7 pecados estadsticos

mortales que incluso los

expertos cometen
Cometer errores estadsticos es muy fcil. El
software estadstico ayuda a eliminar los
errores
matemticos,
pero
interpretar
correctamente los resultados de un anlisis
puede ser incluso ms difcil. Hasta los expertos
en estadstica suelen ser vctimas de errores
comunes. Los instructores tcnicos de Minitab,
todos especialistas en la estadstica, con
una amplia experiencia en la industria,
compilaron esta lista de errores estadsticos
comunes con los que se debe tener mucho
cuidado.

1: No distinguir entre significancia

estadstica y prctica
Muestras muy grandes permiten detectar
diferencias muy pequeas. Pero el hecho de
porque exista una diferencia, no significa que
sea importante. Corregir una diferencia
estadsticamente significativa que no tiene
ningn efecto prctico es un desperdicio de
tiempo y dinero.
Una empresa de alimentos llena 18,000 cajas de
cereal por turno, con un peso objetivo de 360
gramos y una desviacin estndar de 2.5
gramos. Un sistema automatizado de medicin
pesa cada caja al final de la lnea de llenado.
Con esa cantidad de datos, la empresa puede
detectar una diferencia de 0.06 gramos en el
peso medio de llenado el 90% de las veces.
Pero eso equivale a solo uno o dos pedacitos
de cereal, lo cual no es suficiente como para
prestarle atencin o preocuparse.

El desplazamiento de 0.06 gramos es

estadsticamente significativo, pero no
tiene significancia prctica. La recopilacin
automtica de datos y las bases de datos de
gran tamao hacen que esto sea ms comn, as
que considere el efecto prctico de una
diferencia estadsticamente significativa.
Especificar el tamao de una diferencia
significativa cuando calcule el tamao de la
muestra para una prueba de hiptesis le ayudar
a evitar este error.

2: Malinterpretar los intervalos de

confianza que se superponen
Al comparar las medias, con frecuencia
examinamos los intervalos de confianza para
ver si se superponen. Cuando los intervalos de
confianza de 95% para las medias de dos
poblaciones independientes no se superponen,
habr una diferencia estadsticamente
significativa entre las medias.
Sin embargo, lo opuesto no es necesariamente
cierto. Dos intervalos de confianza de 95%
pueden superponerse aun cuando la diferencia
entre las medias sea estadsticamente
significativa. Para las muestras que se observan
en la grfica de intervalo, el valor p de la prueba
t de 2 muestras es menor que 0.05, lo que
confirma una diferencia estadstica entre las
medias; sin embargo, los intervalos se
superponen considerablemente. Examine sus
grficas, pero tambin el resto de la salida antes
de concluir que no existe ninguna diferencia!

Visite
www.minitab.com.

4: Rechazar la normalidad sin razn

Muchos mtodos estadsticos se basan en el
supuesto de que los datos provengan de una
distribucin normal, es decir, que sigan una
curva en forma de campana. Las personas suelen
crear histogramas para confirmar que sus datos
siguen la forma de la curva de campana, pero
los histogramas, como el que se muestra a
continuacin, pueden ser engaosos.
A pesar de que los niveles de confianza se superpongan, la prueba
t de 2 muestras encontr una diferencia estadsticamente
significativa entre los tratamientos.

3: Presuponer que correlacin =

causalidad
Cuando se
observa una
correlacin,
una asociacin
lineal entre
dos variables,
es tentador
concluir que
un cambio en
una variable causa un cambio en la otra. Pero la
correlacin no significa que exista una relacin
de causa y efecto.
Supongamos que estamos analizando datos que
muestran una fuerte correlacin entre las ventas de
helados y los ndices de homicidios. Cuando las
ventas de helados son altas en el verano, el ndice de
homicidios es alto. Eso no significa que las ventas
de helados causen homicidios. Dado que las ventas
de helados y el ndice de homicidios alcanzan su
mayor nivel en el verano, los datos ms bien
sugieren que ambos se ven afectados por otro
factor: el clima.

Extrajimos estas 9 muestras de la distribucin normal, pero

ninguno de los histogramas tiene forma de campana.

