Problema, hipótesis y objetivos de investigación: cómo construir una tesis coherente
El problema de investigación plantea qué se necesita conocer; los objetivos indican qué se pretende alcanzar y las hipótesis proponen respuestas tentativas que se contrastarán con evidencia. En una tesis cuantitativa, estos componentes deben referirse a las mismas variables, población y contexto. Hernández Sampieri, Fernández Collado y Baptista Lucio desarrollan esta relación en los capítulos sobre planteamiento del problema, formulación de hipótesis y análisis de datos de Metodología de la investigación. Cómo analizar un problema de investigación El análisis comienza con una situación observable: demoras, diferencias de desempeño, fallas o relaciones entre variables que todavía necesitan comprenderse. Para convertirla en un problema investigable, se deben revisar datos y antecedentes, precisar la incertidumbre y delimitar el estudio. Una secuencia práctica es: Por ejemplo, “la empresa necesita mejorar su mantenimiento” es una necesidad amplia. Una pregunta investigable sería: ¿qué relación existe entre el cumplimiento del mantenimiento preventivo y la disponibilidad de los equipos? No debe darse por comprobada una causa antes de investigarla. Las fallas podrían relacionarse también con antigüedad, carga de trabajo o condiciones de operación. Cómo determinar el objetivo general y los objetivos específicos El objetivo general expresa el propósito central y responde directamente a la pregunta. Los objetivos específicos desarrollan los componentes necesarios para alcanzarlo. Deben formularse con verbos que expresen resultados de conocimiento, como describir, medir, comparar o analizar. También deben ser claros, alcanzables y congruentes entre sí. La siguiente propuesta es un ejemplo hipotético para ingeniería: Componente Formulación Problema general ¿Qué relación existe entre el cumplimiento del mantenimiento preventivo y la disponibilidad de los bancos de molienda de la empresa X durante el periodo estudiado? Objetivo general Determinar la relación entre el cumplimiento del mantenimiento preventivo y la disponibilidad de los bancos de molienda. Objetivo específico 1 Cuantificar el cumplimiento del mantenimiento preventivo de los bancos de molienda. Objetivo específico 2 Medir la disponibilidad de los bancos de molienda durante el periodo estudiado. Objetivo específico 3 Analizar la dirección y magnitud de la asociación entre ambas variables. Los objetivos específicos permiten obtener las mediciones y el análisis que requiere el objetivo general. No deben introducir variables ajenas al problema. “Aplicar encuestas”, “buscar bibliografía” o “usar un programa estadístico” son actividades metodológicas, pero no sustituyen por sí mismas los objetivos de conocimiento. Cómo se enuncian las hipótesis Hernández Sampieri y sus coautores presentan las hipótesis como explicaciones tentativas, sustentadas en conocimiento previo y expresadas mediante proposiciones o afirmaciones. No son preguntas ni conclusiones anticipadas. Para el ejemplo anterior: Hipótesis de investigación: “Un mayor cumplimiento del mantenimiento preventivo se relaciona con una mayor disponibilidad de los bancos de molienda”. La formulación mantiene las variables del problema y expresa la dirección esperada de su asociación. Debe apoyarse en teoría y antecedentes, no únicamente en la expectativa del investigador. Cuando corresponde, las hipótesis específicas desarrollan relaciones o diferencias particulares de la hipótesis general. No es necesario inventar una hipótesis para cada objetivo descriptivo: su formulación depende del alcance y de lo que se pretende contrastar. Cómo cambia el planteamiento si se aplica una mejora Estudiar una asociación y evaluar una intervención requieren planteamientos diferentes. Componente Ejemplo de evaluación antes y después Problema ¿Qué cambios se observan en la disponibilidad de los bancos de molienda después de implementar el programa de mantenimiento preventivo? Objetivo general Evaluar los cambios en la disponibilidad antes y después de implementar el programa. Objetivos específicos Medir la disponibilidad inicial, documentar la ejecución del programa y comparar la disponibilidad entre ambos periodos. Hipótesis La disponibilidad media será mayor en la medición posterior que en la inicial. Este ejemplo propone un diseño preexperimental de un solo grupo. Su conclusión debe reconocer que otros cambios simultáneos podrían explicar parte del resultado. Cómo realizar la contrastación de hipótesis Contrastar consiste en evaluar la hipótesis con los datos mediante un procedimiento apropiado. Para ello: 1. Definir qué se medirá. Establecer indicadores, unidades, instrumentos y reglas de cálculo. 