UNIVERSIDAD TÉCNICA DE MANABÍ

FACULTAD DE CIENCIAS ADMINISTRATIVAS Y ECONÓMICAS

Estadística

Actividad # 2

AUTOR

Moreira Caldas Romina

Econ. Octavio Zorrilla

2023
INTRODUCCIÓN

En la era de la información y la tecnología, la estadística se ha convertido en una herramienta

esencial para la toma de decisiones, la investigación y la comprensión de fenómenos complejos
en una amplia variedad de campos, desde la ciencia hasta los negocios y la política. La
estadística proporciona el medio para extraer conocimiento significativo de conjuntos masivos de
datos, permitiendo a las personas tomar decisiones informadas y basadas en evidencia. Sin
embargo, la efectividad de la estadística depende en gran medida de cómo se interpretan los
datos, y los errores en esta interpretación pueden tener un impacto profundo y negativo en
nuestras vidas y sociedades.

La mala interpretación de datos estadísticos no es un fenómeno trivial; más bien, es un problema

persistente y ubicuo que puede llevar a decisiones erróneas y a una comprensión distorsionada de
la realidad. Este ensayo se propone explorar en profundidad el impacto de los errores en la
interpretación de datos estadísticos y cómo estos errores afectan a la toma de decisiones, la
formulación de políticas y la percepción pública.

La misión de la Ciencia es comprender y explicar la realidad. Pero, por las dimensiones inconmensurables
de ésta, necesitamos realizar experimentos para observar lo que ocurre en situaciones controladas.
Obtenemos conclusiones a raíz del análisis estadístico de nuestros datos, y la interpretación que hacemos
a partir de ellos, lo cual nos permite identificar relaciones, diferencias, patrones o tendencias. De este
modo, el ser humano, el investigador, podría llegar a comprender parcialmente la “Verdad”. Así pues, la
estadística lejos de ser algo innecesario, como muchos piensan, resulta ser una herramienta esencial en
nuestro mundo científico. Martínez Camacho, N. Y. (2012).

La interpretación de datos es el proceso de revisar los datos y llegar a conclusiones relevantes utilizando
varios métodos analíticos. El análisis de datos ayuda a los investigadores a categorizar, manipular y
resumir los datos para responder a preguntas críticas. A pesar de su evidente importancia en cualquier
rama de las ciencias, tanto ciencias sociales como ciencias puras, la estadística siempre ha sido como la
hermana fea. No resulta popular. En la actualidad, hay muchos softwares y programas informáticos
capaces de realizar complejos análisis estadísticos, por lo que algunas gentes le prestan incluso menos
atención porque creen que “no necesitan entenderla ni saber aplicarla”.
MARCO TEORICO

La estadística es una disciplina que nos permite recolectar, analizar e interpretar datos para tomar
decisiones informadas y obtener una comprensión más profunda de los fenómenos. Sin embargo, la
interpretación de los datos no es una tarea sencilla y está sujeta a errores.

Algunos de los sesgos cognitivos comunes que afectan la interpretación de datos incluyen la confirmación
selectiva, donde se busca y da importancia a la información que respalda nuestras creencias existentes, y
el sesgo de disponibilidad, que da prioridad a la información fácilmente accesible o memorable. Estos
sesgos pueden llevar a la toma de decisiones basada en prejuicios en lugar de en datos objetivos. Makin,
T. R., y Orban de Xivry, J.-J. (2019).

Uno de los errores más significativos es la conclusión errónea de causalidad. A menudo, se asume que
una correlación entre dos variables implica causalidad, lo que puede llevar a decisiones erróneas y a una
comprensión inexacta de los fenómenos. Es fundamental recordar que la correlación no implica
necesariamente una relación de causa y efecto, y que otras variables o factores pueden estar en juego.

-Ausencia de una condición o grupo de control adecuado

Un inadecuado diseño en el grupo de control ocasiona que, respecto al grupo experimental, los tamaños
no sean equivalentes, los muestreos hayan sido elaborados en diferentes momentos y se haya dado una
asignación no aleatoria. Todo ello afecta en la aparición de sesgos, deficiencias en la potencia estadística,
inflaciones en los tamaños del efecto y la aparición de relaciones espurias. Tufte, E. R. (2006).

-Interpretar las comparaciones entre dos efectos sin compararlos directamente

Los investigadores en sus estudios suelen basar las conclusiones sobre el impacto de los resultados de una
intervención a partir de que esta genera un efecto significativo en el grupo experimental, mientras que
respecto al grupo de control no es significativo. Con base en ello, se tiende a asumir que los efectos en la
condición del grupo experimental serán mayores que en la condición de control, cuando esta inferencia es
incorrecta. Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013).

