4 trampas estadísticas que corrompen silenciosamente tu análisis de datos
Introducción: Las reglas ocultas de los números
Cuando nos encontramos ante un conjunto de números, nuestro primer instinto es empezar a calcular. Suponemos que, si tenemos datos, podemos realizar cualquier operación estándar con ellos: sumarlos, restarlos, calcular promedios o hallar proporciones. Esta parece ser la regla más básica de las matemáticas. Sin embargo, en el mundo del análisis de los datos, esta suposición es peligrosa.
Lo cierto es que no todos los números son iguales. El tipo fundamental de una variable determina qué operaciones matemáticas son relevantes y cuáles pueden resultar estadísticamente engañosas. Ignorar estas distinciones es como intentar jugar sin conocer sus reglas básicas; puede que encuentres una respuesta, pero probablemente no sea la correcta.
Esta es una habilidad fundamental para cualquiera que trabaje con datos. No comprenderla puede llevar a conclusiones erróneas y visualizaciones engañosas. En este artículo, descubriremos cuatro trampas estadísticas comunes, pero sorprendentes, en las que incluso los profesionales con experiencia pueden caer, y cómo comprender la naturaleza de los datos es clave para evitarlas.
1. La ilusión de la proporción: por qué 100 °C no es el doble de caliente que 50 °C
La primera trampa es una sutil ilusión de significado que surge cuando confundimos dos tipos diferentes de datos continuos: intervalo y razón.
Las variables de intervalo son aquellas en las que la diferencia entre dos valores es consistente y significativa, pero el punto cero es arbitrario. El ejemplo clásico es la temperatura en grados Celsius. La diferencia entre 10 °C y 20 °C es la misma que la diferencia entre 80 °C y 90 °C. Sin embargo, 0 °C (el punto de congelación del agua) no representa una ausencia total de temperatura. Compárese esto con la escala Kelvin, donde 0 K es el cero absoluto: una verdadera ausencia de energía térmica. Dado que Kelvin tiene un cero absoluto, es una escala de razón, y se puede decir que 200 K es el doble de caliente que 100 K.
Variables de razónpor otro lado, tienen un cero verdadero y no arbitrario. Un valor de cero significa una falta total de esa cantidad. El peso, la altura y la actividad enzimática son todas variables de razón; un peso de cero significa 'sin peso.'
Dado que el punto cero de una variable de intervalo es arbitrario, no se puede calcular una razón significativa. Es estadísticamente incorrecto afirmar que una temperatura de 100 °C es el doble de alta que una de 50 °C. La razón carece de sentido porque el punto inicial de la escala no es un cero verdadero.
Es incorrecto decir que un canario (40.5 °C) tiene una temperatura un 33 % superior a la de un ornitorrinco (30.5 °C). Si se hiciera el mismo cálculo en grados Fahrenheit, se obtendría un resultado diferente, lo que demuestra que la proporción no tiene sentido.
2. El engaño de la visualización: cómo pueden mentir los gráficos de barras
Esta segunda trampa se deriva directamente de la primera: cuando visualizamos datos sujetos a la ilusión de la proporción, creamos gráficos que mienten. Estamos visualmente condicionados a ver una barra el doble de alta que otra y pensar: «Eso es el doble de grande».
Este atajo visual crea una trampa al graficar datos de intervalo, como la temperatura. Un gráfico de barras estándar que comienza su eje en cero invita inherentemente al espectador a comparar las alturas relativas de las barras, sugiriendo una proporción que, como acabamos de establecer, carece de sentido. Pero incluso un gráfico de barras con una línea base elevada es engañoso; crea una proporción diferente , pero igualmente engañosa. Los gráficos de barras son problemáticos para los datos de intervalo, independientemente de su línea base, porque su formato invita inherentemente a comparar las alturas de las barras, una comparación que siempre es inválida para este tipo de datos.
Para este tipo de datos, una forma más informativa y menos engañosa de presentar los valores es usar puntos en lugar de barras. Un gráfico de puntos muestra los valores individuales y sus diferencias sin sugerir una razón falsa basada en su distancia a un punto cero arbitrario. En algunos casos, una tabla simple puede ser mejor que cualquier tipo de gráfico para estos valores.
3. El principio de ambigüedad: cuando las variables se niegan a ser categorizadas
La tercera trampa estadística no consiste en romper una regla estricta, sino en no reconocer que las reglas mismas pueden ser flexibles. En la práctica, «las categorías de las variables no son tan distintas como parecen». La clasificación correcta de una variable a menudo depende por completo del contexto del análisis.
Un ejemplo perfecto de esta ambigüedad es el color.
- En un estudio psicológico de la percepción en el que se pide a los participantes que elijan entre “rojo”, “azul” y “verde”, el color es un nominal variable. Los valores son categorías distintas sin un orden inherente.
- Sin embargo, si se miden los mismos colores por su longitud de onda electromagnética, el color se convierte en un proporción variable. Tiene un cero verdadero, y se puede decir con sentido que una longitud de onda es el doble de larga que otra.
Este principio demuestra que el contexto lo es todo. Antes de analizar una variable, es necesario comprender cómo se midió y qué representa en el contexto de la pregunta específica.
4. El mandamiento del cálculo: tus cálculos deben coincidir con tu tipo de datos
La trampa final y más crítica es la falta de disciplina: realizar cálculos que simplemente no son válidos para el tipo de variable. Distintas variables otorgan distintos permisos matemáticos.
Por ejemplo, si bien se puede calcular una distribución de frecuencia (es decir, contar cuántas veces aparece cada valor) para cualquier tipo de variable, los cálculos más complejos, como la media información desviación estándar solo tienen sentido para variables de intervalo y de razón.
Es especialmente importante recordar esto para las variables ordinales, que expresan rango u orden, pero no una diferencia consistente entre valores. Una escala de dolor del 1 al 10 es un ejemplo común. Una puntuación de 7 es mayor que 5, y 5 es mayor que 3. Pero no se puede asumir que la diferencia de dolor entre un 7 y un 5 sea la misma que la diferencia entre un 5 y un 3. El salto percibido de "molestia leve" (3) a "dolor moderado" (5) podría ser mucho menor que el salto de "dolor moderado" (5) a "dolor intenso" (7). Promediar estos números es como promediar las posiciones finales en una carrera (1.º, 5.º, 10.º) sin conocer los intervalos de tiempo entre los corredores; el rango promedio no dice nada sobre las diferencias de rendimiento reales.
De igual modo, algunos cálculos son aún más restrictivos. El coeficiente de variación (CV), que es la desviación estándar dividida por la mediaes solo tiene sentido para variables de razón. Esto se debe a que el cálculo depende de un punto cero exacto; si se cambiaran las unidades de una variable de intervalo (como de Celsius a Fahrenheit), el CV cambiaría, perdiendo su significado.
Conclusión: Pregunte "¿Qué tipo de número es este?"
Antes de ejecutar un solo cálculo, ordenación o visualización, el primer paso en cualquier análisis de datos sólido es detenerse y comprender la naturaleza fundamental de las variables con las que se trabaja. Las cuatro trampas —la ilusión de la razón, el engaño de la visualización, el principio de ambigüedad y los cálculos inválidos— se derivan del mismo error: tratar todos los números como si siguieran las mismas reglas. Este hábito de interrogar a las variables es un sello distintivo de un profesional de datos experimentado y la primera línea de defensa contra la extracción de conclusiones inválidas.
La próxima vez que mires un conjunto de datos, no te preguntes sólo qué dicen los números; pregúntate: ¿qué tipo de números son y qué pueden decirme realmente?
