Rosana Ferrero, PhD’s Post

📊 𝗘𝗻𝗳𝗼𝗾𝘂𝗲𝘀 𝗣𝗿𝗮́𝗰𝘁𝗶𝗰𝗼𝘀 𝗲𝗻 𝗘𝘀𝘁𝗮𝗱𝗶́𝘀𝘁𝗶𝗰𝗮 𝗔𝗽𝗹𝗶𝗰𝗮𝗱𝗮: 𝗖𝗼𝗺𝗽𝗿𝗲𝗻𝗱𝗶𝗲𝗻𝗱𝗼 𝗠𝗲́𝘁𝗼𝗱𝗼𝘀, 𝗩𝗲𝗻𝘁𝗮𝗷𝗮𝘀 𝘆 𝗗𝗲𝘀𝗮𝗳𝗶́𝗼𝘀 🔍 En un mundo donde la toma de decisiones basada en datos es clave para el éxito en cualquier campo, el conocimiento profundo de la estadística es indispensable. La ciencia de datos y el uso de software estadístico están en auge, junto a la econometría se ha convertido en una herramienta esencial para analizar y prever tendencias. Ante la incertidumbre en mercados, investigaciones científicas y situaciones cotidianas, contar con una base sólida en estadística no solo es necesario, sino que también permite navegar con mayor confianza y precisión en un entorno lleno de variables. Este Manual de Estadística Aplicada aborda desde los conceptos más fundamentales hasta técnicas un poco mas complejas que son esenciales para cualquier profesional que desee profundizar en el análisis de datos. Cada tema está diseñado para ofrecer una comprensión práctica de cómo la estadística puede aplicarse a la realidad, reforzando habilidades necesarias para diversas carreras. Cuando trabajamos con datos, es natural que inicialmente recurramos a métodos conocidos que nos resultan familiares. Sin embargo, a medida que avanzamos en el análisis, nos damos cuenta de que algunos enfoques, aunque útiles, pueden no ser los más adecuados para todas las situaciones. Existen técnicas que no solo nos permiten obtener resultados más claros, sino que también nos ayudan a comprender mejor los datos y a tomar decisiones más informadas. En este tema, el enfoque está en identificar esas técnicas que facilitan el análisis, proporcionando entendimiento y simplicidad, sin dejar de lado sus limitaciones. Es común que, al utilizar un método, pasemos por alto ciertos aspectos, lo que puede llevar a interpretaciones incorrectas. Por eso, exploraremos las fortalezas y debilidades de cada enfoque, buscando siempre una combinación entre facilidad de uso y precisión. No se trata solo de aprender nuevas herramientas, sino de desarrollar una mentalidad crítica que nos permita elegir el método más adecuado según el contexto y los datos que tenemos frente a nosotros. Al final, el objetivo es llegar a una comprensión más completa, donde las limitaciones no se vean como obstáculos, sino como puntos de partida para encontrar soluciones más adecuadas. Si deseas participar en el curso y obtener un descuento especial, puedes consultar la disponibilidad aquí. ¡No te pierdas esta oportunidad de expandir tus conocimientos en estadística aplicada! wa.link/9nlndz #Econometría #Economia #Estadística #CienciaDeDatos #AlgebraLineal #Talleres #Documentos #Clases #Economía #Economia #Econometria #STATA #Excel #RStudio #EstadísticaAplicada #SeriesdeTiempo #ModelosNoLineales #RegresiónLineal

