Metodologa de la Investigacin. Ed. Limusa. Mxico DF.

DURKHEIM, Emile, (1985). La divisin del trabajo social. Ed. Planeta-Agostini. Barcelona.

MARRADI, Alberto, N. ARCHENTI y J. I. PIOVANI (2007). Metodologa de las ciencias sociales. Emec.
Buenos Aires.

MCKINNEY, John, (1968). Tipologa constructiva y teora social. Amorrortu editores. Buenos Aires.

STEVENS, S. S. (1951). Mathematics, measurement and psychophysics, en S. S. Stevens (ed.),


Handbook of Experimental Psychology, Nueva York: Academic Press. En castellano en Catalina
Wainerman (comp.). (1976). Escalas de medicin en ciencias sociales. Ed. Nueva Visin. Buenos
Aires.

WRIGHT, Eric (1994). Clases. Ed. Siglo XXI. Madrid.

___________ (1997). Class Counts. Comparative Studies in Class Analisys.Cambridge University


Press. New York.

Autores.

Nstor Cohen.
Grupo de Estudio en Metodologa de la Investigacin Social (GEMIS)/ Instituto de Investigacin Gino
Germani. Facultad de Ciencias Sociales. Universidad de Buenos Aires. Argentina.
Magister en Metodologa de la investigacin. Licenciado en Sociologa. UBA.
E-mail: nrcohen@fibertel.com.ar

Gabriela Gmez Rojas.


Grupo de Estudio en Metodologa de la Investigacin Social (GEMIS) / Instituto de Investigacin Gino
Germani. Facultad de Ciencias Sociales. Universidad de Buenos Aires. Argentina.
Doctora en Ciencias Sociales - Licenciada en Sociologa UBA.
E-mail: gomezrojas@studium.com.ar

Citado.

COHEN, Nstor y Gabriela GMEZ ROJAS (2011). "Las tipologas y sus aportes a las teorasy la
produccin de datos". Revista Latinoamericana de Metodologa de la Investigacin -ReLMIS. N1.
Ao 1. Abril - Sept. de 2011. Argentina. Estudios Sociolgicos Editora. ISSN 1853-6190. Pp. 36 - 46.
Disponible en:http://www.relmis.com.ar/ojs/index.php/relmis/article/view/9/12

Plazos.

Recibido: 16 / 02 / 2011. Aceptado: 04 / 04 / 2011.

[46]
:~J.;; :/ x~~;r;: ~:
.(J/ '.;;,:: :1 .~1. ~IZ/l
r 11;{t(\;~~J
f"
' ..]) . . i'i!
;!'.' ! -:L., ~, .. !!/U~:' ' J ''f

rf~il*E};
; 1 ' 1 : .

;:ft ....; .m MUESTREO

<~'.~'.: ,. ' )oM~~;':jr,A ..


"'.'.Umv.c:Rso". o "poblacin" son palabras utilizadas tcnkamente pai:a, ;i;eEerlrse
r11 conjunto total de elementos que conslituyen tin rea de inters analtico.
ij Lo. que constituye la poblacin total est delimitado, pues, por probl~-
lj tjcas de tipo terico: si la referencia es hada individuos humanos, eL universo '
\~ o;'poblacin eStar constituido 'por la poblacin total de la humanida~;, ci por . !
f la poblacin de. un pas, o la de un rea determinada, etc. etc., segn sea la !
1 ~'. 4,efinicin del problema de investigacin.: . . ,:; 4 , .: .'.
f1 ,1,Los elementos que constituy~n a una poblacin, por supuesto, n? tiei;r.en
t que ser necesariamente individuos humanos; uno puede referirse a nacio_n~.
{.grupos, edificios, ani1i:J.ales; objetos fsicos o elementos abstractos (tales como
~ por ~jemplo l<t "poblacin de verso y reverso de uria moneda" o de.cualquier
.otra distribucin bihomial o multinomial). ,, ; 1::
'\'.Los pardmetros poblacionales (o simplemente parnetros, o valores ''.ver
: ~!ali.eros") caracterizan las distribuciones en la poblacin o universo;, 5tos '
e' p~eden ser valores de cie.rtas distribucior:ies de variables aleatorias tal.es c~mo
1
;
,'la media aritmtica o la desviacin estndr. ::. F."':;..
~,; 1, Se denomina muestm a un su~conjunto del conjunto wtal que;:! l,~ni
f verso o poblacin. . . ~.
(.:.;La teora del muestreo tiene como propsito csablecer los pasos ._o proce
;'. dimientos a travs de lqs cuales sea posible hacer generalizaciones ;s?br!! : la
~
~~oblacin a: partir de un~ subconjunto de la miSrna, con un gra.qo_, i:nnifio
'flo! &o... " -
": de error. Sin embargo, como veremos ms adelante, no toda muestra tirne
como propsito "sacar conclusiones" acerca de la poblacin; existen varios
tipos de muestreo que se ocupan de seleccin de muestras para otros pro
psitos. ,, .
.:'Las valores muestrales son los.estad{sticos computados a partir de. las mnes-
i.ras, y con los cuales se buscar estimar los pararoetros pobladonales.. , , ,
, : Decamos 'que no toda muestra. o no toda investigacin tiene corilo prop
1
.;:: sito obtener conclusiones ~c.en;a de la poblacin. Segn Galtung ,una mues-
1

'. , tra debe en general satisfacer dos condiciones: 1) En ella debe se; posible
poner a prueba hiptesis sus,tantivas, esto es, proposidones acerca de. rda-
dones entre variables, y 2) Debe ser pasible poner a prueba hiptesi~ de
;; generalizacin --de la mue~tta al universo-:- sobre. las proposidoneS estable
pdas en la muestra. \: , ,; \ ,. ;; .
! La primera de las condi~ones hace .referencia al hecho que la muestra ,sea

lo suCidentemente "buena"; para permitirle al investigador extraer conclusio-


nes en cuanto a las relaciones entre sus variables. ; ; '!., :.' '
, . : La segunda de las condiciones tiene que ver con la posibilidad de esta
: . blecer generalizaciones; es decir inferencias vlidas, con un grado de im:er
1 ; : " , : < ;:: '. :

1 Galtung, J.: Teor(a y l\Iltodos d la Jnuestigacicln Social; EUDl!BA, nuchos Aires:' 1956.
63 i '
,
i1l lJESTREO

tidumbre conocido. !'ara esto es necesario que las' muestras st:nn prob:ibil5 :1
dcas, ya que l:.!. det<::i m i!1an dei gr<1do de incertidumbre o de "Cuii:wza"
que pueda atribuirse a las. infr:.rencbs depende eu sus cmputos ele la rcora.
de las probabil1dad.r::;.
' Si bien las muesrr:s aleatorias 0 probabilsticas (cuando son de t<in:a.o
grande) tienden a i:11!1l?iir con las dos condiciones, existen casos t:n los ,:.:uales . 1
el iiivestigador pu."'Jc r.star ms interesado en la teora sustanriva que crf ia
genepi.Iizadn. Dediclmos la ltima seccin a los procedimientos para selec '!
i
cin 'd.e muestra en u;: tipo de situacioneS.
'
Sigl.tiendo los propsitos de este manual. vamos a concentramos ms en '!
aspec~os operaciona1es que en aspectos "tericos" .o "sustantivos"; es decir
que 'no
vamos a profundizar en la teora estadstica del muestreo ni tampot:o
en los problemns especificas que surgen en las investigaciones concretas y que :
tienen que v<::r con b relacin entre la muestra y el tipo de !1iptcsis q":e el I

investigador quiere probzir; Hay que sel!-lar solam~nte que en alb11ma.~ oca-
siones la fuestra eu :;j puede "dc:svnuar" la investigacin en tJ sei;Lido que
los procedimientos r~!l!:'.:s~rales pueden conducir a una desestntcturacin dd
univ~o; por ejemplo. cuando las unidades estn conectadas por rekciones.
espedficas de domin.~!ci0n, de interaccin, de comunicacin, etc. Nosotros va
: mos'a tomar estos c.;sos como un tipo especial de muestras predisptu.:str.s es .j
,j
' decir: muestras en d.:1d:! la co~probacin o rdura.cin de la. hiptesis p:i.~a 1 1

: a ser el resultado de i;.;ocedimientos de mueslrto.


: , Eu' razn de q'ue ~~;,1os a concentrarnos en sealar los modos operac.iona- l

: l~s para obtener ui~ti!;os tipos de muestras y no en la teora. csta<listica.


' de las. distribui.:ionc:, ff1:1t:;tr..i1e5, tecomendamo; al lector intereaat!o algnnos ,, :

. textos'importames. ..1 liu..-rat't:ra en e! :rea es :ibundante, y l:i. fta seftl~1da i i ,."


es sohiruente una mi;ii::1a seleccin. !' 1
, j.
t "':.

... :~
1 '
. fJb'"TINTOS TIPOS DE 1.HJESTRAS
l ;,

''
'
/El problem;i del 'mnestr!".o surge cuando la pobkcin a estudiar es demasiado 1 -;
, ~umerosa como para' implicar costos en energa y dinero insuperables. Se
trata'.entonces de se!ecciqriar a un subconjunto que minimice esos custo:i al
mismo ti.empo que no se pro<lzca prdida de precisin. ! :
' La teora del muesr''~ e-.;tablece las condiciones mediante las cua1es Lrn

'.unidades o las muestras son seleccionadas de manera tal que el subconjumo


;: _resultante (la n1uestra) co~tenbra el n1nimo ele sesgos posibles. .
:Muestras prt:disp-ue;/(ls. Son aqullas que han $ido sele~ciona~as de manera i
fal que la comprobacin o la refutaciqn de las hiptesis pasa a ser el rcsul-
1
"
"'-;;
tdo_,de procedimientos de mut:streo. Por ejemplo, una mue5tnt predisp'ueita
sera aqulla por Ia cual. para comprobar .alguna hiptesis acere~ del com-

:,
B. ;Laierwit.:z: "Sampf1g Tlieory ar.d Proccdurc:s"; en H. Blalock y A. Blalod: (E.):
Molhodolo;y in Social Ro.wfrch; McGHIlill. Nueva York, 1968. W. Cochran: Samf>ling
. Tcclm_iquc.s; J. 'Wiley & S11>. Nueva York, 1953. F. Yate-s: Sampling Md/w<L< far l'Mrn.St> ,.,
and Survey.r; Criffin, Londres, 1953. : .: A(~:.
;'.L': _.,.... t.
MUESTREO : ; : ,'.'_ d:i~r) ::
portamiento poltico de la poblacin total de votantes, utilizamos s0ameite' ,:
individuos o dementes que a partir de su pertenencia a un grupo especmO:J,
presentan peculiaridades que no son tpicas de la poblacin en su 'conjunt?.' . \
, Mueslra.s no predispuestas. Son aqullas cuya probabilidad de extraccipn '.)
es conocida. Hay dos muestras. de este tipo: muestras cuya probabiidad 1 ,~e
ser extradas es cero o uno (finalistas); o muestras cuya probabilidad de ser
extradas es diferente de cero o de uno (probabi.llsticas). ; : J.
El Cuadro 1 sintetiza los tipos de muestra que vamos a exponer en este
i. capitulo, los procedimientos bsicos para su obtencin y sus ventajas y des-
ventajas. Las muestras que vamos considerar son: : :l; ,
A) Miie:stras probabilsticas: 1) Muestra simple al azar. 2) Muestra siste-
mtica. 3) Muestra probabilstica (proporcional y no-proporcional). 4) Mues-
tra por conglomerados.
B) Muestras no-probabilsticas: 1) :Muestra casual. 2) Muestra intencional.
3) l'duestra por cuotas.
C) MtLestras para probar hiptesis sustantivas,

A) 'MUESTRAS PROBAnILSTICAS
~ 1'

' i
En este tipo de 'muestra todos los elementos que componen el conjunto tot.-11
o universo, tienen una probabilidad conocida de ser incluidos en la muestra.
Describiremos 4 tipos de muestras probabilsticas: 1) Muestreo simple al
. azar; 2) Muestreo sistemtico; 3) Muestreo estratificado; 4) Muestreo por con-
, glomerados. 3
1) El muestreo simple al az:ar
En el muestreo simple al azar, to<las las muestras y todos los elementos tienen
la .misma probabilidad de ser seleccionados. Adems, como mencionamos an
teriormente, esa probabilidad es conocida y diferenle de cero y de uno. 1
.La probabilidad para 1rn individuo o elemento de ser extrado en la mues-
tra resulta de la siguiente relacin:
1 '
P=-
N
'1'
.
Donde:
1::
N = tamao de la poblacin
I . i!lj

Por ejemplo: en el sistema de lotera en Mxico, la probabilidad de' cu'al.' .
quier nmero para ser extrado con el premio mayor es igual a: -. ! ::.1 ! 1 :
~ " ' 't l~~~~;J

Algunos autores, como Gallung, no incluycri este tipo de muestra entre las probabllfs-::;
ticas, en razn que los procedimientos de muestreo rompen el pncipio de aleatoriedad.:\
'". :' Este mismo problema surge en el caso de las muestras sistemticas, en Ja medida que i.ina;.H
vez seleccionada la primera urdad, la probabilidad de las unidades siguientes es cero o ,f(
uno, es decir que luego de seleccionada la primera unidad la muestra es finalista!,'.' 'i\%:,!
., \: <!;;:r;:
./39"'' jdt;:,
.t;
:.'
'.:
l\lUESTREO 67

tamao mi l!Ue se logre un mximo de precisin, con un La1~ad mnimo


de muestra. ; :. ' : .. '.
r Galtung nos presenta una estrategia excelente que consiste'.'en, el ,":irfn-
\ cipio ele las utilidades decrecientes", es decir, aquel que resulta ''del',sigu.ien~e
;~" razonamiento: no interesa tanto el ta1nao exaclo ele la muestra como la
;, "ganaucia" en trminos de nivel de significacin que el in~estigador puede
obtener aumentando Ltn nt'imero determinado de unidades.' .Y aqu- propone
dos maneras de razonar: i \i . ':
La primera surge de los mtodos estadsticos utilizados para.
el aruisis y
comprobacin de las hi ptcsis; par la detern1inacin del t:ima C!e la
muestra, se parce de diferencias mnimas. !: , ' ',
Es decir, la pregunta que debe ser resuelta en un principio, es quinivel
N= tamao ele la poblacin ,\: de confiabilidad y de significacin desea el investigador. ~'.?'isten tablas' para
n=tamaiio e!.: la muestra ' diferentes coeficientes de correl:tdn que especifican para c~cla nhel de sig-
: 1 = factorial nificacin el tamao de muestra necesario. Pero para ello, como bien lo
seala Galtung. es necesario conocer los valores padmeqos. Cuando tales
.Es decir, la ecu~cin nos va a se~alar la pro~abilidad que la combi naci6n valores parmetros no son conocidos, es posible determinar. el .,tama? por
de n elementos tiene de ser selecc10nada. Y i;sa probabilidad es Ja misma medio
de ciertas diferencias. El ej1~mplo tpico sealado por
, Galtung:es
., ,,.,, . el
'
para cada una de las muestras posibles de tamao n. En el cas 0 ele una
n~u.estra de tamafio. 10, cuya poblacin tiene un tamaio de 100, In proba-
s1gu1ente: , . . : , t: ,:\ ':
; Se est interesado en la significacin de proporcioni:_s. Cuap.do
"!
la propor-
t' 1 I
~1hdad para cualqu1er muestra de set extrada sera. igual a:
;
cin en la poblacin es p, y la proporcin en la muestra 3..
m !;. 1signific'aci~
.
1 l o nivtl de confianza es: "' '
,, ;b =: _ _1_0_01- - -121 603 388 140 ,---'-----, --
10 l----- X , J pq . l,

m -p > z 'l ' -m


(100 - 10)1 -- ' !:\ "; J'
El mu es treo a !t:n torio sin:ple, es el ms sencillo de todos Jos ti pos de mues- d
treo y, .c~a.ndo ~;' de tamano grande, no solamente t:sulta ser una muestra
probab1hst1ca,
. su10 adems una muestra por cuotas Adenis , ctialc t11 era g u e Donde:_::_= proporcin en la muestra
m
sea .el upo
de muestreo probabilstico,
. . en algu' n nivel de e"ste ]1 ay cuc re- p =proporcin en la poblacin
cun1r a muestreo aleatono sw1pli: (ver muestra estratiflc:ida, por ejemplo). z =ordenada a la cun'n normal (en este caso
con un nivel <le significacin de .32).,'
J.Cmo se decide el larna11o de la muestra?
Los nivele~ ele siguificacin mayormente utilizados en
Dijimos ms arr.iba c1ue ~ travs del muestreo se obtienen reducciones en de .05 y .01; para ello la cuacin original sera <\hora,
los ces.tos, e~ de~'.r, que m1e~Hras ms pequefia la muestra, menores Jos costos ve! de significacin del 5 %:
de la m.\'es.tigacwn en trnunos de esfuerzo, dinero, etc. Ahora bien, el pro
h~e:na s1gwente es cue a ruedida que la muestra 'es ms pequea, Ja proba ,,,

.;
bihd':d de error es mayor; entonces, las decisiones en la determinacii~n del
tam~no ~e .1.a mnestra se plantean de la siguiente manera: compatibilizar 1
... .
la d1spomb1hdacl l!cre~ursos (que normalmente son escasos) con la precisin .
s1
l .
p =- tenemos que:
1, 1; '"
1i ., . .~ ~ ~i;
deseada Cll las est1mac10nes. 1 En otros tnninos seleccionar una mw:stra de >!
-v
1\ ':; ..I.
1 l. _._i,,. ': ., .,

; ~ Al lec1or no familiarizado con los problemas tle la estadstica inferencia! reconientlamos


nestro capitulo. sob1e cnnccp_tos est~dlsticos bsicos. o algn te!(lO 5obrc: cHadstka; s.:co d > L96 yf)('l=7ij :::;: U)6 .y O25 .
-1
m~,~.
. .:. ', ,., j_-to~
mcndamos espec1alu11:11tc: Social Slalislics de Dlalod: H McGraw Hill Yo,r:ik 5 , T 10 :
Culc~ra Econ~ica, ~'r:dc~'. ~;/!i.)" '
1: ' ' ~

1972. (Ed. en espar,!: E.i:adlslica social, Fondo de


'1
~ ': i'
,l\IUESTREO MUESTREO 69 '
;'1; ; :
redondeando el 1.96 a 2.00 tenemos que:. '.r . t~~ 1
: 1 t,: i
?. ': Seleccin de una muestra aleatoria en poblaciones de tamao fin~l?:.
i '!
I i J ~ i" La extraccin de una muestra aleatoria simple en una poblacin finita, re-(
', . ,, .; .J ! l : r d = _!...
(.;. ,: .1
m quiere de un listado de todos los elementos de la poblacin. E~ decir; una
!: I '
"! vez definida la po_blacin (supngase que sta sea la de estudiantes en la
, . ,. Esta ecuacip nos va a sealar cunto se gana en valores de significacin Universidad Nacional Autnoma de !\.lxico o las personas que sufragaron
'' cuando.. se aumenta la cantidad de unjdades en la muestra, en las ~lecciones presidenciales en 1970 en Ch~le; o el total de a~umnos que
" ' concuiTen a las escuelas primarias en Costa Rica, etc.) es necesan~ te~i:r un
" listado de la misma. Uno procede a continuacin a enumerar _los md1v1d~os
CUADR' 2.
0
Valores orresfJondir.ntes de .tar1;r11o de la muestra y difer~ncia
: '.'. f . !i significalvn (z = 2; p =OS) en la lista, es decir se les asigna un nmero. Por ejemplo, s1 la poblacin
total est compuesta de 45 671 individuos, se procede a numerarlos: 00001,
\ 00002, 00003 ... 04534, 01:535 ... 45669, 45670, 45671. .Es importante que en
m, ., l 1, 1 9 16 25 36 49 64
d., r l , ; o.5 .
81 la enumeracin el investigador coloqe los ceros a la izquierda cuando e::tos
. 0.33 0.25 0.20 0.17 . 0.11 0.12 0.11 corresponden, sobre. todo .si va a utilizar para la. extracci~n tablas al7atonas;
m ; ':1oo:~i21 ~ 14.4 169 225
'
d. 1
J
.{.
Ao:io.: 1 : o.o9
,'' '. !J I"
o.os o.os 0.07 en otras palabras, cada nmero debe tener la misma cant1~ad de dgit?s q~e
el nmero total de la poblacin. Estas tablas son un conJu:ito de nurneros
1;, . t r j .. .1}.{i1.t 1
, i~I: .11~ ; . ~': :
! naturales que incluyen' el cero, presentados en una form": particular y que son
:. .'t.. . '; "' ~\ 1,
'.:'(Es decir qe aumentos sucesivos en el tamao de Ja muestra, producen obtenidos por medio 'de algtn procedimiento ale~ton~ (generalmen~e ~n
'. : disininuci!:m~s ~acla vez menores en el error estndar del estimador. En otras computador) que asegura que esos nme.ro~ no estan d1sl?':1estos. en mngun
' palabras el d~erm:nto del error estndar cuando el tamao de la muestra ' orden en particular, esto es, con el cnoc1m1ento de cualquier numero en la
! crecy ele 50 100, por ejemplo, es mayor que cuando la muestra crece de
tabla no es posible conocer qu mmero lo preced:e o antec~e'.
, 100 a 150. Esto quiere decir que a partir de un tamaio de muestra dado, Presentamos la seleccin de una muestra alea.tona en las s1gmentes etapas:
" los decrement9s del error de estimacin requieren tamaos de muestra ma- 1) Se enumera, siguiendo los criterios sealados ms arriba, a todos los indi-.
yores. .: viduos que componen el. t;niv.erso. 2)_ Se determina el tama~o de la muest~a.
La seganda rnanera de rnzonar, similar a la anterior, se hace a partir de
3) Se selecciona una p~gma cualqmera de la tabla de numeras ale:itonos
la' siguiente pregunta: "Cul es la utilidad que se desea en trminos de dis- (la seleccin misma puede ser hecha al azar). Puesto que en ca~a pgi~m. los
: minucin ele~ error, para un aumento de tamao de la muestra? Supngase nmeros aleatorios aparecen dispuestos en columnas, es :iecesano consider:ar
'' <\ue yno decide que cuando uno no obtenga ms que un aumento significa
tantas columnas como dgitos teng la poblacin. En el eJemplo que m_enc10-
ttvo de 2 % ? ~e 1 % al aumentar 100 casos va a parar. .nbamos ms arriba (poblacin =
45 671 casos), temlremos que cons~~erar
! Entonces tenemos: :!: .5 columnas. Reproducimos a continuacin parte <le una p:igina de una tabla
i: ~. : , . . '1
r /(: !!
de nmeros aleatorios: 7
. ' d(m)-d(m+l00)=0.02
9S 08 62 48 2 45 24 02 84 04 44 99 90 SS 96 39 09 47 34 07
. :, ,
. \: .. ' , ,"r . . d (m) - d (m + 100) = 0.01 35 44 13 18 so 33 18 51 62 32 41 94 15 09 49 89 43 54 85 81
: l l !, ! 1 ~!. ! l :'. 1 1 1

BB 69 54 19 94 37 54 8'/ 30 43 80 95 10 04 06 96 3S 27 07 74 ;i
1a ecuai:in g'.eneralizada cuando p = q es: 20 15 12 33 87 25 01 62 52 98 94 62 46 11 61 79 75 24 91 40
, . .l1 : ', L ;:
[J- ./ 71 85 22 95

l.
71 96 12 82 96 69 86 lO 25 91 39 00 38 75 95 79
1~'
,. \ W:'
t .

L 2\~P(l -p) '\' !- "~) =002


1

. ;..--::-:-r'sfst:r:rat-de duplicar la muestra; con niveles del l 3


18 63, 33 25 37 98 14 50 65 71 31 01 02 46 74 05 45 56 14 27

~ 1
,.
: \

l. !
\ :. :.,~ ( . ~ !. i ...... 1
' \

En el ejemplo que consideramos N es igual a 45 671; por tanto cons1dera,'.i;


1 ..

