2. DATOS: ANÁLISIS E
INTERPRETACIÓN
Al analizar los datos se pretende descubrir patrones y
tendencias los mismos para poder interpretarlos.
El procesamiento y análisis de datos se podría interpretar
como una manipulación de los mismos para llegar a los
resultados deseados,; la meta es aclarar los datos, no
cambiarlos fundamentalmente.
Al publicar los datos y las técnicas que usaron para
analizarlos e interpretarlos, los científicos le dan a la
comunidad la oportunidad de revisar los datos y de usarlos
en investigaciones futuras.
Las interpretaciones científicas no son verdades absolutas
ni opiniones personales: son inferencias, sugerencias, o
hipótesis sobre lo que significan los datos, basadas en el
conocimiento científico y la interpretacion individual.
3. DATOS: INCERTIDUMBRE,
ERRORES, Y CONFIABILIDAD
La incertidumbre es una estimación cuantitativa del error que está
presente en todos los datos.
Reconocer la incertidumbre de los datos es un componente importante en
la presentación de los resultados de la investigación científica. Ignorar la
fuente de un error puede conducir a la propagación y magnificación del
mismo.
La incertidumbre se puede malinterpretar como que los científicos no
están seguros de sus resultados, pero el término especifica el grado por el
cual los científicos sí están seguros de sus datos.
Ser cuidadoso puede reducir la incertidumbre al corrergir el error
sistemático y minimizar el error aleatorio. Sin embargo, la incertidumbre
nunca puede ser reducida a cero porque es una medida cuantitativa de la
variabilidad de los datos.
O sea, las medidas en sí mismas, independientemente de cualquier
inexactitud humana o instrumental, exhiben dispersión. Esta gama de
valores se cuantifica como incertidumbre y se expresa como la
probabilidad de obtener un cierto valor. Estas probabilidades están
distribuidas alrededor de un valor central o medio.
4. FUENTES DE ERROR
Siempre que se hacen medidas tenemos fuentes
potenciales de error.
Si por ejemplo, el instrumento usado estaba calibrado
y la persona fue cuidadosa al tomar los datos el por
ciento de error será pequeño y estará distribuido al
azar cerca a la medida verdadera. Esto se conoce como
el error experimental y usualmente representa un
error estadístico.
El error estadístico no puede ser eliminado, pero si
puede ser medido y reducido cuando se hacen
repetidas observaciones de un evento específico.
5. ERROR SISTEMÁTICO
Otro tipo de error es el introducido humanamente.
Por ejemplo, por calibración incorrecta o
inconsistencia al tomar datos.
Este error afecta los resultados ampliando por
encima o por debajo del valor real la variabilidad de
los datos obtenidos. O simplemente dando valores
completamente erróneos y lejanos al valor real.
Al contrario del error estadístico, el error
sistemático puede ser compensado, o algunas veces
eliminado, si su fuente se identifica.
6. PODEMOS MINIMIZAR ERRORES
CON EL/LA:
Calibrado de instrumentos o medidas contra
estándares conocidos.
Reporte de todos los límites de detección de
instrumentos.
Implementación de procedimientos estándares para
minimizar el error humano.
Documentación completa de los métodos de
investigación.
Duplicación de las medidas para determinar la
presición.
7. VARIABILIDAD
La variabilidad en la ciencia es algo que siempre se
debe tener en cuenta. Por ejemplo las hojas de pinos
en su madurez son de aprox. 4 pulgadas de largo
pero existe variabilidad en la naturaleza debido a
diferencias genéticas y ambientales.
Como consecuencia del error, las medidas científicas
no se reportan como valores sencillos, sino como
gamas o promedios con barras de errores en un
gráfico o signos de ± en una tabla.
8. PRESENTACIÓN DE DATOS:
Las representaciones visuales de los datos son
esenciales para el análisis e interpretación de
estos. Colocar los datos en un formato visual
puede facilitar análisis adicionales.
Entender e interpretar gráficos y otras formas
visuales de datos es una destreza clave para
científicos y estudiantes de la ciencia.
A pesar de que los datos numéricos están
inicialmente recopilados en tablas o bases de
datos, frecuentemente están representados en
forma gráfica para ayudar a los científicos a
visualizar e interpretar la variación, el patrón y
las tendencias dentro de los datos.
9. USANDO TABLAS (CUADROS) PARA
PRESENTAR LOS RESULTADOS
Los datos que se obtienen durante un
experimento pueden presentarse de diversas
formas; una de las alternativas más comunes y
eficientes lo es el uso de tablas.
Las tablas tienen ciertas características mínimas:
1.
Deben tener un título y éste debe explicar
claramente el contenido de la tabla.
2. Las unidades de medida (ej. cm, ml). deben
aparecer en la tabla.
3. Los símbolos deben explicarse en el título o en una
leyenda en el pie (base) de la tabla.
10. 4.
La tabla debe contener solamente información
esencial.
5. Las columnas deben identificarse mediante
subtítulos.
6. Las tablas se enumeran en secuencia. Por ejemplo,
en un informe de laboratorio o en un artículo científico,
el título de la cuarta tabla comienza con “Tabla 4”.
Nota:. Esta tabla no sería aceptable en un artículo científico porque contiene
muy poca información; los pocos datos podrían presentarse en una oración
en la sección de resultados.
11. GRÁFICAS DISCRETAS VS.
GRÁFICAS CONTINUAS
Las gráficas son otro instrumento valioso para
organizar y presentar datos. Hay varios tipos de
gráficas que se clasifican principalmente como
gráficas continuas o gráficas discretas.
Los datos continuos son aquellos que involucran
medidas (ej. 1.234, 2.234, 5.432, 10.227). Estos
datos se presentan, a menudo mediante una
gráfica de línea (Figura 2.3) que demuestra la
relación entre la variable dependiente y la
independiente.
La variable independiente se coloca en
el eje X (eje horizontal) de la gráfica y la variable
dependiente en el eje Y (eje vertical).
12.
13.
Los datos discretos presentan números enteros (ej.
número de animales en un cuadrante, número de
personas en una encuesta, etc.). Estos datos se
presentan a menudo mediante gráficas de barra
(Figura 2.4).
14.
Para datos que señalan proporciones o porcentajes
puede utilizarse una gráfica de pastel (“pie chart”)
(Figura 2.5).