🤖📚 Descubre las mejores herramientas impulsadas por #AI para la investigación académica y ahorra tiempo para hacer lo que más te gusta
📚 Accede a más información en menos tiempo!
🚀 Dale un impulso a tu investigación académica! #GPT#DataScience#science#chatGPT#research#ML
✅Scispace
Espacio de trabajo para automatizar tareas
Obtén una explicación simple de texto, matemáticas y tablas confusas
Haz preguntas de seguimiento y obtén respuestas instantáneas
Busca papers relevantes
Mejora la colaboración buff.ly/3gz7LhQ #Researchtools#science
✅Elicit
Automatiza flujos de trabajo
Encuentra papers relevantes sin palabras clave exactas
Resume conclusiones del documento específicas para tu pregunta
Extrae información clave de los documentos
Lluvia de ideas, resumen y clasificación de textos buff.ly/30DwBok #GPT4
✅Scite
Analiza artículos científicos y extrae info relevante
Identifica los papers +relevantes en tu dominio
Conoce los últimos desarrollos y tendencias
Accede a "citas inteligentes" para explorar el contexto en el que se cita un artículo.
De pago buff.ly/2IUks4a #AI
✅ResearchRabbit
Busca papers, crea alertas
Mantente actualizado, visualiza papers, descubre redes de artículos y autores, accede a recomendaciones según tus gustos, resúmenes personalizados, crea y comparte tus colecciones
El Spotify de la investigación! buff.ly/3KjWL1d
✅ChatPDF
Sube el PDF del paper y comienza a hacerle preguntas
Resume el documento y da ejemplos de preguntas que podría responder basándose en el artículo completo
Facilita la lectura y el análisis de artículos de revistas científica buff.ly/3zvriFJ #GPT4#Researchtools
• • •
Missing some Tweet in this thread? You can try to
force a refresh
👀📏 ¿Por qué tus estudios no convencen? El drama de las muestras pequeñas.
Este error se repite cada día en estudios académicos y proyectos empresariales. ¿Por qué ocurre? ¿Por qué es grave? ¿Cómo arreglarlo?
Te lo cuento en este post👇
#stats #datascience #samplesize #rstats
👉 ¿Por qué pasa?
❌ Presupuesto escaso
❌ Poco tiempo
❌ Mala planificación
❌ Dificultad para acceder a la población de interés
👉 ¿Por qué es grave?
😱 Pierdes potencia
🤯 Riesgo de conclusiones erróneas
🫣 Imposibles de replicar
😳 Decisiones de negocio mal fundamentadas
👉 ¿Cómo arreglarlo?
✅ Antes de empezar, calcula el tamaño muestral necesario con herramientas de potencia estadística y el diseño de estudio en mente (G*Power o R como {pwr}).
😱 “Mis datos no son normales… ¿Y ahora qué hago?” 💥
💬 Una de las frases más comunes que escucho es:
“Hice la prueba de Shapiro-Wilk y me salió p < 0.05, así que mis datos no son normales. ¿Qué prueba uso ahora?”
📢 CUIDADO. Sigue leyendo...
Que tus datos no sean perfectamente normales no significa que tengas que abandonar todos los métodos clásicos o correr directamente a una prueba "no paramétrica".
🔑 Lo que realmente necesitas saber:
1️⃣ La normalidad es un supuesto de los errores (residuos), no de la respuesta directamente.
👉 Muchas pruebas estadísticas (t-test o ANOVA) asumen normalidad del error dentro del modelo, no de la respuesta en bruto.
🔎 Histogramas y Shapiro-Wilk no te dicen lo que necesitas saber
🔍 ¿Tu análisis de clustering es fiable? Aprende a validarlo 🧠
El clustering no termina cuando el algoritmo te devuelve unos grupos. ¡Eso es solo el principio! 😉 Antes de sacar conclusiones, asegúrate de que tu agrupación es buena, estable y coherente.👇🧵
3 dimensiones clave de la validación del clustering (los tres mosqueteros🗡️):
🎯 1. CALIDAD del agrupamiento
Evalúa si los grupos formados tienen sentido:
👉 ¿Las observaciones de un mismo grupo son realmente similares?
👉 ¿Los grupos están bien separados entre sí?
🔄 2. ESTABILIDAD del agrupamiento
Realiza el clustering varias veces con diferentes subconjuntos.
Evalúa la CONSISTENCIA en los resultados.
👉 ¿Tu agrupación resiste los cambios en la muestra?
El fútbol ya no se juega solo con los pies... también se juega con datos.
Cada pase, cada sprint, cada decisión táctica deja una huella digital que puede ser analizada, modelizada… y transformada en ventaja competitiva.
#datascience
En esta entrada del blog exploramos el trabajo de quienes analizan el juego más allá de lo que capta el ojo humano:
👉Datos de eventing (eventos con balón)
👉Datos de tracking (posición y orientación de jugadores y balón en cada instante)
👉Métricas avanzadas como xG/xT/VAEP/OBV
👉 Modelos predictivos para prevenir lesiones
👉 Grafos para visualizar redes de pase
👉 Análisis de estilo de juego y búsqueda de fichajes similares