Errores más comunes en Inferencia Estadística

Inferencia Estadística es el bloque donde muchos estudiantes pasan de calcular a decidir. Ya no basta con obtener una media o una desviación típica: hay que sacar conclusiones sobre una población a partir de una muestra.

Estos son los errores más comunes y cómo evitarlos.

1. No escribir las hipótesis antes de calcular

Un contraste debe empezar con hipótesis claras:

Si no sabes qué hipótesis estás contrastando, el p-valor no tiene significado.

2. Confundir muestra y población

La muestra es lo que observas. La población es aquello sobre lo que quieres concluir. Inferir es pasar de una a otra con incertidumbre.

La media muestral $\bar{x}$ estima la media poblacional $\mu$, pero no son lo mismo.

3. Interpretar mal el p-valor

El p-valor no es:

• La probabilidad de que $H_0$ sea cierta.
• La probabilidad de que el resultado sea fruto del azar.
• Una medida del tamaño del efecto.

El p-valor mide compatibilidad entre los datos observados y la hipótesis nula bajo un modelo.

4. Usar 0.05 como frontera mágica

Un resultado con $p=0.049$ y otro con $p=0.051$ no son mundos distintos. La interpretación debe considerar tamaño del efecto, intervalo de confianza, diseño, muestra y contexto.

5. Ignorar el intervalo de confianza

Un intervalo de confianza aporta rango e incertidumbre:

Si el intervalo es muy amplio, el resultado puede ser poco preciso aunque el p-valor parezca atractivo.

6. No revisar supuestos

Cada prueba descansa en condiciones. Algunas habituales:

• Independencia.
• Normalidad aproximada.
• Homogeneidad de varianzas.
• Tamaño muestral suficiente.
• Ausencia de valores extremos influyentes.

No siempre se cumplen perfectamente, pero hay que saber si el incumplimiento afecta mucho.

7. Elegir la prueba por costumbre

No todo se resuelve con t de Student ni todo con ANOVA. La prueba depende de la pregunta, el tipo de variable, el número de grupos y el diseño.

Si dudas, vuelve al mapa de qué prueba estadística utilizar.

8. Confundir significación con importancia

Con muestras grandes, diferencias pequeñas pueden ser significativas. Con muestras pequeñas, efectos relevantes pueden no alcanzar significación. Por eso conviene informar también tamaño del efecto.

9. No corregir por comparaciones múltiples

Si haces muchos contrastes, aumenta la probabilidad de encontrar algún resultado significativo por azar. En diseños con muchas comparaciones, revisa si se piden correcciones o comparaciones post hoc.

10. Redactar conclusiones incompletas

Una conclusión estadística completa debería incluir:

1. 1.Qué se comparó o analizó.
2. 2.Qué prueba se usó.
3. 3.Resultado principal.
4. 4.p-valor o intervalo.
5. 5.Tamaño del efecto si procede.
6. 6.Interpretación en lenguaje del problema.

Ejemplo de buena conclusión

El grupo de intervención obtuvo menor ansiedad media que el grupo control. La diferencia fue estadísticamente significativa, $p=0.02$, y el tamaño del efecto fue moderado. Esto sugiere que la intervención se asocia con menor ansiedad, aunque la interpretación causal depende del diseño del estudio.

La última frase importa: no prometas más de lo que el diseño permite.

Para reforzar este bloque, revisa p-valor, intervalo de confianza y tamaño del efecto o clases particulares de Estadística universitaria.