2. Formular las hipótesis estadísticas. Por ejemplo, para una asociación: H₀ plantea ausencia de correlación poblacional y H₁ plantea la relación prevista. 3. Elegir la prueba y sus condiciones. Considerar nivel de medición, distribución, independencia, tamaño de muestra y diseño. 4. Establecer previamente el nivel de significancia. Puede utilizarse α = 0,05, con una justificación acorde con el estudio. 5. Analizar y reportar. Presentar estimación, incertidumbre, estadístico y valor p. 6. Interpretar. Explicar qué evidencia se obtuvo y cuáles son sus límites. Pregunta que se contrasta Análisis posible Asociación lineal entre dos variables cuantitativas Correlación de Pearson, si resulta apropiada. Asociación monotónica entre rangos o variables ordinales Correlación de Spearman. Diferencia de medias entre dos grupos independientes Prueba t para muestras independientes, con la variante adecuada. Diferencia media entre mediciones emparejadas Prueba t para muestras relacionadas, si se cumplen sus condiciones. En una comparación emparejada, cada medición anterior debe corresponder con una posterior de la misma unidad o de una pareja justificada. Medir pedidos diferentes antes y después, por ejemplo, no los convierte automáticamente en observaciones emparejadas. Cómo interpretar la decisión estadística Con la regla convencional previamente establecida, si p ≤ α, se rechaza H₀; si p > α, no se rechaza. El valor p se calcula bajo la hipótesis nula y los supuestos del modelo; no indica la probabilidad de que la hipótesis sea verdadera. No rechazar H₀ tampoco demuestra ausencia de relación o igualdad. Además, una diferencia significativa no garantiza importancia práctica ni causalidad. Una tesis coherente permite seguir el razonamiento completo: la pregunta orienta los objetivos, la hipótesis expresa una expectativa y el análisis aporta evidencia para evaluarla. La conclusión debe responder al problema sin superar lo que permiten los datos y el diseño. Referencia principal Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. del P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill Education. Capítulos 3, 6 y 10. Los ejemplos de ingeniería son propuestas ilustrativas y no se atribuyen al libro.
Operacionalización de variables y matriz de consistencia: cómo elaborarlas para tu tesis
La operacionalización de variables y la matriz de consistencia ayudan a organizar una investigación cuantitativa. Ambas conectan las decisiones metodológicas de una tesis, pero cumplen funciones diferentes: una permite precisar cómo se medirán las variables y la otra permite revisar la coherencia entre el problema, los objetivos, las hipótesis y el método. Para estudiantes de ingeniería, maestría y doctorado, comprender esta relación facilita diseñar instrumentos, recoger datos pertinentes y realizar un análisis que responda a la pregunta de investigación. ¿Qué es la operacionalización de variables? Operacionalizar una variable significa establecer cómo se observará o medirá en el estudio. Hernández Sampieri, Fernández Collado y Baptista Lucio explican que una definición operacional especifica los procedimientos necesarios para medir una variable e interpretar los datos obtenidos. Por ejemplo, investigar la “eficiencia de un proceso” exige precisar qué se entenderá por eficiencia y qué evidencia se recogerá. Podría evaluarse mediante tiempo, consumo de recursos u otros indicadores, según la definición teórica adoptada. La elección debe justificarse: un indicador fácil de obtener no necesariamente representa el concepto que se pretende estudiar. ¿Qué contiene una matriz de operacionalización de variables? La matriz organiza la relación entre los conceptos y su medición. Una estructura de trabajo puede incluir: Elemento Qué debe explicar Variable Característica o concepto que se estudiará. Definición conceptual Significado sustentado en fuentes teóricas. Definición operacional Procedimiento concreto para obtener e interpretar los datos. Dimensiones Componentes del concepto, cuando correspondan. Indicadores Evidencias observables o medidas seleccionadas. Instrumento o fuente Cuestionario, ficha de registro, sensor, documento u otra fuente. Nivel de medición Nominal, ordinal, de intervalo o de razón. Esta estructura es orientativa. Debe adaptarse