, f"' ,i :''
:i: ;.
m's cinco columnas. Seleccionamos cualesquiera de las columnas (supngase, i
:: .. que partimos de la columna tres). Tendramos entonces los nmeros OS62'!;.' ~ ''
. ,. :1-l
'.: . "'
''lrt..:i:v.
: . : :"' ! . ~. l
~ Extralda tic Illalock, H.: Social Slati.<tics; Jnternational Stuclent Edition, McGrnw-Hill: r :;:
o 'TalJJa cxlralda' de Gallung: op. cit., p. GG. 7
. Kogal:.usha, Tokio, 1972, p. 555. i,\'. :
.,.
1!!''
-, //,.~ti~=!:
........
,... ,, if;J
"''1 .. 't ',j!
i.: . p 1,.~n~
MUESTREO "MUESTREO 71
70

82645; 24028; 40-144:; 99908; etc. Esto significa que el individuo 0Sfi2l es Ja vau1eme ;simple determinar la precisin de las esLimado1~es que. se hai:n ~
primera observacin muestra!; puesto 11ue el nmero 82lH5 no aparece en parlir de:'.ys ol.J::.e;:va~on~s muestrales p~r~~e los err~t~es estndar d7 los. est.L
la lista lo saltamos. La segunda observacin muestra! ser el suj<:to 11i'.1mr:ro madores sguen d1smbuc1ones de probab1l!dad conoc1das. p:sta veutap resulta
24028, y as sucesvamente hasta agotar la cantidad de casos necesarios para del hecho de que la teora del muestreo aleatorio simple eml. ms, desarrollada.
. el tamao de la rnuesna n. Si algn sujero aparece repetido, tarnl.iin se lo que ning'una otrn. e) Tiende a rcllejar todas las caracterI.slicas del universo,
remplaza con otra observacin muestra!. Una vez que se llega al final de esto es cl.tano el tamao de la muestra crece, sta' se hace cada. vez ms re-
una pgina sin que se haya terminado de completar los casos necesarios para presen;atva del universo o p~l>lacin. . : ; ... " . ..: -.. ..
la muestra es posible pasar a otra pgina, o simplemenre volver al comienzo, Desventajas. a) .Supone un ll$taclo completo Je rodas las;umdades que c~m
empezando ahora con otra columna, diferente de la inicialmente seleccionada. ponen la poblacin. ObviamenLe, en muchos c~sos. no se cuenta con una. hs_'.-a
Como se vi!, este tipo de procedimiento muestra! implica un<t cautiad c.:Olll[)lt!tu. y actualizada <le la poblacin, lo que i:np1t!e el, empleo de. est~ diseno
respetable de trabajo, sobre todo cuando fa poblacin es grande. muestra!. b) Aun cuando se cu~nte con este llstado, s~ numeracin de:n~n
Una salida aiiernativa que conduce a ahorro de dempo consiste en enu- da mucho tiempo y trabajo que puetl:_n ser ahorrado~ s1 s~ cmple_a un ~IS:no
merar tanto las pginas del listado de la poblacin, como a los individuos . muescral distinto. e) Supone un rnmano de muest~a mayor que otros d1senos
incluidos en cada una de las pginas. En el ejemplo seleccionacfo por nos '~'. 1 para obrnner un mismo nivel de con[iabilidad! Esto signifi~a que para un mis

orros, supongamos que tenemos 46 pginas (15 de ellas on l 000 sujetus cada mo tamao de muestra, las eslirnaciones he.chas a partir "de UnJ muestra estra
una y 1 pgina con 671), en las cuales los sujetos aparecen eHumerados tWcada s.on ms precisas que las mismas esLimaciones ~1e~has 'a partir 1de. um~
desde el 001 al 999 en cada pgina (obviamente en la ltima pgina los sujetos muestra aleatoria simple. d) Es pr9bnble que. l~s unidades ~uestrea_das (s1
estarn numerado;; del 001 al 671 ). ; son i11dividuos que viven en una c~udad, por e1emp~o) qu~d:n. muy d1stant~s
Procedemos c11tonces a trabajar tambin ahora con 5 columnas, t'micamentc unas de ceras, con lo cual el costo para obtener la mfor~ac1n de e~~as um
que ahora las <los primeras columnas nos indicarn el nmero de la p;igina, dades ere.ce con la dispersin espacial de las mismaS. Otro~ dise!ios ?n.~est1:ales
y las tres siguientes el nmero de los sujetos; por ejemplo, si huLiscmos permiten reducir al mnimo.esta. dispersin .. : 1 '. ':A:V:;\j.J "1\.1::-~: :;. ;
comenzado con h columna seis ele nuestra tabla, tendramos los siguientes
numeras 24.826; '152'10; 28404; 44999; 08896, etc. es decir, c1l1e seleccionarnos

1
, ,, :_,,:_ :: .;:1'. t_ rJ /.;Ht ,,; ..
.
Ejemplo de una m11estra aleatoria simple.,
. ': ' i -,.
:,>;;,.",i!! !"':
1
.' .
el sujeto 826 en b ,gina 2-1; el 2-10 en la pgina 45; el 'iDl en la pgina 28; el 1

999 en la pgin<i H y as sucesivamente. Lo mismo que ~n tl procedimiento A comiu'uacin se ilustra con 1.111 ejemplo las etapas ya sealadas en la' ex-
anterior saltamos los nmeros que no correspondan a ninguna pgina, as traccin de una muestra aleatoria simple. La poblaci~ est. ;cbr~stituidi(por
corno tambin acuellos que aparezcan repelidos~ La ventaja dt este sistema es , 5 015 individuos que compon.en las 1 003 me:as (ele ci?c.o; :voc~lcs c~~a,:~na}
que se reconoce mud10 ms rpidamente qu 'sujetos aparecen repetidos. correspondientes a las doce comunas Je San ttag~ el:
Clul~. ;EI} ~ada \,un~ de
Hay otros pror.edimientos de seleccin aparte de tahh~ de nt'1merus alea- estas comunas hay un conjunto ele mesas conslltu1das po~. mu3e~es, Y: otro
constirni<Jo por varones, adem:ls de las .mesas formadas p~r extrnr:1eros:
1
torios, tales como los que se utilizan para la selecin <le los nmeros a ser ,
premiados en las. loteras (en donde existen dos series independientes de A partir de esta poblacin se extrajeron dos muestras aleatorias s1mpl:s
seleccin: una par; los nmeros y otra para los premios) pero en este caso de 200 irJ.dividuos cada una. La primera de estas muest~as (200 a) se extrajO
hay que recordar que es necesario reponer los nmeros nuevamenre al boli- directameme, vale decir, sin emplear el mtodo de enumeracin de pginas
llero, de manera tal que la probabilidad para cualquier bolilla sigue siendo descri~o ~n la pgina 90. L'l segunda se ~xtrajo despus de haber enump,:ado
la misma. Esto no se realiza por ejemplo en la lotera, es decir, una vez que las pligiaas r.Jel listado de la poblacin (200 b). En este cas, se forq1ai:on _seis
un nmero ha sido ext.rado no es repuesto. p~iginns i;on alrededor de 8'10 individuos cada una. '! ~ ' ' . 1 '
l'or medio de las dos muestras se estimaron dos parmetros: la proporcin
de varones en la poblacin (ji) y el promedio aritmtico () de los pup.tajes
Ventajas y dc1vf:11tajas del muestreo aleato1 io simple
. correspondientes a un~ variable cuyo rec_orrido era ~, !:)~1.:.,,~r..,Es;,.:i--se~liizo
Ventajas. a) No supone el conocimiento previo d: ningu11a de las caracters- con el objeto de comparar !ns _cstiinac1ones obtenmas, a pa~:tir de los, dos
ticas de la po!Jlnd<'J!l de la cual se va a extraer la muestra. Esto es, a dife- mtodos he extr~ccin de las oLst::rvaciones. La : 11formacin conte.~idn en cacl~ .
rencia del muc~;r reo estratificado, por ejemplo, no es necesario conocer la un~ ele l~slmuestras fue ~a siguicme: ; :.:r
! ... ' . .' .. :: '. ):(; :, ""
1

frecuencia relativa con que se dan las caractersticas poblacionalcs en cada , . : . ' ; . 'L! ;. " : . >;'.' J !i ~
uno de los esfratos. Esto significa que una muestra aleatoria simple st<t '1: 1} : . . . ; <-
libre de los sesgos que se pueden introducir por el uso de; ponclcrncioncs in 1 . ,!j: i
correctas en Ja5 unidades muesrrales (ver mnestreo estratHicado). b) Es rclari- .( "'' .:.~;~: 1
; MUESTREO . . i :; 73r:.

mis~as se~~ci~L A
MUESTREO
~
ciado el muestr.eo. las probabilidades son las para la primera
1 ; ' .'
;~
' ; ~ :
.-es decir estrictamente para los n sujetos que estn incluidos en el nmerof1
1 .
;, J.,.
f.~:
.l\fueJtra
200 a
Muestra
200 b fijo-, una vez eleg~d.o este ni'.tmero,_ la muestra pasa a s~ finalista ~en ~uestro .,,
~;
i: f
'; ,. ejemplo, la probab1hd~d ~e los suje~os. 65, 115,. 165, etc., es l, mientras q~e, .
1
:i:,,:I ., Nmero' d{hoi:nbres
:
en fa muestra
'
. 95 98 , la probabilidad de cu~lqmer otrq ~u jeto en el hstado es Oh b) .La desv:rltaJa
. ~ "" Propo1'cin de hombres en la muestra 0.475 0.490 ' ins sobresaliente es la que puede resultar de los sesgos propios del listado
: i :' Error estndar' cfo proporcin muestral 0.0354 0.0361
5.20
que est~mos utilizand. El_ directorio de t~lfonos, por ejemplo, dispon: d:
, :1 ,.".Media. aritmtica de los puntajes en la nuestra 5.12
. '': : :'. Error estndar de la media aritmtica ... 0.200 0.195 espacios mayores para el hstado de c~merc1os, empresa_s, etc., que pa.ra indi-
~ t '
,. viduos particulares. De manera que s1 no tomamos en cuenta esto, introdu-
". . . .: . ,; .~ :. ~ t. ' ti' .: . ' .. ' cimos en nuestra muestra el sesgo del listado. :; '
:Los .intervafos de confianza de 9! % para (jJ) y () fueron los siguientes: :....
..,., : : .: ~ ' . ~:" 1: . .
,, ~ :q. ~1' "di :: . !Huestra 200 a Muestra 200 3) Muestreo estratificado
~::
~ :1.: .. : ':? :. . (
/

'Este lipo de 1utiestra es conveniente cuando la p~blacin .universo pu;<le


! ..: : !
H 1'1 : d1 "" l' para (p): 0.105 < p < 0.545 0.420 < fJ < 0.560
.., ;,.; ,: ,~.''. . 1.. para L):; .4.81 <<5.19 4.78 < 1' < 5.46 ser dividido en categoras, estratos o grupos que uenen un rnters analuco,
1r: ''. p'J .. '1: . y qu por razones tericas y em:Pricas present~n diferencias eritre, ellos. La
!.: HJh 7 ... .:,. r: r r._ j ~ :
ventaja que ofrece la estratificacin es que roechante ella se logra una mayor
['')' \ li;!\-.d;~"::::-;j i.. ' , ' i 2) Muestreo sislemdtico
: ! . .. ':: !'.~,. l l ; ,. : . 1 1: . "! ". .l ' ; homogeneizacin de la muestra finl. . .. .:
, ~. ~s my;simi~ar al muesti-~o aleatorio simple. Hay que confeccionar un listado Por ejemplo, uno puede estratificar una poblacin segur;i. sexo: edad, st~lus.
'' ~e;todqs.lo~~lememos que incluye la poblacin; una vez en posesin del socioeconmico, nivel ocupacional, caractersticas de personalidad, tmcas,
.. li&tado ,de lai poblacin, la diferencia estriba en el mtodo para la seleccin educacionales, etc. O bien, si las unidades de anlisis son comunidades, uno
' de Jos ~asos; En la muestra aleatoria simple utilizbamos tablas aleatorias puede estratHicarlas segn su nivel de desa_rrollo socioecon_:nic?, cara~terls
, .i 9 procejlim.ie.ntos similares; aqul la seleccin se realiza por un procedimiento ticas .de produccin, geogrficas, etc. Es decrr, que la estrau1cac1n en _s, la
t; , x_i;i;; me.cmc~ que representa un gran horro ele tiempo. definicin de cada uno de los estratos, es un problema de propsitos de mves-
;_ ... ' \ !:.Supngase'.!que la poblacin sea de 50 mil easos; Una vez hecho el listado tigaciri, tipo de preguntas que se q':1i:r~ respond~ y teora sustantiva.
,. : y determ~qo,: el tamao de la muestra (supngase que sea de l 000 casos).
Una vez deHnidos los estratos y div1d1do el umverso en estratos o valor~
; ~e procede '<l,e la siguiente manera: a) Se selecciona al azar un nmero com- seo-n una o varias variables, es posible diferenciar dos tipos de mul!'stras
' . ; :. prendidq en,, la cantidad que resulte de dividir el tamao ele la poblacin es~r!'-tificadas: a) Muestra .'Stratificada propor:cional, y b) Muestra estra~~~cada
,! i ~ntre ;el,tama de ~a muestra (~n'nuestro cas? e?tre 01 y 50), y a partir de' no proporcional. '
La muestra estratificada proporcioal es aqulla en la cual la fraccin de
, ese m~me;-o ~e ~eleccionan las umtlades de la siguiente manera: b) Supngase
, que.el ,i;im~1ro seleccionado haya siclo el nmero -15; entonces voy a extraer .muestreo es igual para cada estrato; si existen diferencias en. las fraccione~
, , :. l?s ~asos 15, p5, 115, 165, 215 .... etc. (es decir cada 50 casos) hasta completar de muestreo, llamamos a sta no proporcional. '
. las 1 000 unidades. Una vez determinada la proporcin, se seleccionan las ~ue~tras den:ro _de
' ' ''.L!i}e~P/=. ~i estuver~n 'utilizando el directorio <le telfonos o cualquier ca.da estrato segn los proced.i'.11iehtos del muestreo aleatono simple ~na1ad?
; : ; . listad,<? :v.zr.11'}1" enu~erarla a todos los s;ijetos' listados; seleccionara una pri" . ms arriba. .
; . mera fr~i;c1~ ~ue ~ncluya todas la~ pg~nas con personas listadas, "y a partir .
. de l~ .P~tme? pgma extr~erfa m1s sujetos con un nmero fijo (cada 20, Ejemplo 1: Mttestra estratificada proporcional : ~ 1 '

. c,Pi\;~7\ ~ad~ ,~~.o,? cualquier otro), hasta comp_letar la cantidad de casos.


: Supngase que. el. propsito de la inves~igacin es proba~ algunas hipt~i~ ; : :i
,
) "1 .,, uI : 1:, ... ' ~ . . ; .; f; ~ ; : .
. < ( i ' .. "acerca del rend1m1ent escolar. Nuestro s1ste~a de hiptesis plantea que ex1s-; "
;': ' Ventajai y' desventajas ! ten diferencias significativas en cuant? al rendimiento _escolar de los nios:'. [ !;
;. . : : . ;. i l' ' 1 ) ~ : 'l .. ji'I;'
'i:, , '.: Venta}"a.{ ~) Las ventajas tcnicas son sl.mlares a las del muestreo aleatorio segn sea su extraccin de clase, y de una serie de otros factores que aqu" '.' '.'
vamos a dejar de lado para simplificar el ejemplo. Definido nuestro inter_s"; :!
)simple. b) T~ene una gran ventaja econmica .ya que facilita la seleccin de
l~ muestra, spbre todo en aquellos casos en los qtie ya existe un listado . " en estratificar a la poblacin escolar segn su clase social, supngase ahora,' J!
. 1Desvimtajaf.' a) Desde el punto de vista estrictamente estadstico, este ti-po 9ue estamos en u?~ escuela concreta a la cual concurren 500 nios; .de~ennij\,;ij
~ de muestreo !1 es probabilfstico ya que, si bien es correcto que una vez int-
namos la composm6n de cl:ise de la escuela y el resultado es el s1gu~en:e"il\)iJ
': 1
1
~ :
1
-~
h-.11tt
... 1'
'
1
' :/:*J :!;:!f: \~
'., .

~ ., ; r, : ~;
r ,,

l;
1, ;I
:.!UB:iTRl::O !l!UESTREO 75
r , " !
; " 50 runos provienen de clase alta; 300 nios provienen de clase media; y Una vez. decidida la canridacl total de la muestra y la cantidad ,de casos
150 nios provienen de clase baja. 'en ca:da estrqto, procedo a seleccionarlos segn los mismqs procedimientos
Supongamos que el tamao de muestra a seleccionar fuera del 10 % del indicados paila i:l muestreo aleatorio simple, tomando 25 casos de cada lis~a
universo, esto es 50 casos. Si estuviramos uLilizan<lo muesrreo aleatorio sim (11, 1J y (:). Qbtengo entonces el Cuadro 3. ; :'. "i : . , :
ple, la probabilidad de que la muestra resultanLe contenga exactamente u"n ' Esta tabla es importante para los propsitos de generalizacin a la pob~a
10 % de cada emaco (30 nios de clase media; 15 de clase baja y 5 de dase cin, .ya que ~hora tengo que ponderat las diferentes fracciones de mues~eo.
a:lta) es muy baja. Nosotros queremos garantizar que vamos a obtener exacta Para ello, en el caso de la media aritmtica, por ejemplo, hay que operar
mente esa cantidad. Entonces, en este caso vamos a trabajar con un mt1e>treo .de la, siguie~te fo1ma: a) Calcular la media aritmLica para cada estrato;
aleatorio proporcional, es decir, la fraccin de mues~reo para cada estrato ,b) Po"nderarlas scg1"m,el tamao rdaiivo tlel estrato.
ser exactamente la misma: 10 3. El mtodo <le seleccin emonces es el si-
guiente:
a) EsLratifico a la poblacin en tres clases; nios de clase media, alta y CUADRO 4
,: ..
baja, respectivamtute.
b) Confecciono un listado independiente para cada estrato, emm1erando
. Estratos
,;.
:,
. ~
"
a mi~ sujetos (en :a lista A -<le clase media- unos nios estarn enumera
dos del 001 al 300; en la lista B, de clase baja, estarn enumerados del 001
Alto M~dio ":nao,; : . Tolal

al 150; en la lista C, estarn enumf.rados" del 01 al 50). Tamao ~el estrato 50 300 150 l 500
e) Procedo a la seleccin, por los mtodos indicados <:n c:l muestreo alea- >J Peso(Pi) 0.10 0.60 0.30 ,.1
1.00
torio simple, dt: 30 casos en la lista A, 15 casos en la lista B, y 5 casos en la Tamao 4e la muestra 25 25 ~!
!isca C. Con ello logTo que la muestra ele 50 casos sea una rplica propor 17 ;~
l\o!cdia aritmtica (:tlfi) 24 20 '
cional exacta del ni verso, en lo que a clase social se refiere. Para los pro:i- :(,:
Dc.sviacin estndar (ai) 5 4 "7! ' "!'
sitos de generalizacin las muestras" estratificadas proporcionales no ofn!cen
complicaciones en d clculo. h~f':.; .: ,:;J !~:
El clcujo de Ja media muestra! ser realizado <le acuerdq a J~' ~iguicnte
Ejeml1lo 2: Muestra estratificada no -proporcional frmula: " i
Estamos en la misma escuela del Ejemplo l. Estamos interesados en com
~i :f !
. i ~f ;;!; ~I
parar los rendimientoii de las distintas clases. Ocurre que con la mutstra que
obtuvimos mediante el muestreo aleatoi"io estratificado proporcional, no con- Donde: M, =media aritmtica de cada estrato il ~: r
." ;
i
: ! ~ :i
P, =peso de cada estrato ' ,: ! ,'...:i
tamos con suficieures casos de .nios de extraccin de clase alta, ya que lene
mos solamente 5.
En' nuestro caso:
Decido entonces que para los propsitt.:is de mi anlisis, voy a necesitar
25 casos en cada e:;trato, es decir que mi muestra va a ten un toral de 75 ...
casos. Tendr entonces un muestreo estratificado 110 proporcional, ya que no l'-1 1, = (20 X 0.60) + (17 X 0.30) + (2'1X0.10) = 19.5
~ "'. ~ :p ' ~ d ... ~.
voy a respetar la :roporcin original en el universo.
En el caso del error estndar: . ; ''~' :: ) ;:: r,
1 1 : ~i J
CUADRO 3 aT :::l. ( ! X 0.60)
1
+(7 X 0.30) + (5 X 0.10) =5.0 "I. : i'"
': 1 1 i ' ' ; 1 1 i"
1i f ;~ ; i 1!.'. :~,, 1;
1
1 1
U11it1CT"SO Muestra
,vent;1:asr 1
cf,esventa1as . . . . ; ,, '.'' .;
1. : -

1I;pnla ao (i:t bs de las ofrewlns P?r el muestreo aleat~n.o simple). ~) .P


C/as~s Sujetos Sujdos Fraccfn d~ 11111estreo
1
muestra lesl Ji;\s "homognea, garant";ando la representat1v1dad,, b); Eiimma
Clase alta 50 25 50 %
Clase media 300 25 8.33 . l~s error.e~ en la estimacin lJlle son producto de diferencias entre. estratos.
Clase baja 150 25 16.7 3 e) Uni ~ei)taja adicional ofrecida pol' el muestreo estratificado no proporcio-
500 75 nal, ~s l;,t de posibilitar un mejor conocimiento de grupos pequeos (en re
!acin a Ja calltitlad total de casos). , :, /94 -:
:"
' MUESTREO ' I ; 71 I1 .!l;.i~1
:. '
::;}, 1~ .: I!
.: ; ~! lJesv~ntajas.
j !;:i''.:. tv!UESTREO

a) Supone el ccmodmienlo previo de las caracLerisLicas de la


::ipngase que nos iteresa determinar ciert?s caractersti?1s soci~p~i~~?,\:;
, 1'.;l
:' i ; pob.lacih, a parlir de las cuales se estratifica. b) Son <le costo ms elevado gicas en los Estados Unido:; l\exican~s, es d('!cir, que l.a unidad d<: anhm: rt,W:
.'. que. las aleatorias simples, en ~inero y energa.. c) Exigen tratamientos esla- es un pas. M..'Cico tiene una extensin de unos. 2 tnt!lo?es de kilmetr~ "'.;,
cuadrn.dos y aproximadamente GO millones de hab~tantes. Si. para. los clcul~s, 1;
1

. d?t~co.s .~e clculo ms complejo. d) Pueden' existir dificultades en la dewr-


. mmapn de estratos homog~neos. e) 1:4 muestra estratificada proporcional vamos a partir de <;iatos agregados sobre caractersticas de lo~ :nedx1ca_nos, ,Plarn- .j f.:,'

tear una muestra aleatoria simple o aun una muestra estrat1hca a, 1mp 11ca a _1
11

: algunas~veces puede no proveer de un nmero suficiente de casos para an-


' lisis: comparativos inter-est:i"atos. el problema de Ja dispersin de las unidades a lo largo del pas. Por lo. tanto, '.\\
. ~ r: " l1: ~; nos decidimos por una muestra por conglomerados. Y la vamos a realizar e~ H
. : r; ~~ ~ 1 varios esca lories: . . . ' \
i) En el primer escaln, vamos a tomar la divisin p<>lltica ~e M~xi~o en ::

