Cómo interpretar el alfa de Cronbach: qué dice el número y cuándo engaña

El alfa de Cronbach se calcula en un minuto y se malinterpreta igual de rápido. Un 0,85 no demuestra que tus preguntas midan una sola cosa, un 0,65 no condena por sí solo una escala y un valor negativo casi nunca habla de las preguntas: habla de cómo se codificaron los datos.

La definición está en nuestra entrada de glosario sobre el alfa de Cronbach. Aquí empezamos donde termina el cálculo: qué valores son aceptables, cuándo engaña el número y cómo obtenerlo en Excel, SPSS, R o Python.

Qué mide el alfa de Cronbach y qué no mide

El alfa responde a una pregunta sencilla: ¿estos ítems se mueven juntos lo bastante como para sumarlos en una sola puntuación? Si quien puntúa alto en una afirmación tiende a puntuar alto en las demás, el alfa sube. Si cada pregunta va por su lado, baja. Es una medida de consistencia interna, un tipo de fiabilidad (o confiabilidad, como se dice en buena parte de América Latina), y solo tiene sentido cuando varias preguntas pretenden medir lo mismo y piensas combinarlas en un índice.

Lo que no mide importa tanto como lo que mide. El alfa no es validez. Diez preguntas sobre el café de la oficina pueden salir muy consistentes y no decir nada del compromiso de la plantilla, que era lo que querías medir: el coeficiente confirma que los ítems comparten algo, pero qué es ese algo lo decides tú, leyendo las preguntas.

Tampoco prueba que la escala mida una sola cosa (Cortina, 1993). Y no es una propiedad fija del cuestionario, sino de las respuestas que tienes delante. Por eso se informa el alfa de tus datos, no el que publicó el autor de la escala.

La fórmula del alfa de Cronbach, pieza por pieza

La fórmula intimida más de lo que merece:

alfa = k / (k - 1) × (1 - suma de las varianzas de los ítems / varianza de la puntuación total)

La k es el número de ítems, no el de personas. La suma de las varianzas recoge cuánto varía cada pregunta por su cuenta, y la varianza del total, cuánto cambia de una persona a otra la suma de sus respuestas.

El truco está en el cociente. La varianza de una suma incluye las covarianzas entre cada par de preguntas, así que, si los ítems se mueven juntos, la varianza del total crece mucho más que la suma de las varianzas sueltas, el cociente queda pequeño y el alfa se acerca a 1. Sin relación entre los ítems, las dos cantidades casi coinciden y el alfa ronda 0. Si unos van en contra de otros, sale negativo. El factor k / (k - 1) solo reescala el resultado para que la consistencia perfecta valga 1.

Si solo necesitas el número, pega las respuestas en nuestra calculadora de alfa de Cronbach. El resto del artículo trata de lo que la calculadora no puede decirte: qué significa.

Ahora, un ejemplo pequeño e ilustrativo. Seis personas valoran de 1 (totalmente en desacuerdo) a 5 (totalmente de acuerdo) cuatro afirmaciones sobre su último contacto con el soporte técnico: «Resolvieron mi problema», «La respuesta llegó en un plazo razonable», «Me explicaron la solución con claridad» y «Tuve que repetir mi problema varias veces». La cuarta está redactada al revés, así que la tabla ya la muestra recodificada como 6 menos la respuesta original.

Encuestado	Ítem 1	Ítem 2	Ítem 3	Ítem 4 (recodificado)	Total
1	4	4	3	5	16
2	2	3	3	3	11
3	1	2	2	3	8
4	2	2	3	2	9
5	3	3	4	4	14
6	3	4	3	4	14
Varianza (VAR.S)	1,1	0,8	0,4	1,1	10

La suma de las varianzas de los ítems es 1,1 + 0,8 + 0,4 + 1,1 = 3,4. Dividida entre la varianza del total, 10, da 0,34. Uno menos 0,34 es 0,66, y por 4 / 3 queda alfa = 0,88. Con seis personas solo se ve la mecánica. La propia calculadora recomienda al menos 30 respuestas, y 100 o más para una estimación estable.