Una guía sobre el valor p en la ciencia de datos 1. ¿Qué es un valor P? - Un valor P es una medida estadística que te ayuda a comprender la probabilidad de que tus datos aparezcan si la hipótesis nula fuera cierta. Cuantifica la evidencia en contra de la hipótesis nula. 2. ¿Cuándo usar un valor P? - Usa un valor P cuando pruebes hipótesis para determinar si tus hallazgos son estadísticamente significativos. Es esencial en el análisis de datos de experimentos para validar los resultados. 3. ¿Por qué usar un valor P? - Un valor P te ayuda a evaluar si tus resultados son significativos o si podrían haber ocurrido por casualidad. Proporciona una forma clara de tomar decisiones sobre sus hipótesis basadas en datos. 4. Ventajas y desventajas del valor P •Ventajas: - Proporciona un método estandarizado para evaluar la importancia de los resultados. - Ayuda a tomar decisiones basadas en datos con umbrales claros de importancia. •Desventajas: - Puede malinterpretarse si no se considera junto con el tamaño del efecto y el contexto. - No mide la magnitud o la importancia del efecto en el mundo real. 5. Impacto estadístico en soluciones impulsadas por la ciencia de datos en tiempo real - En las aplicaciones basadas en la ciencia de datos en tiempo real, los valores P son cruciales para garantizar que las mejoras o cambios del modelo sean estadísticamente válidos y no solo se deban a variaciones aleatorias. Ayudan a confirmar que los resultados observados son significativos. 6. Caso de uso - Por ejemplo, si una empresa prueba un nuevo algoritmo de recomendación y observa un aumento en las tasas de clics, un valor p ayuda a determinar si esta mejora es estadísticamente significativa o solo el resultado de fluctuaciones aleatorias. ¡¡Feliz aprendizaje!! ✌🏻 #powerbi #powerbibolivia

🔑 Creo que es el momento para hacer una salvedad respecto al análisis de datos y es que esta metodología se emplea también para los datos no numéricos, o sea palabras, imágenes, emociones, audios, videos, comportamientos, opiniones etc. Esto con el objetivo de identificar patrones, temáticas, significados y relaciones sociales en el contexto específico que se está investigando. 👥 En el quehacer sociológico la recolección de datos cualitativos se hace por medio de técnicas de investigación (de las que hablaremos luego), como entrevistas, grupos focales, observaciones y análisis de textos o documentos. Así mismo, también hay diferentes métodos que se pueden aplicar en el proceso como el análisis narrativo, fenomenológico, temático, de contenido o la Grounded Theory. En cuanto a las herramientas tecnológicas para hacer el análisis del flujo de datos recolectados, las más conocidas son NVivo, MAXQDA y Atlas.ti. 🌐 Este último software sirve para organizar y profundizar en datos cualitativos que no estén previamente estructurados. Ya sea en el campo de la investigación académica, análisis de contenido o estudios de mercado, Atlas.ti se adapta a las necesidades. Para entender un poco más cómo es el proceso: 📌

EL ANÁLISIS DE LOS DATOS CUALITATIVOS EN UNA INVESTIGACIÓN COMUNITARIA. (Algunas recomendaciones) Primeramente, es necesario recordar que el fin de toda investigación sea cuantitativa o cualitativa es producir conocimiento, formulando preguntas de lo que se sabe y de lo que no se sabe. El análisis de datos en la investigación cualitativa puede iniciarse casi al mismo tiempo en que se los va recolectando, y esto se debe a que no se trata de pasos sucesivos como ocurre en los diseños de investigación de carácter hipotético-deductivo. En la investigación realizada con comunidades muchas veces se está interviniendo a la vez que se investiga, y esto obliga a un proceso simultaneo de identificación de datos.  El análisis CUALITATIVO de los datos supone 2 grandes procesos por un lado “LA TRANSFORMACIÓN DE LAS NARRATIVAS” (relatos, respuestas a entrevistas, transcripción de discusiones, descripción de acciones llevadas a cabo) y por otro lado supone “LA ELABORACION DE FORMAS DE REPRESENTACIÓN” de esas categorías a fin de explicarlas a terceras personas ( por ejemplo tablas, gráficos, dibujos, mapas), estas representaciones no solo tienen solo fines didácticos sino que al  organizar los datos, también permiten deducir conexiones entre ellos e identificar patrones. Sobre estos procesos se estructura la interpretación a partir de la cual se sacarán CONCLUSIONES y surgirán LAS RECOMENDACIONES. Saludos para todos, su amigo Sociólogo. Manuel Murillo.