a la investigación y al formato solicitado por la universidad. ¿Qué es la matriz de consistencia? La matriz de consistencia de una tesis reúne los componentes centrales del estudio para comprobar que se articulan: lo que se pregunta debe corresponder con lo que se busca alcanzar, lo que se plantea como hipótesis y la forma de obtener evidencia. Una nota académica de la Universidad de Lima distingue esta función de la matriz de operacionalización, que desarrolla con mayor precisión los indicadores y la forma de medir las variables. Matriz de consistencia Matriz de operacionalización Revisa la coherencia del estudio. Detalla la medición de las variables. Relaciona problema, objetivos, hipótesis y metodología. Relaciona definiciones, dimensiones, indicadores y procedimientos. Permite detectar contradicciones en el planteamiento. Permite identificar qué datos se necesitan y cómo obtenerlos. Ejemplo aplicado a una tesis de ingeniería Consideremos un estudio hipotético sobre la aplicación de un procedimiento digital para preparar pedidos. El siguiente ejemplo es una propuesta ilustrativa, no una investigación ejecutada. Matriz de consistencia simplificada Componente Formulación propuesta Pregunta ¿Qué cambios se observan en el tiempo de preparación de pedidos después de implementar el procedimiento digital en la empresa X? Objetivo general Evaluar los cambios en el tiempo de preparación de pedidos antes y después de implementar el procedimiento digital. Hipótesis El tiempo promedio de preparación de pedidos será menor después de implementar el procedimiento digital. Intervención Procedimiento digital de asignación y seguimiento de pedidos. Variable de resultado Tiempo de preparación de pedidos. Diseño propuesto Cuantitativo preexperimental con medición anterior y posterior en un solo grupo. Unidad de observación Cada pedido que cumpla los criterios de inclusión. Operacionalización simplificada Variable o condición Definición para el ejemplo Medición o registro Nivel Condición de aplicación del procedimiento Situación del proceso respecto de la implementación. Registrar si el pedido corresponde al periodo anterior o posterior y verificar el cumplimiento del protocolo. Nominal. Tiempo de preparación Duración desde el inicio de la preparación hasta que el pedido queda listo para despacho. Registrar ambas marcas de tiempo y calcular la diferencia en minutos. Razón. Para interpretar la comparación, también sería necesario registrar características como cantidad de productos por pedido, personal disponible y carga de trabajo. Así se podrían examinar condiciones que influyen en los tiempos. Cómo construir ambas matrices Primero, delimita la pregunta. Define el proceso, las unidades de estudio, el contexto y el periodo. Después, revisa los conceptos. Busca definiciones y antecedentes que permitan sustentar las variables. A continuación, formula objetivos e hipótesis coherentes. Mantén los mismos conceptos en todo el planteamiento y asegúrate de que el diseño permita responder la pregunta. Finalmente, define la medición. Especifica indicadores, instrumentos, unidades, reglas de cálculo y tratamiento de datos faltantes. La matriz debe actualizarse cuando cambian decisiones relevantes del estudio. Modificar una variable en el cuestionario sin revisar el objetivo puede romper la coherencia de la investigación. Errores frecuentes al operacionalizar variables Hernández Sampieri y sus coautores señalan que una definición operacional debe valorar su adecuación al contexto, su capacidad para captar los componentes de la variable, la confiabilidad y la validez. ¿Todas las variables se miden con cuestionarios? No. Una tesis puede utilizar registros de producción, tiempos, sensores, documentos o bases de datos. El instrumento se elige según la evidencia necesaria. Tampoco basta con asignar códigos numéricos para convertir categorías en cantidades. Si dos áreas de trabajo se registran como 1 y 2, los números identifican categorías; no expresan una diferencia de magnitud. Una matriz de consistencia bien articulada y una operacionalización de variables precisa permiten recoger información que responde al estudio y sostener conclusiones acordes con la evidencia. Referencias Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. del P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill Education. Capítulos 6 y 9. Universidad de Lima. La importancia de la Matriz de Operacionalización de Variables en la Investigación Científica Cuantitativa. Consultar la nota académica.