: p. ; i~: ~ j; ' 4) Muestreo por conglomerados


; ' I .
32 Estados. Tendramos entonces el mapa que aparece en la pgma s1gmcnle.
\; : Mu~1a~~ de. las' invesligac~ones en. ciencias sociales _~ncu corno objeto tle es-
ii) Obsrv~se que numeramos. a los 32 e~tados; conglomerados ahora. Pro- "
.; :; tl.:-d:~ ::-imcl_ad~s .tales. c~mo na~10nes, estados y similares, que admiten sub-
cedo a continuacin a seleccionar al azar digamos l l de estos conglomerados.
.. ; d1vmon~s o que ya contienen distintos conglomerados ..
. Es en~es~e 'sentido que hay bastante similitud entre Js muestras esLratiLica- . : (aproximadamente un tercio). El sistema ~e seleccin puede ser puraro7nte
. al azar; es decir, utilizamos una tabla, o simplemente colocamos 32 bolitas,
<l,as y las iliu~stras por conglomer~~os, aunque existen diferencias mporlantes
. e1~ cuanto ~ ~o~ mtodos de seleccin en uno y otro cso.
y vamos ex.trayendo de una en 1,lfla hasta complet~r 11 (no olvidar .. de :e-
poner); 0 como hemos elegido en este caso, segulf ~l sistema de . agups
;En t~m~~s:,generales el inv.estigador considera al muestreo por conglo-
mer~dos, en aqu~llos casos en los cuales la poblacin a estudiar est dispersa
de reloj", es decir, seleccionamos de entre las tres pnme.r~s al azar u.na y
a lo' largo d~ .reas geogrficas extensas o situaciones similares1 don& los luego procedemos como en el caso .del muestreo s1st~matico a selecc1on<l!
,' . cpstos para a~d..nzar las unidades .resultan ser muy elevados.
cada tercera. En otras pal::tbras selecciono al azar la umdad 1, 2. y 3; supn-
gase que resulte elegida la nmero 3, entonces saldrn automticamente s.e-,
, J, ,, Los pr?ce?1m~en~os para la seleccin de la muestra en este tipo de muestreo
leccionadas las unidades 3, 6, 9, 12, 15, 18, 21, 24., 27, 30 y 1. Por med10
son los s1gme.~tes: ' .
de este sistema estoy buscal)do tener representados a todos los segmentos
a
' :. ") 'Es ~e9ari? dividir .1~ .Jiobia:-in en conglomerados lo ms homog- geo<Trficos a lo largo de la Repblica. stos son los estados o conglomerados
. , n~os qq~ sea P,:5~ble. Esta d1vmn por conglomerados puede hacerse a varios
que"' aparecen sombreados en el mapa. Si se tratara de una n:uestra de un
: . , ?~~veles;. es dqc1r,:se p;iooe operar en varios rscalones o etapas.
escaln, censara a todos los habitantes de los estados seleccionados; pero
: . b), l_f n.a ve~ detennmados los conglomerados, se selecciona al azar del pri-
vamos a proceder a nuevos escalones, y para. represent~rlo vamos a utilizar
, ':,er mv~l de, conglomerados !J. una proporcin determinada de los mismos
al Distrito Federal, que supongamos haya salido selecc1on~do. .
{51. selecc~onamos a todas las unidades clenuo de estos conglomerados, habi'a-
i!i) Vamos a utilizar nuevamente aqu las 25 ~ivisiones zonale.s (13 rnum
mos .dt: m'.iestra: de escalu o de una sola etapa).
cipios y 12 cuarteles) utilizadas en el Censo Nacional de Poblar.16n de 1970
. ~) De~t.ro de los co~glomeraclos .seleccionados en b, procedemos a una nue-
, v.a ~eleccmn ~~ ~onglomerados al 111terior ele cada ui10 tic ellos (nuevamente, (Ver kiapa 2). . ..
El Censo Nacional de Poblacin de 1970, del cual tomamos la dms16n del
, ,si tomamos a todos los casos dentro <le este segundo nivel, hablamos de
Dislrito Federal en 13 de:legaciones censales, bas la jurisdicci~ en .~riterios
muestras; de 2 escalones).
tales como superficie en kilmetros cuadrados, nmero de localidades, pabla
: :4) Si procedemos por el mismo mtodo a seleccionar dentro <le un tercer,
cin estimada para 1970, vas de comunicacin existentes y accidentes toio-
; o ,cuarto:'niV:I.. hablamos de muestras de escalones miiltifJles. .
Tngase bien.: en claro que una vez determinados los conofomerados se grficos. .
La Zona 1, que concentra la mayor cantidad de habitantes (ver Cua~ro 5),
procede a una.. seleccin aleatoria enlre conglomerados, y una vez selecci~na
0
1

'. dos .stos; to~amos tod?-r las unidades al interior de cada conglomerado se- fue dividida en cuartele; (12 en total). "
A los .fines del. muestreo por Conglomerado, cada cuartel de la pr;mera
. leccwnaqo. s:~. es la diferencia entre una muestra por conglomerados y una
divisin censal l (ciudad de Mxico) ser tratado como un conglomerado
:nues~ra ;strat1ucada. En la muestra estratificada, una vez determinados Jos
aparte. En este caso habrla que subdividir mapa e~. 24 .conglomer~~s . ..j; l:. 1
;1
estratos,' s.el;c~iof!bamos los casos al interior de cada estrnto (proporcional o
v) Seleccionaremos nuevamente por el 515tema de agups de reloj:~. a .~\.0t\,\'i
no proporc1o~almente).
,un, ejFplq: nos~ ayudar mejor . seguir con mayor detalle el mtodo para B Uno puede tomar olro criterio por supuesto para de[inir Jos conglomerados: regifI, :tJ.!
la: seleccin. dr
um~lades en este tipo ele m'uestreo por conglornerados. y va- geogr[ica, cantidad de ha~i1antcs, ele. Hay que trat~~ que ~to~ sea~ lo ms horoogn.~~..'.ii~!l'
que sea posible. En los ltimos cscalon's yamos a ut1!11:ar cntenos diferentes qu~ l.as d!7~1:1!1iJ
!IlS a elegir ;un ejemplo particularmente extenso para hacer ms clara ]~ . ![ ' . ,1 ' t1 ~.
exposicin. : !: s10nes po t1cas. , , \ ,. ;;fq
~
~ '. :.n.: il!ij(ai
'

'!
..:
1
.-1~s~1:: 1 \i1 1~11w1
, \;,,, 'H~ ~~:tr~
MUESTREO MUESTREO 19
i
. _F~
d.e ral. Divisin ':
'! r ,
,. "
Di~tnto
1.
n1c1p1
y 12 cuac.

1
' '1
central en 13 mu 970) 0 El mun1c1.
tele1 .ce1!10 de d~ M~ico) incluye
1 (C..1udad
Eosio cor glornerndos
del l ul 12.
:

1
i '
'
i1
1

!:


,.
;:
' ;
,,
''
: :
'
i
Iiaitantes

2 902 969

:t 534 554
339 446

. 36 200
1 186 107
477 331 '.
522 095
: : ; ~ 75 429
33 694
456 709
! . 62 419
~: 130 719
116 493

: 1
6 874 165

''
i\1UE~TlUiO 81 '
l

tinuacin en el J\fapa 3, no tienen que ver con los 5 mil habitantes, sino .
que se hace con el propsito de ilustracin simplemente. 1 :! '. J ' !
vi) Procedo nuevamente a seleccionar por los mismos mtodos .sealados
en cada escaln anterior, digamos ahora a la cuarta parte <le las subzonas o
conglomerados de tercer nivel. Las reas sombreadas corresponden a los con- ..
glomerados seleccionados. Procedo en forma idntica con el rest de las" 7 .:
zonas seleccionadas en el segundo nivel. Si el investigador decide :deteqerse'
en este escaln, debera tomar en'tonces a todos los casos dentro de cada zona. '
Pero nosotros vamos a proceder ms adelante. : :, ;, . , i .
vii) Tomamos para ejemplificar, el conglomerado n'mero 32.! Vo,y a selec-
donar ahora manzanas dentro del conglomerado. Para ello las enumero: y
procedo en forma idntica que en los casos nteriores. El critetio para selec-' ;
donar la~ manzanas no seguir el sistem~ de agujas de reloj 1 l sino: selec~io-' .
aremos al rll:ar al 20 % de ellas. Nuevamc;nte de detenerme aqu censara':
a todos los habitantes dentro de las manzanas seleccionadas. Podra segir
ms adelante y seleccionar ahora edificios y, una vez seleccionados stos, cen
sar a todos. El Mapa 4 sefiala las manzanas seleccionadas en el ct.iarto escaln.,'.
Como el lector podr anticipar, el sistema de .clculo para las estimaciones ; .
de parmetros es complicado, ya que hay que tomar en cuenti.:- los .factores de ..
roporcionalidad en cada escaln. ; , ,i : :: .. 11
, ,!"

t:.' "
"I :,'

::
MAPA. 4-. Ejemplo del 4Q escaln. Corresponde al conglomerad :"3~ d~'{c~~~td 2;,
de la ciudad de l'vfxico. El sombreado corresponde a las manzanas seleccionadas.
1 (
! . ',i i,if. : . :.' 1.

Ventajas y d~sventajas . , ; ,~ .J~ ,,! f /).


1 . :. : ~ ! Jl :: : . !', :
Venta7as. a) La ventaja prmcipal de este upo de muestreo es, ~a;!=.onc~ntracin;
de las unidades en reas, lo que evita el desplazamiento a lo largo de reas
muy extensas, representando consecuentemente una econom~a, de gastos en
trminos de energas, costos y tiempo. b) Otras ventajas son similares a las
ofrecidas por los tipos de muestras indicadas ms arriba. ! r . ;
Desventajas. a) Exige tratamientos esL~dsticos algo complejo~. b)~:P:n cor:n.
paracin al muestreo aleatorio simple o al estratificado, representai'prdidas;
en precisin. e) La muestr). pierde car~cter ele probabilstica; en medida: la
que una vez seleccionados los conglomerados primeros, la probabilidad de
ser extrados que tienen los individuos del resto de Jos conglom7rado~ es cerfl.'
1 ':: , ./-{$-
:. ' 82 iJ< il ! . "
~~;-;' '.fi,l.H ''(ilaiJ't.;~'"1'1~
i
MUESTREO
.!.. . !!': 1; 1;.1 . MUESTRE.O , -
1
1
... , f:. i
.En "sntesis ;
.. 1~ ~,1 t~iii: l i . d ai l.f ..
1
.~ltn:l.t!
en as cuales se ap 1ca requieren e person menos ca i ica o;; e .ma~1:11:;
.:.c1ones
c1' Dd ,
~\nera que el costo resulta muy reducido. Sin embargo, como lo sefial~mii; ,
. ' i . i '
i: '
Los: cun:ro t~pos de. muestras alcItorias que presentamos pueden ser a lica ~'varias _veces, a partir de ellas es ca.si imposible hacer alguna gene'alizaci.;>~i ;:l i
dos en s1~uac1on~s cl1[erentcs, siendo tambin posible hacer combinacioi;~ en :ril ylida que vaya ms all de las caractersticas de los individuos q_u~ andan a ; :!
,tre. ellos. Es decir, se puede partir de muestras de conglomerados e incluir
flX}:~: i~n deterrni:~das horas, ~~~ determinada.s calles, etc.'. : : ;,: .~ !,:
'' i' en los escalones
finales
.criterios de muestra estnitificada , por ej'emplo, ..1unque

1 1

; por-su~uesto esto imp 11ca complicaciones adicionales en trminos de clculos


! estad~st1cos al mome1~to .de, la estimacin de los parmetros. ji!',::. I 2) Las muestras intencionales :: ! , ;:_:' '
La. muestra aleatoria simple, cuando la::9llltidacl de casos es abundante, en
,. .:1rt:; . ' r . ! 1
tnmnos general~: debe ser preferida al resto de las otras muestras particu-
' !.i*i Son el producto de una seleccin de casos segn el criterio de algn experLo;
larmente cuando no se corn;ce lo suficiente sobre los parmetros p;blaciona
les. Cuando es posible estrutCicar hay cue hacerlo, ya que esto homogeniza la
ik: pot medio de esto se seleccionan algunos casos que resultan ser "tpicos".
ifi Nuevamente estas mestras no son totalmente intiles, prque resultan de
hl\:: importancia en las etapas exploratorias de la investigaci6n, sobre todo si se
'
J
r:it~estrn, Y los clculos consiguientes resultan de mayor riquem y representa !1;! utiliza a estos casos como "informantes claves" sobre situaciones especficas
t1v1dad. 1 ., ;
;l

',La mi:.te~trn
por; ~ongloinerailos si bien tiene algunas limitaciones en tr
1ih (ver diagrama en. el Capitulo I, "La organizacin de un suruey"). 1

m1~?s d; mf<;renc1a, representa muchas veces la nica salida cuando los re ';:.
~i
!1

cur~os d1spom?les no son suCicientes para plantear cualquiera de las dos pri 'i( 3) Las muestras por cuotas
meras alternativas.
: '' L1 niJest1:a sis_t~mtica debe ser utilizada nicamente en aquellos casos e, : Son en alg<ma medida una especie de muestra estratificada y son muy uti
que_resulte 1mpos1ble o demasiado costoso aplicar una muestra aleaLoria sim. !izadas pot algunas agendas de investigacin de mercado. A una serie de en-
ple, o c?1:1 una etapa secundaria de un muestreo complejo. '" trevistadores (profesionales o no) le es fijada una cuota de individuos a en-
trevistar, especificndoles sus caractersticas (por ejemplo: varones, casados,
. Dcsmbimos ,ahora nipi?a~ente algunos tipos de muestras no prohabills-
t1cns, concentrandonos principalmente en las "muestras'' a b propietarios de autom6vil, no mayores de 50 aos ni menores de 25). Cada
t 1 , P ra pro ar hip entrevistador selecciona por su cuenta y entrevista a los sujetos segn un
e.~ ~-; su~t1anuvas (ver Galtung), 0 pi- su inters para la investigacin.
cuestionario, hasta completar su cuota, Como debe ser evidente a estas altu-
,i
ras, el sesgo del entrevistador es una de las desventajas potenciales ms m
;, . , . portantes que tiene este tip~ de muestreo. ,, ,
B) MuF.STRAs
1.: i No PRODABnJri1cAs

Con~ideramos nquf 3 Lipoi;; 1) ivluestras casuales; 2) Muestras intencionale.5;


.3) l'vl u es tras por cuotas. . C) MUESTRAS PARA PROBAR HIPTESIS SUSTANTIVAS
, ~ecorciemos qu
;stas mueotras tienen poco valor en trminos de estima-
wm, '.', que no. es posible a partir de ellas calctibr el error ele estimacin Habamos sealado en el comienzo del captulo g\1e no toda muestra tiene
~le pm~metros. S111 embnrgo, muchas veces resultan de utilidad en trminos de como propsito la estimacin de parmetros poblacionales a partir de las
rnn~~rs16r:i por parte del investig-aclor en <;l tema. Un caso especial es repre- caractersticas de la muestra, sino que las muestras podran tambin tener
sent,'!clo por las muestras para proponer l11ptesis sustantivas cuyo tratamien- inten:s analtico por s mismas. Siguiendo de muy cerca a Galtung, vamos a
! , . ,i }?,. e~ c~~;?it.1 se har, en la seccin correspondiente. ' ' riedicar algn espacio a este tipo de muestra ya que por su uso es una de las
! 'I' ' ms difundidas. ,
~ ' '.. 1 :
Las muestras para poner a prueba hiptesis sustantivas deben ser seleccio-
'J : ~I
1) Las muestras casuales
nadas de manera tal que contengan el tipo de elementos sobre los cales
Son ia 't7nica favorita de muestreo de reporteros de canales de televisin v hacen referencia las proposiciones en que el investigador est interesado; Es
'
:'.i
cl~ l~. rnc\~o, m~n el~ algunas agencias de. investigacin ele mercado. La t- decir, en este caso el investigador no est tan interesado en la generalizaci<)ri
n.1ca:; c~ns1ste simplcment~ en entrevistar a sujetos en forma casual -por como en la relacin especifica entrcvariables; de manera que quiere garai::
. de.1eml ~l? !td.mdo de cada 10 rndiv.iduos que pasan p_or una esquina determinada ' ti:r.ar que su muestra contenga unidades sufidentes de un tipo determina~o'. ;,
, , e a: c1u., ,,.!,
a . En _.su grado
' ms s'1mp Je, este tipo
'' d e muestreo y las rnvestiga-
Es decir que la muestra debe ser suficientemente heterognea. Galtung es _mu(!
0 f Gnltung:
1
op. cit., p. 61 y ss. claro en diferenciar las muestras casuales e intencionales y por cuot,' s'~~a:
lanclo los problemas a los que cada una de ellas puede dar lugar."'Aqll;l':.~e:i
1
1t : , . ,fi1+ ,r\Illll1il.
i\JUESTREO . 85
MUESTI'-EO
i:
' triitara de una variacin de la muestra por cuota, aunque ah.ora. ten(c:nda dr entonces 7'!. celdas (2 X 3 X 3 X 1), paiil lo cual necesitaremos al menos
cndado especial en la seleccin de las unidades para cada casillero. una muesLrn de 720 casos (10 casos _por celda). La matriz final tendr la si-
En ge1.1e:al, dice Caltung, el investigador debe responder a eres preguntas guiente forn1a: -.
para decid!!" el tamao de su muestra: a) Cuntas variables quiere l inves- .. : .;;:
tigador analizar simultneamente?; b) Cul es el nmero m.ximo de valores ; :i , d ' t

que desea utilizar por variable?, y c) Dadas las tcnica~ analticas a utilizar, CuA.OllO 7. llfotriz. de datos resultante para la combinacin :de las variables.
cul es el valor mnimo por celda que nece:;i.ta? Sexo (masculino/ emenino ); Et1Hcaci11: (alta-media-baja); Religiosidad: (ali a
Es decir que por medio de h:. respuesta a las dos primeras preguntas va a media-baja); Participacin Poltica: alta-media alta-media bn.jabaja)'
i:: ...: ...
determinar el tamao de la matriz de datos (espacio de atributos, en lenguaje Va1ones ~!tij91cs .. i.
de Barton), y por b !Lima va a satisfacer los requisitos referentes a la pme:
Educacin Educ~cin i,
ba de hiptesis estadsticas.
El procedimiento para la determinacin del tamao de la rna triz tie datos Alta f\lei\ia naja 'Alta - Media Baja .
depende entonce.~ de la ca.ntidad de variables (11) y del nmero de valores en !lcligio. !lcligio. flcligio. Re ligio. Re ligio, Religio.
cada variable (r). La frmula para la delermnadn del tamao de la ma i.
P1ulicipaci6n
triz ser: A M n A M D A f\( D \ M ~ A M B. A M D
poltica
Matriz= r, r1 r, ... r,. Alta
-- \.
--'-

Media j
El sigt1iente cuadro especifica la cantidad de celdas que resulum ele com alta ! d
binaciones para diferentes nmeros de variables, con valores iguales para cada '
f\ledia ... 1

una de ellas. Los rnhueros que figuran entre parn~esis corresponden a 10 ha ja


. -- --
y 20 casos por celda respectivamente. : .,
Baja >' .

CUADRO 6. Tamao d~ la matriz para difere11tes combinaciones de variables ;:1, i .; 1 :


i
1
1

, 1 j .s_
l

~ ,1 ~,
: -
!
l

con idenlica cantidad de alternativas Es decir, que para probar mi hiptesis tengo que' tener'varones y :mujeres, !
:;
con distintos niveles educacionales y diferentes grados de religiosidad .. para :
Nmero dt: Nmero de valores e:i las 11ar"iables (r)
medir su influencia sobre la vnrialJ!e participacin poltica. : . : , .; 1 i':i
variables Galtung presenta una doble lluea de argumenradn para justificar la "canti"
(r:) 2 5 dad de 10 a 20 casos por casillero. Por la primera demuestra que el n~1niiiro
<le casos debe ser suficient para aproxima~ la distribucin nue~tral ". la.~po'..
2 (20'10) .3 (30-fi) f (-IOBO) 5 (50.lQO) !Jlacin. Para ello parte de inLervalo~ de confianza. Por la 1segun!:la. el argu'
4 ('10-80) 9 (90-180) l (j (160320) 25 (250-500) mento est dirigido hacia la necesidad de que Jos porcentajes:quc se computen.
8 (tlO.J f.\ 27 (270-540) 64 (64.01 280) 125 (1 250-2 500)
15 (lfiG!\20)
estn suje~os a graneles variaciones, cuando se dan pequeos cainbios en;las
81 (810-1 620) 256 (2 560-5 110) 625 (6 520 12 500)
. . .. .. .... .... .: ......... . .............. . .................. cifras absolutas. Si el cambio en 1ma unidad produce una variicin.:de 5
es
~

....... ... .. .. ..... .. .................. .. ................. puntos de porcentaje y se el va.lar mximo qe qlle1'emds acf ptar; el'iton-
ce~ esto nos dar una base de 20 cuando hay dos celdas, de, 30, cuando ~ay
tres, etctera. ' i ' f . . !.
Tomemos un ejemplo para la determinacin del tamao qe la matri2. cuan- Para finalizar queremos ins1st1r en lo siguiente: las muestras! para propar
do ~os valores de a.lgm1as variables son diferentes. Supngase que la combi- hiptesis suscantivas son de mucha utilidad y es posible compatibilizar "las
rwctn ms compleja tle variahlc:s en la investigacin va a ser el resultado de exigencias de un muestreo prohnhillstico, con las exigencias par<t probar hi-
i:n ~nlisis d<.: X o tle i::roporciones para la prueba de la hiptesis, de las ptesis sustantivas. Las ventajas de plwtear el problema del muestreo de esta
s1gmentes variables combinadas: a) Sexo: que tendr dos valores: masculino- manera, estn vinculads al proceso tolnl ele la investigacin, ya'. que obligan
f7menino. b) Educacin: que tendr tres valores: alta-media-baja. c) Religio- al investigador a explicar como hiptesis, y a pensar desde uli 'comienzo en
sidad: que tendr tres valores: alta-media-baja. d) Participacin poltlirn: cne los mtodos a utilizar en ;l!l anlisis. !
tendr 4 valores: alca-media alta-media bajabaja.
'~ ,, .:nv/11
f~~,..,? t..)<.:/-

