Yo he visto cómo profesionales bien formados cometen errores garrafales al elegir mal su escala de medición. No por falta de conocimiento, sino por automatismo. Piensan que medir es solo cuantificar. Pero medir también implica interpretar. Y si usas una escala que no refleja la naturaleza del fenómeno, tus conclusiones serán tan falsas como un billete de tres euros. La gente no piensa suficiente en esto.
¿Qué significa realmente medir con una escala?
El terreno movedizo de la medición
Medir no es solo asignar números. Es establecer una relación sistemática entre un fenómeno y un sistema simbólico —casi siempre numérico— que permita comparar, ordenar o analizar. Una escala, entonces, es el andamio lógico sobre el que construimos esa relación. Pero atención: no todas las escalas permiten el mismo tipo de operaciones matemáticas. Puedes sumar temperaturas en grados Celsius, pero no puedes sumar tallas de ropa. ¿Por qué? Porque pertenecen a categorías lógicas distintas.
Y aquí es donde se complica. Una escala nominal solo clasifica: rojo, azul, verde. No hay jerarquía. Una escala ordinal impone un orden: primero, segundo, tercero. Pero no dice cuánto más rápido fue el primero. Solo que llegó antes. Luego vienen las de intervalo —como el tiempo en calendario gregoriano— donde las diferencias sí son significativas, pero no hay un cero absoluto. Por último, las escalas de razón (como el peso en kilogramos) lo tienen todo: orden, distancia y un cero real. Eso lo cambia todo.
De ahí que muchos errores en investigación surjan de tratar una escala ordinal como si fuera de razón. ¿Cuántas encuestas dicen que un cliente está “un 30% más satisfecho”? Pura ficción. No puedes operar así con datos ordinales. El problema persiste porque muchas herramientas de análisis automático no hacen esta distinción. Simplemente procesan números. Y los humanos, confiados, asumen que si el software lo hizo, debe ser correcto.
Escalas cuantitativas: cuando los números hablan con precisión
Las escalas de intervalo: útil, pero con trampa
Las escalas de intervalo son comunes en ciencias sociales y psicometría. La temperatura en grados Celsius es el ejemplo clásico: la diferencia entre 20°C y 30°C es igual que entre 30°C y 40°C. Pero cero no significa ausencia de calor. Es arbitrario. Puedes decir que 40°C es 20 grados más caliente que 20°C, pero no que es “el doble de caliente”. Porque no lo es. Eso sería necesitar una escala de razón, como el Kelvin.
Aplicaciones como los test de inteligencia (IQ) operan en este nivel. Se asume que la diferencia entre 100 y 110 es comparable a la de 110 y 120. Pero no hay un “cero inteligencia”. Nadie tiene coeficiente cero. Y sin cero absoluto, no puedes afirmar proporciones. Dicho esto, muchos investigadores sí lo hacen. Y los medios aún más. Basta decir que la precisión se pierde en la traducción.
Escalas de razón: el nivel más potente
Estas sí permiten todas las operaciones: suma, resta, multiplicación, división. Porque tienen un cero verdadero. El peso, la altura, el tiempo en segundos, la velocidad en km/h. Si algo pesa 0 kg, no tiene masa. Si algo dura 0 segundos, no ocurrió. Y si un coche va a 120 km/h y otro a 60 km/h, puedes decir con certeza que el primero va el doble de rápido.
En ingeniería, esto es no negociable. Una grúa debe soportar 5 toneladas, no “un poco más que antes”. En medicina, una dosis de insulina se mide en unidades internacionales, no en “niveles de necesidad”. La exactitud salva vidas. Por eso, cuando se trabaja con escalas de razón, los márgenes de error se miden en milésimas. Un puente en California diseñado en 1983 colapsó parcialmente en 1989 por una falla de cálculo en la escala de fuerzas. No por error numérico, sino por malinterpretación dimensional. Los datos aún escasean sobre cuántas estructuras tienen riesgos similares. Honesto, no está claro.
Escalas cualitativas: cuando los números no lo dicen todo
Escalas nominales: etiquetas sin jerarquía
Estas escalas solo categorizan. Género, nacionalidad, tipo de sangre (A, B, AB, O). No hay orden. No puedes decir que la sangre tipo B es “mejor” que la A. Son etiquetas. Punto. Pero incluso aquí hay trampas. Muchas veces, los investigadores asignan números a categorías (1 = hombre, 2 = mujer) y luego calculan promedios. ¿El resultado? “El promedio de género en la muestra es 1.6”. Absurdo.
