Recolección de datos, análisis y presentación de resultados

Presentación del tema: "Recolección de datos, análisis y presentación de resultados"— Transcripción de la presentación:

1 Recolección de datos, análisis y presentación de resultados

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. 4

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. 5

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. 7

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 , 2.234, 5.432, ). 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
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).