¿Cómo mentir en estadística?

Grupo: 5
Sección: 4.00
Integrantes:
Castro Nuñez, Carla Fabiana
Cordova León, Milagros Xiomara
Cortez Cardenas, Hernan Gonzalo
Machuca Lazaro, Loriana Betsy
Valdez Pampañaupa, David

Índice:
1. La muestra que representa un factor de influencia en sí misma (Carla Castro)
2. El promedio bien escogido (Milagros Cordova)
3. Las pequeñas cifras que no aparecen (Hernan Cortez)
4. Mucho ruido y pocas nueces (Loriana Machuca)
5. El gráfico exclamativo (David Valdez)
6. El personaje de la gráfica (David Valdez)
7. La cifra indirectamente relacionada (Loriana Machuca)
8. El “post hoc” aparece de nuevo (Hernan Cortez)
9. Cómo estadisquear (Milagros Cordova)
10. Cómo enfrentarse a las estadísticas (Carla Castro)

1. La muestra que representa un factor de influencia en sí misma

La representatividad de una muestra puede verse en gran medida afectada por el grupo que
el investigador ha escogido examinar. El grupo puede estar influenciado por cierta
tendencia, y si es un grupo muy específico la muestra pierde su valor para representar a
toda una población.

Además, las respuestas dadas por los individuos de la muestra pueden no ser del todo
confiables ya que entra en juego la limitación de una cuestión personal. Si fuera el caso, los
datos extraídos están sujetos a la actitud o experiencia de la persona.

Conclusiones:

En resumen, una muestra escogida al azar, si bien es la más confiable y representativa,

supone un gasto muy elevado. Por ello, se recurre a las muestras al azar por estratos, de
modo que no se omita ningún grupo que pueda alterar la media y de un resultado
representativo.

En adición, en una investigación los resultados pueden verse altamente afectados por la
muestra que se ha escogido, ya que puede no ser del todo representativa y también afecta
el comportamiento de los individuos de la muestra.
2. El promedio bien escogido

Al ser un vendedor, el objetivo principal es impresionar al comprador brindando cifras

realmente altas, al usar el promedio sin especificar al comprador qué tipo de promedio se
obtuvo la cifra, el objetivo será alcanzado ya que se usará uno de los tres tipos de
promedios a conveniencia, puesto que, arrojará datos distintos, ya que existe diferentes
tipos de promedios tales como: la media, mediana y moda.

Por otro lado, al analizar el salario promedio que reciben los trabajadores de una empresa,
el promedio del salario de los trabajadores junto con los dueños, promedio con similaridad,
así que, se puede observar que la similaridad es consecuente de que todos los datos fueron
incluidos sin importar si eran dueños o trabajadores.

Además, en una oficina de censo se obtiene un promedio preciso puesto que se trabaja con
datos puntuales, y todo está especificado.

Conclusiones:

Por último, al analizar estos 3 casos, es importante saber cómo se obtienen los promedios,
ya que un promedio medido sólo podría ser manipulado y/o contaminado para el beneficio
del investigador.

Asimismo, el promedio es una medida útil, importante, de uso frecuente, y que puede no ser
idóneo para entender la dispersión real de los sujetos de la muestra, sin embargo, se debe
tener en cuenta, qué tipo de promedio se usó, bajo qué especificaciones, y a quién se les
incluye.

3. Las pequeñas cifras que no aparecen

Las muestras pequeñas pueden generar datos más “optimistas”, ya que en la mayoría de
los casos, por coincidencia o azar, puede manipularse los datos mientras se hagan más
repeticiones del muestreo, experimento o medición. Así como, el uso de pasta de dientes
que al analizar se identifica que es muy complicado encontrar una que se diferencié con la
otra, porque la receta es la misma. Sin embargo, es posible influenciar a otras personas que
un producto es bueno o que esté es mejor que otro es fácil si se brinda información con
poca significancia ya que ya sea por manipulación o azar se puede demostrar cualquier
cosa, debido a que pequeñas muestras hacen que los datos sean manipulables de alguna u
otra forma. Por ejemplo, cuando se lanza una moneda y se dice hay una probabilidad de
50% que salga cara, y se podría lanzar tantas veces sean necesarias para hacer coincidir
dicha afirmación debido a que solo hay 2 casos o que salga cara o que salga sello.

Conclusiones:

Reconocer que muestra vamos a escoger es importante porque nos permite evitar
resultados no concluyentes o poco fiables, además cómo podríamos asegurar que los datos
obtenidos son concluyentes. Por ende, tener un grado de significancia que nos indique la
precisión de los datos, ayuda a mantener una mayor veracidad de los resultados.
Un dato que es omitido, comúnmente en la muestra de resultados es la desviación estándar,
ya que la media estadística es usada para parámetros o estándares que nos afectan cada
día. Entonces, los datos fuera de la media son vistos como un déficit o un exceso, ya que la
información que recibimos a diario puede no estar completa ya que no consideramos que
los valores que vemos a diario son en base a estudios con una muestra de donde se sacan
los datos y estos son diferentes por individuo los.