Temas de tesis de ingeniería con IA y tecnologías digitales: ejemplos preexperimentales
Las tecnologías digitales y la inteligencia artificial ofrecen oportunidades para desarrollar tesis de ingeniería orientadas a evaluar procesos empresariales. Para convertir una idea tecnológica en una investigación, es necesario definir qué se implementará, qué indicadores se medirán y cómo se compararán los resultados. Un diseño cuantitativo preexperimental de preprueba y posprueba con un solo grupo sigue esta secuencia: Medición inicial → aplicación de la tecnología → medición posterior Hernández Sampieri, Fernández Collado y Baptista Lucio señalan que este diseño proporciona una referencia inicial, pero tiene control limitado: otros acontecimientos podrían explicar los cambios observados. Por ello, sus resultados no permiten establecer causalidad con certeza. Los siguientes temas son propuestas hipotéticas para tesis de ingeniería industrial, empresarial y de sistemas. No representan investigaciones ejecutadas ni resultados comprobados. 1. Asistente de inteligencia artificial para atención al cliente Título propuesto: Evaluación del tiempo de respuesta y la exactitud de las respuestas antes y después de implementar un asistente de IA en la empresa X. La intervención consiste en incorporar un asistente conectado a información autorizada sobre productos, servicios y procedimientos. Indicadores: tiempo de primera respuesta, porcentaje de respuestas correctas y porcentaje de consultas resueltas. La medición debe utilizar criterios uniformes para evaluar la exactitud y consultas comparables en complejidad. También conviene registrar las intervenciones humanas necesarias. 2. Automatización digital de la elaboración de reportes Título propuesto: Evaluación del tiempo de elaboración y los errores de reportes operativos antes y después de implementar una automatización digital en la empresa X. La propuesta puede integrar formularios, hojas de cálculo, bases de datos y herramientas de automatización. Indicadores: minutos por reporte, errores por documento y porcentaje de reportes entregados dentro del plazo. Este tema permite comparar una tarea delimitada, como consolidar diariamente la producción. Los reportes anteriores y posteriores deben tener un alcance equivalente. 3. Sistema digital para control de inventarios Título propuesto: Evaluación de las diferencias de inventario antes y después de implementar un sistema de registro digital en el almacén de la empresa X. La intervención puede utilizar códigos de barras, códigos QR o registros móviles para entradas y salidas. Indicadores: porcentaje de registros con diferencias, tiempo de localización de productos y exactitud del inventario. La medición requiere procedimientos de conteo consistentes y registrar cambios simultáneos en el surtido o volumen de movimientos. 4. Visión artificial para inspección de calidad Título propuesto: Evaluación del tiempo de inspección y la detección de defectos antes y después de incorporar un sistema de visión artificial en el proceso X. La intervención utiliza imágenes y un modelo que identifica defectos previamente definidos. Indicadores: tiempo por inspección, proporción de defectos detectados y frecuencia de falsas alarmas. Es necesario contar con una referencia de evaluación, como la revisión de especialistas. Para valorar el modelo, las imágenes de prueba deben estar separadas de las utilizadas para entrenarlo. 5. Pronóstico de demanda mediante aprendizaje automático Título propuesto: Evaluación del error de pronóstico antes y después de incorporar un modelo de aprendizaje automático en la planificación de demanda de la empresa X. La intervención consiste en integrar un modelo predictivo al procedimiento de planificación. Indicadores: error absoluto medio —MAE— o raíz del error cuadrático medio —RMSE—, según la justificación del estudio. La evaluación debe utilizar datos que no hayan intervenido en el entrenamiento y considerar la estacionalidad. Si únicamente se comparan algoritmos sobre datos históricos, el estudio requiere una clasificación metodológica acorde con ese procedimiento; no se convierte automáticamente en preexperimental. 6. Sensores digitales para monitoreo energético Título propuesto: Evaluación del consumo energético específico antes y después de implementar monitoreo digital y alertas operativas en el proceso X. La intervención combina sensores, visualización de datos y un protocolo de actuación ante consumos anómalos. Indicadores: kilovatios-hora por unidad producida, consumo fuera del horario operativo y tiempo de respuesta ante alertas. Se debe distinguir entre instalar sensores y aplicar acciones de mejora. Además, la comparación necesita considerar el volumen de producción, los horarios y la mezcla de productos. 7. Inteligencia artificial para clasificación documental Título propuesto: Evaluación del tiempo y la exactitud de clasificación documental antes y después de incorporar un modelo de IA en la empresa X. La propuesta puede clasificar órdenes, solicitudes o documentos técnicos en categorías establecidas. Indicadores: tiempo por documento, porcentaje de clasificaciones correctas y porcentaje que requiere revisión humana. La validación debe contemplar documentos nuevos, diferentes niveles de dificultad y reglas para proteger la información utilizada. 