L La matriz de darns para el aidlisis simultneo de las cuatro variab!us t~n-


' .
~~~~::~;~~:'~:~:~:,;!.:~~.;;t~;z:~fE?i~:~~~::~:~;;~;;~c ~;~~~~7"~z ~
- ~~:..:::: ~:,::.~~ :~~::.:. ::.~_::3~~:Ec.;;z~.

'C::"<--' T icrricas .r::;;


'"'.!.::: Econmc~ :'-''.; ~

l. Hacer una lista comple- l. Igual probabili-..'.' - "Las que se derivan 1 No provee un l. Alto costo mo
ta del universo. dad de tnclusin . de no tomar a nmero suf . netario
~""
cu~ f! 2. Asignar un nmero a en la muestra . -todo el universo ciente de casos 2. Alto costo de
~:Et; cada individuo del un de todos los in de gmpos espc . _ti~mpo
~~ ~ ~ \'CfSO. - - dhiduos - ciales
.!:] e .Q.. ---

.1.
.D
e :ei ."-
8 e; ~
~ ~
""
.. 3. A travs de una tabla
de nmeros alc~torios o
2. Permitir h ge:
neraf::icin
2. Puede haber dis-
torsiones en
~_. procedimiento simlnr se- 3. Proporciona ba cuan to a la . re-
~ 6'o 1U ., " leccionar un nmero de se para calcnlar presenta ti,idad
- - t:,
~e:"' :E"' individuos que van a el grado de -dis
""'""
o constituir la muestra paridad entre las
~ '.::..., medidas .de la
muestra . y del
universo
l. Hacer una lista comple- Idem que para la l. Mayor facilidad !..Si hay algn ti- Tdem.
ta del uni,erso. muestra simple en obtener la po de bias en
2. Seleccionar el primer in .al a::.ir muestra la list:i el mues
.~
.. 1 di,iduo a lrnvs ele un treo puede re-
...
t:
E
:E .
mtodo aleatorio:
3. Seleccionar cada i-~simo
inclil'iduo n partir cld q
su llar influido
por 1
.'.. -...:::.*-.:... .;~:~ -,-
.-.,
....,.
. seleccionado (por ejem
plo, cada .dcimo :indi-
viduo)

. l. Dividir el uni\erso en es- l. ldem . que poro L I dem que para l. Puede no pro l. Costo ms alto
~ -""O
~
tratos internamente ho- las dos nntcrio- . :: - la muestra sslc 'ecr un nmero que en el mue;.
~"' :=:
""' ;;; mogneos. res . . . mtica suficiente de ca- treo simple}' de
., e;"
u-o "
..o 2. Seleccionar dentro de ca- Z. Garantiza la re. sos para estratos conglomcrao
"
.\l : -
; " '
- o
~e
.!!! o..
da estrato los inail'duos prcsentativiclad pccuefios 2. Alto costo de
:5 u e
~-;;
de modo aleatorio. 3. Elimina los erro- 2. Dificultad para tiempo
.:~
.o
o
o u
~
.,,~

"t! .,,.B" ;;""


::>
,g ]" 3. Las fracciones de mues-
tra, en cada estrato, son
' res entre estrato determinar estra-
tos homogneos
o "O -
~
.o_ =' -"'
...
"O=< u
-..O :i
.~ ~
g 5~ ~
proporcionales
'Q
..: ~..o -
tV
:?:E ;:
:; .E!::?~' e: l. 1dem que para l. Si los estratos l. E~ige tratamien- l. Costos ms al
c. u ...
e- " l. Idcm, proporcional.
::>
.9~ g .,e ="::) r:: las dos an terio son homogneos tos cstadfaticos tos qt1e en el
-
.c.
.., ::i

.gg]
o g ~
~.9~
.,..o"
2. Idem, proporcional.
3. L:is fracciones en cada
estrato pueden 'ser dis-
res.
2. Posibilita mejor
- ca~L~ris f>aribui:,
hace posible una
algo complejos m\lcstreo de ti
po clurtcr
~ E-o conocimiento de muestra menor Z. Dificultad para
t..~ g z tintas segn las necesi-
-- e_g
dades grupos pequeiios
en .e) unherso
y maror ec:ono-
ma'
determinar es tra-
tos homogcneos
l. Dividir el universo en l. Jdem que para }. Ahorra dinero l. Exige tratamien- Mini mas
diversos grupos o elus- las dos primeras sobre todo por tos estadsticos
ters cue pc:miitc la muy complejos
1! 2. Seleccionar primero qu concentracin de . 2. H~y prdid.o de
E clustcrs deben constituir los entrevistado precisin \
>\;,.t'ii. 1 ~tlJ) la muestra res en re:is pr- 3. Prdida del e:;.
::;;'- :: 3. Dentro de cada cluster, ximas. r:lcter aleatorio
:.::.~,~' t3 seleccionar los individuos del muestreo
: --:-:: :jr de la muestra de modo 2. r\l1orra tiempo
.- :;; :;' alea torio
'illl "' :=.
l
f. -
~
t-0 ..
"' ....
u ..
~ ~ .Carual
Entreviitar Jos individuos,
!1'1sta un ,cierto numero, de
forma casual (por ejemplo,
l. Exige personal
menos entren2-
do .. Y de costo
L Presenta serio.
obstkulo a la
generalizacin
Mlnim"s

.. .,. ".;::
u

---. -:~- - .. :s..!3 . ..o~ ; '.'


;:"'l:J
-o "' los que posen por una es
quina)
menor -.
;J_ ~ e~
e-"~ e Seleccionar C2sos tpi"cos l. Idem. l. Idem. Mlnimas
Q.. ~Dij Intencionol del universo segn d cri-
. o -o:::; .
e: terio de un experto
u e
:: E
- i.:.:.g~~ Cada cntrcvistndor debe l. Idem,
- ~ 8:!: B l. Idem. Mfnimas
cntre,istar una cierta cuo
~ i':!-~ ~ Cuo!as l:n de individuos de cada
. on :-9" c;1tegora (por . ejemplo
. :.
.;6]. ~

hombres y mujeres) . : "

Mueifras para 1 Calcidar la matriz de datos m~s com~ _ ... ' Ventaru .. _ DesventaidS ..
probar hipte- plcja a analizar. Utilizarla frmula,---- : .. :::: -- ........ ---- - -- ' --
sis suslantivas .,-.;_.,_ -~ ~-. :~.. -- .. ---------'- Sirven prn. probar hiptesis, tienen en E;cigen conocimiento previo rnnto cle ca-_
<."".""'""':':'.'; ...,_.,;.,,-:-"".'-"':.::. =
'"f::-~;;..".":M r1 .r. r;.-:.r~:-''.'"';":'-:=... .. :"'cuenta el :inlisiS y las tcnicos analticas- '"- rarterstbs pobhcion~l.,s;::.cuanto dd ..

.~i~!iltt~~~~~~~til~~ii
3
18 copias.
METODOLOGIA II
OBLIGATORIO JOHAN GALTUNG

Ediciones Previaspociologia

Teora y mtodos
Gq ,.-;_9 n91 ,.
de la investigaci6n
'
5 :4 - social
Tildo Original
. 46C4 1-1 OVI-CalOS d'i 11.
t
-, ; "iNk54;110(Cid-1

. Capitulo Pgina (14P 1--- Tomo 1


Ao. Editorial, Pais -e- (3.. 0. ck e:b...4-s
:.

, , - , -, , i:::
Morral/O CoeophitmRstrals tikki-i o- li ecolgempwirio....4,._

W`.
Ih-11

EDITORIAL UNIVERSITARIA DE BUENOS AIRES

Material disponible en los Servicios del CECSo


www.serviciosdelcecso.blogspot.com / sercecso@fcs.edu.uy
Fotocopiadora: 2410 6720 (208 / 218)
Por trabajos: pedidosercecso@gmail.com
Cantina & Cafetera: 2410 6720 (2
CAPTULO 1

LA MATRIZ DE DATOS

1.1. La forma tripartita de los daPps

Se obtienen datos sociohigicos cuando un socilogo registra hechos


acerca de algn sector de la realidad social o recibe hechos registrados
para l. Se suele decir que los datos deben teneralgn tipo de referente
emprrico fuera del socilogo mismo, y vamos a respetar esta tradicin.
A pesar de que los datos de la sociologra, debido o la enorme ex-
tensin de su objeto, adoptan muy diferentes formas, hay una estructura
coman que en muchos calo: se evidencio prontamente y en ptros se impo-
ne con facilidad a los datos. Esta estructuro tiene tres partes, pero ellas
aparecen con nombres distintos en diferentes contextos.
En primer lugar, y es lo ms importante, tenemos los elementos de
anlisis o unidades de anl isis, tal es como seres humanos (interpelados) en
uno encuesta o en un experimento de laboratorio, o naciones en un es-
tudio comparativo de las naciones, o unidades mds complejas. Estas un,
dad es tienen una caracterrstica en camn en cuanto constituyen el *Watt;
de la investigacin sociolgica; ellas consisten en seres humanos o en
productos de los seres humanos, como en el caso del anlisis de) conte-
nido de recortes de peridicos.
En segunda lugar, existen las dimensiones o variables que uno de-
sea conocer en cuanto a las unidades, tales como el consumo de merara
per cpita en los estudios acerca de las naciones subdesarrolladas, o las
respuestas a ciertas preguntas estrptgicas en un estudio acerca de uno
eleccin. Algunas veces esto mismo puede ser formulado con mds propia-
dad como un conjunto de condiciones con las cuales se deseo estudiar las
unidades, o como un conjunto de estrmulos. Utilizaremos la expresin
'variables' cuando estemos tratando unidades que sean Imponderables, en
el sentidoque ellas no puedan (de una Manera artificial o nohsral ) ser so-
metidas a un conjunto de condiciones de manera que el piicilogo puedo
estudias los resultados, y utilizaremos las expresiones 'condiciones' a
Pesti'mulosi en los casos en que esto sea posible.
En tercer lugar, tenemos las valores que alcanzan las unidades en
las variables estudiadas o, utilizando 17: 'otras expresiones, las respues-
tas o los resultados que se obtienen cuando las unidades se exponen a los
&bu)os o a los condiciones segn las cuales el socilogo desea estu-
diarlas,
De este modo, tenemos los tres portes que puede decirse constitu-
2 Teorre y mtodos de la investigacin social Lo matriz de datos
3

yen la estructura de los datos sociolgicos, expresado en. el lenguaje de


las variables, en el lenguaje de las condiciones, estrmulos y respuestas de desorganizacin social, S, tales como alcoholismo, enfermedad men-
(lenguaje a) y en el que puede llamarse lenguaje de las encuestas: tal, criminalidad general, homicidio y suicidio para un ao determinado.
Si, adems, se estudia el cambio en la S tosas a lo largo de un perrada de
Tabla 10.1. Las tres partes de los datos expresadas en trminos
diferentes aos, de modo que en los hechas puede resultar una tabla de tres dimen-
siones, se conserva:la estructura original tripartita multiplicando las cin-
Trminos co tasas de desorganizacin por, digamos,. los 15 aos, .de tol manera sue
generales dimensiones unidades valores en total resultan 75 .variables (o condiciones). La estructura de los datos
permanece idntipa; se estudian unidades de anlisis con un nmero de-
Lenguaje de variables unidades de valores de
terminado de dimensiones.
variables estudiadas anlisis las variables
Si admitimos, por el momento, que muchos datos pueden presen-
Lenguaje SR condiciones, 'unidades de resultados, tarse -como si estuvieran compuestos de estas tres partes, podemos pasar
estitnulos anlisis respuestas al prximo concepto: la matriz de datos. La matriz de datos es un modo
de ordenar los datos de manera que sea particularmente visible la forma
Lenguaje de ' objetos sujetos respuestas tripartita:
las encuestas psicolgicos interpelados
Tabla 1.1.3. La matriz" de datos
Es difrcil elegir entre estas tenninologras, por la simple razn de que ellas
noson totalmente.sinInimas, de tal manera que tendremos que usar algu- J2 S3 . . . Si
nas combinaciones de los trrninos, o seleccionar el lenguaje que parez-
camds apropiado para la ocasin. Para evitar muchas de las dificultades 0 [R 11 R i2
1 R 13 ....111.....
que surgen de esto, y evitar distinciones que son muy a menudo innece-
sarias, introduciremos algunos srmblos sencillos: 1
0 R R R .R R
2 21 22 23 2j 2n
Tabla 1.1.2. Sllebolo para las tres partes de los datos sociolgicos

Parte de los datos dimensiones, unidades de valores, 0 R31 R32 R . R31


3 R
variables anlisis respuestas 3n

Srmbolo para M=
un elemento S, V, X O
. .
Srmbalo para una
clase de elementos S.V, X, O Oi Ri 2 Ri3 . ii Ron
Sihlolo para el
nmero n m, N
Parador un ejemplo, la investigacin corriente del tipo encuesta comien-
za proponiendo a m interpelados (0) n preguntas (S) u 'objetos psicol-
gico' segn la tenninologra de Thurstone, de tal manera que para cada
pregunta S y para cada interpelado O hay r respuestas diferentes posi- O IR Rm2 Rm3 . Rmi R
m mn
bles, R. Otro ejemplo:'sa puede hacer un estudio comparativo de m na-
ciones poniendo en una lista sus valores R sobre una serie de n variables En este esquema, Ru es la respuesto que da la unidad Mi al
est/Mulo n!l;
o, en otras palabras, el valor que tiene la unidad Mi en la variable rs.j.
Teorra y mtodos de la investigacin social La matriz de datos

Por lo tanto, se obtiene la comparabilidad cuando las tres series se


staesexcrctarnente la forma en que aparecen los datos si hay una tarjeta ajustan las unas a las otros de tal manera que se satisfaga la condicin
perforada para cada unidad, una columna para coda variable y una per- mencionada en el principio nel. Esto quiere decir, por ejemplo, que las
foracin para coda valor, y se pasan las tarjetas por una mquina que re- preguntas deben ser adecuadamente traducidas en una encuesta compara-
gistra para cada tarjeta lo que est perforado en ella. Adems, sta es tiva, pero no quiere decir que uno, pregunta en una . encuesta 'deba tener
la forma que reviste el tipo de datos que tiene un director de escuela en el mismo -significado! para tndos los interpelados, siendo.suficiente que
sureg istro / con los nombres dolos alumnos puestos verticalmente, las ma- tenga algtin significado. La comparabilidad en nuestra acepcin es un
terias enseadas en la escuela puestas horizontalmente y In calificacin requisito menos exigente: sin embargo, significa que una I rnea puede ser
okterada por el estudiante nti en la materia M puesta en la celda apro- comparada con otra porque las R en las d'eldas no carecen de sentido.
.
piada. Si se descubre que dos unidades son diferentes en cuanto a una di-
En trminos tcnicos, la matriz de datos nos do para cada par en el mensin S, se puede descomponer la diferencia en dos , componentes, uno
productocariesiano O por S el valor correspondiente en R o, en otras pa- 'real' yotro 'semntico', y atribuir la diferencia observada a alguna fun-
labras, la idea es, simplemente, que debe haber un valor R para cada cin de estos dos componentes. Se puede, incluso, sostener que toda la
combinacin O. S. La forma misma de la matriz de datos y esta defini- diferencia se debe a un componente semntico, como en el caso en que
cin nos conducen inmediatamente a los primeros 3 principios de la re- existe un mero desacuerdo verbal y no un desacuerdo en los hechos.
coleccin de datos: Puede tambin darse el caso de que los componentes semntico y
real se anulen recrprocamente, de tal manera que el resultado neto sea
t) Principio de comparobilidad: la proposicin '(0s, Si) da el valor co-
unasemelanzaobservadaque puede calificarse de espuria. Pero todo esto
Rk' debe ser verdadera o falsa para cada i, j y k.
rrespondiente en
es un problema de interpretacin y no pertenece al campo de .la recolec-
2) Principio de clasificacin: para cada estrmulo Si la serie de las ca- cin de datos, salvo si se ha decidido reducir al mximo el componente
tegprras de respuestas Rik debe producir una clasificacin de lodos semntico. Debe notarse, sin embargo, que no es evidente por o mismo
los pares (Oi ) (i = 1, m). que el factor semntico constituya un 'error': en un estudio tipo encuesta
oque las tasas de criminalidad de las naciones no puedan ser comparadas
3) Principio de Integridad: paro coda par (0i, Si) debe hallarse empr- porque se basan en cdigos penales diferentes. Una frase ambigua es, con
ricamente un valor Rk. todo, una frase, y una investigacin acerca de FoSmo reaccionan las per-
Estos tres principios exigen algunos comentarios: sonas o una frase de este tipo puede prodtx r nirormacin importante a-
Si se observa una columna'cualquiera de la matriz M en la tabla cerca de cmo reaccionarran a tal frase en la vida diaria, y aunque las
1.1.3, se ve que la idea es, simplemente, que el mismo estrmulo debe ser tasas de criminalidad variarran si se basaran en un criterio universal, se
presentado a todas las unidades de anlisis; por ejemplo, se debe formu- pueden llevar a cabo muchas investigaciones basadas en la comparacin
larla misma pregunta a todos los interpelados. Lo importante es que sea de tasas fundadas en definiciones diferentes, por la sencilla razn de que
amisma pregunta; el estrmulo no debe ser cambiado de un objeto a otro. las tasas pueden decirnos algo acerca de cmo cambia de un pars a otro
Esto, sin ernbai.go, es solo lo que ya estaba en la definicin de la matriz . 'eso que se llama crimen'.
El principio de clasificacin agrega tres limitaciones ms para la
El principio de comparabilidad agrega ahora que cada una de tales com-
seleccin de las series j, O y R. lo que dice este principio es que para
binaciones de un estrmulo determinado con una unidad de anlisis debe
tener sentido, es decir, debe ser verdadero o falso que una combinacin cada estrmulo S- la serie de respuestas Rik debe formar una clasificacin ;
(Oi SO da un valor determinado .R i.k Por medio de este principio se ha- por ejemplo, para cada por (O; Si ) debe haber una (exhaustividad)y solo
cen comparableslos estrmulos, las' unidades y los respuestas. Si Oi es una (exclusin mutua)Rik en que el par pueda ser ubicado. (Idealmente ,
una nacin, Si una pregunta directa acerca del estado civil y
Rik la lista debe haber tambin un fundamentum divisionis .) Cuando se satisface este
de lo:elementos "casados, solteros, viudos y divorciados", entonces cual- principio en lo prctica, estamos seguros de que hay una, y solo una res-
quier combinacin no es ni cierta ni . falsa, sino que simplemente, no tie- puesta para cada posible combinacin de unidades y estrmulos. En la
ne sentido, como no lo tendrra preguntar acerca del sexo de una nacin. construccin de cuestionarios esto mismo se conoce como el principiase-
gn el cual cada interpelado debe marcar una, y solo una respuesto o ca-
tegorra. Cuando se concede al interpelado la llamada ',eleccin mlti-
6 Teorra y mtodos de la investigacin social
La matriz de datos

se le est dando en los hechos una serie de estrmulos, uno para ca- caracterrstica de la matriz. W es una cifra que do una idea de cunto
da categorra, de tal manera que hay dos respuestas para cada estrmulo, trabajo hay en un proceso de recoleccin de los datos, aunque debe dar-
aceptacin o rechazo. sta es una clasificacin tan buena como cual- se mea importanciaa mya n que a ri r es una medida de cuanta medicin
quier otra; es una dicotomia. discriminatoria se hace y, por lo tanto, debe ser igual, por lo menos, a
De los tres principios mencionados, .los dos primeros se refieren a 2. Si r 1, no sepuede hacer ninguna discriminacin entre diferentes
la lgica de la matriz y a las tres series sobre las que se basa. El terce- unidades y la-dimensin no tiene valor descriptivo ni anal itico, puesto
ro, principio de integridad, se refiere al trabaj ernprrico de llenar la -que el- resultado,siempre es conocido y conocido como siendo siempre i-
matriz, y dice simplemente esto: no dejar ninguna celda vacra. Este gual. Por cierto, r puede .variar y en general varra.de variable en va-
desideratum se enuncia fcilmente, pero no se alcanza tan fcilmente en riable,-de tal manera quer debe ser concebida como algn tipo de valor
la prctico, de tal manera que todo lo que contiene el principio es una promedio entre los diferentes rj .
norma seglin la cual la cantidad de celdas que contengan 'ninguna infor- La eleccin bsica en cualquier plan de investigaciones tendr que
macin', 'ninguna respuesta', etc., debe ser mantenida tan bajo como referirse alas nmeros -m y n. Un.proyecto con las dimensiones (300,20)
sea posible. Mientras se pueda cumplir con los dos primeros principios . esobviamente muy diferente de un proyecto del tipo (20,300). l inves-
antesdelarecoleccin de los datos, cuidando que los estrmulos o las va- tigadortendrque elegir. Llamaremos al par ordenado (m, n) la estrategia
riables se apliquen a todas las unidades y que todas las series de catego- de investigacin del proyecto; el investigador tiene que elegir su estra-
rrasdereapuestas fomien clasificaciones, solamente se puede cumplir con tegia para atacar el problema que encaro y la prxima seccin se dedica
el tercerprincipio en el proceso de la recoleccin de los datos y con'pos- a hacer algunas reflexiones acerca de diferentes tipos de estrategias.
terioridad. Aqurentran en juego cosos tales como las tcnicas para man- Por ltimo, diremos algunas palabras acerca de cmo r depende de
tener bajas las tasas de rechazo a travs de una legitimacin adecuada m y de n. No hay ninguna razn por la que deba depender de n: agregar
dela investigacin, o las maneras de rastrear datos casi imposibles de ob- una variable no cambia el nmero de valores de las variables preceden-
tener. Pero existe tambin la posibilidad hoc de examinar la distri- tes. Sin embargo, se puede considerar a r como dependiendo de m. Es-
bucin de las celdas vacras en M y de elimina7T1 O y S ms adecuadas trictamente hablanclo, siempre podemos tener r4m, puesto que no nece-
para liberarse del mximo de celdas vacras con el mrnima de supresiones. sitamos ms valores que elementos o unidades par medir. Si tenernos una
...Como regla general de tipo prctico, puede decirse que un 10% es el unidad, necesitamos un solo valor; no hay que especificar el resto (por lo
mdkimoabsolutodeceldasvacrasadrnisibles en t ualquier columna o cual- tanto, la variable consistir en ese valor y en todos los otros valores po-
quier fila de M y que un 5% es un ~itrio rixls aconsejable. sibles 'agrupados). No obstante, en la medida en que m aumente, r au-
En algunos casos, sin embargo, puede tener algn valor mantener mentar cada vez menos. Pronto se har evidente la amplitud (range), y
una O o una S en la matriz an infringiendo los dos principios relativos con ms unidades habr ms dificultades en discriminar entre ellas y ma-
a las celdas vacras; una razn es que 'ninguna respuesta' tambin puede yor.-tendencia a agruparlas. A menudo la variable utilizada no ser es-
ser una respuesta y tratrsela como tal. trictamente unidimensional, de modo que la ubicacin exacta de las uni-
Generalizando, la tcnica consiste, par lo tanto, en contar el n- dades con' respecto a otras unidades ser discutible, conflicto que solo
mero de las DK's y de las'NA's para cada O y para cada S y obtener su puede ser resuelto estableciendo cotegorrasmds crudas, esto es, bajos va-
distribucin. Muy a menudo, un pequeo porcentaje de las O y de las lores de r. El investigador procura capturar la ubicacin genrico y deja
S absorber un gran porcentaje de las'DK's y de las'NA's, y, natural- a un lado los detalles y los problemas que le vienen a la mente precisa-
mente, stas son nuestras candidatas abvias para el rechazo. Solo en ra- mente cuando se encuentra con muchas unidades.
ras oportunidades las 4 1?K's
. y las *NA's 'estarn distribuidas al azar en la
matriz de datos. 1.2. El nmero de unidades y de variables
Si, como de costumbre, m es el nmero de unidades, n el nmero
de lasdimensiones y r el nmero promedio de las categorras de respuestas ,
Los nmeros m y n son de importancia crucial para la evaluacinde
la cifra W=mxnx r, o,' mejor, escrita de este modo: (m,n,r), es la
cualquier proceso de recoleccin de datos, tanto desde un punto de vista
teortico como desde un punto de vista muy prctico. El valor ms bajo
'DK', -forma abreviada de don't know, no s; 'NA', forma abreviada de
no answer, falta de respuesta. (N. del T.) de m es 1, como en el caso en que se investiga a uno sola persona auno
CARRERA DE SOCIOLOGA UBA
METODOLOGA DE LA INVESTIGACIN
CTEDRA: COHEN

CUADERNO DE CTEDRA N 6

La utilizacin de datos
secundarios en la investigacin
social

Autoras: Micaela Bazzano y Carolina


Montera

Ao 2016

1
Cuaderno de Ctedra N 6
La utilizacin de datos secundarios en la investigacin social
Autoras: Micaela Bazzano y Carolina Montera

1. Introduccin

Es frecuente que los investigadores utilicen datos elaborados por otros o por ellos
mismos tiempo atrs para describir y explicar fenmenos de la realidad. Si bien esta
estrategia posee desventajas y despierta recelos, son pocos (si alguno) los analistas
que a lo largo de su trayectoria laboral han podido prescindir de este tipo de datos.
Lamentablemente, la importancia que las fuentes secundarias tienen en las ciencias
sociales no se corresponde con el entrenamiento que recibimos en nuestra carrera
universitaria. Basta echar un vistazo a los manuales y programas de metodologa para
notar que los mayores esfuerzos se orientan hacia la construccin de instrumentos de
registro, ms que hacia la reutilizacin de evidencia emprica. Por ello, solemos estar
poco preparados para trabajar con datos secundarias.

Partiendo de este hecho, el presente documento busca remediar aunque sea


parcialmente- esta rea de vacancia y brindar una gua para quienes desean iniciarse
en la investigacin recurriendo a datos ya construidos. Este recorrido consta de tres
paradas. Primero, repasaremos algunas nociones bsicas sobre la construccin de
evidencia emprica en sociologa. Segundo, construiremos una definicin de datos
secundarios, mencionaremos sus ventajas y desventajas y propondremos una manera
de evaluar su grado de adecuacin para nuevos objetivos. Finalmente, pondremos a
prueba estas recomendaciones tomando como ejemplo la produccin de estadsticas
criminales en Argentina.

Antes de proseguir, resta aclarar que el presente documento se centra exclusivamente


en las tareas de bsqueda y seleccin de fuentes secundarias, ya que las tcnicas de
anlisis no difieren de las utilizadas con datos primarios. Recomendamos consultar los
cuadernos de ctedra que abordan dichos temas: para anlisis cualitativo, vase el
cuaderno de ctedra N 2; y para anlisis cuantitativo, consltese el cuaderno sobre
elaboracin y anlisis de cuadros (N 3), anlisis descriptivo de datos (N 5) y
aplicacin de tcnicas multivariadas (N 1).

2. Los datos como construccin terica y metodolgica

2
Solemos pasar por alto que las afirmaciones sobre la realidad, como por ejemplo que
aument la tasa de pobreza o que disminuy la cantidad de homicidios no constituyen
reflejos exactos de los hechos, sino elaboraciones que se hacen sobre la base de esos
hechos. Ello no significa que dichas afirmaciones sean fantasas o inventos sin asidero
material, pero s expresiones de ciertas formas de aprehender los fenmenos
empricos.

La pobreza constituye un ejemplo sencillo de entender. Al consultar las estadsticas


oficiales, observamos que los niveles de carencia varan segn el mtodo que se
utilice para su medicin. De acuerdo con las estimaciones que se basan en el
concepto de necesidades bsicas insatisfechas1, el porcentaje de hogares pobres del
Gran Buenos Aires se redujo sistemticamente durante las ltimas dcadas, siendo
del 17% en 1991, 15% en 2001 y 9% en 2010. En cambio, los niveles de pobreza
estimados de acuerdo a los ingresos monetarios mensuales de los hogares 2 han
