7 errores estadísticos que debes evitar en tus estudios científicos

ATENCIÓN: BONUS EXCLUSIVO

Accede GRATIS al exclusivo "Minicurso de Estadística para Dummies" de ConceptosClaros.com. Un programa formativo de 7 días donde descubrirás paso a paso y de manera totalmente práctica las técnicas fundamentales para analizar los datos obtenidos en tus trabajos de investigación y donde podrás conseguir todos los recursos necesarios para realizar este proceso sin dolores de cabeza (plantillas, guías, vídeos...).

¿Tienes constantemente problemas a la hora de analizar e interpretar los resultados de tu investigación?

¿Comprender la estadística y los hallazgos obtenidos por otros científicos en sus publicaciones se te hace cuesta arriba?

¿Te pierdes entre números y ya te estás quedando calvo de tanto tirarte de los pelos?

Hoy NeoScientia recibe a un invitado muy especial, una persona que va a conseguir que la estadística nunca más sea un problema para ti.

Concretamente, hoy recibimos a Jordi Ollé de ConceptosClaros.com

Si no lo conoces todavía, ConceptosClaros es un proyecto hermano que comparte con NeoScientia un objetivo fundamental: ayudarte a crecer como científico.

En él Jordi ayuda a estudiantes, profesionales implicados con la evidencia científica e investigadores profesionales a reconciliarse con la estadística y comprender de manera sencilla y útil los conceptos matemáticos más enrevesados.

En el presente artículo, creado ex profeso para NeoScientia, Jordi te va desvelar los 7 errores estadísticos que no debes cometer nunca más en tus trabajos de investigación.

Con su lectura conseguirás evitar las grandes meteduras de pata “estadísticas que se repiten una y otra vez en las publicaciones científicas, comprenderás por fin algunos de los conceptos matemáticos más relevantes para tu futura vida como científico y aprenderás de una manera práctica a contrastar tus hipótesis de investigación sin resistencias (ojo, con vídeos y todo).

7 errores estadísticos que debes evitar en tus estudios científicos pic.twitter.com/febS1myQsJ

¡Compárteme!

Personalmente, creo que es uno de los artículos más interesantes que se han publicado en este blog y es por ello que te animo encarecidamente a que continúes leyendo.

Asimismo te recomiendo que, si tienes interés en aprender más sobre estadística de la manera más útil y sencilla, te unas gratuitamente al "Minicurso de Estadística Para Dummies" que Jordi ha preparado especialmente para ti.

Un curso cargado de valor práctico que calmará muchas de tus dudas estadísticas para siempre. Para mí, un indispensable.

De verdad, ¿Te lo vas a perder?

No te pierdas este Minicurso de Estadística para Dummies ¡Esencial! pic.twitter.com/febS1myQsJ 

¡Compárteme!
errores estadisticos

Etapas de la investigación científica

¡Muchas gracias, Pedro! Me sonrojo después de esta presentación 🙂

Es un verdadero placer formar parte de Neoscientia, mi blog referencia para investigadores. Agradezco de corazón poder aportar mi granito de arena a este proyecto.

¡Pues sí! He venido con ganas y quiero solucionar un montón de dudas que seguro que tienes con la temida estadística o el análisis de datos (para mí es lo mismo).

Antes de entrar en materia quiero mostrarte las etapas de una investigación científica. Seguramente ya las conozcas, pero siempre es bueno recordarlas.

Fíjate en la imagen:

etapas_investigacion_cientifica

Para realizar una investigación científica, en primer lugar, deberás hallar una idea novedosa, relevante, interesante y factible para una determinada audiencia científica.

Esta idea deberá proveer solución a un problema práctico o de conocimiento ​que este público considere que es importante resolver e investigar.

Para lograr este propósito tienes que diseñar un plan de investigación con un objetivo e hipótesis definida...

Planificar la recogida de datos...

Conseguir los datos...

Analizar la información obtenida...