Al examinar los mismos datos en una grfica de

probabilidad, es ms fcil ver que siguen la
distribucin normal. Cuanto ms cerca estn los
puntos de datos de la lnea azul, mejor seguirn la
distribucin normal.

Si tiene menos de 50 puntos de datos, una grfica de

probabilidad es una mejor opcin que un histograma para
evaluar visualmente la normalidad.

Visite
www.minitab.com.

5: Decir que se ha comprobado la

hiptesis nula
En una prueba de hiptesis, se plantea una
hiptesis nula (H) y una hiptesis alternativa
(H). Por lo general, si la prueba tien1 e un valor
p menor que 0.05, se dice que los datos apoyan
la hiptesis alternativa en el nivel de significacin
de 0.05.
Pero si el valor p es mayor que 0.05, eso solo
indica que no hay suficiente evidencia para
rechazar la hiptesis nula. Esa falta de evidencia
no demuestra que la hiptesis nula es verdadera.
Supongamos que lanzamos una moneda justa 3
veces para probar estas hiptesis:

6. Analizar las variables una a la vez

Usar una sola variable para analizar una situacin
compleja es una buena manera de llegar a malas
conclusiones. Consideremos esta grfica de
dispersin, la cual correlaciona las ventas de una
empresa con el nmero de representantes de
ventas que utiliza. De alguna manera, esta
empresa est vendiendo menos unidades con
ms representantes de ventas!
Las variables que se pasan por alto pueden
sesgar el anlisis, conduciendo a resultados
errneos. Adems, si examina las variables de
manera individual, no podr ver las interacciones
entre ellas, que con frecuencia son ms
importantes que cualquier variable por s sola.
Para evitar este error, considere todas las
variables importantes que afectan sus resultados.

H: Proporcin de caras = 0.40

H: Proporcin de caras 0.40

El valor p de esta prueba ser mayor que 0.05,

por lo que no hay suficiente evidencia para
rechazar la hiptesis de que la proporcin de
caras es igual a 0.40. Pero se sabe que la
proporcin de caras para una moneda justa es
realmente 0.50, as que la hiptesis nula (de que la
proporcin de caras es igual a 0.40) obviamente no
es cierta.
Por eso se dice que con tales resultados no
puede rechazar la hiptesis nula. Una buena
analoga existe en el sistema de justicia penal
de Estados Unidos, donde la sentencia cuando
un fiscal no logra demostrar que el acusado
cometi un delito es No culpable. La falta de
evidencia no demuestra que el acusado es
inocente, solo que no hubo suficiente
evidencia o suficientes datos para demostrar lo
contrario.

Pero en este anlisis falta algo crucial: un competidor cerr

mientras se recogan estos datos. Cuando se considera ese factor,
la grfica de dispersin tiene sentido.

Visite
www.minitab.com.

7: Hacer inferencias sobre una

poblacin que la muestra no
representa
Con la estadstica, las muestras pequeas nos
permiten hacer inferencias sobre poblaciones
enteras. Pero evite hacer inferencias sobre una
poblacin que la muestra no represente. Por
ejemplo:
En el anlisis de capacidad, los datos de un
solo da se utilizan errneamente para
estimar la capacidad de todo el proceso de
manufactura.
En el muestreo de aceptacin, se
seleccionan muestras de una seccin del
lote para todo el anlisis.

El peor pecado? No buscar ayuda!

La mayora de los especialistas en estadstica
tienen de 4 a 8 aos de educacin en
estadstica y por lo menos 10 aos de
experiencia en el mundo real; sin embargo, los
empleados que cursan programas de
capacitacin bsica en estadstica a veces
piensan que saldrn como expertos en la
materia. Nadie lo sabe todo acerca de la
estadstica e incluso los expertos consultan con
otras personas cuando se atascan. Si
encuentra un problema estadstico que parece
ser demasiado difcil, no tenga miedo de pedir
ayuda a analistas con ms experiencia!

En un anlisis de fiabilidad, solo se incluyen

las unidades que no pasaron, pero la
poblacin
es
todas
las
unidades
producidas.
Para
evitar
estas
situaciones,
defina
cuidadosamente su
poblacin
antes
del
muestreo y tome una muestra que realmente la
represente.

Visite
www.minitab.com.