El arte de escribir títulos de artículos científicos memorables

Estoy completamente seguro de que tu principal motivo para acceder a este artículo ha sido su
título; un encabezado que promete algo y atrae la atención. La realidad es que tras redactar un
artículo científico, elegir un buen título es la tarea más relevante a la hora de que tus
compañeros científicos lean tus publicaciones. Sin embargo, muchos investigadores olvidan
este dato. En este artículo te mostraré la importancia de seleccionar buenos títulos de
artículos científicos y cómo puedes construirlos para que tus trabajos tengan un mayor
impacto en la sociedad.

La importancia de un buen título

Cuando un científico se decide a publicar su trabajo lo puede hacer por distintos motivos: Por
amor a la ciencia, por obtener un reconocimiento a su trabajo o por aumentar su
curriculum profesional. Sea cual sea la razón, necesita que otras personas lean sus escritos
para dar por finalizada su labor. Para que esto ocurra, debe conseguir en primer lugar que su
publicación llame la atención y, posteriormente, que el contenido sea de calidad y se encuentre
bien representado en el titular. El beneficio directo de sorprender con buenos títulos de
artículos científicos es conseguir que te encuentren y te lean, mientras que el indirecto
permitirá que hablen de ti y citen tus investigaciones tras comprobar que tu trabajo es de
calidad y se adapta a las necesidades de los lectores. Si no escribes buenos títulos de
artículos científicos tus estudios pasarán desapercibidos y no obtendrás ningún tipo de
rendimiento por ellos.
¿Cómo construyo títulos de artículos científicos memorables?
Como te puedes imaginar no existe el título perfecto. Sin embargo, sí existen pequeños trucos
para tratar de aproximarse lo más posible. ¿Cuáles son?
Antes de nada, lo primero que debes hacer es conocer a tus clientes —Los que leerán tu
publicación— y el contexto donde publicarás. No es lo mismo publicar para una revista Open
Access o blog de divulgación que para una prestigiosa editorial; cada uno determina una forma
distinta de comunicarse y tendrá un prototipo distinto de lector. Si es de tu interés puedes usar
una plantilla que publiqué en el artículo La guía definitiva para trazar un perfil de tus
clientes que te permitirá superar con éxito este paso.
En este artículo me centraré en el arquetípo de un buen título para revistas científicas. Estas
últimas suelen solicitar que los encabezados para sus publicaciones tengan tres componentes
básicos: Palabras clave, seriedad, y constituyan un buen reflejo del contenido de la
publicación. Tu labor será combinar estos tres elementos para llamar la atención y
proporcionar información de calidad pudiendo añadirle un cuarto factor opcional: el emotivo.
Una propuesta para un buen título es la que hago a continuación:
Fórmula para crear un buen título para tu artículo científico:
Título Atractivo = ( Componente emotivo: + Seriedad + Palabras clave ) * Reflejo del
contenido
Componente emotivo:Es el factor encargado de potenciar la atracción del titular apelando
a las emociones del lector. Para que esto ocurra puedes usar: alusiones a trabajos literarios,
a películas, a proverbios, canciones, títulos de obras conocidas, curiosidades, datos
impactantes desconocidos, rimas… No se trata de ser gracioso sino de atraer el interés. Este
elemento es opcional ya que dependerá del tipo de revista y a que público esté
dirigida. Las revistas prestigiosas suelen rechazar este tipo de componentes, en este
caso, puedes intentar tratar de apelar a la emoción pero sin salirte de los límites.
Seriedad:El humor no se asocia frecuentemente con lo científico. Según el estudio Sagi &
Yechiam (2008), el uso de la broma en títulos de artículos científicos esta correlacionado

