Datos, fenómenos y objetos de explicación

Una curva puede adquirir un aspecto muy distinto cuando se cambia la frecuencia de muestreo, se promedian observaciones cercanas o se establece un umbral. También cambia lo que resulta razonable preguntar acerca de ella. Una oscilación rápida invita a investigar un proceso periódico; una serie suavizada puede orientar la atención hacia una deriva lenta. Ambas representaciones pueden proceder del mismo archivo y estar correctamente calculadas. Para decidir qué necesitan explicar, los investigadores deben reconstruir la relación entre el registro conservado, las operaciones realizadas y la propiedad del sistema que les interesa.

La dificultad aparece antes de elegir una teoría. Si se pretende explicar un aumento, hace falta indicar qué aumenta, en qué unidades, durante qué intervalo y con respecto a qué referencia. Si se investiga una variabilidad, debe precisarse si corresponde a diferencias entre personas, cambios de una persona o errores del dispositivo. El sustantivo empleado puede ocultar estas decisiones: «estabilidad», «respuesta» y «mejoría» designan objetos distintos cuando se aplican a una media, una trayectoria o una clasificación.

Bogen y Woodward (1988) situaron una distinción influyente en este punto. Los registros particulares dependen de las condiciones de producción y detección; los fenómenos que una teoría suele explicar pueden conservar características reconocibles a través de procedimientos que generan registros diferentes. Su argumento dirige la atención hacia la inferencia mediante la cual los datos respaldan afirmaciones sobre fenómenos. Una colección de marcas instrumentales y una afirmación acerca de un proceso recurrente cumplen funciones diferentes en la investigación.

Esa distinción resulta útil si permite examinar las operaciones intermedias. Convertida en una separación absoluta, dejaría fuera preguntas legítimas sobre el propio instrumento, la formación de los registros y los efectos del procesamiento. Además, un mismo resultado puede ocupar posiciones distintas en investigaciones sucesivas. Una estimación de temperatura puede ser el resultado que se intenta justificar en un laboratorio y convertirse después en un dato para estudiar el funcionamiento de un sistema de refrigeración.

El registro y la magnitud atribuida

Llamaremos registro a una inscripción conservada: una secuencia de números, una imagen, una respuesta escrita o una marca temporal. Identificar el registro exige saber cómo se produjo y qué modificaciones experimentó. Un archivo que contiene el número 54 informa muy poco sin su unidad, su instante de adquisición y la regla con que el dispositivo lo generó. Incluso la ausencia de una fila puede significar cosas distintas: falta de observación, rechazo automático, pérdida de transmisión o inexistencia del evento buscado.

La medición atribuye valores a una magnitud mediante un procedimiento. La cifra almacenada puede ser una indicación del instrumento que todavía debe traducirse a la magnitud de interés. Esa traducción incorpora relaciones entre el sistema, el sensor y las condiciones de funcionamiento. También puede incorporar incertidumbre sobre esas relaciones. El hecho de que una conversión esté programada y ocurra antes de exportar el archivo no elimina su carácter inferencial.

Tal (2017) analiza la calibración como una actividad de construcción y evaluación de modelos del proceso de medición. Estos modelos relacionan parámetros del proceso con las indicaciones que se esperan del instrumento. Su propuesta ayuda a comprender por qué calibrar requiere algo más que comparar dos columnas de cifras: hay que justificar bajo qué condiciones la correspondencia puede trasladarse a la situación estudiada. Un ajuste satisfactorio durante una prueba no establece por sí mismo su validez en todas las condiciones de uso.

Consideremos un ejemplo íntegramente construido. Un sensor digital produce indicaciones $R$, medidas en cuentas. Se adopta una calibración exacta para este ejercicio: una referencia de veinte grados Celsius produce cincuenta cuentas y otra de treinta grados produce setenta. Se supone además una respuesta lineal, sin retraso ni incertidumbre de calibración. La relación adoptada es

donde $T$ es la temperatura atribuida en grados Celsius. Las dos referencias fijan la recta bajo el supuesto de linealidad; no demuestran ese supuesto. En una investigación real se necesitarían pruebas adicionales para evaluar curvatura, deriva y comportamiento fuera del intervalo de referencia.