Valores del alfa de Cronbach: qué se considera aceptable

Es la duda más repetida, y la respuesta tiene dos fuentes que conviene no mezclar. La primera es la regla descriptiva de George y Mallery (2003), muy citada en tesis y artículos:

Alfa	Etiqueta según George y Mallery (2003)	Qué hacer en la práctica
0,9 o más	Excelente	Por encima de 0,95, busca preguntas repetidas
De 0,8 a 0,9	Bueno	Sólido para investigación básica
De 0,7 a 0,8	Aceptable	Suficiente en las fases iniciales
De 0,6 a 0,7	Cuestionable	Revisa los ítems antes de sumarlos
De 0,5 a 0,6	Pobre	No construyas todavía el índice
Menos de 0,5	Inaceptable	No hay escala, o hay un error en los datos

La segunda es Nunnally (1978), con otra lógica: el mínimo depende del uso. En las primeras fases de una investigación, 0,7 basta. En investigación básica, 0,8. Cuando la puntuación sirve para decidir sobre personas concretas, como al seleccionar a un candidato, 0,9 es el mínimo tolerable y 0,95 lo deseable.

Verás la misma tabla con otros adjetivos: hay fuentes, calculadoras incluidas, que llaman «aceptable» al tramo de 0,6 a 0,7. Los cortes apenas cambian. Las palabras sí, así que cita la fuente cuando pongas una etiqueta en un informe.

Por qué 0,7 es una convención y no una ley

En muchos informes, 0,7 funciona como un aprobado: por encima la escala vale, por debajo se tira. Nunnally no lo planteó así. Propuso ese corte para la fase inicial de una investigación y pedía bastante más en cuanto la puntuación servía para algo serio.

El número solo se entiende con dos datos al lado. Uno es el uso: comparar medias de grupos grandes tolera más error que decidir sobre una persona, porque en la media los errores individuales tienden a compensarse. El otro es el número de ítems. Tres preguntas con 0,68 pueden estar más cohesionadas que veinte con 0,82; con varianzas parecidas, la correlación media entre ítems ronda 0,41 en el primer caso y 0,19 en el segundo.

Nada de esto convierte un 0,55 en un buen resultado. Solo significa que el umbral se elige antes de ver los datos, según el uso.

Más preguntas, más alfa: el efecto de la longitud

A partir de aquí, los casos en que el número engaña. El primero es mecánico: el alfa depende de lo relacionados que estén los ítems y también de cuántos haya. La relación exacta la da el alfa estandarizado, que con ítems de varianza parecida casi coincide con el normal: k·r / (1 + (k - 1)·r), donde r es la correlación media entre ítems.

Con una correlación media floja, de 0,2, cinco ítems dan 0,56, diez 0,71, veinte 0,83 y treinta 0,88. Con 0,3, cinco dan 0,68, diez 0,81 y veinte 0,90. Con 0,5, cinco ya dan 0,83 y diez, 0,91.

Fíjate en la coincidencia. Veinte preguntas débilmente relacionadas alcanzan el mismo 0,83 «bueno» que cinco muy relacionadas. Mismo número, instrumentos distintos. Por eso un alfa sin el número de ítems al lado es media información, y por eso recortar un cuestionario baja el alfa aunque no quites ninguna pregunta mala: cinco de aquellos veinte ítems, con la misma correlación media, se quedan en 0,56.

Conviene informar también la correlación media entre ítems, que no depende de k. Clark y Watson (1995) proponen que quede entre 0,15 y 0,50.

Ítems invertidos y alfa de Cronbach negativo

Muchos cuestionarios incluyen afirmaciones redactadas al revés para que nadie responda en piloto automático, como «Tuve que repetir mi problema varias veces». Se invierten antes de calcular: en una escala de 1 a 5, 6 menos la respuesta; de 1 a 7, 8 menos la respuesta.

Mira qué pasa si se te olvida. Toma las respuestas originales de la cuarta afirmación (1, 3, 3, 4, 2, 2): la suma de las varianzas de los ítems sigue en 3,4. Pero la varianza del total se desploma de 10 a 2,4, porque esa pregunta resta donde las otras suman. El cociente sube a 3,4 / 2,4 ≈ 1,42 y el alfa cae a -0,56.

Un alfa negativo no es un alfa muy bajo. Es un síntoma, casi siempre de un ítem invertido sin recodificar. Revisa de paso los códigos como 9 o 99 para «no sabe»: no siempre dan negativo, pero deforman cualquier alfa. En muestras pequeñas y con preguntas casi independientes también puede salir algo negativo por azar. El mensaje es el mismo: tal como están, esas columnas no forman una escala.

Nuestra calculadora ni siquiera muestra valores negativos: te pide que revises los datos. SPSS sí los muestra, con una nota al pie que sugiere comprobar la codificación.

Cuando una escala mide dos cosas y aun así saca un alfa alto

El error contrario es más peligroso porque no hace ruido. Imagina un índice de compromiso con doce afirmaciones: seis sobre condiciones de trabajo y seis sobre la relación con el jefe. Supón que dentro de cada bloque los ítems correlacionan 0,5 y que entre bloques la correlación es de solo 0,2.