4.Mucho ruido y pocas nueces

Todas las pruebas basadas en muestras pequeñas nunca serán 100% precisas ya que
siempre existirá una variación de error en la muestra, incluso se podría decir que aunque se
comparen dos pruebas con dos resultados diferentes, dependiendo de la variación de error
del muestreo esos dos resultados podrían llegar a invertirse. La variación de error en una
prueba de muestreo no puede ser cero, pero si se podría acercar.

La ignorancia de la gente frente a estos errores, que se encuentran implícitos en todos los
estudios por muestreo, son consecuencias del comportamiento “bobo” ya que estos errores
están presentes en muchas formas de la vida cotidiana, ya sea en los test de C.I., revistas,
porcentajes de ingredientes, etc. Es este comportamiento en donde la gente se guía
solamente de las cifras de las probabilidades de la prueba sin tomar en cuenta el error que
estas emanan.

Conclusiones:

Tener en cuenta que los resultados de las pruebas (encuestas, test, entrevistas, etc.) no son
totalmente precisas por lo que siempre habrá fluctuaciones entre los resultados, que vienen
a ser la variación de error. Este error sirve para saber entre qué números puede variar la
cifra obtenida.

Es por eso que siempre se debe prestar suma atención a esta variación de error que
presentan los anunciantes que proporcionan los datos.

5. El gráfico exclamativo

Dentro de la presentación de una investigación los gráficos son una gran herramienta para
representar datos numéricos de forma amigable y a la vez permiten hacer un análisis de
estos de manera casi natural. Sin embargo, dicho análisis puede verse influenciado por un
conjunto de modificaciones visuales que, pese a no parecer justas, entran dentro de lo
válido.

Conclusiones:

Dependiendo del propósito del gráfico se puede modificar algunas proporciones; como la
distancia entre puntos de un eje o zonas de visualización con el objetivo de, a conveniencia
del autor, indicar o exagerar ciertos cambios o tendencias y generar impacto al lector.
Estas técnicas han sido utilizadas incontables veces dentro de informes, anuncios y para
manipular la opinión pública. Se genera una sensación de crecimiento económico con
porcentajes bajos o, por el contrario, generar incertidumbre para indicar un cambio o
fluctuación en alguna divisa o acción de la bolsa de valores.

6. La persona de la gráfica

El uso de imágenes representativas como forma de facilitar información al momento de leer

un gráfico de barras permite también modificar la forma en la que se analiza. La
manipulación presente en gráficas lineales también aplica en gráficos de barras, además
agrega una nueva lista de conveniencias. Pese a que a simple vista se representa un
crecimiento a escala lineal, las imágenes representativas no solo lo hacen en una
dimensión, sino que dependiendo de la imagen, lo harán en área o en volumen. Generando
la sensación de crecer aún más frente a su contraparte del costado.

Conclusiones:

Las proporcionalidades son una gran herramienta para poder dirigir un conjunto de datos
hacia una dirección conveniente; sin embargo, haciendo uso de imágenes representativas
bajo estas mismas modificaciones, pueden hacer variar completamente el análisis que se
busca realizar en un gráfico descriptivo.

Con estas formas de modificación los gráficos terminan representando exageraciones. Si

bien en algunos casos es justificado bajo un mejor análisis, esta se ha convertido en la
herramienta favorita de prensa sensacionalista, políticos y empresas que necesitan
convencer masas a favor propio.

7. La cifra indirectamente relacionada

Se debe mencionar que los laboratorios (en especial de los laboratorios privados) han
demostrado a través de test cosas disparatadas con tal de que suene bien para el público y
traiga mayor beneficio a la empresa.

Tanto los anunciantes como las revistas engañan con estas cifras, te mencionan que está
directamente relacionado con un aspecto mientras que eso no es completamente verdadero
pues en realidad existen otros factores que no se toman en cuenta, ya que ellos solo dirigen
esta cifra a un factor que si venda para llamar la atención del público.

Existen muchas formas de reunir datos y después de utilizarlo se facilita una información
distinta a lo que te mencionan. Pero existen también muchas maneras de expresar
cualquier cifra que usted desee en los resultados del test, el método consiste en escoger lo
más adecuado a la finalidad que nos proponemos y confiar en que pocos entre quienes lo
lean se darán cuenta de que se ha reflejado perfectamente la situación.

Conclusiones:
Las pruebas de un muestreo pueden engañar a la gente a través de una pregunta bien
desarrollada de tal manera que el resultado sea el mismo que siempre se quiso desde el
principio.

Incluso las personas que poseen los datos completos pueden mencionar solo la cifra que
represente un aspecto al cual le venga en beneficio, cuando en realidad depende de
muchos aspectos con sus respectivas cifras que no logran mencionar.