El registro digital y la temperatura atribuida pueden conservarse simultáneamente. En este ejercicio, la conversión es invertible: si se conservan la regla y toda la precisión, las cuentas se pueden reconstruir a partir de las temperaturas. La pérdida aparece cuando se redondean los resultados o no se documenta qué conversión se aplicó. Conservar ambos registros facilita revisar esas operaciones si cambia el conocimiento sobre el sensor. La trazabilidad permite separar un cambio del sistema de una revisión del procedimiento de medida.

Un error común de calibración afecta de manera diferente a distintas propiedades de una serie. Si todas las temperaturas atribuidas excedieran en un grado las temperaturas correspondientes, promediar muchas lecturas conservaría ese desplazamiento. Las diferencias entre dos lecturas y la pendiente de una regresión con intercepto permanecerían iguales, mientras que el nivel absoluto cambiaría. Un procedimiento adecuado para estudiar cambios puede requerir controles adicionales cuando se utiliza para clasificar estados absolutos.

La posibilidad de compensar errores mediante promedios depende de sus propiedades. Una contribución que cambia de signo de forma equilibrada puede cancelarse en determinadas ventanas; un desplazamiento común se conserva. Además, suponer que las contribuciones se cancelan no equivale a demostrarlo. El investigador necesita una razón para representar el error de una manera y no de otra. En la calibración exacta adoptada aquí hemos suspendido esa incertidumbre para aislar el efecto del procesamiento; reincorporarla requeriría separar los componentes compartidos de los que varían entre lecturas.

Leonelli (2015) propone entender los datos por su función como evidencia potencial dentro de una investigación y por su posibilidad de circulación. Desde esa perspectiva, haber sido transformado no impide que un resultado funcione como dato. La conversión, el formato y el medio de conservación afectan su utilización, pero no existe una frontera universal entre una inscripción inicial y todas sus versiones posteriores. La cuestión relevante es qué afirmación puede respaldar cada versión y qué información necesita quien la recibe.

En nuestro ejemplo, el archivo de cuentas serviría para estudiar la electrónica del sensor. Las temperaturas convertidas servirían para comparar estados térmicos bajo la calibración adoptada. Una tabla de promedios podría servir para estudiar variaciones lentas. Ninguna de estas funciones se deduce únicamente de la extensión del archivo o de que sus celdas contengan números. Depende de las relaciones documentadas entre las celdas, el procedimiento y la pregunta.

Ocho lecturas y tres transformaciones

El sensor registra una lectura por minuto durante ocho instantes, numerados desde cero hasta siete. La siguiente tabla contiene todos los registros del ejemplo; no representa observaciones de un experimento realizado.

La serie fue generada mediante

La construcción combina una componente lineal, que aumenta medio grado por minuto, con una alternancia de dos grados por encima y por debajo de esa componente. Conocemos la regla porque hemos definido el ejemplo. Un investigador que recibiera solamente la tabla tendría que justificar su descomposición frente a otras compatibles con las observaciones.

Una primera operación consiste en promediar pares consecutivos sin solapamiento. Cada promedio se asigna al punto medio de los dos instantes: medio minuto, dos minutos y medio, cuatro minutos y medio, y seis minutos y medio. Se obtienen, respectivamente, 20,25; 21,25; 22,25 y 23,25 grados. La alternancia desaparece exactamente, porque cada par contiene una contribución positiva y otra negativa de igual magnitud.

La serie transformada coincide con la componente lineal evaluada en esos puntos medios. Esta coincidencia tiene una explicación algebraica: el promedio conserva una función lineal en el centro del intervalo y cancela la alternancia construida. No aporta evidencia de que el sistema careciera de variaciones rápidas. Si se conserva únicamente esa tabla, la alternancia y su ausencia se vuelven indistinguibles bajo la operación aplicada.