seguido un camino errtico: el 22% de los hogares del Gran Buenos Aires se ubicaba
debajo de la lnea de pobreza en octubre de 1991, mientras que dicha cifra ascendi al
33% para octubre de 2001 y descendi al 7% para el segundo semestre del 2010.

Ms difcil resulta creer que la cantidad de homicidios tambin depende de la mirada


del observador. Acaso no existe consenso en definir al homicidio como una accin u
omisin mediante la cual se priva de la vida a otra persona, ya sea de manera
intencional o involuntaria? Pues s, pero establecer y registrar que ciertas muertes son
consecuencia de los actos de otras personas no es una tarea sencilla ni automtica,
sino que involucra toda una cadena de actores que poseen tradiciones, criterios e
intereses diferentes.

Estos ejemplos muestran que los fenmenos bajo estudio no se presentan de forma
unvoca. Los aspectos que se consideran relevantes varan segn la perspectiva del

1
De acuerdo con el INDEC, los hogares con necesidades bsicas insatisfechas son aquellos
que presentan al menos una de las siguientes condiciones de privacin: (1) morar en
habitaciones de inquilinato, hotel o pensin, viviendas no destinadas a fines habitacionales,
viviendas precarias y otro tipo de vivienda; (2) no poseer retrete; (3) existencia de ms de tres
personas por cuarto de uso exclusivo del hogar; (4) presencia de al menos un nio en edad
escolar (6 a 12 aos) que no asiste a la escuela; (5) existencia de cuatro o ms personas por
miembro ocupado y un jefe no ha completado el tercer grado de escolaridad primaria.
2
Este mtodo es conocido como mtodo indirecto o enfoque del ingreso y consiste en calcular
el ingreso mnimo por encima del cual todas las necesidades bsicas (alimentarias y no
alimentarias) se satisfacen e identificar a aquellos hogares o personas cuyos ingresos se
ubican por debajo de esta lnea. La idea sobre la que se sustenta el enfoque es evaluar si los
recursos con los que cuenta el hogar le permiten solventar un presupuesto que refleje la
adquisicin de aquellos bienes y servicios que posibiliten a sus miembros convivir dignamente
en sociedad y desarrollarse personalmente.

3
observador. Como afirma Weber (1973 [1904]), la realidad es mltiple, infinita e
imposible de abordar en su totalidad, de modo que cualquier descripcin emprica
presupone una seleccin y recorte de la misma. Qu observar y cmo observarlo es el
resultado de las decisiones tericas y metodolgicas que se toman a lo largo del
proceso de investigacin.

La construccin de los datos comienza con la fundacin del problema. El primer


recorte est dado por el tema de investigacin, el cual nos permite reducir el mundo de
lo cognoscible al limitar los hechos que abordaremos empricamente y los campos de
conocimiento con los cuales dialogaremos. No obstante, este recorte an es muy
general para orientar la construccin de los datos. Un momento fundamental en este
proceso es la elaboracin del marco terico y la identificacin de los conceptos
centrales, ya que a travs de la teora se seleccionarn las dimensiones de anlisis y
las variables (simples o complejas) con las cuales interpelaremos y analizaremos los
hechos empricos. Como dice Becker: sin conceptos no sabemos qu observar, qu
buscar ni cmo reconocer lo que estbamos buscando cuando por fin lo encontramos
(2009: 146, citado en Cohen y Gmez Rojas, 2014: 12).

Podramos decir que no existe un dato o el dato. En todo caso, existen datos en plural
porque dos (o ms) perspectivas tericas pueden describir un mismo hecho con
distintos registros empricos. Esto, a su vez, estar condicionado por las definiciones y
decisiones metodolgicas implcitas en cada perspectiva. En consecuencia, el proceso
de seleccin y definicin de las variables no constituye un simple procedimiento
tcnico, sino un momento crucial de reflexin terica. Las variables nos permiten
aprehender esa porcin de la realidad que queremos conocer. A travs de ellas,
construimos nuestro objeto de estudio, damos entidad a nuestras unidades de anlisis.
Nos permiten organizar y manipular el material recolectado y as dar respuesta a
nuestros interrogantes. Por ello, su eleccin y construccin constituye una de las
etapas decisivas de cualquier investigacin.

Por su parte, la estrategia metodolgica define la forma de los datos. Estadsticas?


Transcripciones de entrevistas? Documentos histricos? Entre otras cuestiones,
esta etapa incluye la eleccin del enfoque, las fuentes y las tcnicas de registro, como
tambin los modos de seleccionar las unidades de anlisis y de medir las variables.
Por lo dicho hasta ahora, es evidente que hablar de recoleccin de datos resulta
inadecuado. Los datos no se recogen de ningn lado sino que construyen
progresivamente desde el momento en que se apela a una determinada mirada
conceptual y se elaboran las dimensiones y variables que se derivan de ella.

4
Durante el trabajo de campo, conectaremos este andamiaje terico-metodolgico con
los hechos empricos a fin de generar registros. Pero, contra una creencia extendida,
la construccin de los datos no finaliza en esta etapa. El procesamiento y anlisis de la
informacin constituyen momentos fundamentales en este proceso porque sin ellos el
material obtenido no llegara a decirnos nada sobre la realidad estudiada. Los datos
informan pero a condicin de ser sometidos a examen e interpretacin.

Para concluir este apartado, insistiremos sobre una idea: los datos no viene dados ni
son imgenes especulares de la realidad. Son construcciones de acontecimientos,
escenarios y situaciones. Son artefactos conceptuales nacidos del entrecruzamiento
de las teoras, las metodologas y los hechos empricos. En palabras de Cohen y
Gmez Rojas (2014):

El dato es la expresin final de la accin de medir, entendida como la


asignacin de un significado a un determinado fenmeno de la realidad,
mediante la implementacin de abordajes tericos y metodolgicos. Es la
interseccin de estos abordajes, la fusin que se produce entre ellos, lo que
otorga identidad al dato, lo que hace que podamos comprenderlo e
interpretarlo. Considerar al dato independientemente de los antecedentes que
dieron lugar a su existencia es vaciarlo, manipularlo, tratarlo como cosa
autogestada, como cosa que requiere ser aprehendida para su interpretacin o,
como seal Bourdieu (2008), es confundir hecho con dato. Para que los datos
puedan ser analizados, para que a partir de su presencia se pueda inferir,
generalizar y/o concluir, es necesario producirlos, fabricarlos. (2014, p.14).

Este proceso de construccin vale tanto para los datos primarios, como para los
llamados datos secundarios. Sin embargo, una caracterstica de stos ltimos es que
el trabajo de elaboracin queda fuera de nuestro control, lo que nos obliga a ser
prudentes y tomar algunos recaudos antes de sacar conclusiones. En las pginas que
siguen se presentan algunas pautas para desarrollar esta tarea.

3. Investigar a travs de datos secundarios

La utilizacin de datos secundarios es una estrategia que cuenta con una larga historia
en las Ciencias Sociales. Desde el estudio fundacional de mile Durkheim sobre las
causas sociales del suicidio hasta nuestros das, este tipo de datos ha sido

5
ampliamente utilizado para abordar una multiplicidad de fenmenos. Si su aplicacin
se encuentra ms extendida entre los estudios cuantitativos, una serie de autores han
comenzado a destacar su importancia para investigaciones cualitativas (Corti, Witzel y
Bishop, 2005; Scribano y De Sena, 2009, 2015). En verdad, en ambos enfoques,
demostraron ser tiles para identificar variables significativas, sugerir o verificar
hiptesis (Angell y Freedman, 1972: 291), robustecer el anlisis e interpretaciones de
los propios datos, facilitar la construccin y el testeo de instrumentos de registro,
multiplicar la cantidad de preguntas sobre el material disponible (Thompson, 2000:
prrafo 41), facilitar la comparacin a travs del tiempo, del espacio y de los grupos
sociales (Scribano y De Sena, 2009: 110), y ganar en amplitud y profundidad sobre los
fenmenos de inters (Otamendi y Otero, 2009: 3).

Los datos secundarios se caracterizan no haber sido elaborados para responder a los
propsitos especficos de nuestro trabajo, sino que corresponden al registro de una
observacin realizada () en contextos de produccin diferentes a los cuales se
los pretende inscribir en una oportunidad determinada. (Scribano y De Sena, 2009:
105, destacado nuestro). La utilizacin de informacin censal para el anlisis de la
estructura de oportunidades ocupacionales femeninas y masculinas (Saut, 1991), o la
descripcin de la estructura demo-espacial de la Aglomeracin Gran Buenos Aires
(Marcos, 2013) constituyen ejemplos de investigaciones basadas en fuentes
secundarias. Tambin lo es el anlisis que Thompson (2000) hace sobre los cambios
en las relaciones entre nietos y abuelos a partir de entrevistas en profundidad
realizadas una dcada antes. Anlogamente, las cartas, las notas periodsticas o las
fotografas slo por mencionar algunos ejemplos- no deben ser consideradas datos
secundarios porque, en realidad, no son datos. Como ya dijimos, los datos son
representaciones analticas de hechos fcticos que surgen como resultado de un
proceso de produccin terico-metodolgico. Entonces, para que las cartas, las
fotografas o las notas periodsticas formen parte de un corpus de estudio, primero,
debemos seleccionarlas siguiendo criterios tericos y, luego, interpelarlas
analticamente. Clasificarlas como datos secundarios sera olvidar este proceso de
construccin.

Nos referiremos a investigaciones basadas en datos secundarios cuandos stos son


interrogados a partir de nuevas preguntas y/o sometidos a nuevos anlisis. Como
resaltan Corti y Bishop (2005), se pueden realizar avances importantes a partir de la
interpretacin de los datos desde nuevas perspectivas tericas o por la aplicacin de
tcnicas de anlisis diferentes a las empleadas originalmente. La utilizacin de

6
informacin disponibe para contextualizar el problema de investigacin por ejemplo,
el uso de estadsticas o de legislacin- no constituye un diseo basado en fuentes
secundarias ya que slo se apoya en ellas para ampliar o profundizar la descripcin
del fenmeno. La formulacin de preguntas-problema y la elaboracin de un marco
terico a partir del cual interpretarlos son elementos indispensables para realizar
investigaciones basadas en datos secundarios, independientemente de que no sean la
nica fuente y se decida integrarla con otras. Por ello, tambin podemos referirnos a
estos estudios como anlisis secundarios.

El contexto de produccin de los datos secundarios puede corresponderse con


trabajos previos del propio investigador o de sus colegas, como tambin con estudios
realizados por organismos pblicos o privados. A cualquiera de estos orgenes, se lo
conoce con el nombre de fuente y es imprescibible consignarla cada vez que se
trabaja con datos ajenos. El Censo Nacional de Poblacin, Hogares y Viviendas; la
Encuesta Permanente de Hogares (EPH) ambos realizados por el Instituto Nacional
de Estadsticas y Censos (INDEC)- y las Estadsticas Vitales del Ministerio de Salud
de la Nacin figuran entre las fuentes ms consultadas por los socilogos en
Argentina.

Cmo citar fuentes secundarias?

Si los datos se utilizan tal como fueron publicados por su autor:


Fuente: Censo Nacional de Poblacin, Hogares y Vivienda 2010 INDEC
Fuente: Marcos (2013, p.25)

Si los datos fueron sometidos a una re-elaboracin:


Fuente: Elaboracin propia en base a datos del Censo Nacional de Poblacin, Hogares y
Vivienda 2010 INDEC
Fuente: Elaboracin propia en base a Marcos (2013)

Por todo lo dicho hasta aqu, queda claro que los datos primarios y los datos
secundarios no son dos clases esencialmente diferentes, sino partes de una misma
secuencia: todo dato secundario fue primario en sus orgenes y todo dato primario se
convierte en secundario a partir del momento en que el investigador concluye su
trabajo. Por igual motivo, los datos secundarios pueden surgir de aplicar las mismas
tcnicas de investigacin que se utilizan para construir evidencias empricas de
primera mano. Esto significa que podemos encontrar datos secundarios producidos
por medio de encuestas, entrevistas u observaciones por slo mencionar las tcnicas
ms utilizadas en sociologa.

7
Ahora bien, una diferencia significativa entre las investigaciones basadas en datos
primarios y datos secundarios es la ausencia del trabajo de campo en estas ltimas.
Cuando el investigador decide estudiar un fenmeno a partir de datos disponibles no
desarrolla ni aplica instrumentos de registro porque dichas tareas fueron realizadas
con anterioridad. De esta cualidad, derivan algunas ventajas y desventajas3.

3.1. Ventajas y desventajas de investigar con datos secundarios

Las principales ventajas de investigar a travs de datos secundarios son:

1- Menores costos de dinero, personal y tiempo destinados a la obtencin de datos. La


ausencia de trabajo de campo y de las tareas asociadas al mismo reducen
notoriamente los recursos invertidos como, por ejemplo, el tiempo dedicado a la
elaboracin y testeo de los intrumentos, la impresin de los materiales, los honorarios
de los entrevistadores, etc. Ello no significa que los anlisis secundarios se efecten
rpidamente. La obtencin y evaluacin de la informacin demandan largas horas de
trabajo e imponen plazos, muchas veces prolongados, antes de poder publicar
resultados. Por ejemplo, la recopilacin de estadsticas producidas por organismos del
sistema judicial nacional para identificar situaciones de discriminacin tnico-nacional
ha llevado ms de un ao debido a la demora en la obtencin de la informacin4.

2- Mayor cobertura temporal, geogrfica y/o temtica. La disponibilidad de datos para


distintos perodos de tiempo permite estudiar fenmenos pasados o realizar estudios
longitudinales que de otro modo seran imposibles. Pensemos, por ejemplo, en la
centralidad que tienen los censos de poblacin para aquellos trabajos que abordan la
evolucin de la estructura demogrfica de nuestro pas. Anlogamente, los datos
secundarios facilitan las investigaciones comparativas a nivel regional e internacional,
ya que para los investigadores particulares no siempre resulta factible llevar a cabo un
relevamiento provincial, nacional o internacional. En estos casos, resulta central
acceder a datos homologados para distintas unidades poltico-nacionales, como son

3
Las ventajas y desventajas que aqu se mencionan se elaboraron en base a la lectura de
Angell y Freedman (1972); Dinardi (2005); Gonzlez Rodrguez (1996); Morales y Gonzlez
(2012); Otamendi y Otero (2009); Scribano y De Sena (2009, 2015). Para profundizar en algn
tema de inters, se recomienda consultar dichos textos.
4
Este dato surge de la participacin en el proyecto de investigacin UBACyT 2008-2010:
Exclusin, control social y diversidad en la relacin entre el migrante externo y las instituciones
educativa y judicial dirigido por Nstor Cohen, con sede de trabajo en el Instituto de
Investigaciones Gino Germani, Facultad de Ciencias Sociales, UBA.

8
las estadsticas producidas por el Banco Mundial5 o la Comisin Econmica para
Amrica Latina y el Caribe (CEPAL) 6. Finalmente, la disponibilidad de datos
secundarios permite analizar temas o poblaciones de difcil acceso. Ciertos hechos
slo pueden ser registrados por instituciones especficas y/o legalmente habilitadas.
Por ejemplo, Morales y Gonzlez (2012) sealan que las cmaras empresariales
constituyen actores privilegiados para producir informacin sobre sus asociados y
sectores de actividad. Algo similar puede decirse de las dependencias estatales
dedicadas a la construccin de estadsticas criminales, como se ver ms adelente.

3- Mayor confianza en la interpretacin. El anlisis de datos producidos en otros


contextos puede mejorar la comprensin del fenmeno bajo estudio y fortalecer los
argumentos del investigador al brindar mayor cantidad de material para poner a
prueba las interpretaciones. En ese caso, la construccin de conocimiento se beneficia
de la combinacin de distintos tipo de fuentes de datos.

4- Menor sobrecarga a los participantes de la propia investigacin. Es frecuente que


investigadores de una misma institucin o de crculos cercanos analicen fenmenos
similares de manera simultnea e, incluso, recurren a las mismas personas para
obtener la informacin. En estos casos, se recomienda el intercambio de datos para
evitar molestias innecesarias a los informates, tanto como para orientar mejor la propia
indagacin. Esto es especialmente importante cuando se trabaja bajo coyunturas
crticas porque el trabajo de campo puede agravar las tensiones; o bien cuando se
investigan grupos pequeos (por ejemplo, ministros nacionales o representantes
gremiales) o personas que atraviesan situaciones personales delidacas (por ejemplo,
enfermos terminales).

El hecho de no controlar ni dirigir el proceso de produccin de datos tambin supone


algunas desventajas que es importante tener en cuenta antes de embarcarnos en el
anlisis:

1- Inadecuadacin con el problema de investigacin. La incompatibilidad entre los


datos disponibles y nuestro problema de investigacin constituye el mayor
inconveniente para encarar este tipo de estudio. Esta falta de correspondencia puede
tener diversos orgenes.

Primero, puede haber diferencias entre las unidades de anlisis. Por ejemplo, en un
estudio realizado tiempo atrs, desabamos conocer las principales caractersticas

5
Base de datos disponible en http://datos.bancomundial.org/
6
Base de datos disponible en http://estadisticas.cepal.org/

9
socio-demogrficas de las madres y padres menores de 19 aos de la Provincia de
Buenos Aires durante el perodo 2005-2012. Sin embargo, no pudimos cumplir
enteramente con dicho objetivo porque las estadsticas vitales producidas por el
Ministerio de Salud de la Nacin no brindan informacin sobre los padres de los recin
nacidos.

Segundo, la ausencia de ciertas variables constituye otro motivo de incompatibilidad.


Al respecto, podemos mencionar que hace un tiempo encontramos que muchas
instituciones del sistema judicial y penal argentino no brindan informacin sobre el
lugar de nacimiento de los sujetos en conflicto con la ley, lo cual impide detectar
situaciones de discriminacin tnico-nacional.

Tercero, an cuando las fuentes secundarias incluyan variables de nuestro inters,


stas pueden haber sido construidas desde un marco terico diferente o utilizando un
sistema de categoras incompatible con nuestras necesidades analticas. Para seguir
con el ejemplo anterior, el Servicio Penitenciario Federal brinda informacin sobre el
tipo de delito cometido por argentinos y extranjeros pero no detalla el pas de
nacimiento de estos ltimos.

Cuarto, divergencias en la cobertura temporal y/o espacial pueden constituir otro


obstculo para la utilizacin de datos secundarios. En efecto, el relevamiento bien
puede referirse a las mismas unidades de anlisis e indagar en dimensiones de
nuestro inters pero hacerlo para perodos de tiempo y/o reas geogrficas diferentes.
En estos casos, se recomienda consultar dicha informacin de todos modos porque
ello nos permitir mejorar nuestros instrumentos de registro, analizar relaciones no
contempladas en nuestras hiptesis, tanto como descubrir especificidades histricas
y/o territoriales.

2- Problemas de validez y confiabilidad desconocidos. Los datos secundarios pueden


tener serios problemas de calidad por fallas o inconvenientes ocurridos durante la
seleccin de las unidades de anlisis, la construccin del instrumento de registro, la
realizacin del trabajo de campo y/o el procesamiento de la informacin. Lago
Martnez et al. (2003) demuestran que los sesgos de los entrevistadores constituyen
una fuente significativa de error en las investigaciones por encuesta. Si bien ningn
relevamiento es perfecto, el problema radica en desconocer los factores que pueden
atentar contra la validez y confiabilidad de los datos. Por ello, antes de comenzar con
el anlisis secundario debemos conocer quin y cmo produjo la evidencia emprica.

10
3- Restricciones en el acceso. Uno de los mayores desafos a la hora de trabajar con
informacin de segunda mano refiere a su acceso y disponibilidad. Habitualmente, la
produccin y publicacin de datos suponen procesos de mediano o largo plazo que
pueden resultar incompatibles con nuestros requerimientos. En algunos casos, la
posibilidad de trabajar con fuentes secundarios depende de superar limitaciones ticas
y legales como puede ser obtener el consetimiento de todos los participantes del
trabajo original. Por ello, las tareas y tiempos destinados a la obtencin de datos
secundarios no deben ser subestimadas y deben estar debidamente incorporados en
la planificacin de este tipo estudios.

4- Invisibilizacin de nuevos fenmenos. Si todas las investigaciones sociales se


basaran en fuentes secundarios, el reconocimiento y anlisis de fenmenos
emergentes se veran seriamente afectados. Claro que esta es una situacin extrema,
imposible de darse, pero nos recuerda que la produccin de evidencia emprica
constituye un ejercicio creativo, una puesta en movimiento de la imaginacin
sociolgica que permite iluminar aspectos de la realidad que permaneceran
imperceptibles si no fuera por nuevas interpelaciones analticas.

Bourdieu, Chamboredon y Passeron resumen las desventajas aqu descriptas diciendo


que: Basta con haber intentado una vez someter al anlisis secundario un material
recogido en funcin de otra problemtica, por aparentemente neutral que se muestre,
para saber que los data ms ricos no podran nunca responder completa y
adecuadamente a los interrogantes para y por los cuales no han sido construidos.
(2008: 61, cursiva de los autores). Y luego, agregan que: No se trata de impugnar por
principio la validez de la utilizacin de un material de segunda mano sino de recordar
las condiciones epistemolgicas de ese trabajo de retraduccin, que se refiere siempre
a hechos construidos (bien o mal) y no a datos. Tal trabajo de interpretacin ()
podra constituir incluso la mejor incitacin a la vigilancia epistemolgica en la medida
en que exige una explicitacin metdica de las problemticas y principios de
construccin del objeto que estn comprendidos tanto en el material como en el nuevo
tratamiento que se le aplica. (2008: 61-62, cursiva de los autores).

3.2. Una gua para evaluar datos secundarios

Coincidimos plenamente con los autores en que el reconocimiento de las limitaciones


del trabajo con datos secundarios no debe llevarnos a su abandono, sino a saber

11
operar con ellos. Lo mejor es estar preparados para cuando llegue el momento
conociendo algn truco que permita dominarlos. Para Becker, ese truco consiste en
preguntar de dnde sali la informacin, quin la obtuvo, cules son sus lmites
organizacionales y conceptuales y cmo todo eso ha afectado los diagramas y tablas
que estamos analizando. (Becker, 2009: 137).

A fines pedaggicos, organizamos este truco en cinco preguntas que sirven de gua
para reconstruir el proceso que dio origen a los datos secundarios y determinar si
stos son compatibles con nuestros objetivos. Dichos interrogantes sern ms
sencillos de responder cuanto ms experimentada sea la fuente. Mientras que los
institutos de estadstica, centros de investigacin u organismos con tradicin en la
produccin de informacin suelen explicitar las decisiones tomadas en apndices o
documentos metodolgicos; las fuentes poco especializadas habitualmente no cuentan
con estos registros. En estos casos, recomendamos entrevistar a las personas que
estuvieron a cargo del trabajo de campo y/o del procesamiento de la informacin. Si
bien esta evaluacin requiere ms esfuerzo, es indispensable realizarla porque los
riesgos de analizar este tipo de fuentes son demasiados para obviar la tarea.

Entonces, nuestra propuesta es la siguiente: primero, identificar las fuentes que


disponen de informacin aparentemente valiosa para nuestros objetivos; luego, tratar
de responder las preguntas que figuran a continuacin lo ms exhaustivamente
posible. Por supuesto que estas preguntas no son una receta universal ni son las
nicas posibles de hacer. Ms bien, constituyen una propuesta para guiar la prctica
de investigacin, un camino posible para orientar la reflexin metodolgica.

1. Quin produjo los datos?

En primer lugar, debemos conocer quin es el autor de los datos y cul es su


trayectoria en el tema. Como dijimos, no todas las fuentes cuentan con la misma
experiencia ni recursos para producir informacin y ello resulta decisivo para evaluar
su credibilidad. Cuando existe la posibilidad, debemos elegir aquellas fuentes con
mayor reconocimiento. Por ejemplo, si deseamos estudiar la dinmica del mercado de
trabajo, lo mejor es recurrir a la EPH. Si no conocemos quin produjo la informacin ni
el modo en que lo hizo, lo ms prudente ser descartar dicha fuente.

2. De qu forma se los da a conocer?

El modo de acceder a los datos secundarios resulta central para establecer si


podremos responder a nuestros interrogantes. En el caso de las encuestas, es
importante saber si se podr acceder a las bases de datos o, simplemente, a tablas y

12
grficos. Es cierto que mayores niveles de desegregacin brindan mayores
posibilidades en el anlisis pero cada situacin debe examinarse en particular porque
tal vez podamos cumplir con nuestros objetivos con slo analizar tabulados ya
confeccionados.