¿𝗡𝗼 𝘀𝗮𝗯𝗲𝘀 𝗾𝘂𝗲́ 𝘁𝗲́𝗰𝗻𝗶𝗰𝗮𝘀 𝘂𝘀𝗮𝗿 𝗲𝗻 𝘂𝗻 𝗲𝘀𝘁𝘂𝗱𝗶𝗼 𝗱𝗲 𝗻𝗶𝘃𝗲𝗹 𝗿𝗲𝗹𝗮𝗰𝗶𝗼𝗻𝗮𝗹? 📊 Si alguna vez te has preguntado cómo encontrar relaciones ocultas en tus datos o cómo comparar varios grupos a la vez... ¡Este vídeo es para ti! 🎥Allí te hablo de varias técnicas según la cantidad de grupos de datos a analizar en este nivel (pruebas como la T de Student, la H de Kruskal-Wallis y otras). 🌟 ¿𝗣𝗼𝗿 𝗾𝘂𝗲́ 𝗲𝘀 𝗶𝗺𝗽𝗼𝗿𝘁𝗮𝗻𝘁𝗲 𝗰𝗼𝗻𝗼𝗰𝗲𝗿 𝗲𝘀𝘁𝗮𝘀 𝘁𝗲́𝗰𝗻𝗶𝗰𝗮𝘀? Saber cómo analizar y relacionar datos te permite tomar decisiones más informadas, ya sea en la investigación, en tu trabajo, o incluso en la vida cotidiana. Sigue la cuenta @estudiovarianza para aprender estadística simple, sin fórmulas complejas para que destaques en tu trabajo o investigación.

¿Ya comenzaste el análisis de los datos de tu #tesis? ¿Has considerado estos pasos? 1) Define tus preguntas de investigación: objetivos, hipótesis y preguntas. 2) Revisa y limpia los datos: asegurándote de que estén completos, consistentes y libres de errores. 3) Selecciona las técnicas de análisis: elije los métodos estadísticos o cualitativos adecuados para tus datos y objetivos. 4) Aplica los análisis correctamente, tomando en cuenta las características básicas de los datos y los alcances de los programas. 5) Interpreta los análisis en el contexto de tu investigación. ¡En todas estas tareas, podemos ayudarte! #analisisdedatos #tesis #estadistica #datos #asistentesvirtuales #tesina #Maestrias #políticaspúblicas https://lnkd.in/dKNHfHhf

📢 ARTÍCULO CIENTÍFICO - PARTICIPACIÓN ¿Siempre se publican? El desarrollo de una investigación representa horas, dias, semanas y hasta meses en la recolección de datos, análisis y redacción; Pero muchos solo vemos los post indicando que se publicó con éxito. Pero dentro de los resultados, también hay resultados negativos. Esto nos da la oportunidad de re evaluar y analizar los fallos para ir más fuerte. ¿Lo sabías?

Edward Tufte es un experto en visualización de datos y comunicación visual. Es conocido por sus contribuciones a la teoría y práctica de la presentación de información de forma efectiva y comprensible. Ha escrito varios libros sobre el tema, entre los que destacan "The Visual Display of Quantitative Information" y "Envisioning Information". "En la estadística, la variación es una verdad, no una sospecha". Esta afirmación de Edward Tufte, enmarca la esencia misma de la estadística: reconocer la variabilidad inherente en los datos como una realidad fundamental en lugar de percibirla como una fuente de incertidumbre. Tufte, a lo largo de su carrera, ha abogado por una comprensión profunda y una representación fiel de los datos, destacando que la variación no es simplemente ruido o error, sino una fuente valiosa de información que revela la complejidad y la dinámica de los fenómenos que estudiamos. Al adoptar esta perspectiva, Tufte insta a no solo aceptar la variación, sino a abrazarla como una parte integral del proceso analítico. Reconocer la variabilidad nos permite comprender mejor la naturaleza de los datos y la realidad que representan, así como también nos ayuda a tomar decisiones más informadas y precisas. En lugar de intentar eliminar la variación o reducirla a un mero detalle insignificante, la estadística nos enseña a entenderla y utilizarla de manera efectiva para extraer conocimiento significativo y valioso de los datos.