Y por último, tratar de llegar a conclusiones útiles contextualizadas en base a la información que has podido conseguir con tu estudio y a otras evidencias científicas obtenidas mediante experimentación empírica.

En este proceso, saber utilizar la estadística es una habilidad esencial para poder llegar a conclusiones y justificaciones rigurosas que hagan que una audiencia académica valore tu trabajo.

Ya sé que cuando escuchas “Estadística” sientes el típico rechazo pero, en realidad, puedes estar tranquilo...

No hace falta saber muchas matemáticas para utilizarla, aunque sí un poco de práctica para no cometer errores como los que te expondré a continuación.

No te quiero marear mucho con cosas complejas y matemáticas así que voy a ir al grano, ¡Ya lo verás!

Descubre los 7 grandes errores estadísticos de los científicos y cómo evitarlos

errores_estadisticos_2

Error #1 - NO distinguir la tipología de tus variables

Es muy probable que los datos de tu investigación se encuentren organizados en una tabla o base de datos.

En ella, cada variable se correspondería con una columna, mientras que cada sujeto u observación con una fila.

Imagínate algo así:

la_tabla_de_datos

Para poder analizar estadísticamente esta información es necesario identificar cuanto antes la clase de variables presentes en tu base de datos.

Distinguir su tipología te va a permitir elegir el método más adecuado para evaluarlas y visualizarlas correctamente.

Para ayudarte a diferenciarlas, esta es la clasificación de variables más frecuente que puedes encontrar en la práctica. Son sólo 3, así que lo tienes fácil:

¿Sabes con que tipo de variables trabajas en tu estudio científico? pic.twitter.com/febS1myQsJ

¡Compárteme!
Numéricas de Escala

Son números que representan valores acompañados de sus unidades. Por ejemplo:

Peso (Kg), altura (cm), densidad (kg/m^3), edad (años)...

Las numéricas pueden tener decimales (continuas) o no tenerlos (discretas).

Categóricas

Son nombres o grupos:

Sexo, tipo de hospital, tipo de paciente, color del pelo...

En la práctica cada alternativa  posible para una de variable se corresponde con un número. Por ejemplo:

1 variable ("Tipo de Hospital") con 2 categorías:  “Hospitales públicos” y “Hospitales privados”.

Ordinales

Identifican un estado cualitativo y ordenan por cualidad:

1 = Muy Malo, 2 = Malo, 3 = Normal, 4 = Bueno, 5 = Muy bueno

Por ejemplo, podrías pensar en variables como la calidad del vino percibida o en el efecto de un fármaco al dolor. 

Fíjate que ahora las alternativas para cada variable tienen un sentido de escala, expresan una cualidad y se pueden ordenar.

Teniendo claras estas tipologías podrás evitar muchos errores de planteamiento en tus análisis estadísticos.

Dado que me gustaría que vieras esto de manera práctica, te voy a presentar qué es una base de datos y cuáles son los 3 tipos de variables posibles a través de un vídeotutorial.

Aunque existe un listado muy amplio de herramientas lo he preparado con el software SPSS, considero que es una de las herramientas que probablemente más vayas a utilizar si estás involucrado con la investigación científica.

No obstante, si no sabes utilizar SPSS, no te preocupes. Simplemente quiero que tengas una ligera idea de cuál es el procedimiento para identificarlas. Todo lo tratado en el vídeo lo podrás llevar a cabo con cualquier programa estadístico sin problemas.

Error #2 - NO visualizar tus datos

Para mí es fundamental.

Antes de comenzar a realizar tests estadísticos como un loco con programas como SPSS, Minitab o el que sea, es muy importante comprender qué datos tienes y cómo se comportan mediante técnicas descriptivas.

Pero... ¿Qué es eso de "técnicas descriptivas"?

Este tipo de procedimientos te permite visualizar con gráficos y expresar con números las características y propiedades de tu base de datos. ¡Así de simple!