Y es precisamente en este terreno donde los algoritmos de IA tropiezan. Si entrenas un modelo con datos nominales mal codificados, el sistema asume que hay una progresión. Y empieza a predecir que alguien con “género 1.8” probablemente vote por tal partido. Esto no es ciencia. Es ruido estadístico con pretensiones. El problema persiste porque muchos científicos de datos vienen de disciplinas técnicas, no sociales. No conocen esta trampa.
Escalas ordinales: orden sin medida
“Muy insatisfecho”, “insatisfecho”, “neutral”, “satisfecho”, “muy satisfecho”. Es la típica escala Likert. Muy usada. Poco entendida. Sí, puedes ordenar las respuestas. Pero no puedes asumir que la distancia entre “insatisfecho” y “neutral” sea igual que entre “neutral” y “satisfecho”. ¿Qué tan grande es la diferencia emocional entre ambos? No está cuantificada. Y aún así, se calculan promedios. Se hacen gráficos de barras con medias. Todo basado en una ilusión de precisión.
Yo encuentro esto sobrevalorado. Las escalas Likert tienen su lugar, pero cuando se les exige rigor matemático, fallan. Como resultado: estudios con afirmaciones como “el 73.4% de los usuarios están satisfechos”. ¿Cómo midieron eso? ¿Con qué exactitud? Salvo que lo validen con otros métodos, es ruido. Pero se publica. Se cita. Se vende.
Escalas logarítmicas: comprender lo que crece fuera de control
La escala de Richter para terremotos, la de pH para acidez, los decibelios para sonido. Todas logarítmicas. ¿Por qué? Porque comprimen rangos enormes. Un terremoto de magnitud 9 no es “un poquito más fuerte” que uno de 5. Es 10,000 veces más potente. Sin una escala logarítmica, tendrías que manejar números ridículamente grandes. Imagina decir que un sonido es 1,000,000 más intenso que otro. Con decibelios, es 60 dB más. Mucho más manejable.
Pero la gente no entiende lo exponencial. Un terremoto de 8 grados no es el doble que uno de 4. Es 10,000 veces más energético. La escala logarítmica salva vidas porque permite comunicar riesgos extremos con claridad. Aun así, muchos periodistas lo presentan como si fuera lineal. “El sismo fue un poco más fuerte”. No. Fue catastróficamente más fuerte. Esa desinformación cuesta. En 2011, en Japón, muchos no evacuaron porque no entendieron la magnitud del tsunami que vendría. La escala lo decía. Pero la comprensión no llegó.
Preguntas Frecuentes
¿Se puede convertir una escala ordinal en de razón?
No directamente. Puedes intentar inferirla con métodos estadísticos (como el escalograma de Guttman o el análisis factorial), pero siempre con supuestos. Y esos supuestos deben validarse. No puedes asumir igualdad de intervalos sin evidencia. Porque entonces estás inventando datos.
¿Por qué usar una escala nominal si no se pueden hacer operaciones?
Porque clasificar es el primer paso del conocimiento. Saber que el 62% de los pacientes tienen tipo de sangre O+ es útil. Para transfusiones, para estudios epidemiológicos. No necesitas sumarlos. Solo contarlos. Y eso es poderoso.
¿Las escalas logarítmicas son más precisas?
No son más precisas, pero sí más adecuadas para fenómenos que crecen exponencialmente. Como resultado: evitan saturar la percepción humana. Un sonido de 120 dB duele. Uno de 10 dB es casi inaudible. En escala lineal, tendrías que comparar 1 con 100,000. En logarítmica, es 10 frente a 120. Mucho más digerible.
Veredicto
Las escalas no son herramientas neutrales. Son decisiones epistemológicas. Cada elección afecta lo que puedes ver, medir y concluir. Estamos lejos de que todos los profesionales las usen con conciencia. Y es un problema, porque detrás de cada escala hay un mundo de supuestos. Yo estoy convencido de que el mayor riesgo no es el error numérico, sino el error de interpretación. Porque los números, por sí solos, no significan nada. Depende de cómo los leemos. Y aquí es donde el humanismo debe recuperar terreno frente al automatismo cuantitativo. La próxima vez que veas un gráfico, pregúntate: ¿con qué escala se midió esto? Porque eso lo cambia todo.