8. Sistema digital para seguimiento del mantenimiento Título propuesto: Evaluación del cumplimiento del mantenimiento preventivo antes y después de implementar un sistema digital de programación y seguimiento en la empresa X. La intervención incorpora órdenes de trabajo, recordatorios y registro de ejecución. Indicadores: porcentaje de actividades cumplidas a tiempo, órdenes vencidas y tiempo de cierre. El estudio debe documentar posibles cambios en personal, disponibilidad de repuestos o carga de trabajo durante la evaluación. Cómo formular el problema, la hipótesis y el objetivo Tomando el tema de automatización de reportes, una formulación posible sería: Componente Ejemplo Problema ¿Qué cambios se observan en el tiempo de elaboración y la frecuencia de errores de los reportes después de implementar la automatización digital? Hipótesis El tiempo promedio de elaboración y la frecuencia de errores serán menores en la medición posterior que en la inicial. Objetivo general Evaluar los cambios en el tiempo de elaboración y la frecuencia de errores antes y después de implementar la automatización digital. Unidad de observación Cada reporte que cumpla los criterios definidos para el estudio. Intervención Flujo automatizado de captura, consolidación y generación del reporte. La hipótesis expresa un resultado esperado que deberá contrastarse; no anticipa una mejora como hecho demostrado. Cómo elegir un tema viable Conviene seleccionar un proceso con acceso a datos, autorización para intervenir y posibilidad de medirlo antes y después. La tesis debe precisar el periodo de implementación, los indicadores, las condiciones de medición y los cambios externos que podrían influir. También es importante distinguir desarrollo tecnológico y evaluación. Construir un aplicativo o entrenar un modelo produce una solución; la investigación debe explicar qué evidencia se obtiene sobre
Estudio correlacional y explicativo: cómo formular el problema, las hipótesis y los objetivos de una tesis
Al diseñar una tesis cuantitativa, distinguir entre un estudio correlacional y un estudio explicativo ayuda a definir qué se quiere conocer y qué evidencia se necesita. En el libro de Hernández Sampieri, Fernández Collado y Baptista Lucio, el término utilizado es correlacional: este alcance examina asociaciones entre variables, mientras que el explicativo busca comprender las causas de los fenómenos y las condiciones en que ocurren. ¿Cómo se plantea un estudio correlacional? La pregunta central indaga si las variables se relacionan, en qué dirección y con qué intensidad. Una asociación puede apoyar una predicción, pero por sí sola no demuestra causalidad. Ejemplo hipotético para ingeniería industrial: Componente Enunciado propuesto Problema ¿Qué relación existe entre el cumplimiento del mantenimiento preventivo y las horas de parada no programada de los equipos de la empresa X durante 2026? Hipótesis de investigación Un mayor cumplimiento del mantenimiento preventivo se relaciona con menos horas de parada no programada. Objetivo general Determinar la relación entre el cumplimiento del mantenimiento preventivo y las horas de parada no programada. Objetivos específicos Medir ambas variables y estimar la dirección e intensidad de su asociación. Para contrastar la hipótesis, se podrían registrar, por equipo y periodo, el porcentaje de actividades de mantenimiento cumplidas y las horas de parada. Es necesario definir unidades de observación comparables y considerar características como antigüedad y carga de operación. ¿Cómo se plantea un estudio explicativo? La pregunta se orienta a evaluar por qué ocurre un resultado o qué efecto tiene una intervención. Su formulación exige identificar la posible causa, el resultado esperado y las condiciones de comparación. Ejemplo hipotético para ingeniería industrial: Componente Enunciado propuesto Problema ¿La aplicación del nuevo programa de mantenimiento reduce las horas de parada no programada frente al programa habitual en equipos comparables de la empresa X durante 2026? Hipótesis de investigación Los equipos que reciben el nuevo programa presentan menos horas de parada no programada que los equipos que mantienen el programa habitual. Objetivo general Evaluar el efecto del nuevo programa de mantenimiento sobre las horas de parada no programada. Objetivos específicos Establecer la condición inicial, aplicar el programa y comparar los resultados entre condiciones, considerando las características relevantes de los equipos. Este ejemplo requiere un diseño que sustente la comparación. Escribir “efecto” en el objetivo no garantiza que la investigación pueda demostrarlo. ¿Qué análisis estadístico se utiliza para contrastar las hipótesis? La prueba se selecciona según la hipótesis, el nivel de medición, la distribución de los datos y la independencia o dependencia