Dicho de otra forma, se trata de convertir una tabla de datos, que a simple vista no te transmite nada, en gráficos y números entendibles.

Técnicamente a esta etapa se le llama "Análisis exploratorio de los datos" y es una fase fundamental para decidir qué análisis estadísticos vas a realizar, ver a grandes rasgos si las evidencias para justificar tu hipótesis de investigación tienen o no buena pinta y averiguar si los datos de los que dispones son suficientes y de calidad.

A continuación te dejo una lista de estrategias que puedes utilizar:

  • El histograma: Para evaluar la distribución de los datos de variables numéricas.
  • El boxplot o diagrama de caja: Para comparar grupos de variables numéricas.
  • Las tablas de contingencia: Para comparar variables categóricas.
  • Los scatterplot o diagramas de dispersión: Para comparar variables numéricas entre sí.
  • El resumen numérico (media, desviación estándar etc… ): Para analizar matemáticamente variables numéricas.

Para que tengas una visión práctica, con estas estrategias podrás responder a preguntas como estas:

  • ¿Hay diferencia entre los grupos de una variable numérica de mi base de datos? - Boxplot.
  • ¿Qué variables numéricas siguen una distribución normal? - Histograma.
  • ¿Qué variables numéricas están relacionadas entre ? - Scatterplot.
  • ¿Son los grupos diferentes entre las distintas variables categóricas? - Tablas de contingencia y diagrama de barras.
  • ¿Qué variables están relacionadas entre sí? - Matrixplot (Diagrama de dispersión matricial).

Para comprender información estadística nada mejor que visualizarla pic.twitter.com/febS1myQsJ

¡Compárteme!

Una vez hayas realizado un estudio exploratorio de tus datos y sin necesidad de complicados análisis matemáticos ni de test estadísticos, podrás entender mucho mejor por donde irán los tiros en tu investigación e incluso, tendrás muchas más pistas de qué técnicas de contraste estadístico podrías llegar a utilizar y comprobar si vas a necesitar más datos a la hora de corroborar tu hipótesis de investigación.

Puede ser que todo esto te suene todavía a chino.

¡Tranquilo!

He preparado otro videotutorial especialmente para ti para que entiendas todo lo que te estoy diciendo y no te quede ninguna duda. 

Te va a venir genial, ya lo verás.

Error #3 - NO interpretar correctamente el p-valor de una prueba estadística

Algunos de los errores presentes en artículos científicos y trabajos de investigación se producen por no interpretar adecuadamente el p-valor de las distintas pruebas estadísticas y no comprender bien qué es un contraste de hipótesis de investigación.

¿Quieres entender el contraste de hipótesis de investigación? Lee esto pic.twitter.com/febS1myQsJ

¡Compárteme!

Para que no cometas nunca estos fallos en tus estudios, déjame explicarte en qué consisten de manera simple estos dos conceptos con un ejemplo:

Imagina que te notas raro, con calores extraños, la cabeza como un bombo y el cuerpo pesado...

Tiene toda la pinta de fiebre, ¿Verdad?

Sofá, un té calentito y a descansar.

Quizás deberías tomar un Paracetamol, pero como no te gusta medicarte a lo tonto quieres comprobar antes si estás o no en lo cierto...

Te pones el termómetro y... ¡Tachán!

Marca más de 37 ºC (la temperatura que te han dicho los médicos a partir de la cuál se considera que tienes fiebre).

Como tienes fiebre (según su criterio), te tomas tu Paracetamol.

Bueno pues ahora que ya tienes creada esta escena mental, déjame decirte que ponerse el termómetro cuando crees tener fiebre es como realizar un contraste de hipótesis en una investigación científica.

De hecho, es una pequeña investigación en miniatura.​

¡Así es, como lo oyes!

Contrastar tus hipótesis de investigación es como ponerse un termómetro pic.twitter.com/febS1myQsJ

¡Compárteme!

