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).