Una segunda operación conserva una lectura de cada dos, sin promediar. Si se comienza en el minuto cero, quedan 22, 23, 24 y 25 grados. Si se comienza en el minuto uno, quedan 18,5; 19,5; 20,5 y 21,5. Ambas subsecuencias aumentan medio grado por minuto, pero retienen fases diferentes de la alternancia. Expresadas como rectas sobre el tiempo original, tienen interceptos de veintidós y dieciocho grados.

Esta diferencia no proviene de una modificación del sensor entre análisis. Procede de seleccionar posiciones diferentes en el mismo registro. La selección periódica conserva siempre la misma fase de una oscilación cuyo período coincide con el intervalo de selección. Por ello, una secuencia que parece mostrar una evolución lenta puede contener información insuficiente sobre fluctuaciones que ocurren entre las observaciones retenidas.

Una tercera operación ajusta una recta por mínimos cuadrados a las ocho temperaturas. Su pendiente resulta aproximadamente 0,310 grados por minuto, aunque la componente lineal utilizada para construir los datos tiene pendiente 0,5. El cálculo emplea una suma de productos centrados igual a trece y una suma de cuadrados del tiempo igual a cuarenta y dos:

La recta ajustada absorbe parte de la alternancia porque, en esta ventana finita, el tiempo y la componente alternante tienen covariación distinta de cero. Ajustar una recta sin representar esa componente responde a una pregunta sobre la mejor aproximación lineal de las ocho lecturas. Recuperar el parámetro de la componente lineal de un modelo con alternancia es otro problema.

También puede calcularse el cambio entre la primera y la última lectura. La temperatura final es medio grado menor que la inicial, por lo que la pendiente entre esos extremos es negativa, aproximadamente −0,071 grados por minuto. El resultado no contradice la pendiente positiva de la regresión: utiliza una información diferente y es especialmente sensible a la fase de los extremos. La palabra «tendencia» sería insuficiente para comunicar cuál de estos cálculos se realizó.

Podríamos ajustar conjuntamente una constante, el tiempo y el término alternante. Esa especificación reproduce exactamente los ocho valores con los parámetros de la construcción. Sin embargo, el ajuste perfecto no demuestra que el proceso físico siga esa regla fuera del intervalo. Antes de proyectarla sería necesario evaluar otros períodos, otras condiciones y, sobre todo, la interpretación física de la alternancia. Una representación puede describir con precisión un archivo y mantener abierta la explicación de su origen.

Qué cambia al contar episodios

Evaluar la robustez de un patrón requiere escoger transformaciones pertinentes para la pregunta. No tendría sentido exigir que la alternancia sobreviviera a un promedio diseñado precisamente para cancelarla. Sí resulta pertinente comprobar si reaparece al conservar la escala temporal adecuada con otro procedimiento de adquisición. La coincidencia entre análisis informa cuando se comprende qué conserva cada operación; la discrepancia informa cuando permite localizar qué información elimina o modifica. Comparar resultados sin esa descripción puede convertir una consecuencia matemática prevista en una supuesta contradicción empírica.

La selección de observaciones merece una comprobación adicional porque puede parecer una simple limpieza del archivo. Imaginemos que un programa conserva únicamente temperaturas superiores a veintidós grados, al considerar las restantes fuera del intervalo de interés. El archivo reducido contiene veintitrés, veinticuatro y veinticinco grados, cuya media es veinticuatro. La media de las ocho lecturas originales es veintiuno coma setenta y cinco. Cada cifra describe correctamente su conjunto de referencia, pero sería incorrecto presentar la primera como media de todas las lecturas adquiridas.

Conservar las marcas temporales permite reconocer que se trata de una selección. Si se renumeran las filas retenidas como si fueran observaciones consecutivas, también se pierde información sobre el intervalo entre registros. Un análisis de cambios podría atribuir a un minuto una diferencia que corresponde a dos. El registro de exclusiones tiene por ello valor analítico: permite reconstruir qué observaciones estaban disponibles y por qué ciertas observaciones dejaron de participar en un cálculo.

El mismo problema aparece cuando un aparato emite un registro solamente al detectar un evento. La ausencia de una fila no equivale automáticamente a una medición de valor cero. Para usarla como evidencia de ausencia del evento hace falta conocer el funcionamiento del detector y los períodos durante los que estuvo activo. La unidad de análisis puede ser una lectura, un intervalo vigilado o un evento detectado; cambiar entre ellas modifica tanto el numerador como el conjunto respecto del cual se interpreta.