Como en el ejemplo que acabas de ver, en un estudio se tiene una intuición sobre lo que va a pasar, una hipótesis de investigación o hipótesis alternativa (H1) que se quiere poner a prueba:

"Tengo fiebre".

Fíjate que la hipótesis de investigación es un estado raro, no frecuente y es lo que estás buscando (¡Los investigadores somos así, nos mola el riesgo!).

La hipótesis nula o H0 es la contraria a la hipótesis alternativa y es el estado más normal:

“NO tengo fiebre”.

El test estadístico no es otra cosa que el termómetro que va a determinar cuál de las dos opciones es más o menos probable y la marca del termómetro es el p-valor.

¿Se entiende el símil?

contraste_de_hipótesis

Para responder a tu "pregunta de investigación" sigue esta receta:

  • Si el p-valor es más grande que 0.05 entonces NO puedes rechazar la hipótesis nula (“NO tengo fiebre”). Es decir, no puedes decir que no tienes fiebre.
  • Si el p-valor es más pequeño que 0.05 entonces has de rechazar la hipótesis nula ("NO tengo fiebre") y aceptar tu hipótesis de investigación ("Tengo fiebre"). En otra palabras, puedes decir que no tienes fiebre y decir que tienes fiebre.

Y te preguntarás… ¿Y el 0.05 (5%) qué es?

Pues es el error que permites y dejas a los posibles efectos del azar (los 37ºC que te dijo el médico que era necesario tener).

Es decir, cuando el termómetro marca 37.1ºC puede ser que, en realidad, no tengas fiebre pero se considera que sí tienes fiebre. Tu criterio para determinarlo es 37ºC.

Con el contraste de hipótesis ocurre lo mismo:

El p-valor es una medida de incertidumbre. Así, si el p-valor es pequeño y < 0.05 la H1 no es debida al azar y puedes aceptarla.​

Si el p-valor es grande y > 0.05. El nivel de azar es grande y NO puedes rechazar la H0.

Si el p-valor es 0.049 (muy cercano al 5%) te puedes quedar con la hipótesis de investigación pero no con mucha evidencia (o significación). Así, puede ser que cometas el error de rechazar una hipótesis nula ("NO tengo fiebre") que es verdadera y aceptar una alternativa ("Tengo fiebre") que no lo es. Puede ser que digas que tienes fiebre cuando en realidad NO la tienes.

La realidad es que aunque podrás reducirlo, nunca podrás eliminar este potencial error. La estadística es una ciencia interpretativa y sus afirmaciones o conclusiones siempre están envueltas de incertidumbre.

Como sé que eres una persona pragmática, te he preparado una plantilla muy sencilla del proceso a seguir cuando estés aplicando un contraste de hipótesis:

  1. Formula las 2 hipótesis: La H1, hipótesis de investigación o "caso raro"; así como la contraria, la H0 o "caso normal".
  2. Establece el nivel de significación o el margen de error de "Rechazar una hipótesis nula que es verdadera" que puedes cometer (también se le conoce como Error Tipo 1): Normalmente 5% (0.05).
  3. Elige una prueba o test estadístico para poner a prueba tus hipótesis matemáticamente (teniendo en cuenta que se cumplen las condiciones de aplicación o restricciones específicas para cada uno de ellos).
  4. Toma una decisión: 
    1. Si p-valor < 0.05 rechazarás la hipótesis nula y te quedarás con tu hipótesis de investigación.
    2. Si p-valor > 0.05 NO puedes rechazar la hipótesis nula y NO puedes quedarte con tu hipótesis de investigación (OJO: Nunca se dice que la H0 es cierta, sino que no la puedes rechazar).