Cada bloque por separado da un alfa de 0,86. Las doce afirmaciones juntas, prácticamente lo mismo: 0,86. Y sin embargo las puntuaciones de los dos bloques correlacionan apenas 0,34. Son casi dos medidas distintas. El coeficiente global no delata la costura, y esa es la advertencia de Cortina (1993) en versión de bolsillo.

El coste aparece en el informe, donde dos equipos con el mismo índice pueden tener problemas opuestos. Para detectarlo, comprueba si puedes nombrar con una palabra lo que miden los ítems, mira la matriz de correlaciones, donde los bloques saltan a la vista, y, si la escala importa, haz un análisis factorial. Si salen dos bloques, calcula un alfa para cada uno.

Por encima de 0,95: preguntas que se repiten

Un alfa altísimo parece la mejor noticia y muchas veces no lo es. Streiner (2003) advierte de que a partir de 0,90, más o menos, los valores apuntan más a contenido duplicado que a una escala homogénea. En el diagrama, la franja de precaución empieza en 0,95 porque entre 0,90 y 0,95 cae la exigencia de Nunnally para decidir sobre personas, normalmente con tests largos. Por encima de 0,95, ni ese uso lo pide.

En una encuesta, la causa típica es la paráfrasis: «Estoy satisfecho con el servicio», «El servicio me deja satisfecho», «Mi satisfacción con el servicio es alta». Tres preguntas, una sola información. Quédate con la formulación más clara y usa el hueco para otra faceta. Si te cuesta redactarla, el generador de preguntas propone borradores a partir de un tema.

Cómo leer el alfa si se elimina el elemento

SPSS y R dan una tabla con una fila por ítem y dos columnas clave: la correlación elemento-total corregida, la de cada ítem con la suma de los demás, y el alfa que quedaría sin ese ítem. Con los datos del soporte, ya recodificados:

Ítem	Correlación elemento-total corregida	Alfa si se elimina el elemento
1. Resolvieron mi problema	0,92	0,77
2. Respuesta en un plazo razonable	0,85	0,80
3. Solución explicada con claridad	0,45	0,94
4. Tuve que repetir mi problema (recodificado)	0,80	0,82

Se lee contra el alfa total, 0,88. Si al quitar un ítem el alfa baja, ese ítem sostiene la escala: pasa con el 1, el 2 y el 4. Si sube, la debilita. El 3 es el candidato. Tiene la correlación más baja, y sin él el alfa subiría a 0,94.

¿Lo quitas? No de forma automática. Con seis respuestas la diferencia no demuestra nada, la claridad es una parte legítima de la experiencia de soporte y 0,94 ya roza la zona de preguntas repetidas. Borrar ítems hasta exprimir el alfa sobre la misma muestra deja un número optimista. Elimina un ítem cuando datos y contenido apunten en la misma dirección, y confírmalo con respuestas nuevas.

La tabla también delata los ítems sin recodificar. Si la cuarta afirmación se queda con sus respuestas originales, su correlación elemento-total es de -0,80 y el alfa sin ella, de 0,82, frente al -0,56 de la escala completa. La calculadora no da esta tabla, pero puedes reproducir la columna quitando un ítem cada vez; la correlación de un ítem con la suma del resto la da la calculadora de correlación de Pearson.

Cómo calcular el alfa de Cronbach en Excel, SPSS, R y Python

Tres preparativos valen para cualquier programa. Recodifica los invertidos. Decide qué haces con las respuestas incompletas y los «no sabe». Y mira cómo se reparten las respuestas: si casi todo el mundo marca 5, la pregunta apenas varía y el alfa suele bajar aunque la escala sea buena. Un repaso de análisis descriptivo lo detecta en minutos.

Excel no tiene función para el alfa, pero basta con VAR.S y SUMA. Con una fila por encuestado, una columna por ítem y los datos del ejemplo en B2:E7:

Paso	Qué calculas	Fórmula
1	El total de cada encuestado	=SUMA(B2:E2) en F2, copiada hasta F7
2	La varianza de cada ítem	=VAR.S(B2:B7) en B9, copiada hasta E9
3	La varianza del total	=VAR.S(F2:F7) en F9
4	El alfa, con k = 4	=4/3*(1-SUMA(B9:E9)/F9)

Con otro número de ítems, cambia 4/3 por k/(k-1). Dos errores típicos: poner en k el número de personas y mezclar VAR.S con VAR.P. Cualquiera de las dos sirve, pero la misma en ambas partes.

