Análisis de datos científicos

Analizar datos científicos

La ciencia se trata de recopilar datos. Si miramos la definición de ciencia, podemos decir que la ciencia es el estudio del mundo natural a través de la observación y la experimentación sistemáticas. Esa observación y experimento es donde recolectas los datos. Pero, ¿qué hace con esos datos una vez que los ha recopilado?

Puede configurar un robot que recopile terabytes y terabytes de datos, pero nunca tendrá el tiempo ni los recursos para analizarlos. Analizarlo es la parte más difícil. De hecho, cuando los datos se envían desde los rovers en Marte, puede llevar muchos meses analizarlos.

En esta lección, discutiremos algunos de los principios básicos del análisis de datos científicos.

Precisión, exactitud y error

El primer paso en el análisis de datos es buscar las fuentes de error. Cada medida que alguien toma tiene un error experimental. El error experimental es la diferencia entre las medidas que toma y un conjunto perfecto de medidas. Hay dos tipos de error experimental: precisión y exactitud. La gente usa esas palabras indistintamente, pero son muy diferentes.

La precisión describe qué tan cerca están sus medidas. Por ejemplo, digamos que está midiendo la longitud de una mesa larga. Lo hace cinco veces para que sus resultados sean más fiables. Si sus medidas fueron de 6,00 metros, seguidas de 6,01, 5,98, 5,99 y 6,01 nuevamente, sus resultados son muy precisos. Ahora podría resultar que la regla estaba mal impresa, y la mesa ni siquiera está cerca de los 6 metros. Pero sus medidas estaban muy juntas, por lo que aún eran precisas.

La precisión es lo correctas que son sus medidas, lo cerca que está del valor real. En el caso de la precisión, el error de impresión de la regla hace que los resultados sean inexactos. Pero digamos que su regla está funcionando bien. Si sus medidas para la mesa fueron 3 m, 5 m, 7 my 5 m, y resulta que la mesa mide realmente 5 m, sus resultados son muy precisos. El promedio de esos números es exactamente de 5 metros. ¡Excelente! Pero esos resultados no son muy precisos, porque no están muy juntos.

Precisión versus exactitud: A es exacta pero no precisa, B es precisa y precisa y C es precisa pero no exacta.

Al tomar medidas, debe considerar qué tan preciso es el equipo que está utilizando. Por ejemplo, si usa una regla con milímetros, en el mejor de los casos podrá medir al medio milímetro más cercano. Entonces, el error de su equipo experimental es más o menos medio milímetro. Esto afecta la precisión de sus mediciones, pero no afecta su exactitud.

Otro tipo de error se llama error sistemático. Aquí es donde todas sus medidas se desplazan una cierta cantidad, hacia arriba o hacia abajo. Por ejemplo, si estuviera pesando cosas en una báscula y la báscula no se puso a cero. Este tipo de error afectaría su precisión, pero no su precisión.

Promedios y líneas de tendencia

Una vez que haya recopilado sus datos y haya anotado cualquier fuente de error, es hora de analizar sus datos y sacar algunas conclusiones. El primer paso suele ser calcular promedios. Un promedio es un número que representa el valor central o típico de un conjunto de datos. El promedio más común se llama media . Para encontrar la media, suma todos los números y divide el total por cuántos números había. En algunos experimentos muy simples, este es su valor final.

Pero generalmente hay más que eso. Veamos un experimento en el que se mide la cantidad de automóviles que pasan por una carretera en particular cada hora. Probablemente hizo varias pruebas tomando sus medidas durante varios días, en lugar de depender de un día en particular. El primer paso sería promediar sus pruebas para obtener la cantidad de autos por cada hora.

Pero eso todavía te deja con un número separado para cada una de las horas. Un siguiente paso común es trazar esos datos en un gráfico. Al hacer esto, quizás descubra que la cantidad de automóviles aumentó gradualmente a lo largo del día. Para representar esto realmente, es mejor dibujar una línea de mejor ajuste a través de los puntos de datos en el gráfico. Ésta es una línea que representa mejor los datos y puede ser recta o curva.

Se puede curvar una línea de mejor ajuste.

Otra cosa que puede trazar en su gráfico son las barras de error para representar sus errores de medición (vea la imagen a continuación). Las barras de error le dan una idea de cómo se vería la imagen real. Es probable que el número real esté en algún lugar dentro de esa barra. Esto puede ayudarlo a determinar si es posible que una tendencia que vea en sus datos sea solo una coincidencia.

Línea de mejor ajuste con barras de error.

Por último, las personas pueden realizar análisis estadísticos complejos para analizar los datos. Esto implica conectar números en ecuaciones. Esto ayuda a las personas a descubrir qué tan buenos son los datos; esto es importante para una investigación seria.

Resumen de la lección

La ciencia implica recopilar grandes cantidades de datos. Una vez que recopila esos datos, los analiza para averiguar qué significan y evaluar su calidad. Las formas de evaluar la calidad de los datos incluyen considerar la precisión, exactitud y error experimental. La precisión es lo cerca que están sus puntos de datos, y la precisión es lo cerca que están del valor real. El error experimental incluye el error de medición, que depende de la precisión de su equipo, y el error sistemático, que es donde todos sus resultados están fuera de lugar en cierta medida. La calidad de sus datos también se puede analizar mediante estadísticas.

Los pasos para analizar sus datos incluyen encontrar promedios de sus ensayos y trazar esos promedios en un gráfico. Por lo general, es mejor incluir una línea de mejor ajuste para representar sus datos y barras de error para representar su error de medición.

Rodrigo Ricardo Editor y fundador