8. El “post hoc” aparece de nuevo

Al creer que una variable se relaciona con otra sin identificar si es que ambas no son a
causa de otra se puede llegar a conclusiones erróneas o con falta de fundamento. Por otro
lado se puede recolectar datos que busquen dichas relaciones aparentes entre variables.
Sin embargo, en muchos casos las conclusiones no llegan a ser totalmente determinantes o
claras incluso podrían decir que la relación es a causa de otra variable. Hoy en día,
observamos datos asombrosos que identifican una relación como que el vivir solo reduce
los años de vida o que las personas con menos amigos son las más inteligentes o que
“estudios” afirman que los niños que son bilingües son buenos en matemáticas. Toda esta
información va respaldada por instituciones reconocidas pero, será cierto lo que se afirma
de dichos estudios. Por lo cual, realmente no debemos creer lo que se nos muestra como
datos relevantes, ya que las conclusiones que se dan están alejadas de lo que realmente
significan para el investigador que recolectó los datos.

Conclusiones:

Para realizar una investigación es importante reconocer que las variables o que la relación
entre variables puede ser engañosa a pesar de tener un alto grado de significación debido a
que se puede llegar a tener una falsa percepción de que la influencia de una sola variable
puede ser la causa de otro efecto.

Por otro lado, se debe diferenciar que otros factores pueden estar influenciando nuestra
muestra. Por ejemplo, cuando se busca analizar el impacto de la música en el crecimiento
de las plantas al principio parecería que existe una relación, pero cómo encontramos una
relación directa. ¿Realmente la música hace crecer a las plantas?. Realmente son el agua,
la sombra y la exposición al sol lo que permite ello. Por ende, vemos que no hay relación
entre las variables o que esta puede ser muy difícil de probar.

9. Cómo estadisquear

Usar material estadístico, y brindar una mala información podría llamarse manipulación
estadística. Un caso de ellos es lo que describe la lectura, para saber en cuánto ascienden
los ingresos medios de la familia americana, la oficina del Censo dio para 1949 una cifra de
3.100 dólares como ingreso medio por familia, mientras que el periódico Russell Sage
Foundation los ingresos medios alcanzará una cifra de 5.004 dólares, ante esto, hay una
interrogante, ¿por qué son distintas?, el censo ha usado una mediana, mientras que Russell
ha usado un método diferente que consiste en sumar la renta privada de todos los
americanos y dividirlo por 149.000.000, y obtener una cifra de 1.251 por persona, sin
embargo, Russell toma el número de cuatro integrantes por familia. Dado este caso,
podemos observar que se muestra manipulación de estadísticas, debido a que, empleo de
la media, y suponer que los ingresos van en proporción con el número de integrantes.

Por otro lado, para conseguir una estadística más precisa y optar por una precisión
científica, se emplean los decimales, asimismo, si se usa un número mínimo de casos hay
demasiadas probabilidades que el porcentaje sea falaz.

Además, un fraude común son las huelgas puesto que, cuando sucede las huelgas, las
instituciones como la Cámara de Comercio anuncia que la huelga tiene un valor tantos
millones al día, sin embargo, esto se obtiene mediante la suma de números de carros que
se hubiese fabricado si los huelguistas hubiesen ido a trabajar, añadiendo todas las
pérdidas posibles. Asimismo, otro punto de engaño es la confusión de porcentaje.

Conclusiones:

En los capítulos anteriores se identifica los diferentes tipos de gráficas,tablas e imágenes,

en este capítulo se agrega la gráfica de mapas donde se puede visualizar las áreas
geográficas, pero sin demostrar la densidad poblacional que cada una lo representa,
variables importantes y qué es lo que les diferencia, estás gráficas no son útiles cuando no
guardan alguna relación exacta con los datos dados, estos errores son comunes en los
porcentajes y el promedio.

Además, simplificar datos puede conllevar problemas o falacias, por consiguiente, generar
una información engañosa dando una perspectiva distinta a la realidad, el autor lo resume
en una sola palabra “estadisticulación” (manipulación estadística omitiendo alguna variable
clave).

10. Cómo enfrentarse a las estadísticas

Para reconocer resultados estadísticos certeros es importante cuestionarse de quién

proviene la información. Esto porque puede estar manipulada y presentada de tal manera
que favorece a las partes interesadas. También se debe tener cuidado en dejarse llevar
cuando se nombran instituciones destacadas, ya que no necesariamente implica que el
estudio proviene de esta.

Además, para identificar si los resultados realmente tienen el significado que se le atribuye
se debe examinar sobre qué base se trabajó. Si se trata de una muestra influencia, mal
escogida, las conclusiones que salgan del estudio carecen de un significado real. Asimismo,
datos como el material numérico base, la desviación estándar, entre otros, deben estar
incluidos, ya que si estos son omitidos se priva a la conclusión de todo el significado que se
le da.

Al ver resultados no dejarse llevar por la precisión de los números y razonar su confiabilidad
con el sentido común. Al examinar las cifras de las extrapolaciones debe tenerse presente
que la tendencia actual y la futura pueden diferir en gran medida.
Conclusiones:

Al enfrentarse a resultados estadísticos, uno debe verificar y prestar atención a factores

como: de dónde proviene la información, cómo se ha llevado a cabo su investigación y qué
datos faltan para dar un significado a los resultados.

Además, se debe cuestionar el significado con el que las conclusiones están siendo
presentadas, ya que al ver simplemente cifras sin contexto se le pueden dar distintas
interpretaciones.