Asimismo, te dejo con mis recomendaciones personales en torno al tema:

  • No digas NUNCA que la hipótesis nula es cierta. Siempre decir que NO puedes rechazar la hipótesis nula.
  • Cuando el p-valor es muy pequeño puedes aceptar firmemente tu hipótesis de investigación.
  • Cuando el p-valor está en torno a 0.05 no debes afirmar nunca nada. Así, tienes que ser muy cauto, intentar disponer de más datos o poner en las conclusiones : “Con los datos de los que que dispongo la hipótesis de investigación parece cierta pero necesito más casos para corroborar mi hipótesis”.
  • La hipótesis nula es siempre el caso "normal" y la hipótesis de investigación es el "caso raro e inusual" (tener fiebre es inusual pero realmente es lo que estás buscando).
  • Un p-valor muy pequeño NO quiere decir que sea un resultado muy muy importante. Lo único que te está diciendo es que la hipótesis de investigación puede ser aceptada y los resultados obtenidos no son debidos al azar. No pongas nunca la palabra “importante” en la conclusiones en relación al p-valor.

Que un resultado sea significativo no quiere decir que sea importante pic.twitter.com/febS1myQsJ

¡Compárteme!

ANTES DE CONTINUAR, RECUERDA: HAY UN BONUS GRATUITO ESPERANDO

Accede GRATIS al exclusivo "Minicurso de Estadística para Dummies" de ConceptosClaros.com. Un programa formativo de 7 días donde descubrirás paso a paso y de manera totalmente práctica las técnicas fundamentales para analizar los datos obtenidos en tus trabajos de investigación y donde podrás conseguir todos los recursos necesarios para realizar este proceso sin dolores de cabeza (plantillas, guías, vídeos...).

Error #4 - NO presentar adecuadamente el p-valor

Hace un momento te acabo de hablar del concepto de p-valor, espero que ya lo tengas más claro.

Imagínate por un momento que el p-valor es tan tan pequeño que es casi cero. Como has podido ver, esto te dará mucha evidencia de que puedes aceptar tu hipótesis de investigación.

Pero... ¿Cómo lo vas a presentar a la hora de redactar tu artículo científico?

He encontrado un artículo muy interesante sobre la presentación del p-valor en publicaciones científicas. Te lo resumo en tres recomendaciones:

  1. Cuando un programa estadístico te de un p-valor muy pequeño como por ejemplo p = 0.000000234 o incluso te de p = 0.0000 represéntalo en tu estudio como p < 0.001. Un p-valor 0 no existe.
  2. Utiliza valores absolutos con dos decimales siempre y cuando informes de tu valor de corte (0.05 es el más habitual).
  3. Algunas revistas científicas aceptan p-valor con los signos > o < aunque yo no te lo recomiendo pero si lo haces utiliza siempre el valor de corte (5% o 1% o el que decidas) a excepción de cuando tienes valores muy pequeños como el caso 1.
  4. Puedes trabajar si quieres con valores tipo .023. Es decir, quitando el 0 de la izquierda.

Cómo presentar resultados estadísticos en tu artículo científico pic.twitter.com/febS1myQsJ

¡Compárteme!

Un seguidor de ConceptosClaros.com me ha facilitado directrices para la publicación de resultados en investigaciones biomédicas. Te lo puedes descargar aquí.

Te resumo lo que te he comentado con un tabla extraída de un artículo sobre las metaduras de pata en publicaciones científicas.

presentacion_pvalor

Error #5 - NO justificar las restricciones de las pruebas estadísticas

Antes de aplicar cualquier test estadístico es importante asegurarse que tus datos cumplen con los requisitos necesarios para llevarlo a cabo.

Para utilizar un test estadístico comprueba antes sus restricciones pic.twitter.com/febS1myQsJ

¡Compárteme!

Por ejemplo, imagínate que deseas comprobar si un nuevo tratamiento para una patología X produce una mejoría en los pacientes.

Para ello, utilizas dos grupos de pacientes: un grupo control con el tratamiento estándar y otro grupo de pacientes a los que suministras el nuevo tratamiento.

Asimismo, utilizas un indicador como por ejemplo el nivel de azúcar en sangre para cuantificar los potenciales efectos de la medicación.