-Inflando las unidades de análisis

El uso inadecuado de la unidad experimental generará que existan problemas teóricos y prácticos. El
primero hace referencia a que si no hay una identificación clara sobre la unidad apropiada para medir la
variación de un fenómeno entonces la inferencia estadística será errónea. El segundo indica que se genera
un número espurio de unidades experimentales ocasionando que los grados de libertad aumenten. Esto
repercutirá disminuyendo el umbral estadístico crítico que sirve para juzgar la significación.

-Correlaciones espurias

El uso de correlaciones paramétricas implica el cumplimiento de supuestos. Sin embargo, cuando estos
supuestos se toman en cuenta o cuando se presentan uno o más valores atípicos para las variables se
puede dar lugar a la aparición de correlaciones espurias.

-Uso de muestras pequeñas

El uso de muestras pequeñas ocasiona que solo se puedan detectar tamaños del efecto grande, por lo que
resulta en un problema para conocer el valor real. Además, ello también genera que sea más susceptible
cometer los errores de tipo II (perder un efecto que sí existe en los datos) y que la distribución se desvíe
de la normalidad haciendo complicado la verificación de su supuesto. Kahneman, D. (2011).

-Análisis circular

El análisis circular es una forma de análisis que selecciona retrospectivamente características de los datos
para caracterizar las variables dependientes, lo que conlleva la inflación del resultado estadístico que
genera una distorsión de la prueba estadística resultante y su inferencia, que es inválida.

-Flexibilidad de análisis: p-hacking

El uso de la flexibilidad en los datos repercute en el aumento de la probabilidad de obtener valores p

significativos que ocasiona la aparición de falsos positivos en los resultados. Este problema es más visible
cuando la comunidad científica informa sobre los resultados de la misma variable estudiada, pero
calculando el valor de diferentes formas. Abelson, R. P. (1995).

-No se corrigen las múltiples comparaciones

Cuando los investigadores exploran los efectos de las tareas o actividades, usualmente evalúan el efecto
de las condiciones de las tareas múltiples sobre varias variables y a veces se utiliza una hipótesis a priori
poco determinada. Este tipo de práctica se denomina “Análisis exploratorio” y en la estadística
frecuentista, la realización de múltiples comparaciones durante esta práctica puede afectar
considerablemente la interpretación de resultados significativos. En el diseño de estudios experimentales
con más de dos condiciones, el análisis exploratorio generará que se realicen múltiples comparaciones,
por lo que aumentará la probabilidad de detectar un efecto cuando este realmente no exista (Error de tipo
I).
-Sobreinterpretando los resultados no significativos

En la estadística frecuentista se utiliza un umbral estadístico que usualmente es un valor alfa de .05 para
determinar la significancia estadística. Sin embargo, la interpretación errónea de una prueba estadística
cuando no es significativa es un error usual. Ello se debe a que los efectos no significativos pueden tener
diferentes significados. Fisher, R. A. (1925).

-Correlación y causalidad

En la ciencia, el estudio de las correlaciones se da para evaluar si dos variables se encuentran asociadas.
Cuando se encuentra que dos variables están significativamente asociadas, es usual asumir que una puede
causar a la otra. Sin embargo, esto es incorrecto, debido a que ambas puedan coexistir linealmente no
implica que una pueda explicar o causar la otra.

CONCLUSIONES
Los errores en la interpretación de datos estadísticos tienen un impacto significativo en la toma de
decisiones, la formulación de políticas y la comprensión de la realidad. Los sesgos cognitivos, como la
confirmación selectiva y el sesgo de disponibilidad, a menudo contribuyen a estos errores, al igual que la
conclusión errónea de causalidad. Es esencial promover la educación en estadística y el pensamiento
crítico para abordar estos problemas. La revisión y la crítica constructiva de la interpretación de datos, así
como la transparencia en la presentación de resultados, son elementos clave para garantizar que nuestras
decisiones se basen en una comprensión precisa de la realidad.

BIBLIOGRAFIA
Makin, T. R., y Orban de Xivry, J.-J. (2019). Ten common statistical mistakes to watch out for when
writing or reviewing a manuscript. eLife, 8, e48175. https://doi.org/10.7554/eLife.48175

Martínez Camacho, N. Y. (2012). Análisis y tratamiento de los errores estadísticos en los medios de
comunicación escritos como generadores de un dispositivo didáctico. (tesis de pregrado). Universidad
Distrital Francisco José de Caldas, . Recuperado de: http://hdl.handle.net/11349/125.

Tufte, E. R. (2006). "Beautiful Evidence." Graphics Press.

Kahneman, D. (2011). "Thinking, Fast and Slow." Farrar, Straus and Giroux.

Abelson, R. P. (1995). "Statistics as Principled Argument." Lawrence Erlbaum Associates.

Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). "Bayesian Data
Analysis." CRC Press.

Fisher, R. A. (1925). "Statistical Methods for Research Workers." Oliver and Boyd.

Cleveland, W. S. (1994). "The Elements of Graphing Data." Hobart Press.