🚫No seleccionar la prueba de hipótesis o el modelo de regresión correcto para tu objetivo🎃
¿Cuáles son las hipótesis? ¿Cómo son las muestras? ¿Qué tipo de prueba/modelo elegir? ¿Una cola o dos colas? ¿Qué hacer si mis datos no cumplen los supuestos? BOOO!! 👻
🚫No distinguir la significación estadística de la significación práctica🤦🏻♀️p-valor nos dice la dirección y tamaño del efecto la magnitud
Que exista una diferencia no significa que sea grande
Muestras muy grandes detectan diferencias muy pequeñas. Big Data da MIEDO! #HorrorStats
🚫Decir "se comprueba la hipótesis nula H0" o "H0 es cierta"
👉Así como la falta de evidencia no demuestra que el acusado es inocente, un resultado no estadísticamente significativo (e.g. p>.05) no demuestra que H0 sea verdadera. Solo “no hay suficiente evidencia"💀 #HorrorStats
🚫Decir "el p-valor es la probabilidad de que H0 sea cierta"
😱Las hipótesis son o no son. p-valor mide la fuerza de la evidencia contra H0. A menor p-valor, mayor evidencia contra H0 a largo plazo🧙
🚫No informar el p-valor exacto ni los resultados completos de la prueba de hipótesis.
😱p-valor depende de:
📌tamaño de efecto (ES), ES grandes son más fáciles de detectar.
📌tamaño de muestra (N). muestras grandes dan pruebas más sensibles
📌Diseño de estudio...
📊 ¿No sabes qué gráfico elegir? Esta mini-guía te evitará errores comunes 🚫📈
Una visualización mal elegida no solo confunde: puede hacerte tomar malas decisiones.
Si quieres que tus gráficos transmitan ideas con claridad, empieza con tres preguntas clave:👇
2. ¿Cuántas variables tienes?
¿Una sola? ¿Dos? ¿Un conjunto complejo?
3. ¿Importa el tiempo?
¿Son datos estáticos o evolucionan en el tiempo?
🖼 Imagen: Cédric Scherer
💡 Consejos clave:
✔ Menos es más: elige siempre la opción más simple que cuente bien tu historia
✔ Si los datos cambian en el tiempo, usa gráficos de líneas
✔ Para comparar proporciones, las barras apiladas funcionan mejor que el de sectores (pie)
🔥¿Seguro que tus resultados “NO son significativos”? Quizá lo único que falta es potencia🔥
La potencia de una prueba mide si tienes suficiente evidencia para darte una oportunidad justa de cambiar de opinión.
Más potencia = más protección contra conclusiones erróneas. ¿CÓMO?👇
🔍 La potencia estadística es la probabilidad de detectar un efecto genuino cuando realmente existe.
Si hay algo ahí, ¿tienes lo que necesitas para darte cuenta?
👉Se calcula: Potencia = 1 - β,
con β la probabilidad de cometer un error tipo II (no detectar un efecto que existe).
🎯¿Por qué debería importarte?
Porque una prueba con baja potencia te puede dejar ciego sin que lo sepas.
Y eso es peligroso
🧪En ciencia, podrías descartar tratamientos útiles.
📉En marketing, podrías cancelar campañas que sí funcionan.
👀 ¿Estás haciendo las preguntas correctas? Porque la estadística no soluciona estudios con preguntas tontas.💥
Sí, puedes aplicar fórmulas complejas, tener modelos brillantes, usar IA y… fracasar estrepitosamente.
¿Por qué? Te lo cuento...👇🧵
#stats #analytics #datascience
💥 Porque un buen análisis no empieza con datos, sino con una buena pregunta.
👉 No basta con responder bien. Hay que preguntar bien.
👉 No es solo usar datos. Hay que resolver los problemas correctos.
👉 Antes de hacer análisis, asegúrate de que tu pregunta no sea una trampa.
🧠 DESCARGA esta PLANTILLA PARA FORMULAR BUENAS PREGUNTAS ANALÍTICAS
💭 ¿Y tú? ¿Alguna vez te diste cuenta tarde de que tu pregunta era equivocada?
Cuéntalo sin vergüenza: todos hemos caído en el error tipo III alguna vez.
¡Te leo!
📌 El p-valor es uno de los elementos más malinterpretados de la estadística. Y aunque lo usamos a diario… muchos no entienden bien qué significa ni cómo se debe usar.
Y eso tiene consecuencias: decisiones mal tomadas, resultados sobreinterpretados y modelos que no funcionan.😱
💥 El p-valor es el elemento sorpresa de la estadística.
Un p-valor < nivel significación (e.g. alfa = 0.05) te dice:
🧪 “Oye, si el mundo fuera como tú creías (hipótesis nula + supuestos)… esto que estás viendo sería MUY raro”.
Y ahí es cuando toca replantearse las cosas.
📉 ¿Qué NO es un p-valor?
❌ No te dice si una hipótesis es cierta o falsa.
❌ No mide la probabilidad de que un resultado se deba “al azar”.
❌ No es un certificado de “verdad estadística”.
🔥 Errores estadísticos graves que siguen vivos en 2025 (aunque no lo creas)🔥
Sí, en 2025 podemos generar imágenes hiperrealistas de gatos tocando el piano, pero cuando se trata de análisis de datos, seguimos tropezando con los mismos errores de hace décadas.
Los 5 más comunes👇
🔹 1. ¿Cuál es la !#? pregunta?
El error más común (y el más subestimado) es no tener clara qué tipo de pregunta estás intentando responder:
🧠 Descripción, exploración, inferencia, predicción, causalidad, modelización
👉 Cada una guía el análisis y requiere enfoques distintos.
🔹 2. El diseño del estudio no es un detalle técnico, es la base del análisis.
Seguimos viendo análisis donde no se indica con detalle de dónde vienen los datos.
🧠 Experimento, Encuesta, Muestreo aleatorio o por conveniencia
👉 Determina sesgos, test/modelo válido, y confianza.
👀 Hay una herramienta de IA que me encanta y ahora con las nuevas funciones, es todavía más bestia (y ya sabéis que no suelo decir esto a la ligera).
Es de Google, es GRATIS, y funciona con tus propios documentos, así que no alucina sino que te da respuestas referenciadas.👇
🧠 #NotebookLM sirve no solo para organizar mi información, sino también para interactuar con ella, aprender, crear y gestionar proyectos.
Pero es que además ahora trae algunas NOVEDADES muy interesantes...
#InteligenciaArtificial #GestiónDeInformación #Productividad #GoogleAI
NotebookLM integra Gemini 2.0/2.5 para:
1️⃣ Descubrir Fuentes
2️⃣ Crear Mapas Mentales
3️⃣ Crear Audios Overviews Multilingües (Convierte tus documentos en podcasts, también en español)
4️⃣ Compartir Cuadernos
5️⃣ Disponible en Móvil (accede desde cualquier lugar)
6️⃣ ¡Y en Classroom!