Supongamos ahora que interesa registrar temperaturas superiores a veintidós grados. La regla usa una desigualdad estricta: una lectura de veintidós no cuenta como superación. En la tabla original hay tres superaciones entre ocho observaciones, correspondientes a veintitrés, veinticuatro y veinticinco grados. La proporción es tres octavos.

Si se aplica el mismo umbral a los cuatro promedios por pares, dos lo superan. La proporción pasa a un medio. Ninguna de las dos cuentas contiene un error aritmético. Una describe la fracción de lecturas puntuales seleccionadas que superan el umbral; la otra describe la fracción de promedios por pares que lo superan. La unidad cuyo estado se clasifica ha cambiado.

La diferencia puede localizarse dentro de cada par. Si primero se clasifican las lecturas y después se promedian sus indicadores, se obtiene la secuencia cero, medio, medio, medio. Si primero se promedian las temperaturas y después se clasifican esos promedios, se obtiene cero, cero, uno, uno. El orden de las operaciones altera el resultado porque el umbral introduce una transformación no lineal.

El par formado por veintitrés y diecinueve grados y medio contiene una superación, pero su promedio queda por debajo del umbral. El par formado por veinticuatro y veinte grados y medio también contiene una sola superación, aunque su promedio queda por encima. Estos dos pares reciben la misma descripción cuando se cuenta la proporción interna de lecturas elevadas y descripciones distintas cuando se clasifica su media.

Tampoco puede llamarse a tres octavos «proporción del tiempo por encima del umbral» sin información adicional. Las observaciones son puntuales. La trayectoria entre ellas no está determinada por la tabla: podría permanecer cerca de un extremo, cambiar rápidamente o presentar otras fluctuaciones. Para estimar duración haría falta justificar una regla de interpolación, aumentar la frecuencia de adquisición o disponer de un modelo validado de la evolución intermedia.

Esta distinción afecta al objeto de explicación. Explicar por qué se observan superaciones frecuentes requiere una representación de las excursiones respecto del umbral. Explicar por qué aumenta el promedio requiere una representación de la componente lenta. Un mecanismo que eleva la variabilidad sin cambiar la media podría modificar la primera cantidad; una variación de la media podría modificar ambas. El análisis debe establecer cuál de estas posibilidades intenta discriminar.

El umbral puede tener utilidad administrativa o experimental aunque no corresponda a una discontinuidad del sistema. Introducir una categoría no prueba que exista una transición física al cruzar su límite. En el ejemplo, veintidós grados es una regla elegida para mostrar una operación. Atribuirle un significado adicional exigiría evidencia que no figura en la construcción.

El error común de calibración mencionado antes también cambia esta cuenta. Si se sumara un grado a cada temperatura de la tabla, cinco de las ocho lecturas superarían estrictamente veintidós grados. La pendiente de la regresión seguiría siendo la misma. Por tanto, la estabilidad de un resultado frente a una fuente de error depende de la propiedad calculada: una comprobación que protege la comparación de pendientes puede dejar sin resolver la clasificación mediante un umbral fijo.

Un patrón y sus posibles soportes físicos

La alternancia aparece con claridad cuando se resta de cada lectura la componente lineal utilizada para construir la serie. Los residuos son dos, menos dos, dos, menos dos, y así sucesivamente. Su media es cero, su cuadrado medio es cuatro y el producto de dos residuos consecutivos siempre vale menos cuatro. Estas propiedades describen una organización temporal específica. Por sí mismas no establecen qué componente del sistema la produce.

Un primer modelo físico posible supone que la temperatura del recipiente alterna realmente alrededor de una deriva lenta y que el sensor refleja esa temperatura sin error. Un segundo modelo supone que el recipiente sigue únicamente la deriva lenta, mientras el instrumento introduce un error alternante de dos grados. Bajo la calibración adoptada, ambos modelos generan exactamente las ocho cuentas de la tabla.