Si trabajamos con datos producidos mediante tcnicas cualitativas debemos averiguar


a qu tipo de registro accederemos: sern audios? Notas de campo? O
transcripciones? Esos registros estarn completos? Asimismo, es importante tener
informacin sobre el contexto de produccin, ya que los registros variarn
considerablemente segn los participantes y la situacin de interaccin. No es lo
mismo realizar entrevistas en profundidad a personas completamente desconocidas o
con las cuales no manejamos los mismos cdigos culturales, que entrevistar a sujetos
que forman parte de nuestro mismo grupo social o con los que hemos compartido
experiencias en el pasado.

Hasta dnde indagar depender de los objetivos del estudio. Por ejemplo, si la
investigacin se centra en la reconstruccin de los procesos de toma de decisiones de
una organizacin, alcanza con un anlisis relativamente formal. En cambio, si
trabajamos con historias de vida precisaremos un conocimiento ms extenso sobre el
contexto de produccin y la trayectoria de los sujetos. Al respecto, Van den Berg
(2005) recomienda seguir el principio de parsimonia. Este principio implica el
reconocimiento de que la contextualizacin completa es inalcanzable y que la
contextualizacin es siempre limitada. Por lo tanto, uno debe restringirse a las
caractersticas contextuales que se supone que son los ms relevantes para la
interpretacin de los datos textuales. Este principio tambin implica que al determinar
la relevancia contextual es inevitable introducir supuestos no probados. (Van den
Berg, 2005: prrafo 43, traduccin propia). A modo de ejemplo, en el recuadro
siguiente se detallan algunos requisitos mnimos para efectuar anlisis secundarios de
entrevistas en profundidad:

13
Informacin necesaria para anlisis secundario de entrevistas cualitativas

1. Informacin sobre el contexto discursivo de las respuestas de los entrevistados ()


es un requisito previo que la informacin sobre la interaccin entre el entrevistador y el
entrevistado se ponga a disposicin. La entrevista es un discurso fundamentalmente co-
construido. Por lo tanto, las cintas de audio o las transcripciones detalladas de las
entrevistas deben estar disponibles.
2. Informacin sobre la historia discursiva de las respuestas del entrevistado: las
respuestas del entrevistado no son piezas aisladas de informacin, sino elementos de
una trayectoria del discurso. Por lo tanto toda la entrevista debe estar disponible y no
slo partes de ella.
3. Informacin sobre las caractersticas del entrevistador y del entrevistado que son
cognoscibles o visible para los participantes y podran influir en el curso de la interaccin
() como la edad, el gnero, la raza o la clase social.
4. Informacin sobre el lugar, la hora y el escenario de la entrevista o la presencia de
terceras personas. Las caractersticas de lugar, tiempo y ambiente que son visibles para
los participantes y probablemente relevantes para la interaccin deben incluirse en la
informacin contextual.
5. La informacin sobre cmo se seleccion al entrevistado y se le pidi su colaboracin.
El discurso de la entrevista est determinado en parte por cmo se enmarca la situacin
de entrevista y los objetivos de investigacin. La seleccin y las actividades de
aproximacin a los entrevistados son cruciales en este proceso de enmarcar. Por lo
tanto, la informacin sobre estas actividades debe estar disponible.
6. Informacin sobre otras personas relevantes que se sabe que conocen entrevistado y
entrevistador, como porteros, otros entrevistados, etctera. La base comn de
conocimientos del entrevistado y el entrevistador puede incluir informacin sobre
aspectos del contexto social ms amplio. El entrevistado puede saber algo acerca de
otras actividades de investigacin del investigador, tales como la participacin de otros
entrevistados y porteros. Esta informacin podra ser muy relevante como informacin
contextual necesaria para la interpretacin del discurso de la entrevista.
(Extrado de Van den Berg, 2005: prrafo 47, traduccin propia)

3. Por qu se produjeron eso datos?

Todos los relevamientos de informacin se llevan adelante con un objetivo


determinado. Algunas instituciones realizan estudios ante coyunturas o situaciones
extraordinarias; mientras que otras lo hacen de manera regular porque forma parte de
sus funciones. Dentro de este ltimo grupo, Angell y Freedman (1972) distinguen entre
los organismos que renen datos peridicamente a partir de muestras o censos; y
aquellos que producen datos basndose en los registros e informes efectuados en el
momento de ocurrencia de un hecho segn las regulaciones legales o administrativas
vigentes. ste es el caso de las estadsticas sobre nacimientos, defunciones y muertes
fetales elaboradas por el Ministerio de Salud de la Nacin. Conocer, entonces, los

14
objetivos que estn detrs de los datos que analizamos resulta importante para
evaluar el contexto de produccin y su pertinencia para nuestra propia investigacin.

4. Cul es el recorte temporal y espacial de los datos?

Como mencionamos previamente, los datos secundarios deben coincidir en tiempo y


espacio con nuestro problema de investigacin, pues, de poco sirve tener acceso a
una base completa si la misma refiere a pocas o reas geogrficas incongruentes
con aqul. Por regla general, se deben desestimar las fuentes que omiten indicar a
qu tiempo y/o a qu espacio refiere la informacin relevada.

Asimismo, debemos estar atentos y no confundir la fecha de publicacin con la fecha


de ejecucin del trabajo de campo. Entre una y otra existe una distancia temporal,
muchas veces significativa, que es importante tener en cuenta a la hora de establecer
la oportunidad de los datos.

5. Cmo se construyeron los datos?

Finalmente, es preciso conocer de qu forma se produjeron los datos que vamos a


analizar. Para ello, debemos informarnos sobre el instrumento de registro y la forma en
que se aplic. Tambin debemos saber qu dimensiones de anlisis se incluyeron;
cmo se definieron y operacionalizaron las variables; y qu sistemas de categoras y
unidades de medida se utilizaron. En este punto, no debemos apresurarnos a
desechar datos secundarios que a simple vista parecen inadecuados para nuestros
objetivos porque existen tcnicas como los ndices o las tipologas- que permiten
generar nuevas variables a partir de la combinacin de indicadores.

Por otro lado, debemos prestar atencin a los criterios de seleccin de las unidades de
anlisis y a posibles sesgos en la conformacin de la muestra (si la hubiere). Cuando
los individuos bajo estudio no se corresponden totalmente con nuestros objetivos,
debemos considerar la posibilidad de formar sub-grupos que s sean pertinentes para
nueva investigacin.

Finalmente, hay que estar al tanto de los inconvenientes surgidos durante el


relevamiento que puedan afectar la validez y confiabilidad de los datos. Para ello, es
preciso reconstruir la cadena de actores que intervino en el proceso de produccin;
sus funciones y nivel de capacitacin; y los mecanismos de supervisin y control
adoptados.

Slo haciendo este trabajo, conoceremos las limitaciones de las fuentes consultadas y
estaremos en condiciones de dictaminar su pertinencia para responder a nuestras

15
preguntas de investigacin. En el siguiente apartado, a modo de ejemplo, aplicamos
esta gua basndonos fundamentalmente en el estudio realizado por Luciana Pol y
Micaela Bazzano durante 2008 y 2009 para el Centro de Estudios Legales y Sociales
(CELS) sobre la produccin de estadsticas criminales en Argentina7. Cabe aclarar que
algunas de las situaciones descriptas a continuacin han cambiado durante estos
aos, pero ello no altera el objetivo pedaggico del presente documento.

4. Las estadsticas criminales en Argentina: un ejemplo de por qu es


importante evaluar los datos disponibles

4.1. La produccin de estadsticas criminales como objeto de investigacin

La centralidad que en los ltimos 20 aos adquirieron los temas relacionados con el
delito y la inseguridad increment la demanda de polticas pblicas en materia de
produccin de estadsticas penales. En efecto, la relevancia de la cuestin hizo que los
tpicos vinculados con la violencia social pasen a ocupar un lugar esencial en la
agenda pblica, con una presencia reiterada en los medios masivos de comunicacin.
En esa arena, el rol y la validez de las estadsticas fueron discutidos por diversos
actores. Esos cuestionamientos pusieron de relieve el carcter construido de las
estadsticas criminales. Como afirma Olaeta: [l]a medicin de la criminalidad presenta
un alto grado de complejidad y permite su abordaje desde diferentes lugares. Se trata
de un fenmeno que no es directamente observable y que, por lo tanto, no cuenta con
una forma de captacin que lo abarque en su conjunto. Por tal motivo, la estrategia
que se elija estar mostrando solamente un aspecto del problema. (Olaeta, 2008 p.7).

En ese contexto, el CELS decidi realizar un estudio para analizar las condiciones de
produccin de las estadsticas criminales en Argentina por parte de las agencias
estatales o, lo que es igual, analizar cmo se construyen las cifras oficiales del delito.
En particular, examin la forma de registro, publicacin y utilizacin de las mismas,
asumiendo que estos procesos son interdependientes de los debates y decisiones
pblicas en materia de seguridad. En efecto, una de las hiptesis del estudio fue que
existen situaciones que no estn reflejadas en las estadsticas porque entre otros
factores- las categoras usadas y las rutinas de trabajo, las invisibilizan.
7
Los resultados completos de dicha investigacin pueden consultarse en Bazzano y Pol
(2010).

16
Del universo de hechos delictivos, la investigacin del CELS se focaliz en los
homicidios dolosos, esto es, hechos que comportan un grado extremo de violencia
social al buscar intencionalmente la muerte de una persona8. Las consecuencias
irreversibles y el bien afectado (la vida) hacen que este tipo de delito sea uno de los
ms reprobables socialmente, lo cual tiene correlato en las sanciones previstas para
quien lo comete. Este recorte qued justificado por ser un indicador de violencia sin
sub-registro: para los homicidios dolosos no existe lo que se llama cifras negras
porque toda muerte queda registrada a travs del sistema de salud, de justicia y/o de
la fuerza policial. En cambio, indicadores como robos, hurtos o lesiones presentan
mayores niveles de sub-registro porque no todos son denunciados o se dan a conocer
cuando ocurren.

Como estrategia terico-metodolgica, se decidi entrevistar a empleados de distintos


rangos y funciones que trabajaban en las oficinas encargadas de producir las
estadsticas penales. En dichas entrevistas, se indag sobre: las caractersticas de la
institucin (historicidad, antigedad en la recoleccin de datos, cambios en el proceso
de produccin); las tcnicas de relevamiento (reconstruccin del camino de los datos,
fuentes, revisin de planillas, instrumentos y recursos con los que se cuenta); y la
cadena de actores (personas que intervienen en el proceso de produccin de datos,
dependencia, existencia o no de equipos de trabajo, capacitacin y supervisin).

Del total de instituciones analizadas, en el presente documento, retomamos


nicamente los casos de la Direccin Nacional de Poltica Criminal y de la Direccin de
Estadsticas e Indicadores de Salud por figurar entre los organismos ms importantes
en la materia9. Cabe destacar que el trabajo de campo present diferencias entre
dichas oficinas. Si bien ambas estuvieron dispuestas a participar del estudio, la
Direccin de Estadsticas e Indicadores de Salud facilit datos y materiales impresos
con total apertura, mientras que la Direccin Nacional de Poltica Criminal debi
solicitar autorizaciones internas y restringir la informacin otorgada.

4.2. La Direccin Nacional de Poltica Criminal

8
En contraposicin, se denomina homicidio culposo al delito que deriva en la muerte de una
persona fsica por una accin involuntaria o negligente como, por ejemplo, un accidente de
trnsito.
9
Adicionalmente, la investigacin relev informacin sobre la Direccin Nacional de Poltica
Criminal (DNPC), la Morgue Judicial, el Registro Nacional de Reincidencia (RNR), la Oficina de
Estadsticas de la Corte Suprema de Justicia de la Nacin y la Universidad Nacional de Lans
(UNLa).

17
La Direccin Nacional de Poltica Criminal (DNPC) del Ministerio de Justicia y
Derechos Humanos de la Nacin es la oficina responsable de sistematizar, procesar y
publicar las estadsticas sobre criminalidad y funcionamiento de la justicia en el pas.
Fue creada en 1991 con el objetivo de realizar investigaciones criminolgicas y brindar
asesoramiento al poder ejecutivo en materia de poltica criminal. Hasta ese ao, no
exista un organismo que cumpliera dicha misin, por lo cual, la informacin existente
hasta entonces era producto de los esfuerzos puntuales realizados por organismos
que no tenan como eje central la produccin de datos (Olaeta, 2008: 15)10.

Sus funciones en el rea estadstica se fueron ampliando progresivamente hasta la


sancin de la ley 25.266/00, la cual la facult para requerir datos a diferentes
organismos con el fin de confeccionar informes anuales. Desde entonces, los
tribunales con competencia penal, los representantes del Ministerio Pblico ante los
tribunales con competencia en materia penal, la Polica Federal Argentina, las policas
provinciales, las dems fuerzas de seguridad y los servicios penitenciarios le envan
peridicamente informacin que se da a conocer en diversos informes: el Sistema
Nacional de Informacin Criminal (SNIC), el Sistema de Alerta Temprana (SAT), el
Sistema Nacional de Estadsticas Judiciales (SNEJ) y el Sistema Nacional de
Estadsticas sobre Ejecucin de la Pena (SNEEP) (Olaeta, 2008, pp. 16-17).

Estos informes solan estar disponibles en la pgina web de la DNPC entre los meses
de abril y mayo de cada ao. Pero en el ao 2005, comenzaron a producirse retrasos
importantes en la publicacin de los mismos, pudiendo ser consultados recin durante
el ltimo trimestre del ao siguiente. A fines de 2007, el sitio web fue eliminado
sorpresivamente. A partir de entonces, se deba extender una solicitud al Ministro de
Justicia y Derechos Humanos para que autorizara (o negara) el pedido sin un plazo
estipulado de respuesta11. Los pedidos realizados por el CELS demoraron en ser
atendidos varios meses y algunos incluso nunca fueron contestados.

De acuerdo con los entrevistados, los datos publicados por la DNPC se utilizan, en
primer lugar, a nivel interno. Las autoridades polticas sobre todo, las de mayor
jerarqua- los emplean para disear programas de accin o elaborar proyectos de ley.

10
Segn el mismo autor, el Registro Nacional de Reincidencia es el nico antecedente
relevante que se puede destacar como precursor en la produccin de estadsticas criminales.
11
Al momento de escribir este documento, la informacin est disponible de nuevo en Internet.
En la pgina web de la DNPC se pueden consultar los informes SNEEP para el perodo 2002-
2013 y los informes SNIC para el perodo 2002-2008. <http://www.jus.gob.ar/areas-
tematicas/estadisticas-de-politica-criminal/mapa.aspx>.

18
El grado de aprovechamiento depende de cada gestin, registrndose variaciones
considerables a lo largo del tiempo. En segundo lugar, la DNPC enva los informes a
las autoridades provincias porque estiman que stas los utilizan para confeccionar
polticas pblicas. Tambin los remite al INDEC, quien los publica en sus anuarios
estadsticos. En tercer lugar, la DNPC atiende solicitudes personales de legisladores,
funcionarios del poder ejecutivo, investigadores y miembros de organizaciones no
gubernamentales. Estos pedidos se han incrementado en los ltimos aos,
presumiblemente por la importancia que adquiri la temtica en la agenda pblica.

Ahora bien, cmo produce la DNPC las estadsticas sobre los homicidios dolosos
ocurridos en el pas? El primer paso es la notificacin del hecho, la cual se origina
mediante una denuncia personal en sede policial, o por las actuaciones de oficio que
realizan las propias fuerzas de seguridad. En ambas situaciones, la polica inicia un
sumario y da aviso a la autoridad judicial correspondiente, encargada de investigar el
hecho. Los sumarios iniciados por una denuncia particular representan la mayor parte
de los casos (Pita y Olaeta, 2010: 218).

En cada comisara, existe un oficial que realiza tareas administrativas, entre ellas,
consultar los sumarios policiales para completar las planillas SNIC y SAT solicitadas
por la DNPC. Las planillas de SNIC slo informan nmeros globales de cada tipo de
delito por comisara (VER ANEXO I). En cambio, en las planillas SAT se registra una
serie de datos sobre las circunstancias de los hechos y el perfil de las personas
involucradas. Estos datos son requeridos para los homicidios dolosos, los homicidios
culposos en accidentes de trnsito, los delitos contra la propiedad y los suicidios (VER
ANEXO II). El hecho de que cada comisara complete dos planillas permite detectar
inconsistencias en la informacin.

Cada comisara eleva ambos formularios por va electrnica al departamento central


que, segn la provincia, ser la Direccin de Estadstica o la seccin judicial de cada
polica. Este organismo es el responsable de recopilar la informacin a nivel provincial
y remitirla a la DNPC discriminando al menos- por departamento poblacional o
policial. As, en todo el proceso de produccin y circulacin de la informacin se
reproduce la cadena jerrquica que rige la estructura policial, cadena que lleva a
centralizacin de la informacin e impide que unas comisaras y departamentales
sepan lo que otras han informado. (Pita y Olaeta, 2010: 219).

Por ltimo, la DNPC consolida los datos de las planillas, procesa la informacin y
confecciona los cuadros que publica en el informe anual de estadsticas. ste se

19
realiza siguiendo un modelo que incluye entre 70 y 80 cuadros que se mantienen
constantes cada ao. El diseo de este informe fue creado por un equipo de trabajo de
la DNPC, siguiendo las sugerencias de integrantes de la fuerzas de seguridad,
especialistas en derecho y acadmicos. Cabe destacar que los datos disponibles en
estas bases no son accesibles para ninguna de las fuerzas de seguridad ni para las
policas que los informan (Pita y Olaeta, 2010: 217). No obstante, si algn organismo
pblico requiere informacin distinta de la publicada en los anuarios, la DNPC procesa
y enva los datos solicitados.

Fuente: Elaboracin propia

En todas estas etapas, existen dos formas de controlar la calidad del registro de la
informacin: una supervisin interna, que depende de cada polica provincial y escapa
al conocimiento de la DNPC; y una supervisin externa, que hace la DNPC sobre la
informacin remitida por cada organismo provincial.

Respecto a la supervisin interna, como dijimos, cada polica provincial se ve obligada


a levantar y unificar los datos de sus reparticiones, realizando con ello un proceso de
control y consistencia de la informacin. Como consecuencia, la DNPC recibe los
datos de manera completa y con mayor calidad. No obstante, quedan dudas sobre qu
sucede en el proceso que es llevado a cabo por la misma polica, ya que no recibe
auditoras externas.

Respecto a la supervisin externa, la DNPC controla que los datos volcados en la


planilla SNIC sean consistentes con la informacin registrada en los formularios SAT
como, por ejemplo, la cantidad de hechos registrados. Si las cifras no coinciden, piden

20
una revisin y rectificacin de los datos. La DNPC reconoce que existen falencias en el
proceso de control por falta de recursos y, sobre todo, por discrepancias acerca de las
competencias jurisdiccionales. Al respecto, hay quienes cuestionan el hecho de que un
organismo federal como la DNPC- tenga capacidad de inmiscuirse en los registros de
instituciones locales. Algunas provincias invocan este argumento para justificar
demoras en el envo de la informacin.

A continuacin, se muestra la cantidad de homicidios dolosos cometidos en todo el


pas durante el perodo 1997-2007 de acuerdo con los informes SNIC publicados por
la DNPC.

Cantidad de homicidios dolosos por ao. Total pas. 1997-2007

Fuente: SNIC-DNPC

Antes de concluir este apartado, deseamos mencionar dos problemas identificados en


la forma de producir estadsticas por parte del organismo. Primero, se observan casos
de sub-registro debido a modificaciones en la cartula del sumario/expediente policial.
Las estadsticas sobre homicidios dolosos se construyen en base a las definiciones
(provisorias) que se establecen al momento de iniciar el sumario y no toman en cuenta
los cambios que ocurren en sede judicial. Este hecho es importante porque los jueces
o fiscales son las autoridades responsables de establecer oficialmente el tipo de delito
que se investiga. Un ejemplo que puede ilustrar claramente esta posibilidad es el caso
de una lesin dolosa grave que, estando el expediente ya en sede judicial, se
transforma en homicidio doloso ante la muerte de la vctima. Es decir, lo que en

21
primera instancia era una lesin se transforma en un homicidio por la muerte de la
vctima acontecida con posterioridad al registro estadstico realizado en la polica y
esto no se ver reflejado en los datos producidos por la fuente policial (Pita y Olaeta,
2010: 221). Este problema es propio de las bases de datos estticas. Siendo esta
circunstancia conocida, podran pensarse maneras de compensar el problema como,
por ejemplo, crear bases de datos dinmicas que integren distintas fuentes para seguir
el curso de los hechos registrados.

Segundo, existen problemas en la forma de inscribir ciertos tipos de delitos. El ejemplo


ms ilustrativo son las muertes producidas por represin policial o en cumplimiento
del deber, ya que las mismas no son consignadas como homicidios dolosos pese a la
intencionalidad del hecho (Pita y Olaeta, 2010). Aunque la DNPC imparte instrucciones
claras al respecto, la situacin se mantiene en el tiempo debido a prcticas
institucionales arraigadas en las fuerzas de seguridad y el poder judicial, como as
tambin a las limitaciones que evidencian los procesos de control y supervisin
desarrollados por la DNPC.

4.3. La Direccin de Estadsticas e Indicadores de Salud

La Direccin de Estadsticas e Indicadores de Salud (DEIS) del Ministerio de Salud de


la Nacin es otra de las agencias estatales que produce y publica datos sobre
homicidios cometidos en el pas.

En el ao 1968, naci el Sistema Estadstico Nacional integrado por los organismos


oficiales productores de estadsticas bajo la coordinacin del INDEC12. Este sistema se
estructura de manera descentralizada: cada sector (salud, educacin, trabajo, etc.)
tiene autonoma para organizar sus estadsticas, comprometindose a garantizar en
todo el territorio nacional la aplicacin de normas y procedimientos uniformes en las
distintas etapas de produccin de informacin.

A partir de esta sectorializacin, naci el Sistema Estadstico de Salud, coordinado en


el nivel nacional por la DEIS. El Sistema Estadstico de Salud se implement en forma
descentralizada siguiendo la organizacin federal del pas, lo que requiri la firma de
convenios entre el Ministerio de Salud de la Nacin y los Ministerios de Salud
provinciales suscriptos en 1968 y de renovacin automtica cada cinco aos-. Cada

12
Ley 17.622/68 (Decreto Reglamentario 3110/70).

22
nivel est interrelacionado y tienen autonoma para la produccin y difusin de
informacin.

El principal objetivo de la DEIS es proveer informacin estadstica para el proceso de


gestin en sus diferentes niveles. De acuerdo con las entrevistas realizadas por el
CELS, las estadsticas se utilizan mayoritariamente dentro del organismo. stas son
requeridas por los programas existentes o para la creacin de nuevas lneas de
accin. Adicionalmente, los datos son consultados por periodistas, miembros de
organizaciones no gubernamentales, estudiantes e investigadores. Estas consultas
muestran la creciente relevancia que los temas vinculados a violencia adquirieron en la
agenda de investigacin durante los ltimos aos.

A nivel nacional, la DEIS cuenta con un plan de publicaciones que incluye boletines y
series que se edita ininterrumpidamente desde 1984. Los boletines presentan
informacin anticipada preliminar o provisoria- o bien, adelantos de anlisis de datos
cuyos resultados se publicarn posteriormente. Las series incluyen anuarios con
informacin bsica sobre estadsticas vitales y de salud; resultados de investigaciones;
material didctico para personal en el sistema estadstico; y conclusiones y/o
recomendaciones de reuniones, talleres de trabajo, congresos y seminarios. Desde el
ao 2000, la DEIS cuenta una pgina web donde publica las estadsticas e indicadores
bsicos relevados, con sus respectivas especificaciones metodolgicas13. Adems,
entrega este material en soporte papel de manera gratuita en sus oficinas. Cabe
destacar que ante pedidos especficos, pone a disposicin las bases de datos para
que los usuarios produzcan sus propias tablas y grficos.

Y cmo produce estos datos? La informacin para construir las estadsticas sobre
homicidios dolosos proviene de una planilla que completa el mdico al momento de
declarar la defuncin de una persona. Cuando ocurre un fallecimiento, el mdico llena
un formulario que consta de dos secciones: el Certificado de Defuncin, que tiene
como objetivo el registro del hecho con fines legales (VER ANEXO III); y el Informe