1
 inversamente con la cantidad de citaciones a las publicaciones. Por esta razón, hay
que intentar atraer la atención sin salirse demasiado de los estándares.
Palabras clave:Factor esencial que permitirá que tu trabajo sea encontrado por los
buscadores y bases de datos. Cuando escribas un artículo científico deberás procurar que el
título contenga aquellos términos relacionados con el contenido de tu trabajo que presenten
mayor cantidad de búsquedas tanto en las bases de datos como en buscadores generales.
Para ello toma como referencia las palabras clave de las publicaciones indexadas más citadas
y los aspectos más importantes de tu trabajo. Para esto último puedes usar los tesauros, unas
listas de términos estandarizados ordenados de forma jerárquica que te permitirán ajustar las
ideas claves de tu investigación a los conceptos más utilizados por la comunidad científica. Una
recomendación personal es que trates de incluir en el título palabras clave de lo más
genérico a lo más específico. Por otro lado, intenta posicionar las palabras más relevantes -
Por lo general las más específicas ya que son las que te proporcionan a tu trabajo distintividad-
al principio del encabezado con el fin de mejorar el posicionamiento en los buscadores
generales y la lectura de izquierda a derecha.
Reflejo del contenido:Hay que tratar de vender nuestro artículo pero no ofrecer más de lo
que realmente puede dar. El encabezamiento debe ser fiel reflejo de lo que un posible
lector puede encontrar en el cuerpo del texto, debe ser claro y descriptivo. Tu intención es
captar progresivamente el interés del lector a medida que este avanza por cada una de las
secciones del trabajo: Título, Abstract, introducción… Este concepto es lo que podríamos
denominar “embudo de conversión del lector”.
En cuanto al reflejo del contenido pueden distinguirse varios formatos de encabezados según el
contenido al que se refieran:
 Centrados en el Problema: Por lo general están formulados en forma interrogativa. Fueron
tan usados para intentar llamar la atención que ahora son más la norma que la excepción.
Trata de evitar este modelo si la pregunta no es muy tentadora.
 Centrados en el método y objeto de la investigación: Son títulos descriptivos. Hacen
referencia a una de las partes más importantes de la investigación científica, la metodología.
También hay otra modalidad que se centra en el objeto de estudio y su relación con las
variables. Esta última forma es bastante interesante, crea una “estructura narrativa” entre el
objeto de investigación, el método y los resultados.
 Centrados en las conclusiones: Son títulos declarativos. Son también una forma bastante
empleada pero pueden dar mucho juego si las conclusiones del estudio son relevantes y
llamativas.
¿La forma ideal?
Un buen título no es ni demasiado corto ni demasiado largo. Lo ideal serían encabezados de
75 a 100 caracteres o de 10 a 15 palabras. Son tamaños que no son ni demasiado
explicativos -ya tendremos tiempo de desarrollar en profundidad en el abstract o contenido- ni
demasiado escuetos y que se ajustan a los límites visibles de los títulos en buscadores y bases
de datos. La longitud del título es tema de debate pues existen estudios que muestran la
eficacia tanto de los títulos de gran tamaño (Habibzadeh & Yadollahie, 2010) –Por el aumento
de la probabilidad de encontrar aquello que buscamos– como los pequeños (Paiva et al,
2012) –Por incluir la información justa y necesaria. A mi juicio, un término medio te asegura
un resultado óptimo.
Los buenos títulos de artículos científicos no son redundantes, no usan abreviaturas, jergas
desconocidas ni demasiadas preposiciones. Hay quecuidar el vocabulario y la síntaxis,
recuerda que es lo primero que enseñas al lector.
En cuanto a los signos de puntuación no se deben usar los signos de admiración, el punto el
coma y las barras (“/\”); sin embargo, si puedes utilizar la comas, parentesis, signos de
interrogación y dos puntos. Respecto a estos últimos hay que evitar usarlos si no es con
una causa justificada. Un ejemplo puedes verlo en la formula para un título atractivo; los

2
dobles puntos permiten separar aquella parte emotiva de la oración que sirve
esencialmente para llamar la atención de aquella puramente científica. Si se usa el doble
punto como rutina puedes incurrir en añadir información totalmente innecesaria que sea incluso
perjudicial para el marketing de tu trabajo.
Por último, hay una serie de elementos y frases sobrexplicativas que se repiten constantemente
a la hora de hacer títulos de artículos científicos y que han dejado de aportar valor. Procura no
utilizarlos:

Frases sobrexplicativas a evitar:

 Aspectos de…
 Comentarios sobre…
 Investigación acerca de…
 Estudio de…
 Observaciones sobre…
 Informe de…
 Contribución a…
 Resultados de un estudio sobre…
 Análisis de los resultados de…
 Situación de…
 Estado de…
 Conceptuación de…
 Determinación de…
 Primer caso…
 Novedosa investigación…
¿Hablamos?
Hemos visto que los buenos titulos de artículos científicos permiten no solo reflejar
adecuadamente el contenido de tu trabajo sino también atraer y vender tu investigación a los
lectores. Por otro lado, construir un titular no es tarea nada fácil y muchos científicos fallan en
esta labor por falta de práctica o por no tener una estrategia que les permita crear de forma
sencilla encabezados efectivos para sus papers.

Descubre los 7 grandes errores estadísticos de los científicos y cómo

evitarlos
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:

3
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:

1. 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).

2. 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”.

3. 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.

4
 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 sí? - 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).

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.

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).

5
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!

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?

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.

6
 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 tuhipótesis 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 GRATUITOESPERANDO

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...).

¡NO ME LO QUIERO PERDER!

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).

7
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.

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?

8
 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.

9
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.

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.

10
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:

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

Como has podido ver hay pruebas paramétricas y NO paramétricas.
Muchos científicos las aplican erróneamente.
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.
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:

11
 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.

12