En el segundo modelo, el error puede imaginarse asociado a dos estados alternos del circuito de adquisición. Esta descripción es una hipótesis didáctica, no un diagnóstico de un aparato existente. Su función consiste en mostrar que la misma regularidad del registro puede atribuirse a partes diferentes del montaje. La evidencia disponible todavía no decide si el objeto adecuado es una oscilación térmica o una alternancia instrumental.

Añadir un segundo sensor ayudaría si sus errores relevantes fueran suficientemente distintos y se conociera su respuesta temporal. Un sensor muy lento podría no registrar la oscilación real; dos sensores idénticos conectados a la misma fuente podrían compartir el mismo error. Por eso, la simple multiplicación de dispositivos no basta. La comparación adquiere valor cuando las alternativas hacen predicciones diferentes sobre ella.

Otra prueba sería observar el primer sensor frente a una referencia estable mientras continúa el ciclo de adquisición. La persistencia de la alternancia en esas condiciones respaldaría su atribución al instrumento o a la cadena de registro. En cambio, una segunda medición con respuesta adecuada que siguiera la alternancia del recipiente, mientras el primer sensor permanece estable ante una referencia, favorecería la explicación térmica dentro del conjunto de alternativas considerado.

La separación entre patrón y proceso permite diseñar estas pruebas. También evita declarar que el procesamiento «descubrió» una oscilación física cuando únicamente aisló una componente de las indicaciones. La afirmación inicial puede formularse con precisión: el registro convertido presenta una alternancia de determinada magnitud respecto de una línea especificada. La afirmación acerca del recipiente requiere un argumento adicional.

McAllister (1997) cuestiona que los fenómenos puedan identificarse con patrones de los datos y, al mismo tiempo, tratarse sin más como independientes del investigador. Destaca la pluralidad de descomposiciones posibles y atribuye a la selección del investigador un papel constitutivo. Su posición discute el planteamiento de Bogen y Woodward; no representa un acuerdo filosófico sobre la naturaleza de todo fenómeno científico.

El problema práctico que motiva esa discusión puede reconocerse sin resolver aquí su alcance ontológico. Si cualquier curva elegida puede acompañarse de un residuo que complete los datos, la mera posibilidad de escribir esa descomposición ofrece poco respaldo. Son necesarias razones para preferir unas propiedades del patrón: estabilidad bajo controles pertinentes, coherencia con la medición, capacidad de discriminar alternativas o utilidad para una pregunta definida. En nuestro ejemplo, la alternancia gana interés porque admite controles capaces de localizar su origen.

Establecer qué se pretende explicar

Una regularidad no tiene que adoptar la forma de una constante sin variación. Puede consistir en una distribución de resultados, una relación entre condiciones o una restricción sobre las trayectorias posibles. Si se pregunta por una distribución, el objeto comprende qué valores ocurren y con qué frecuencias bajo un procedimiento definido. Que dos repeticiones produzcan valores diferentes puede ser compatible con reproducir esa distribución. Exigir coincidencia de cada observación impondría una condición distinta de la que se intenta establecer.

También es posible investigar un acontecimiento singular: la rotura de un dispositivo o un cambio localizado durante una adquisición. Su explicación puede apoyarse en conocimientos repetibles acerca de los materiales y del funcionamiento del sistema, aunque el acontecimiento particular no vuelva a producirse. La utilidad de buscar estabilidad entre contextos no obliga a excluir estos objetos. Lo que debe distinguirse es la evidencia sobre aquel acontecimiento y la evidencia general que permite explicar cómo pudo ocurrir.

El objeto de explicación es una propiedad, un evento o una relación formulada bajo una descripción. Puede ser la existencia de la alternancia, su amplitud, su período, su aparición bajo una condición o su desaparición tras una modificación. Estas preguntas comparten registros, pero no exigen exactamente la misma explicación. Conocer qué activa una oscilación no implica conocer qué fija su amplitud.