🎯 ¡12 Propósitos Estadísticos para 2025! 🧠📊 ✨ ¿Quieres mejorar tus análisis de datos este año? 🚀 Inspirados en los errores más comunes que los editores del BMJ encuentran en los manuscritos científicos, te traemos una lista esencial para llevar tus investigaciones al siguiente nivel. 📝 🎄 Los 12 propósitos para tu lista de fin de año: 1️⃣ Define tu pregunta de investigación: ¿Es descriptiva, inferencial o predictiva? Usa PICO para sistematizarla. 2️⃣ Adopta estimaciones claras y CIs: Más relevancia clínica, mejor interpretación de los p-valores. 3️⃣ Atiende los datos faltantes: Evalúa los patrones, decide cómo tratarlos, evita tomar decisiones precipitadas. 4️⃣ No cortes variables continuas: Dividirlas reduce la potencia y precisión predictiva. 5️⃣ Explora relaciones no lineales: Los splines cúbicos podrían ser tu mejor aliado. 6️⃣ Cuantifica las diferencias en subgrupos: Busca interacciones. 7️⃣ Considera la agrupación: Usa modelos multinivel para datos jerárquicos. 8️⃣ Interpreta I² y meta-regresión correctamente: ¡Cuidado con conclusiones sesgadas! 9️⃣ Evalúa la calibración de las predicciones: Sin calibración, la utilidad clínica se tambalea. 🔟 Justifica tu selección de variables: No uses la significación como único criterio. 1️⃣1️⃣ Revisa los supuestos estadísticos: Analiza cómo influyen en tus resultados. 1️⃣2️⃣ Sigue guías de reporte: Más rigor, menos sobreinterpretación. 📌 Tips extra: Usa terminología precisa (multivariable, no multivariante), evita afirmaciones infundadas y comunica adecuadamente tus resultados. 💬 ¿Qué propósitos añadirías tú? ¡Te leo en los comentarios! 📖 Descubre más aquí: Artículo del BMJ https://buff.ly/3Dk93s9 🔗 #Stats #DataScience #Analytics #Research #PhD #Science #Publish #RStats #Python

¡Hola, dataconcientes! 🤓 ¿crees que la ciencia de datos se trata solo de números fríos y algoritmos? 🤔 ¡Piénsalo de nuevo! La intuición juega un papel crucial en el proceso de análisis de datos. La intuición nos ayuda a: 📍 Identificar preguntas relevantes: ¿Dónde deberíamos enfocar nuestro análisis? ¿Qué problemas vale la pena resolver? 🤔 📍 Detectar patrones y anomalías: A veces, nuestra intuición nos dice que algo interesante se esconde en los datos. 🕵️♀️ 📍 Elegir el enfoque correcto: ¿Qué algoritmo es el más adecuado para este problema? ¿Qué visualización comunicará los insights de manera más efectiva? 💡 📍 Interpretar resultados con ojo crítico: ¿Los resultados tienen sentido en el mundo real? ¿Hay algún sesgo que debamos considerar? 🤔 Mientras que los datos y los algoritmos proporcionan la base, la intuición nos guía hacia descubrimientos valiosos y nos ayuda a dar sentido a la información. Es el puente entre la lógica y la creatividad. 🌉 👉 ¿Cómo te ha ayudado la intuición en tu trabajo de ciencia de datos? ¡Comparte tus experiencias en los comentarios! 👇 Y no olvides darle a "Recomendar" 👍 si te ha parecido útil esta publicación, compartirla 📩 con tu red y seguirme para obtener más contenido sobre ciencia de datos e IA. 🤖 #CienciaDeDatos #Intuición #MachineLearning #IA #Análisis #Creatividad #ResoluciónDeProblemas #DecisionesBasadasEnDatos