En SPSS, la ruta es Analizar > Escala > Análisis de fiabilidad (Analyze > Scale > Reliability Analysis en inglés). Pasa los ítems a la lista, deja el modelo en Alfa y, en Estadísticos, marca «Escala si se elimina el elemento»: es la tabla de la sección anterior. Los invertidos se recodifican antes con Transformar > Recodificar en distintas variables.

En R, la función alpha del paquete psych da el alfa bruto y el estandarizado, la correlación media entre ítems y el alfa sin cada ítem, y avisa si alguno correlaciona en negativo con el conjunto. Su opción check.keys invierte esos ítems sola. Úsala con cuidado: a veces el ítem no está invertido, sino mal redactado.

En Python, la función cronbach_alpha de la librería pingouin recibe los ítems en columnas y devuelve el alfa con su intervalo de confianza del 95 %, muy revelador cuando hay pocas respuestas. A mano, con pandas, basta sumar las varianzas de las columnas, calcular la varianza de la suma por filas y aplicar la fórmula. Ojo: la varianza de pandas es muestral por defecto y la de NumPy, poblacional. Mezclarlas cambia el alfa.

Para la respuesta rápida está la calculadora del principio: pega las columnas desde Excel, una fila por encuestado, y obtendrás el alfa con una etiqueta orientativa. Quita antes las filas con huecos, porque la calculadora recorta todas a la longitud de la más corta, y usa punto en los decimales. La coma se lee como separador. El cálculo se hace en tu navegador.

Dónde encaja el alfa en el trabajo con encuestas

El terreno natural del alfa son las escalas de varios ítems de tipo Likert, cuyas respuestas se suman o se promedian en un índice. Cómo construirlas lo explica nuestra guía de la escala de Likert. Se calcula dos veces: en el piloto, para corregir preguntas, y con la muestra real, para informar la fiabilidad de lo que vas a analizar.

Fuera de ese terreno sobra. Una pregunta única, como la del NPS, no tiene consistencia interna, y una lista de motivos para cancelar un servicio tampoco: nadie espera que quien marca el precio marque también el soporte. Y dentro de ese terreno, la fiabilidad pesa después: un índice poco fiable limita la correlación que puede mostrar con otras variables, como explicamos en la guía de correlación en encuestas.

La alternativa habitual es el omega de McDonald. El alfa supone que todos los ítems pesan lo mismo; si no es así, tiende a quedarse por debajo de la fiabilidad real. Omega parte de un análisis factorial y no necesita ese supuesto. Con pesos parecidos, los dos salen casi iguales. Lo calculan la función omega del paquete psych en R y programas gratuitos como jamovi o JASP.

El circuito es corto: crea la encuesta gratis, recoge las respuestas, expórtalas y pega las columnas en la calculadora de alfa de Cronbach. El número sale solo. Este artículo sirve para decidir qué hacer con él.

Preguntas frecuentes

¿Qué valores del alfa de Cronbach se consideran aceptables?

Según George y Mallery (2003), desde 0,7 es aceptable, desde 0,8 bueno y desde 0,9 excelente; por debajo de 0,7, cuestionable, pobre o inaceptable. Nunnally (1978) fija el mínimo según el uso: 0,7 en fases iniciales, 0,8 en investigación básica y de 0,9 a 0,95 para decidir sobre personas.

¿Qué significa un alfa de Cronbach negativo?

Que algunos ítems se mueven en contra de los demás. Casi siempre es un ítem redactado al revés sin recodificar: invierte esas respuestas (6 menos la respuesta, en una escala de 1 a 5) y vuelve a calcular.

¿Un alfa de Cronbach alto demuestra que la escala mide una sola cosa?

No. Como mostró Cortina (1993), una escala que mezcla dos dimensiones relacionadas puede dar un alfa alto, sobre todo si es larga. Para comprobarlo, lee las preguntas, mira las correlaciones entre ítems o haz un análisis factorial.

¿Cómo se saca el alfa de Cronbach en Excel?

No hay una función propia. Calcula VAR.S de cada columna de ítems, súmalas, calcula VAR.S de la columna de totales y aplica k / (k - 1) × (1 - suma de varianzas / varianza del total), con k igual al número de ítems.

¿Qué significa el alfa si se elimina el elemento?

Es el alfa que tendría la escala sin ese ítem. Si es menor que el alfa total, el ítem aporta; si es claramente mayor, la debilita. Aun así, no se elimina sin valorar su contenido ni confirmar la mejora con otra muestra.

¿En qué se diferencia el alfa de Cronbach del omega de McDonald?

El alfa supone que todos los ítems pesan lo mismo; omega parte de un análisis factorial y admite pesos distintos. Con pesos parecidos coinciden casi del todo. Si difieren, el alfa tiende a quedarse corto y omega estima mejor la fiabilidad.