¡Bien!

En esta tesitura puedes utilizar dos técnicas para contrastar tu hipótesis de investigación:

  • Mediante el test t-student (test paramétrico).
  • U de Man Whitney para la comparación de dos grupos (test NO paramétrico).

¿Que diferencias hay entre estas dos pruebas si ambas permiten contrastar las diferencias existentes entre dos grupos?

El primer test es una prueba paramétrica que trabaja con distribuciones conocidas (como la distribución normal) mientras que el segundo es un test no paramétrico para el que no hace falta trabajar con una distribución conocida. 

Los test paramétricos tienen más fuerza que los no paramétricos. Son más potentes y las conclusiones que puedes sacar son más fiables. Sin embargo, también son más restrictivos. Para poder llevarlos a cabo tus datos deben cumplir una serie de condiciones.

Siempre que puedas utiliza test paramétricos pero ojo, no te olvides antes de argumentar en que forma tus datos superan las restricciones especificas para la prueba que deseas utilizar.

Algunos de los criterios más comunes para seleccionar un test estadístico son:

  • La normalidad de los datos.
  • La igualdad de varianzas entre grupos.
  • Variables o grupos independientes.

Comprueba a continuación como probar cada uno de estos supuestos.

¿Cómo puedes saber si una muestra proviene de una distribución normal?

Hay 3 formas de saber si una variable proviene de una distribución normal. Te recomiendo que hagas siempre estas 3 cositas:

  1. Pintar un histograma.
  2. Pintar el qqplot.
  3. Test Kolmogorov-Smirnov.

Puedes verlo en la práctica en el siguiente videotutorial:

¿Cómo puedes saber si dos grupos o más grupos tienen las mismas varianzas?

Aquí necesitas el famoso test F. Este test te indica si las varianzas de los dos grupos son iguales o diferentes.

Recuerda que la hipótesis de investigación (H1) es “los dos grupos tienen varianzas diferentes" mientras que la hipótesis nula o H0 es "los dos grupos tienen varianzas iguales".

Puedes ver el siguiente vídeo para el test de varianzas en SPSS:

¿Cómo puedes saber si dos grupos son independientes?

Esta restricción es bastante más fácil de comprobar pues existen varias técnicas para justificarlo.

Para no complicarte la vida prefiero que te quedes con esta idea:

Los grupos dependientes normalmente se utilizan cuando quieres comparar la evolución de una variable en el tiempo. Por ejemplo:

“El peso de un grupo de mujeres antes de estar embarazadas y después de tener a su hijo”.

En este caso, utilizarás una prueba para grupos dependientes.

Si las variables no tienen estas dependencias temporales, utiliza la comparativa para grupos independientes (t-student).

Error #6 - La regresión lineal NO siempre es aplicable

La regresión lineal es uno de los análisis estadísticos más habituales aunque no siempre es aplicable.

Un análisis de regresión de este tipo implica una dependencia lineal entre dos variables que utilizas para predecir los valores de una variable a partir de los valores de la otra.

La idea general es dibujar la  línea que mejor explique el diagrama de dispersión de dos variables para con ella crear un modelo predictivo.

regresion_lineal

Descubre cuándo y cómo aplicar la regresión lineal en tu investigación pic.twitter.com/febS1myQsJ

¡Compárteme!

Para saber cuándo aplicar la regresión lineal y cómo proceder con ella he preparado para ti el siguiente videotutorial. 

Error #7 - La regla mágica para representar los intervalos de confianza NO es siempre válida

​¿Te suena el intervalo de confianza al 95%?

Normalmente los datos numéricos, por ejemplo, el peso de un grupo de 50 pacientes en obesidad los puedes resumir como la media (medida de centralidad) y +- 1.96 veces la desviación estándar (medida de dispersión).

Un ejemplo:

IC 95% 66 kg +/- 12 kg

Esta fórmula es muy útil pero no caigas en el error de utilizarla siempre.