Estadstico de Defuncin, cuyo objetivo es la captacin de datos con fines estadsticos
(VER ANEXO IV). Por razones de competencia profesional, corresponde al mdico
preferentemente al mdico tratante- la responsabilidad de suministrar esta
informacin. Por consiguiente, de l depende que las estadsticas reflejen lo ms
fielmente posible el perfil de la mortalidad.

13
http://www.deis.msal.gov.ar/institucional.htm

23
Ambas planillas son enviadas al Registro Civil donde se completan los datos que el
mdico pudo haber dejado en blanco, utilizando otro color en la escritura para
diferenciar lo que se est agregando. Se trata siempre de informacin no mdica como
edad, tipo de cobertura mdica, etc. Luego, el Informe Estadstico de Defuncin se
remite a la Oficina Provincial de Estadsticas de Salud, quien hace el control de la
integridad, de calidad, la codificacin y el ingreso al soporte electrnico de esa
informacin. Finalmente, cada provincia enva la informacin a la DEIS, donde se
vuelve a controlar la integridad, la consistencia y congruencia de los datos antes de su
publicacin. La DEIS queda como responsable de la custodia de las bases de las 24
provincias.

Fuente: Sitio web de la DEIS: http://www.deis.msal.gov.ar/certificacion.htm

Entre otras variables, el Informe Estadstico de Defuncin releva la causa de


fallecimientos de las personas. Para ello, los mdicos deben consignar (a) la
enfermedad o lesin que inici la cadena de acontecimientos patolgicos que
condujeron directamente a la muerte, o (b) las circunstancias del accidente o violencia
que produjo la lesin fatal. Luego, esta informacin es codificada y publicada en las

24
Estadsticas Vitales bajo las categoras que figuran en el siguiente recuadro14,
discriminando por sexo y grupos etarios:

Grupos de causas de defuncin (abreviado)

A. TOTAL DE DEFUNCIONES CON CAUSAS CONOCIDAS:

1. Enfermedades infecciosas y parasitarias


2. Tumores
3. Diabetes mellitus
4. Deficiencias de la nutricin y anemias nutricionales
5. Meningitis
6. Trastornos mentales y del comportamiento
7. Enfermedades del sistema circulatorio
8. Enfermedades del sistema respiratorio
9. Apendicitis, hernia de la cavidad abdominal y obstruccin intestinal
10.Ciertas enfermedades crnicas del hgado y cirrosis
11.Enfermedades del sistema gnitourinario
12.Embarazo, parto y puerperio
13.Ciertas afecciones originadas en el perodo perinatal
14.Malformaciones congnitas, deformidades y anomalas
cromosmicas
15.Causas externas
Accidentes de trfico de vehculo de motor
Otros accidentes de transporte
Otras causas externas de traumatismos accidentales
Suicidios
Agresiones
Eventos de intencin no determinada, inclusive secuelas
Las dems causas externas
16.Las dems causas definidas

B. TOTAL CAUSAS MAL DEFINIDAS Y DESCONOCIDAS


Fuente: Estadsticas Vitales, DEIS.

De acuerdo con las entrevistas realizadas, uno de los problemas en la produccin de


estas estadsticas es la falta de datos en los Informes Estadsticos de Defuncin. Si
bien la DEIS edita manuales e instructivos y realiza capacitaciones con el personal de
salud, an se observan datos perdidos. Por ejemplo, en el ao 2003, hubo 741
defunciones de los cuales se desconoce la edad de la persona fallecida y 23.067 cuya
causa de est mal definida o es desconocida15.

14
Se presentan los grandes grupos de causas conocidas excluyendo los subtipos, con
excepcin de las causas externas.
15
Estadsticas Vitales 2003 (pp. 33-34). Disponible en: http://www.bvs.org.ar/pdf/anuario03.pdf

25
Las muertes causadas por situaciones violentas figuran entre las categoras que
presentan los mayores niveles de sub-registro. En particular esto sucede: (a) cuando
alguien es agredido fsicamente y fallece luego de agonizar durante un tiempo, ya que
el motivo de su muerte no se registra como agresin sino por la causa clnica
inmediata (ej. politraumatismo). (b) Cuando existen dudas sobre la causa de
defuncin, el mdico completa lo menos posible los formularios y realiza una denuncia
para que el forense determine si la muerte fue violenta. Estos casos son contabilizados
por la DEIS como defunciones por intencin no determinada. En el ao 2006, hubo
1.921 casos registrados bajo dicha categora16. La fuente alternativa que podra brindar
esta informacin es el Poder Judicial pero, al no encontrarse informatizado, no estn
registrados los cambios en los expedientes cuando se determinan las circunstancias
de defuncin o se resuelven los casos penales.

A fin de comparar estas estadsticas con las elaboradas por la DNPC, a continuacin,
se presenta los datos publicados por ambos organismos para el total del pas durante
el decenio 1997-2007:

Cantidad de homicidios dolosos. Total pas. 1997-2007

Fuente: Elaboracin propia en base a Estadsticas Vitales-DEIS y SNIC-DNPC.

Como se observa, existen diferencias en la cantidad de homicidios dolosos


contabilizadas por la DNPC y la DEIS. Ello refleja diferentes formas de medir el
fenmeno: recordemos que los datos de la DNPC se basan en los expedientes

16
Estadsticas Vitales 2006 (p.36). Disponible en: http://www.bvs.org.ar/pdf/anuario06.pdf

26
policiales iniciados por denuncias o actuaciones de oficio, mientras que las
estadsticas de la DEIS se apoyan en las planillas que completan los mdicos ante
cada defuncin. Estas ltimas registran una menor cantidad de homicidios porque
muchos casos clasificados como eventos de intencin no determinada son, en
realidad, homicidios dolosos. Esto nos invita a pensar que las estadsticas producidas
por la DNPC son ms vlidas para medir la cantidad de homicidios intencionales que
las publicadas por la DEIS, aun cuando sta tambin presentan problemas de sub-
registro.

4.4. Sntesis comparativa de estadsticas sobre homicidios dolosos

Direccin Nacional de Poltica Direccin de Estadsticas e


Criminal Indicadores de Salud
Organismo oficial encargado de Organismo oficial encargado de
Quin producir estadsticas sobre producir estadsticas sobre
produce los criminalidad y funcionamiento hechos vitales, morbilidad y
datos? de la justicia. Se cre en el ao recursos del sistema de salud.
1991. Se cre en el ao 1968.
Publicacin online de informes Publicacin en sitio web y
estadsticos anuales. Pedidos distribucin gratuita en soporte
Cmo los da
por escrito durante baja del sitio papel de series y boletines
a conocer?
web. No brinda acceso a bases estadsticos. Acceso a bases de
de datos. datos por pedidos especiales.
Misin institucional. Estadsticas Misin institucional. Estadsticas
provenientes de registros provenientes de registros
Por qu los
administrativos. Principalmente, administrativos. Principalmente,
produjo?
se usan de manera interna para se usan de manera interna para
diseo de polticas pblicas diseo de polticas pblicas
Cul es el Datos a nivel nacional,
Datos a nivel nacional. Series
recorte provincial y departamental.
histricas desde el ao 1984
temporal y Series histricas desde el ao
hasta el ao 2013.
espacial?* 1991 hasta el ao 2008.
En base a Informe Estadstico
de Defuncin. Se relevan datos
En base a planillas SNIC y SAT. sobre atencin mdica previa al
Se relevan datos sobre el lugar deceso; causa de defuncin;
del hecho; la clase de arma circunstancias y lugar de los
Cmo los
utilizada; si el homicidio ocurri hechos que condujeron a la
construy?
en ocasin de otro delito; sexo, muerte por causas violentas;
edad y clase de vctima e edad, sexo, lugar de residencia,
imputado. cobertura mdica, nivel
educativo y ocupacin de la
vctima.
Cules son Sub-registro debido a los Datos faltantes en el Informe
sus cambios en la cartula del Estadsticos de Defuncin. Sub-
limitaciones? sumario/expediente policial y a registros de las muertes por
la omisin de homicidios causas violentas.

27
dolosos cometidos por personal
de las fuerzas de seguridad.
(*) Informacin actualizada a noviembre de 2015.
Fuente: Elaboracin propia

5. Palabras finales

Al comienzo de este trabajo, nos propusimos desarrollar algunas herramientas para


que todas aquellas personas que se inician en la investigacin social se encuentren
mejor preparadas a la hora de analizar datos secundarios. Para ello, no slo
revisamos la literatura existente y expusimos las ventajas y desventajas de recurrir a
este tipo de estrategia, sino que adems pusimos a prueba nuestras propias
recomendaciones a partir de un caso concreto. Caso que muestra la importancia de
evaluar los conceptos y las acciones que estn detrs de los datos disponibles. En
verdad, las estadsticas sobre homicidios dolosos dejan al descubierto que hasta los
hechos en apariencia ms sencillos de registrar suponen una compleja articulacin de
subjetividades, rutinas instituciones y relaciones de poder. Como resultado de ese
entramo, surgen las cifras oficiales del delito que fundamentan buena parte de las
polticas pblicas en materia de seguridad. Por ello, tomar estos datos acrticamente,
sin considerar su proceso de produccin constituye un error maysculo.

Esperamos entonces que los contenidos aqu desarrollados inviten a los lectores a
ejercer una sociologa reflexiva y les brinden elementos para desentraar ms
fcilmente los posicionamientos tericos y metodolgicos que estn detrs de los
datos que nos vienen dados. Esperamos tambin que estos contenidos no sean
interpretados como reglas universales, sino como criterios generales para utilizarlos
contextualmente. Como dicen Bourdieu, Chamboredon y Passeron: A la tentacin que
siempre surge de transformar los preceptos del mtodo en recetas de cocina cientfica
o en chucheras de laboratorio, slo puede oponrsele un ejercicio constante de
vigilancia epistemolgica que, subordinando el uso de tcnicas y conceptos a un
examen sobre las condiciones y los lmites de su validez, proscriba la comodidad de
una aplicacin automtica de procedimientos probados y seale que toda operacin,
no importa cun rutinaria y repetida sea, debe repensarse a s misma y en funcin del
caso particular. (2008: 20-21).

28
Bibliografa

Angell, R., y Freedman, R. (1972). El uso de documentos, registros, materiales


censales e ndices. En L. Festinger y D. Katz (Eds.), Los mtodos de investigacin
en ciencias sociales (pp. 286-309). Buenos Aires: Paids.
Bazzano, M., y Pol, L. (2010). Las condiciones de produccin de las estadsticas
criminales en Argentina. Buenos Aires: Centro de Estudios Legales y Sociales /
CELS. Disponible en: http://www.asd.org.ar/biblioteca/.
Becker, H. (2009). Trucos del oficio: cmo conducir su investigacin en ciencias
sociales. Buenos Aires: Siglo XXI Editores.
Bourdieu, P., Chamboredon, J.-C., y Passeron, J.-C. (2008). El oficio de socilogo:
presupuestos epistemolgicos. Buenos Aires: Siglo XXI Editores.
Cohen, N., & Gmez Rojas, G. (2014). Esa cosa llamada datos. Revista
Latinoamericana de Metodologa de la Investigacin Social(8), pp. 10-18.

Corti, L., Witzel, A., y Bishop, L. (2005). On the potentials and problems of secondary
analysis. An introduction to the FQS special issue on secondary analysis of
qualitative data. Forum Qualitative Sozialforschung / Forum: Qualitative Social
Research, 6(1), Art. 49.
Corti, L., y Bishop, L. (2005). Strategies in teaching secondary analysis of qualitative
data. Forum Qualitative Sozialforschung / Forum: Qualitative Social Research, 6(1),
Art. 47.
Dinardi, M. C. (2005). Fuentes de datos secundarias en Argentina: descripcin,
comparacin y anlisis. Serie Informes de Investigacin N16. Demografa Social.
Carrera de Sociologa. Universidad de Buenos Aires. Disponible en:
http://www.catedras.fsoc.uba.ar/demografiasocial/infodeinv/II16.pdf. (ltimo acceso:
15 de agosto de 2015).
Gonzlez Rodrguez, B. (1996). La utilizacin de los datos disponibles. En M. Garca
Ferrando, J. Ibez y F. Alvira (eds.), El anlisis de la realidad social. Mtodos y
tcnicas de la investigacin (pp. 245-271). Madrid: Alianza.
Lago Martnez, S., Mauro, M., De Sena, A. y De Luca, A., (2003). Los errores no
muestrales en la tcnica de encuestas. En S. Lago Martnez; G. Gmez Rojas; M.
Mauro; (coord.) En torno de las metodologas: abordajes cualitativos y cuantitativos
(pp. 271-284). Buenos Aires: Editorial Proa XXI.
Marcos, M. (2013). Ms all de los promedios: diferencias y especificidades
intraurbanas. La estructura demo-espacial de la Aglomeracin Gran Buenos Aires
en el ao 2001. Tesis para optar por el ttulo de Doctor en Ciencias Sociales,
Universidad de Buenos Aires.
Morales, N., y Gonzlez, M. (2012). Datos secundarios en la investigacin social:
evaluacin de su calidad. Documento de trabajo. Metodologa de la Investigacin
Social II. Carrera de Sociologa. Universidad de Buenos Aires. Mimeo.
Olaeta, H. (2008). Estadsticas criminales y sistemas de informacin. Buenos Aires:
Instituto Latinoamericano de Seguridad y Democracia (ILSeD).
Otamendi, A., y Otero, M. P. (2009). Anlisis de datos secundarios cuantitativos:
ejemplos de uso de datos en el contexto argentino. Documento de Ctedra N 57.
Metodologa y Tcnicas de la Investigacin Social. Carrera de Sociologa.
Universidad de Buenos Aires. Disponible en:

29
https://metodosautu.wordpress.com/documentos-de-catedra/. (ltimo acceso: 15 de
agosto de 2015).
Pita, M. V., y Olaeta, H. (2010). Primeros apuntes para una etnografa de la produccin
de estadsticas oficiales en materia de criminalidad. En R. Kant de Lima; L. Eilbaum;
L. Pires (org.). Conflitos, direitos e moralidades em perspectiva comparada (pp.
211-244). Rio de Janeiro: Garamond.
Saut, R. (1991). Oportunidades ocupacionales diferenciales por sexo en Argentina:
1970-1980. Revista Estudios del Trabajo, 1, pp. 47-76.
Scribano, A., y De Sena, A. (2009). Las segundas partes s pueden ser mejores:
algunas reflexiones sobre el uso de datos secundarios en la investigacin
cualitativa. Sociologias, 11(22), pp. 100-118.
Scribano, A., y De Sena, A. (2015). Revisiones sobre el uso de datos secundarios en la
investigacin cualitativa. En A. De Sena (Ed.), Caminos cualitativos. Aportes para la
investigacin en ciencias sociales (pp. 101-121). Buenos Aires: Imago Mundi /
CICCUS.
Thompson, P. (2000). Re-using qualitative research data: a personal account. Forum
Qualitative Sozialforschung / Forum: Qualitative Social Research, 1(3), Art. 27.
Van den Berg, H. (2005). Reanalyzing qualitative interviews from different angles: the
risk of decontextualization and other problems of sharing qualitative data. Forum
Qualitative Sozialforschung / Forum: Qualitative Social Research, 6(1), Art. 30.
Weber, M. (1973 [1904]). La objetividad cognoscitiva de la ciencia social y de la
poltica social. En M. Weber: Ensayos sobre metodologa sociolgica. Buenos Aires:
Amorrortu editores.

30
Sociologias
ISSN: 1517-4522
revsoc@ufrgs.br
Universidade Federal do Rio Grande do Sul
Brasil

Scribano, Adrin; Sena, Anglica de


Las segundas partes s pueden ser mejores: algunas reflexiones sobre el uso de datos secundarios en
la investigacin cualitativa
Sociologias, vol. 11, nm. 22, julio-diciembre, 2009, pp. 100-118
Universidade Federal do Rio Grande do Sul
Porto Alegre, Brasil

Disponible en: http://www.redalyc.org/articulo.oa?id=86819548006

Cmo citar el artculo


Nmero completo
Sistema de Informacin Cientfica
Ms informacin del artculo Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Pgina de la revista en redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
100 SOCIOLOGIAS

DOSSI
Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

Las segundas partes s pueden ser


mejor es: Algunas Reflexiones sobr
mejores: sobree
el uso de datos secundarios
en la investigacin cualitativa

ADRIN SCRIBANO 1
ANGLICA DE SENA 2

Resumen
El anlisis de datos secundarios es una de las estrategias ms antiguas que
los socilogos han empleado para dar cuenta de fenmenos de la realidad social
sobre los que se dispona de informacin elaborada por otros
El presente trabajo tiene por objetivo establecer una reflexin sistemtica
sobre el uso de informacin secundaria en los procesos de investigacin social
cualitativos.
El articulo consta de cuatro partes: 1.- hacia una definicin de dato y anlisis
secundario; 2. ventajas y desventajas del uso de informacin secundaria; 3.-
cmo, por qu y para qu re-usar informacin cualitativa, y 4.- algunas propuestas
a modo de apertura de un campo de discusin.
Abogamos por establecer criterios claros que puedan facilitar el uso y anlisis
de informacin elaborada por otros y/o en diferentes contextos de produccin.
Palabras clave: Datos secundarios. Investigacin cualitativa. Re-uso de informacin.

1 Investigador del CONICET. CEA-UNIDAD EJECUTORA-UNC. Coordinador del Programa de


Estudios sobre Accin Colectiva y Conflicto Social; Coordinador del Grupo de Estudio sobre Sociologa
de las Emociones y el Cuerpo. Instituto Gino Germani. UBA; Profesor del IAPCS-UNVM
2 Docente en la Universidad de Buenos Aires. Miembro del Grupo de Estudios de Metodologa del
Instituto de Investigaciones Gino Germani. Facultad de Ciencias Sociales. UBA.(GEMIS)
SOCIOLOGIAS 101

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

Introduccion

M
uchas veces al comentar con amigos el prximo estreno de la
segunda parte de una pelcula, aparece con mucha frecuencia
la expresin las segundas partes nunca son buenas....
En la investigacin social no hay segundas partes pero muchas
veces usamos informacin que otros han producido con
anterioridad o que nosotros mismos hemos elaborado en el pasado.
Un sinnmero de preguntas suelen hacerse sobre la validez, la
comparabilidad, y la inscripcin terica de informaciones que no han sido
construidas con los mismos propsitos, con la misma estrategia de indagacin
y desde diferentes perspectivas tericas. En este contexto, las ms de las
veces respecto a estrategias cuantitativas, se plantean las reflexiones sobre
el uso y administracin de datos secundarios.
El presente trabajo tiene por objetivo establecer una reflexin sistemtica
sobre el uso de informacin secundaria en los procesos de investigacin social
cualitativos. Para alcanzar dicho objetivo se ha seguido la siguiente estrategia
expositiva: 1) se hace una resea de algunas maneras de definir a los datos
secundarios tanto en estrategias cuantitativas como cualitativas; 2) se sintetiza
las potencialidades y obturaciones que emergen del uso de informacin secun-
daria; 3) se propone y justifica la utilizacin de informacin secundaria en los
diseos cualitativos; y 4) se concluye con algunas propuestas para potenciar y
mejorar dicha utilizacin. Se termina abogando por avanzar en procesos
colaborativos de investigacin con la articulacin de diversas fuentes de informacin.

Hacia una definicion de dato y analisis secundario


El anlisis de datos secundarios es una de las estrategias ms antiguas
que los socilogos han empleado para dar cuenta de fenmenos de la
102 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

realidad social sobre los que se dispona de informacin elaborada por otros.
Dos ejemplos claros lo constituyen Durkheim y Marx.
En los Manuales de Metodologa, ms usados, la problemtica suele
inscribirse en el desarrollo de la temtica sobre el uso de fuentes de
informacin secundaria y/o aparece asociada a la seleccin del tema/
planteamiento del problema3.
En, un no tan breve recorrido por distintos manuales de metodologa
es posible observar por un lado la falta de mencin a las investigaciones con
datos secundarios (por ejemplo Padua 2000; Mayntz 2004; Galtung; 1978),
por otro la mencin (tal vez escueta) especficamente ligada a investigaciones
de tipo cuantitativas (por ejemplo Sautu et alt 2005; Grawitz 1975).
Entre las distintas formas de definir este tipo de estrategia de
investigacin hallamos un modo contundente expuesto por Sierra Bravo:
Se entiende por anlisis secundario de documentos o
de datos documentales todo posterior anlisis de un
conjunto de datos primarios que ofrezca interpretaciones
y conclusiones adicionales o en forma diferente a la
presentada en el primer informe de investigacin.
(SIERRA BRAVO, 2003, p. 292)
Siguiendo al mismo autor, ello implica dos requisitos: 1) un anlisis
posterior o re anlisis de datos obtenidos y analizados anteriormente; 2)
que el nuevo anlisis no sea repeticin de los anlisis conocidos ya realiza-
dos con los datos, sino hacer tratamientos diferentes, interpretaciones dis-
tintas, adicionales.
En todos los casos, los diversos autores resaltan la importancia de la
validez y fiabilidad de la informacin, es decir considerar fuertemente as-
pectos tericos-epistemolgicos y metodolgicos tales como, el proceso de
captacin de la informacin; las definiciones utilizadas al recogerse la

3 CFR Solo como ejemplo, Cea DAncona (1998: 219-236) y Selltiz , et alt. (1980: 507- 526)
SOCIOLOGIAS 103

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

informacin; la formacin del investigador respecto al contexto en que se rele-


vo la informacin. Rojas Soriano advierte que cuando se utiliza informacin
secundaria, el investigador debe preguntarse Qu validez tiene para el proble-
ma que se estudia? La perspectiva terica (y la ideologa subyacente) con que
se obtuvo la informacin, corresponde a la utilizada en la propia investigacin?
Sin olvidar que la importancia de la construccin del dato, supone una adecuada
reflexin crtica. Remarcando que un objeto de investigacin es definido y
construido en funcin de una problemtica terica.
Segn Selltiz (1980), los datos secundarios sirven tambin para la
formulacin de hiptesis de investigacin; pero para utilizarlos se necesita de
una capacidad para formular muchas y distintas preguntas relacionadas con el
problema de investigacin. El principio bsico por tanto, para el uso de
estadsticas disponibles consiste en ser flexible con respecto a la forma en
que se formulan las preguntas de la investigacin (SELLITZ, 1980, p. 510)
En los ltimos 10 aos en la sociologa que opta por estrategias
cualitativas de indagacin las discusiones sobre el valor, sentido y procedimientos
para realizar anlisis de datos secundarios se han vuelto usuales.4
En esta direccin refirindose especficamente a las indagaciones cualitativas,
Mruck destaca la necesidad de discutir ms detenidamente las implicaciones
metodolgicas del anlisis secundario; en este caso seala cuestiones sobre la
anonimizacin, confidencialidad y tica como a medios vlidos y creativos de
ahorrar recursos para formular nuevas preguntas a viejos datos.
En su artculo Secondary analysis of qualitative data Janet Heaton
sostiene;
El anlisis secundario implica la utilizacin de datos
existentes, recogidos a los efectos de un estudio previo,

4 Para mencionar tres experiencias claras de dichas discusiones se pueden ver las publicaciones de
carcter internacional FQS: Forum: Qualitative Social Research; IJSRM: International Journal of
Social Research Methodology, MI: Methodological Innovations Online
104 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

con el fin de usarlos en una investigacin de un inters


que es distinto al de la indagacin original, que podr
(involucrar) una nueva pregunta de investigacin o una
perspectiva alternativa sobre la pregunta original.
(HEATON, 1998)
Goodwin y OConnor en un trabajo orientado a justificar los beneficios
de utilizar las notas de campo de los entrevistadores originales al usar datos
cualitativos producidos por otros afirman;
Con el anlisis secundario de los datos cualitativos se
abre la posibilidad de explorar temas y debates actuales
a travs de los datos que se recogieron en el pasado.
(GOODWIN ; OCONNOR, 2006)
Kelder por su parte ha sealado respecto al anlisis secundario de
datos cualitativos:
Los datos cualitativos son capaces de ser revisados des-
de mltiples perspectivas, y se utilizan para responder a
preguntas de investigacin diferentes a las previstas por
el investigador que obtuvo los datos originales. El uso
de datos de otras personas ahorra tiempo, evita
sobrecargar innecesariamente a los participantes de la
(propia) investigacin, y agrega confianza a la
interpretacin de los propios datos. (KELDER, 2005)
A la luz de lo expuesto se hace evidente una de las lneas maestras de
la metodologa: los datos no hablan por s mismos. La potencialidad implci-
ta de toda construccin de informacin refiere a la posibilidad de mirarla
de diferente manera, desde odres tericos, experienciales (y por que no
polticos) diversos a los que utilizara su constructor.
La utilizacin de informacin recabada no por el propio investigador,
sino por otro/as autores, refiere al uso y en algunos casos el procesamiento
de bases de informacin que diversos investigadores, organismos pblicos
SOCIOLOGIAS 105

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

o privados realizan con objetivos propios concernientes a una investigacin


o relevamiento, entre los que se encuentran al menos los archivos
documentales y estadsticos. Dicha modalidad, utilizada como nica o
complementando otras se encuadra dentro de las denominadas
investigaciones con fuentes secundarias y marcadas por el hecho que el
investigador no es quien acude a la bsqueda de la informacin.
Es menester considerar que, los objetivos para los cuales se recogi la
informacin son distintos de aquellos para los que se desea utilizar como
fuente secundaria, por ello requiere una tarea adicional para el investigador,
como es familiarizarse con dicha fuente y su construccin. Luego de ello,
efectuar los anlisis de acuerdo a los propsitos planteados reintegrando
la informacin o reprocesndola.
Preliminarmente digamos que se puede entender por dato secundario
al registro de una observacin realizada (por el mismo u otro investigador)