Conviene hacer explícito el contraste. «¿Por qué hay oscilación?» puede significar por qué este recipiente oscila mientras otro permanece estable, por qué el mismo recipiente oscila durante un intervalo y antes no, o por qué la oscilación tiene un período y no otro. Un modelo que responde al primer contraste puede carecer de variables para los demás. Esa insuficiencia se evalúa respecto de la pregunta, no contando cuántos componentes contiene el modelo.

La escala también forma parte de la descripción. El promedio de dos lecturas representa una propiedad de una pequeña ventana; una lectura representa la indicación asociada a un instante de adquisición. Si se pretende explicar estabilidad a una escala, deben especificarse las fluctuaciones que esa descripción admite. Una media constante es compatible con cambios individuales grandes que se compensan. Una trayectoria suave es compatible con variaciones rápidas eliminadas por el operador utilizado.

En otro ejemplo construido, dos personas reciben tres puntuaciones cada una. La primera obtiene dos, cuatro y seis; la segunda, seis, cuatro y dos. En cada ocasión la media conjunta es cuatro, aunque cada trayectoria cambia cuatro unidades entre sus extremos. Una explicación de la estabilidad de la media tendría que dar cuenta de la compensación. Una explicación de la evolución individual tendría que distinguir las trayectorias opuestas.

Estas puntuaciones no se presentan como medidas de un estado clínico. Su significado depende de una tarea y un procedimiento todavía no especificados. El ejemplo únicamente muestra que el comportamiento de una cantidad agregada no determina el comportamiento de sus componentes. Para interpretar las puntuaciones como indicadores de un proceso psicológico habría que añadir evidencia acerca de la tarea, su administración y la relación entre las respuestas y el atributo investigado.

Feest (2011) distingue regularidades manifiestas en los datos y regularidades subyacentes, y sostiene que la estabilización experimental afecta a su ajuste mutuo. En su análisis, la producción de un patrón y la validación de aquello que se supone indicado por él no pueden desarrollarse de manera enteramente aislada. Esta formulación permite examinar conjuntamente las habilidades experimentales y los argumentos que justifican la interpretación.

La idea resulta pertinente cuando se modifica una tarea para obtener un patrón más reproducible. Puede mejorar la precisión del procedimiento y también alterar lo que este exige a quienes participan. Si las instrucciones facilitan una estrategia distinta, repetir la forma de una curva no garantiza que permanezca constante el proceso investigado. La comparación necesita información sobre cómo se generan las respuestas, además de una medida de semejanza entre resultados.

Un resultado estable puede referirse precisamente al procedimiento. La rapidez con que una persona aprende a utilizar una interfaz es un objeto investigable, aunque al comienzo se hubiera diseñado la interfaz para medir otra capacidad. Reconocer este cambio evita mantener por inercia el nombre del atributo inicial. El problema científico se redefine cuando cambia la relación que los datos permiten sostener.

Cuando explicar el registro ayuda a identificar el fenómeno

La investigación puede dirigirse hacia la producción del propio dato. Si aparece una banda periódica en una imagen, la periodicidad puede deberse al objeto fotografiado, al movimiento del dispositivo o al procedimiento de reconstrucción. Comprender cómo se forma la imagen permite determinar qué propiedades deberían cambiar al modificar cada elemento. La explicación del registro participa entonces en la identificación de aquello que se observa a través de él.

Lusk (2021) desarrolla esta posibilidad mediante un análisis de problemas inversos en teledetección atmosférica. Defiende que explicar los datos puede desempeñar una función efectiva en la identificación de fenómenos y que la teoría interviene en esa tarea. Su argumento introduce una objeción a restringir sistemáticamente la explicación a fenómenos ya establecidos; no elimina la utilidad de distinguir las funciones de datos y fenómenos.

En términos generales, un problema inverso parte de indicaciones y busca estados compatibles con un modelo de su producción. Si distintos estados generan indicaciones iguales o casi iguales, hacen falta restricciones adicionales para diferenciarlos. Estas restricciones pueden proceder de otras mediciones, de conocimiento sobre el instrumento o de supuestos acerca del sistema. Deben permanecer visibles porque influyen en qué objeto se reconstruye.