de las observaciones. El libro desarrolla, entre otros procedimientos, Pearson, regresión lineal, prueba t, ANOVA, chi cuadrada y correlaciones por rangos. Situación que se analiza Procedimiento posible Qué se contrasta Relación lineal entre dos variables cuantitativas Correlación de Pearson Si existe asociación lineal; el coeficiente expresa su dirección e intensidad. Asociación entre variables ordinales o rangos Correlación de Spearman Si existe asociación monotónica entre sus valores ordenados. Asociación entre variables categóricas Chi cuadrada de independencia Si las categorías de ambas variables son independientes. Predicción de un resultado cuantitativo mediante otra variable Regresión lineal La relación estadística entre predictor y resultado. Diferencia de medias entre dos grupos independientes Prueba t para muestras independientes Si las medias difieren entre condiciones. Diferencia de medias entre tres o más grupos independientes ANOVA de un factor Si al menos una media difiere de las demás. Estos procedimientos requieren verificar sus condiciones de aplicación. Pearson y Spearman no son intercambiables, y una comparación entre grupos independientes exige un análisis diferente de una comparación antes y después en los mismos sujetos o equipos. Significancia estadística y causalidad son cuestiones diferentes La hipótesis nula se formula para el contraste elegido: por ejemplo, ausencia de correlación poblacional o igualdad de medias. El resultado se interpreta frente al nivel de significancia establecido previamente. Un valor p pequeño no convierte una asociación en una relación causal. Tampoco demuestra que una intervención sea útil en términos operativos. Conviene informar la magnitud del resultado y su incertidumbre, además de valorar su importancia para el proceso estudiado. En el ejemplo del mantenimiento, una reducción de las paradas debe examinarse junto con posibles diferencias de carga, antigüedad, operación y condiciones iniciales. ¿Qué ocurre si solo se mide antes y después? Si la tesis aplica una mejora a un único grupo y compara una medición inicial con otra posterior, utiliza un diseño preexperimental. Hernández Sampieri advierte que su control limitado dificulta establecer causalidad con certeza. En ese caso, una pregunta prudente sería: ¿qué cambios se observan en las horas de parada después de aplicar el programa? El objetivo sería evaluar esos cambios, reconociendo otras explicaciones posibles. Una tesis coherente conecta la pregunta con la hipótesis, los objetivos, el diseño y el análisis. La conclusión debe expresar exactamente lo que esa combinación permite sostener. Referencia Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. del P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill Education. Capítulos 5, 7 y 10.
Diseño preexperimental: cómo se aplica en una tesis de investigación cuantitativa
El diseño preexperimental forma parte de los diseños experimentales de la investigación cuantitativa. Hernández Sampieri, Fernández Collado y Baptista Lucio lo caracterizan por su grado mínimo de control y su utilidad como acercamiento inicial al problema. En la sexta edición de Metodología de la investigación, presentan dos modalidades principales. ¿Cómo es un diseño preexperimental? La primera modalidad es el estudio de caso con una sola medición: se aplica una intervención y posteriormente se mide el resultado. Su esquema es G X O. La segunda es el diseño de preprueba y posprueba con un solo grupo. Primero se realiza una medición inicial, después se aplica la intervención y finalmente se vuelve a medir: G O₁ X O₂ La medición inicial ofrece una referencia para comparar los resultados posteriores. Ambas modalidades carecen de un grupo de comparación. Ejemplo para una tesis de ingeniería Como ejemplo hipotético, una tesis podría evaluar el tiempo de preparación de pedidos antes y después de implementar un procedimiento de trabajo. El investigador registra el tiempo inicial, aplica el procedimiento y realiza una segunda medición. La pregunta podría ser: ¿qué cambios se observan en el tiempo de preparación de pedidos después de implementar el procedimiento? Este ejemplo ilustra la estructura del diseño; no representa un estudio ni resultados publicados en el libro. ¿Qué permiten concluir sus resultados? Los autores advierten que los preexperimentos no son adecuados para establecer relaciones causales con certeza. Otros acontecimientos ocurridos durante el estudio podrían explicar los cambios. Por ello, sus resultados deben interpretarse con precaución y pueden servir como base exploratoria para investigaciones posteriores con mayor control. En una tesis cuantitativa, identificar correctamente el diseño permite ajustar las preguntas y las conclusiones a la evidencia disponible. En el ejemplo propuesto, corresponde informar la diferencia observada entre las mediciones y examinar qué condiciones pudieron influir en ella. Referencia: Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. del P. (2014). Metodología de la investigación (6.ª ed., p. 141). McGraw-Hill Education.