en contextos de produccin diferentes a los cuales se los pretende inscribir
en una oportunidad determinada. Con el mismo carcter es posible enten-
der al anlisis secundario de datos cualitativos, como el procedimiento
mediante el cual un investigador utiliza informacin registrada por otros re-
construyendo su descripcin y sistematizacin desde una estrategia de
indagacin diferente a la original5.
Ahora bien, sea en estrategias cuantitativas como en cualitativas el uso
de informacin elaborada por otro o por el propio investigador en otro con-
texto de produccin, como ya adelantramos, conlleva ventajas y desventajas,
repasemos ahora alguna manera de esquematizarlas.

Ventajas y desventajas del uso de informacion secundaria


Cuando un investigador se decide por usar informacin construida
por otro u en otros contextos de indagacin emergen varias preguntas: Un

5 Scribano ha expuesto de manera extensa la nocin de dato cualitativo, anlisis e interpretacin


de los mismos en Scribano 2008
106 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

conjunto de datos no depende de las preguntas de investigacin desde las


cuales se hayan construido? Los esquemas tericos no influyen de manera ter-
minante en la elaboracin de informaciones volviendo a estas dependientes de
los mismos? Los contextos de obtencin de la informacin no marcan
enfticamente a la misma? Los sujetos con los cuales se ha compartido la indagacin
y que son los que han cedido la informacin avalaran su re-uso? Responder a
cada una de estas preguntas de manera exhaustiva demandara la elaboracin de
otro trabajo paralelo al presente. Lo que s podemos y queremos hacer aqu es
dejar constancia de los lmites y posibilidades del anlisis secundario de modo tal
que quede allanado el camino para discutir su importancia. Desde una perspec-
tiva global, el anlisis de datos secundarios, presenta una serie de ventajas y
desventajas, que pueden sintetizarse del siguiente modo:

Tabla 1. Ventajas y desventajas del analisis secundario


Ventajas Desventajas
- Minimiza los efectos que la presencia - El investigador debe comprobar la validez
del investigador puede ocasionar en la y fiabilidad de la fuente.
obtencin de la informacin. - El investigador debe revisar: la
- Ms econmica en tiempo y en recursos consistencia de la informacin; el diseo
humanos y materiales. muestral; la tcnica de obtencin de la
- Facilita el anlisis comparativo y el de informacin; la cantidad de respuestas
tendencias. obtenidas; la fecha de obtencin de la
- Posibilita la formulacin de muchas y dis- informacin: los conceptos utilizados y su
tintas preguntas relacionadas con el pro- operacionalizacin.
blema de investigacin.

En la investigacin cualitativa existen hoy un sinnmero de publicaciones


que dan cuenta de las ventajas y desventajas de usar informaciones producidas
con anterioridad en otros proyectos de investigacin. Una manera de
esquematizar dichas ventajas y desventajas es usando el tipo de fuente de la
cual obtenemos la aludida informacin, un esquema posible es el que sigue:
SOCIOLOGIAS 107

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

Tabla 2. Ventajas y desventajas del acceso a informacion secundaria cualitativa


de acuerdo al tipo de fuente de las que se pueden obtener (elaboracin
propia en base a corti 2000)
TIPO FUENTE INFORMACION A LA VENTAJAS DESVENTAJAS
QUE SE ACCEDE
Archivos Tradicionales, Documentos personales Fiabilidad Institucional Difcil conexin con los
Bibliotecas de acadmicos que Acceso a material investigadores originales y casi
contienen los datos, privado de los nula con los sujetos investigados
mtodos y documentos, investigadores
informes sobre
estrategias de
indagacin, e
investigacin sustantiva,
correspondencia sobre el
diseo de investigacin
Documentos Oficinales Colecciones temticas Fiabilidad Institucional Difcil conexin con los
y Museos por ejemplo, de Coherencia investigadores originales y muy
colecciones locales de Programtica difcil con los sujetos investigados
entrevistas de la historia
oral
Grupos de Investigacin, Diversas colecciones de Coherencia Difcil accesibilidad material de la
redes acadmicas que datos de proyectos de Programtica informacin
participan en investigacin anteriores Posibilidad de
investigaciones Contacto con el Grupo
cualitativas de Investigacin
Investigadores Colecciones personales, Coherencia Difcil accesibilidad material de la
Individuales a menudo en torno a Programtica informacin
temas similares Posibilidad de Disponibilidad del Investigador
Contacto con el
investigador y
material conexo
Archivos y Bases de Datos, notas de campo y Fiabilidad Institucional Difcil accesibilidad material de la
Datos; Bibliotecas diseos de investigacin Coherencia informacin
Digitales Programtica Disponibilidad del Investigador y o
Grupo de Investigacin

En este marco, haciendo nfasis en el anlisis de dato cualitativo


secundario, y solo para simplificar nuestra exposicin, hemos re-construido
una lista breve de las ventajas y desventajas:
Ventajas:
1. Contar con informacin que se articule con la que dispone prima-
riamente el investigador en orden a profundizar una mirada ms
adecuada del fenmeno que quiere estudiar.
2. Disponer de mayor evidencia para las afirmaciones que pretende
sostener el investigador en su indagacin.
108 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

3. Co-construir ms participativamente una visin del mundo social


que implique una multiplicidad de voces cada vez mayor
Desventajas:
1. Las limitaciones ticas dados los consentimientos, objetivos e
intereses de TODOS los sujetos que hayan participado en la
investigacin que da origen a la informacin por re-usar.
2. Las dificultades que implica las limitaciones de hacer reflexivos los
contextos de observacin, metodolgicos, tericos, epistmicos y
polticos que ha tenido la investigacin usada.
3. Las obturaciones de re-transmisin de los rasgos preceptales y
dialgales que toda investigacin cualitativa implica.
Ms all de lo afirmado hasta aqu respecto a obstculos y posibilidades
el anlisis de datos secundarios cualitativo no solo es posible sino que hasta
deseable; en el prximo apartado damos algunas pistas de ello.

Como, por qu y para qu


re-usar informacion cualitativa.
Usar y re-producir informaciones elaboradas en contextos de
investigacin diferentes al propio implica la aplicacin constante de una
vigilancia epistemolgica que permita hacer reflexivos y apropiables ambos
procesos de produccin de conocimiento.
Las proximidad-distancia, la conexin-desconexin entre las
indagaciones teniendo en cuenta las superficies de inscripcin donde (y
desde donde) se las signifique y los entramados tericos que le dan
coherencia posibilitan evaluar las posibilidades de xito de su articulacin.
Una va para realizar la aludida evaluacin puede ser la de concentrarse
en: Objetivos, Estrategia Metodolgica, Posicin(es) del/los Narrador(es) .
SOCIOLOGIAS 109

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

Tabla 3.
Objetivos Estrategia Posicin(es)
Metodolgica Narrador(es)
Idnticos
Similares
Diferentes

Las condiciones ideales del uso de informacin cualitativa elabora-


da por otros se la obtiene cuando usando imaginariamente la Tabla 3 pode-
mos tildar la celdas que cruzan la fila Idnticos con las tres columnas de
la misma. Es decir, si los objetivos, la estrategia metodolgica y la posicin
del narrador son las mismas en la investigacin en curso y en aquella de la
cual hemos obtenido la informacin a usar. Esta posibilidad no es infrecuente
si se piensa en Programas de Investigacin compuestos por diversos proyectos
de investigacin que indagan (y construyen) objetos diferentes pero con
problemas complementarios y la misma mirada terica. Los ejemplos ms
evidentes son las relaciones entre Programas de Investigacin y las Tesis
elaboradas en esos contextos; y/o las proximidades entre Grupos de
Investigacin que conforman una Red de Estudios.
Obviamente, las condiciones de uso, (que podemos denominar pre-
liminarmente como de justificacin dificultosas), sobre las que hay que
tener una actitud reflexiva de constante y mayor vigilancia epistemolgica
se las tiene cuando podemos tildar imaginariamente, en la Tabla aludida, las
celdas que cruzan la fila Diferentes con todas las columnas. Esta posibilidad
es muy frecuente y se puede comprender muy bien si se repara en la
existencia (bienvenida por cierto) cada vez ms extendida en America Lati-
na de Archivos de Historia Oral. Dichas historias han sido construidas con
objetivos, estrategias metodolgicas y con una posicin de los narradores
coherentes con los investigadores encargados del Archivo en cuestin y es
por eso mismo que su uso, ms all de tener que pasar por una justificacin
adecuada, se vuelve ms operativo.
110 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

La situacin intermedia de la fila Similares es ms difcil de precisar


pero, dada la interaccin actual entre grupos de investigacin, suele ser la
ms usual. En Congresos, a travs de publicaciones peridicas, por estancia
de investigacin en otros lugares diferentes a los propios; el investigador
Latinoamericano se encuentra hoy muy asiduamente con personas que, si
bien no trabajan lo mismo lo hacen en algo muy similar, y que quieren
(pueden) compartir informacin.
De la mucha informacin disponible hemos seleccionado tres tipos de
recomendaciones, a) una que intenta esquematizar el cmo y el por qu de
la conveniencia de hacer el anlisis secundario de datos cualitativos, b) otra
que adelanta una serie de ejes como gua para hacerlo, y c) finalmente otra
preocupada en como retomar el contexto de la informacin secundaria.
a) En una interaccin no muy bien definida entre el cmo y por qu
usar datos secundarios Corti ha elaborado la siguiente lista:
! nuevas preguntas para los viejos datos: abordar los datos de

manera que no sea la direccin original. Cuanto ms se llegue al


fondo del material, ms esto es posible,
! para el diseo de la investigacin: la utilizacin del muestreo y

tcnicas de recoleccin de datos y herramientas para disear una


nueva investigacin, o el estudio para la metodologa en s,
! caso como material para la enseanza: el uso de la metodologa,

datos y mtodos, por ejemplo, los estudios clsicos para la enseanza


de mtodos de investigacin a travs de una gama de disciplinas
de las ciencias sociales,
! para la investigacin comparativa: los datos se pueden comparar

con otros datos nuevos (o fuentes), a travs del tiempo o de la


regin, grupo social, etc,
! para la verificacin: para fundamentar los resultados.

! histricamente: datos creados ahora inevitablemente se convertir

en un recurso histrico. (CORTI, 2000, p. 47)


SOCIOLOGIAS 111

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

b) Notz haciendo reflexiva su propia prctica de anlisis secundario,


sugiere como pasos a seguir: en primer lugar describir los datos que
se van utilizar y en segundo lugar establecer criterios de uso de los
contenidos de dichos datos. En cuanto a las informaciones surgidas de
las entrevistas, el caso que le preocupa un Notz, postula la posibilidad
de focalizarse en casos particulares o focalizarse en tpicos
seleccionados para el anlisis. En ese contexto sostiene la necesidad
de tener presente los siguientes elementos para realizar el anlisis:
! Antes de llevar a cabo un anlisis secundario, es productivo

reflexionar sobre el inters de la investigacin y la recopilacin de


datos de la obra original.
! Una cuestin importante es qu los temas del proyecto de

investigacin original coincidan con los del presente proyecto.


! Si slo una parte de la muestra son importantes para la
investigacin de inters actual, tenemos que definir qu elemen-
tos de los actuales materiales son de importancia para nosotros. La
seleccin de datos puede basarse en las caractersticas (demanda-
do rasgos tales como edad, sexo), contenidos especficos (por
ejemplo a travs de varias bateras de preguntas) o caractersticas
de las entrevistas (la hora, el lugar de la entrevista, etc). Es decir,
analizar el material del proyecto (ello lleva a considerar a los parti-
cipantes del mismo tanto investigadores como entrevistadores y el
material archivado del mismo).
! Adems, de la tcnica en s, es preciso examinar qu tipo de

enfoque metodolgico fue escogido...?


! Estar alertas respecto a cmo las nuevas reflexiones se centran

en las respuestas y las circunstancias de las entrevistas originarias


(NOTZ, 2007)
112 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

c) Van den Berg realiza seis recomendaciones para disminuir los obs-
tculos que producen los contextos diferentes de produccin de
datos cuando usamos informacin secundaria proveniente de en-
trevistas, ellos son:
1. Informacin sobre el contexto discursivo de las respuestas del
entrevistado. A menudo las entrevistas de una investigacin se graban
y desgraban es necesario poseer la grabacin a fin de dar cuenta
del modo en que se construy la conversacin entre entrevistado y
entrevistador.
2. Informacin acerca de la historia discursiva de las respuestas del
entrevistado. Es necesario contar con toda la entrevista, y
considerarla como una totalidad.
3. Informacin sobre las caractersticas y antecedentes del
entrevistador y entrevistado. Al menos las caractersticas sociales
que son visibles o cognoscibles para los propios participantes (tales
como edad, sexo, etnia, clase social) deben estar disponibles.
4. Informacin contextual pertinente para la interaccin en la
realizacin de la entrevista, tal como las caractersticas del lugar, la
presencia de terceras personas, etc.
5. Informacin acerca del modo de seleccin del entrevistado.
6. Informacin acerca del contexto social ms amplio, no solo de
los entrevistados. (VAN DEN BERG, 2005)
Retomando lo afirmado hasta aqu, y ms all de los pasos posibles
para realizar anlisis secundario queremos sostener la importancia de recor-
dar algunas operaciones bsicas para hacerlo:
a) Mantener una permanente duda radical (sensu Bourdieu) sobre
lo que para nosotros signifiquen la informacin re-usada.
b) Establecer un continuo entre la reflexividad de la investigacin de
origen y la nuestras.
SOCIOLOGIAS 113

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

c) Justificar metodolgica, epistemolgica y tericamente las


operaciones que realicemos.
d) Evaluar y en lo posible hacer visible los contenidos polticos de
las elecciones de la investigacin de origen y la nuestra.
Si bien, como en toda la metodologa de la investigacin social, ninguna
recomendacin debe ser tomada como dogma creemos que las aqu
expuestas pueden al menos servir de camino a transitar. En el prximo
apartado hacemos algunas propuestas para dicho recorrido.

Algunas propuestas a modo de apertura


de un campo de discusion
Para finalizar el presente trabajo queremos, al menos parcialmente, re-
alizar cuatro tipos de reflexiones en torno al uso de informacin secundaria.
En primer trmino queremos re-marcar, desde una perspectiva epistmica,
cual es el lugar que puede ocupar el re-uso de la informacin aludida. En
segundo lugar, subrayar tres motivos por los cuales resulta relevante hacer
anlisis secundarios. En tercer lugar, queremos proponer como punto de par-
tida de una discusin posterior los rasgos mnimos que todos deberamos tener
presentes para que nuestras propias informaciones puedan ser usadas por otros.
Finalmente esbozar algunos de los sentidos posibles que tendra contar en las
Ciencias Sociales de Amrica Latina con informacin para ser re-analizada.
1) Explicar y comprender fenmenos sociales desde una estrategia
cualitativa que suponga el anlisis secundario implica tematizar a las
informaciones disponibles en tanto inscriptas en redes explicativas y
constelaciones comprensivas.
Las informaciones recogidas por otros son puntos de referencia de
una navegacin cuya planificacin no ha sido realizada predeterminada-
mente. Los resultados de entrevistas, historias de vida, etnografas y de
114 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

todo proceso de observacin que no hayamos ejecutado como partes inte-


grantes de un plan de indagacin propio, pueden transformarse muchas
veces, en nodos de una red explicativa que mejora nuestra interpretacin
sobre nuestro propio itinerario.
Los sentidos, significaciones y valoraciones realizadas por otros que
anidan en los resultados de sus procesos de captacin de informacin
constituyen una constelacin de conexiones comprensivas posibles de ser
utilizadas en universos observacionales similares. De ah que dichas
constelaciones puedan, bajo las restricciones observacionales adecuadas
ser usadas por nosotros para ampliar la comprensin de nuestros propios
campos de observacin.
Las metforas de la red explicativa y de las constelaciones compresivas,
(tomando a la informacin disponible, en una como nodo; en otra como
conexin) posibilitan, al menos parcialmente, esclarecer el lugar de la
informacin secundaria y su potencial utilizacin.
2) Cuando se focaliza la discusin en los motivos por los cuales es
importante hacer anlisis secundarios aparecen, entre otros, tres muy
relevantes: a) El anlisis de informacin secundaria permite dado lo
explicado en el punto anterior hacer observables estructuras de
sentido que desde la misma investigacin que llevamos adelante
resultan difcil de ser captadas; b) la re-elaboracin de informacin es
una va para potenciar supuestos no trabajados directamente en nuestra
investigacin y que muchas veces se tratan como constantes o se dan
por sentado, y c) el anlisis secundario permite cotejar y robustecer la
validez externa de nuestra investigacin.
As se puede entender mejor por qu el anlisis secundario no solo es
posible sino que hasta deseable, en trminos metodolgicos, epistmicos y
tericos.
3) Es de una gran relevancia que todos aquellos que hacemos
investigacin y en especial los que optamos por estrategias cualitativas
SOCIOLOGIAS 115

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

dejemos en condicin de anlisis a las informaciones que construimos.


Dicks et Alt. han expuesto una breve lista de puntos a tener en cuenta
en las investigaciones cualitativas para dejarlas en condiciones de
ser re-usadas:
1 - La naturaleza y la evolucin de las relaciones entre investiga-
dor y participante, como as tambin de sus interacciones;
2 - los rasgos epistemolgicos, ontolgicos y polticos del proyecto,
y como estos funcionan en la practica;
3 - los procesos usados para llegar a la interpretacin del significado
de la informacin, y el-los tipo(s) de enfoque(s) utilizados en el
anlisis de datos. (DICKS, B et al. 2006)
Si bien la lista puede ser aumentada y/o corregida creemos que esta
es una buena pista para comenzar a repensar la cooperacin metodolgica
y darles sentido a nuestras redes de programas y grupos de investigacin.
4) En el contexto de lo arriba expresado creemos conveniente subrayar
tal vez algunos puntos muy conocidos por los discursos de las polticas
cientficas. El anlisis de datos cualitativos secundarios trae a la luz la
urgencia de potenciar tres elementos en la investigacin en nuestro
continente: el aumento necesario de la institucionalizacin de la
investigacin acompaado por su correlato de calidad en la elaboracin
y transmisin de informacin, la necesidad de una articulacin creciente
entre investigadores, programas y grupos de investigacin tendientes
a optimizar esfuerzos y, finalmente la urgencia de avanzar en esque-
mas de cooperacin en las investigaciones, mejorando el almacenaje
y publicidad de los resultados de las mismas.
En este marco creemos que desde las amplias nociones de datos y
anlisis secundarios se puede caminar hacia un proceso de re-utilizacin de
informacin, que implique la creacin de una informacin re-elaborada desde
donde aumente las ventajas y disminuyan la desventajas arriba sealas.
116 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

El avance a travs de redes explicativas y constelaciones comprensivas


construidas de los modos indicados re-potencia la esperanza de lograr ci-
mentar unas Ciencias Sociales que conviertan a los rasgos ticos y
contextuales de una investigacin, no ya en desventajas del uso de la
informacin, sino en sus propias potencialidades. El otro, los otros y los
nosotros implicados en los procesos de indagacin social se harn ms visibles
y comprensibles si podemos darles paso a ser vistos y escuchados por una
pluralidad de interlocutores.

The second parts may be better: some reflections on the use


of secondary data in qualitative research

Abstract
The analysis of secondary data is one of the oldest strategies that sociologists
have used to work with the phenomena of social reality when the available
information was prepared by others. This study intends to establish a systematic
reflection on the use of secondary information in the processes of qualitative social
research. The article is divided into four parts: the first works on a definition of data
and secondary analysis; the second part discusses advantages and disadvantages of
the use of qualitative information; the third asks how, why and what for is the reuse
of qualitative information; and finally the fourth part presents some proposals for
discussion. The aim is to establish clear criteria that would facilitate the use and
analysis of information produced by others and / or in different contexts of production.
Keywords: Secondary data. Qualitative research. Reuse of information.

Referencias
CEA DANCONA, M. ngeles. Metodologa cuantitativa: estrategias y tcnicas de
investigacin social. Madrid: Ed. Sntesis sociologa, 1998.
CORTI, Louise. Progress and Problems of Preserving and Providing Access to
Qualitative Data for Social Research - The International Picture of an Emerging
SOCIOLOGIAS 117

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

Culture [58 paragraphs]. Forum Qualitative Sozialforschung / Forum: Qualitative


Social Research [On-line Journal], 1(3). December, 2000. Disponvel em: <http:/
/www.qualitative-research.net/index.php/fqs/article/view/1019/2198>
DICKS, B., MASON, B., WILLIAMS, M., & COFFEY, A. Ethnography and data reuse:
issues of context and hypertext. Methodological Innovations Online [Online],1(2).
December 8, 2006. Disponvel em: <http://erdt.plymouth.ac.uk/mionline/
public_html/viewarticle.php?id=28.>
GALTUNG. Johan. Teora y Mtodo de la Investigacin Social. Tomo I y II Bs As:
Ed. Eudeba, 1978.
GOODWIN, J., & OCONNOR, H.. Contextualising the research process: Using
interviewer notes in the secondary analysis of qualitative data. The Qualitative
Report, 11 (2), , 2006. p. 374-392Disponvel em: <http://www.nova.edu/ssss/QR/
QR112/ goodwin.pdf>
HEATON, J. Secondary analysis of qualitative data. Social Research Update Issue
22 Autumn UniS University of Surrey, 1998. Disponvel em: <http://
sru.soc.surrey.ac.uk/SRU22.html>
KELDER, Jo-Anne. Using Someone Elses Data: Problems, Pragmatics and Provisions
[56 paragraphs]. Forum Qualitative Sozialforschung / Forum: Qualitative Social
Research [On-line Journal], 6(1), Art. 39. January, 2005. Disponvel em: <http://
www.qualitative-research.net/fqstexte/ 1-05/05-1-39-e.htm>
MAYNTZ, Renate; KART, Hola; HUBNER, Meter. Introduccin a los mtodos de
la sociologa emprica. Madrid: Alianza Editorial, 2004.
MRUCK, Katja. Editorial: El volumen FQS sobre Anlisis secundario de datos
cualitativos [6 prrafos]. Forum Qualitative Sozialforschung / Forum: Qualitative
Social Research [On-line Journal], 6(1), Art. 48. Enero, 2005. Disponvel em:
<http://www.qualitative-research.net/fqstexte/1-05/05-1-48-s.htm>
MOORE, N. The Contexts of Context: Broadening Perspectives in the (Re)use of
Qualitative Data. Methodological Innovations Online [Online], 1(2), 2006. Dis-
ponvel em: <http://erdt.plymouth.ac.uk/mionline/public_html viewarticle.
php?id=27>
NOTZ, Petra. Secondary Qualitative Analysis of Interviews. A Method Used for
Gaining Insight into the Work/Life Balance of Middle Managers in Germany [41
paragraphs]. Forum Qualitative Sozialforschung / Forum: Qualitative Social
Research, 6(1), Art. 34, 2007. Disponvel em: <http://www.qualitative-research.net/
fqs-texte/1-05/05-1-34-e.htm>
PADUA, Jorge. Tcnicas de investigacin aplicadas a las ciencias sociales. Mxi-
co: Ed. Fondo de Cultura econmica, 2000.
118 SOCIOLOGIAS

Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118

ROJAS SORIANO, Ral. El proceso de la investigacin cientfica. Mxico: Edito-


rial Trillas, 1995.
SAUTU, Ruth; BONIOLO Paula; DALLE, Pablo; ELBERT, Rodolfo. Manual de
metodologa. Construccin del marco terico, formulacin de los objetivos y
eleccin de la metodologa. Buenos Aires: Coleccin Campus Virtual. CLACSO
libros, 2005.
SCRIBANO, Adrin. El Proceso de Investigacin Social Cualitativo. Pp. 300 Buenos
Aires: Editorial Prometeo, 2008.
SELLTIZ, Claire; WRIGHTSMAN, Lawrence; COOK, Stuart. Mtodos de
investigacin en las Relaciones Sociales. Madrid: Ediciones RIALP S.A, 1980.
SIERRA BRAVO, R. Tcnicas de Investigacin Social. Teora y ejercicios. Madrid:
Thomson Editores, 2003.
VAN DEN BERG, Harry. Reanalyzing Qualitative Interviews From Different Angles:
The Risk of Decontextualization and Other Problems of Sharing Qualitative Data
[48 paragraphs]. Forum Qualitative Sozialforschung / Forum: Qualitative Social
Research [On-line Journal], 6(1), Art. 30. January, 2005. Disponvel em: http://
www.qualitative-research.net/fqs-texte/1-05/05-1-30-e.htm

Recebido: 04/02/2009
Aceite final: 02/03/2009