Para aplicarla la distribución de tus datos debe ser Gaussiana. Dicho de otro modo, esta regla es válida solo para distribuciones normales.

intervalo_de_confianza

Cuando la distribución NO es normal debes trabajar con la mediana y el rango intercuartílico. 

Son medidas de centralidad y dispersión que sirven perfectamente para variables que no están distribuidas normalmente.

El secreto sobre los intervalos de confianza que debes de conocer pic.twitter.com/febS1myQsJ

¡Compárteme!

Así, no podrás trabajar con IC pero sí dar una medida de centro, la mediana; y de dispersión, rango intercuartílico que ayuden a tus lectores a visualizar más fácilmente las propiedades del histograma de tus datos.

A ver si con un dibujito te ayudo un poco más:

resumen_intervalo_confianza

Bonus #1 - Mala selección del test de contraste de hipótesis

Como has podido ver hay pruebas paramétricas y NO paramétricas.

Muchos científicos las aplican erroneamente.

Las pruebas paramétricas son más potentes y eficaces pero necesitas cumplir con restricciones importantes. Por ejemplo:

  • Los datos deben seguir una distribución normal.
  • Cuando comparas grupos sus varianzas deben de ser iguales.
  • El tamaño muestral no debe ser inferior a 30 individuos.
  • Etc.

A veces los datos no cumplen los supuestos para aplicar un test paramétrico y aún así los científicos deciden llevar a cabo incorrectamente estas pruebas. 

En tales casos deberías trabajar con pruebas no paramétricas. Menos potentes pero con restricciones muchas más laxas.

¿Cuándo elegir un test paramétrico o no paramétrico? pic.twitter.com/febS1myQsJ

¡Compárteme!

Por otro lado, otro de los errores comunes es aplicar pruebas para comparar grupos independientes cuando en realidad resulta que son grupos relacionados.

Imagínate que quieres comparar si después de un tratamiento de adelgazamiento de una persona obesa la presión arterial media es más baja después de 2 meses.

La variable “presión arterial mes 1” es Dependiente de la variables “presión arterial mes 3”.

Son dos grupos relacionados o, mejor dicho, la variable está relacionada.

De esta manera, no puedes trabajar con pruebas de hipótesis t-student para grupos independientes, sino grupos dependientes.

Bonus #2 - Presentación de resultados numéricos incorrecta

No es propiamente un error estadístico pero dada la importancia de la representación de datos numéricos a la hora de escribir artículos científicos merece la pena dar una serie de recomendaciones en torno a ellos:

  • La unidades son importantes y también la precisión.
  • Cuando el valor es relativamente pequeño es interesante trabajar con 2 decimales para dar más precisión al resultado.
  • Cuando hablamos de números importantes no te recomiendo trabajar con decimales sino con notación científica.

Como presentar resultados numéricos en tu investigación correctamente pic.twitter.com/febS1myQsJ

¡Compárteme!
errores_numeros

Esta tabla la puedes consultar en este artículo.


Y hasta aquí el post.

Si me pides que me quede con el error nº1 que has de evitar a toda costa, me quedaría con el contraste de hipótesis.

Soy Jordi de ConceptosClaros.com y ayudo a estudiantes, investigadores y profesionales técnicos a aplicar herramientas de análisis de datos para ser mejores y más valorados.

7 grandes errores estadísticos que has de evitar en tus investigaciones pic.twitter.com/febS1myQsJ

¡Compárteme!

Ahora, me gustaría saber tu opinión:

Coméntame más abajo cuáles crees que son los errores más importantes que cometen los científicos a la hora de trabajar con los datos obtenidos en sus investigaciones y a la hora de darlos a conocer. Asimismo, coméntame por qué razón son un fallo en tu opinión.

¿Cuál es para ti el error estadístico más frecuente entre científicos? pic.twitter.com/febS1myQsJ

¡Compárteme!
descargabonus

Leave a Reply 0 comments