Thread by @AnaBayes

¡Buenos días almas diversas! Toca disfrutar del sábado (lo que se pueda)

Hablamos muchas veces de modelización estadística o matemática, pero sabemos lo que queremos decir con ello? #StatsPill

Modelizar consiste en traducir a lenguaje matemático un proceso de interés.

Por ejemplo, podemos pensar que la probabilidad de desarrollar una enfermedad tiene que ver con diversas mediciones en sangre... es una función matemática de ellas...

probabilidad = f(x,y,z,...)

Esa fórmula o función matemática (f(...)) puede ser de lo más diverso. Desde la ecuación de una recta, como en el caso de la regresión lineal hasta la solución a una compleja ecuación diferencial.

Sin embargo, los modelos son solo una representación de la realidad y, por tanto, siempre presentan un margen de error...

Elegir el modelo que mejor se adapte a los datos es siempre el primer paso.

Pero, es que, además, no podemos olvidar que lo que observamos tampoco es la realidad tal cual, si no una visión de la realidad que puede tener errores de medición, o incluso de percepción (aquí depende de lo bien definida que esté la medición)

Dejadme que ponga algunos ejemplos.
🔴Si quiero medir una altura, dependo de la precisión del metro con el que la mido.

🔴Si quiero establecer que porcentaje de la superficie de una hoja está afectada por un insecto y lo tengo que hacer a ojo, puede que cada persona que lo mida tenga una percepción ligeramente diferente

Por tanto, modelizar la realidad usando datos y un modelo matemático es una tarea en la que hace falta tener en cuenta muchas fuentes de incertidumbre. Y, si hay incertidumbre... Hay estadística! 🎉🥳🪅

En concreto, a la parte de la estadística que se encarga gestión de estas fuentes de incertidumbre es a lo que se llama Model Uncertainty Quantification... (y es lo que hago en investigación🙃)

Y ahora a seguir con el día!