La calibración lineal de nuestro ejemplo es una inversión sencilla. Al despejar la temperatura se supone conocida la relación entre temperatura e indicación. El modelo rival con error alternante muestra qué ocurre cuando esa relación resulta incompleta: la transformación asigna al recipiente una variación que podría pertenecer al instrumento. Aumentar el número de cifras decimales de la temperatura calculada no resuelve esa indeterminación.

Esta situación también aclara la diferencia entre un control y una explicación exhaustiva. Para descartar un error alternante concreto puede bastar una prueba adecuada con una referencia estable. No se necesita reconstruir todas las interacciones microscópicas de la electrónica. El control debe ser suficiente para la alternativa relevante; una exigencia de explicación total impediría aceptar resultados que cuentan con pruebas parciales pero discriminativas.

El recorrido entre datos y objetos de explicación admite, por tanto, revisiones. Una hipótesis orienta la selección de una frecuencia de muestreo; los registros revelan una alternancia; una prueba del sensor modifica su interpretación; el nuevo conocimiento exige volver a procesar los datos. La secuencia no tiene que avanzar una sola vez desde un archivo definitivo hasta una teoría definitiva. Cada revisión debe indicar qué relación se conserva y cuál se modifica.

Conservar las diferencias que permiten investigar

Para que otro equipo evalúe el ejemplo térmico, necesita las ocho cuentas, sus tiempos y la calibración adoptada. Necesita también saber que los promedios utilizan pares consecutivos sin solapamiento y que se asignan a sus puntos medios. Si se comunica la proporción de superaciones, hay que especificar el umbral estricto y la unidad clasificada. Estas decisiones permiten reconstruir cantidades distintas que podrían haberse presentado bajo un mismo rótulo.

La descripción del objeto debe acompañar al resultado. «Aumento de temperatura» resultaría ambiguo para esta tabla: los extremos disminuyen, la aproximación lineal aumenta y la componente lineal de la construcción aumenta a otra velocidad. Una formulación revisable sería «pendiente de la recta ajustada a las ocho indicaciones convertidas» o «pendiente de los promedios por pares». La mayor precisión verbal identifica qué cálculo y qué interpretación se ponen a prueba.

Si el objetivo es explicar la alternancia, conviene conservar los valores que el promedio elimina. Si interesa la evolución lenta, pueden utilizarse promedios, documentando las condiciones bajo las que representan esa evolución. Si interesa la duración de las superaciones, la tabla disponible exige ampliar el diseño de observación. La elección depende de la propiedad buscada y de la información que requiere, aunque las tres preguntas se refieran al mismo recipiente.

La próxima prueba puede quedar definida en dos etapas: registrar simultáneamente el recipiente con ambos sensores, conociendo su respuesta temporal, y después someter el primer sensor a una referencia estable con el mismo ciclo de adquisición. Bajo la hipótesis térmica, la alternancia debería aparecer en el recipiente a través de ambos sensores adecuados. Bajo la hipótesis de error exclusivo del primer sensor, debería persistir en este ante la referencia y faltar en el segundo. El promedio por pares no distingue esos resultados; las observaciones conservadas a la escala de la alternancia sí permiten plantear la comparación.

Referencias

Bogen, J., & Woodward, J. (1988). Saving the phenomena. The Philosophical Review, 97(3), 303–352. https://doi.org/10.2307/2185445

Feest, U. (2011). What exactly is stabilized when phenomena are stabilized? Synthese, 182(1), 57–71. https://doi.org/10.1007/s11229-009-9616-7

Leonelli, S. (2015). What counts as scientific data? A relational framework. Philosophy of Science, 82(5), 810–821. https://doi.org/10.1086/684083

Lusk, G. (2021). Saving the data. The British Journal for the Philosophy of Science, 72(1), 277–298. https://doi.org/10.1093/bjps/axy072

McAllister, J. W. (1997). Phenomena and patterns in data sets. Erkenntnis, 47(2), 217–228. https://doi.org/10.1023/A:1005387021520

Tal, E. (2017). Calibration: Modelling the measurement process. Studies in History and Philosophy of Science Part A, 65–66, 33–45. https://doi.org/10.1016/j.shpsa.2017.09.001