Colección
Explicación de comparaciones estadísticas
Explicaciones claras lado a lado de los términos estadísticos que la gente confunde más a menudo.
Las búsquedas de comparaciones suelen ser urgentes: alguien ha visto dos términos estadísticos en el mismo artículo, tabla, panel o estudio y necesita saber si significan lo mismo. Por lo general, no es así. Un valor p no es un intervalo de confianza, la media aritmética no es la mediana y la correlación no es la causalidad. Esta colección reúne las explicaciones comparativas de mayor valor en un solo lugar.
Usa estas páginas cuando una definición por sí sola sea insuficiente. Cada comparación explica lo que responde cada término, el error que hace que el par sea confuso y la situación en la que un término es más seguro que el otro. Lo que obtienes son mejores decisiones, no trivia de vocabulario: saber qué número describe la escala, cuál describe la incertidumbre y cuál solo da una pista.
Empieza con el par que tienes enfrente. Si estás leyendo un estudio, comienza con el valor p frente al intervalo de confianza o el error estándar frente a la desviación estándar. Si estás leyendo un titular, comienza con el riesgo relativo frente al riesgo absoluto o la correlación frente a la causalidad. Si estás leyendo sobre ingresos, precios, tiempos de espera o datos sesgados, comienza con la media aritmética frente a la mediana.
Elige el par que coincida con la afirmación
Una tabla de estudio suele requerir valores p, intervalos de confianza, errores estándar y desviaciones estándar. Un titular suele requerir un marco de riesgo o comprobaciones de causalidad. Un conjunto de datos sesgado suele requerir la media aritmética y la mediana. Comenzar con el par correcto mantiene la pregunta lo suficientemente acotada como para responderla con claridad.
Lee la tabla antes de la historia
Cada página de comparación incluye una tabla compacta: lo que responde cada término, en qué se equivoca la gente y cuándo usarlo. Lee esa tabla primero. Luego, usa el ejemplo práctico y la parte interactiva para comprobar si la distinción cambia tu forma de interpretar la afirmación original.
Usa las comparaciones como controles internos
Los pares se refuerzan mutuamente. Los intervalos de confianza y los errores estándar describen la incertidumbre. El riesgo relativo y la correlación suenan más fuertes de lo que pueden ser sin contexto. La media aritmética y la mediana te recuerdan que un único resumen puede ocultar la forma. Navegar entre las páginas construye una lista de verificación práctica para leer números.
Datos destacados
Trucos de datos
5 min · medio
Valor p frente a intervalo de confianza: lo que te indica cada uno
Un valor p pregunta si los datos parecen sorprendentes bajo un modelo nulo. Un intervalo de confianza pregunta qué tamaños de efecto siguen siendo plausibles.
Trucos de datos
5 min · fácil
Media aritmética frente a mediana: ¿qué promedio debes usar?
La media aritmética reparte el total por igual. La mediana encuentra el caso intermedio. En datos sesgados, estos pueden contar historias muy diferentes.
Riesgo y decisiones
5 min · medio
Riesgo relativo frente a riesgo absoluto: la diferencia que cambia las decisiones
El riesgo relativo te indica cuántas veces mayor se volvió un riesgo. El riesgo absoluto te indica cuántas personas adicionales se ven afectadas.
Trucos de datos
5 min · fácil
Correlación frente a causalidad: por qué moverse juntos no es una prueba
La correlación indica que dos cosas se mueven juntas. La causalidad indica que una cambia la otra. Un tercer factor oculto puede hacer que la correlación parezca causal.
Trucos de datos
5 min · fácil
Error estándar vs desviación estándar: dispersión vs precisión
La desviación estándar describe la dispersión entre valores individuales. El error estándar describe la incertidumbre en una estimación como la media aritmética.
Lecciones
Una p pequeña no es una prueba
Un valor p pequeño dice que los datos serían sorprendentes bajo un modelo nulo, no que la afirmación sea probablemente verdadera o importante.
La incertidumbre necesita rangos
Un número medido suele ser la mejor estimación con oscilación de muestreo a su alrededor, por lo que las comparaciones honestas necesitan rangos además de estimaciones puntuales.
Los promedios ocultan la forma
Un solo número no puede capturar una distribución desigual.
Pide el número absoluto
Un cambio porcentual no tiene sentido sin la base que cambia.
Las causas compartidas inventan enlaces
Un factor de confusión oculto puede hacer que cosas no relacionadas se muevan juntas.
La precisión tiene rendimientos de raíz cuadrada
Más datos ayudan, pero el error aleatorio se reduce lentamente: para reducir a la mitad el ruido en un promedio, por lo general necesitas cuatro veces más observaciones.
Conceptos
Valores p
Un valor p es la probabilidad de ver datos al menos tan extremos si un modelo nulo específico fuera verdadero. No es la probabilidad de que la afirmación sea falsa, ni la posibilidad de que el resultado haya sido aleatorio, ni una medida de cuán grande o importante es el efecto.
Intervalos de confianza
Un intervalo de confianza es un rango producido por un método que captura el valor real una proporción establecida de las veces en muestras repetidas. Describe la incertidumbre en el método de estimación, no una garantía personal de que un intervalo ya calculado contenga la verdad.
Los promedios engañan
La media aritmética lo suma todo y lo divide, por lo que unos pocos valores extremos pueden alejarla mucho del caso típico. En datos sesgados, la mediana —el valor central— representa mejor lo que es normal. Pregunta por la forma de los datos, no solo por su promedio.
Riesgo absoluto frente a riesgo relativo
Un cambio relativo («50 % más», «duplica tu riesgo») oculta cuán grande es realmente el riesgo subyacente. Un gran incremento relativo en una tasa base diminuta sigue siendo diminuto. Pide siempre los números absolutos (cuántos de cada 100 antes y después), no solo el cambio porcentual.
Correlación frente a causalidad
Que dos cosas se muevan juntas no significa que una cause la otra. Una tercera variable (un factor de confusión) puede impulsar ambas, o el vínculo puede ser una coincidencia. Establecer la causalidad requiere más que una correlación, por lo general una comparación controlada.
Error estándar
El error estándar es la fluctuación típica de muestreo de una estimación, como una media aritmética. Para observaciones independientes, el error estándar de una media aritmética se reduce con la raíz cuadrada del tamaño de la muestra, por lo que reducir el error a la mitad suele requerir cuatro veces más datos.
Desviación estándar
La desviación estándar describe cuán dispersas están las observaciones individuales alrededor de su media aritmética. Se trata de la variación en los propios datos. El error estándar es diferente: describe cuánto variaría una estimación como la media aritmética muestral en muestras repetidas.
Incertidumbre
El margen honesto que queda tras los límites de medición, las elecciones de modelos y la información faltante. Un solo número puede ser útil como punto medio, pero las decisiones suelen necesitar también valores altos y bajos plausibles. Las buenas estimaciones exponen los supuestos que moverían la respuesta.