📣 10 consejos para evaluar estadísticas, datos y gráficos de forma crítica. La guía de @RoyalStatSoc nos enseña a identificar información confiable y evitar engaños.
Las estadísticas son cruciales para entender el mundo que nos rodea.
https://t.co/dhvFhVYMN1
#stats#datascience
📚Libro online gratuito: R para no programadores.
Para cualquier nivel de programación o experiencia en #stats y #analytics, aprende los conceptos esenciales de análisis de datos de forma concisa, completa y fácil de usar.
https://t.co/LdNPdSjbzQ
#RStats#programming#code
🦎 Gecko es una herramienta de código abierto que te ayuda a encontrar los artículos más relevantes para tu investigación, optimizando el proceso de revisión de literatura y facilitando el descubrimiento de nuevos hallazgos científicos.
https://t.co/xs9HhFx9il
👀 ¿Eres capaz de explicar el significado práctico de los resultados de tu investigación?
🧠 Descubre la importancia del tamaño del efecto y cómo interpretarlo.
📏 ¿El tamaño siempre importa? Dependerá de las 3Cs
#analytics#stats#Datascience#science#research#phd#thesis
Explorando el concepto de 'evidencia' en ciencias de la salud y sociales: una revisión exhaustiva revela 54 definiciones distintas.
¿Necesitamos una definición estandarizada para avanzar en la investigación científica? 🤔📊
#Ciencia#EvidenciaCientífica
❄️ https://t.co/hGEswWmaJ2
Diving into the world of shaky hands: Our study, using transcranial magnetic stimulation, shows how propranolol affects the part of the brain controlling movements. Left side calms down, right side gets a little extra energy after taking propranolol - pretty interesting stuff! 🧠💊 #BrainStudy
⚙️ https://t.co/DelMaC61Oh
🔬 Mini Guía: Cálculo del Tamaño de Muestra en Estudios Científicos 🔍
1. Introducción: El tamaño de muestra es crítico en la investigación. Demasiado pequeño y los resultados carecen de poder estadístico, demasiado grande y es costoso e innecesario.
2. Definiciones clave: Comprende conceptos como media, desviación estándar, hipótesis estadística, errores tipo I/II, poder y dirección de efecto.
3. Herramientas de prueba: Usa pruebas estadísticas para comparar grupos. La elección depende de tu investigación: t-test, ANOVA, correlación, regresión, etc.
4. Errores tipo I/II: Controla el nivel de significancia (α) y la probabilidad de cometer errores tipo I (rechazar una hipótesis verdadera) o tipo II (aceptar una hipótesis falsa).
5. Poder estadístico: Apunta a un alto poder (1-β) para detectar efectos reales. Ajusta el tamaño de muestra en consecuencia.
6. Tamaño de efecto: Calcula el tamaño de efecto (Cohen's d, f², R²) basado en estudios similares o experiencia previa.
7. Atrición prevista: Considera las tasas de abandono en tu estudio y ajusta el tamaño de muestra en consecuencia.
8. Proporción de asignación: Si tienes grupos desiguales, calcula el tamaño de muestra en función de la proporción de asignación.
9. Herramientas de cálculo: Utiliza software como G*Power, R o Epitools para calcular el tamaño de muestra.
¡Con esta guía, estarás mejor preparado para diseñar estudios sólidos y obtener resultados científicos significativos! 📊👩🔬📈
Fuente: https://t.co/fEUsCGYNc3
📊🎨 Los 10 Mandamientos de la Comunicación Visual
Manual de #dataviz para personas no profesionales
Describe los diversos aspectos de la comunicación visual y los resume todos para funcionar como una guía completa para el arte del diseño.
https://t.co/AMyTAX94La
#datascience
Exercise is probably the single best way to extend lifespan.
You need to exercise like your life depends on it.
Because it does.
Here's why.
📕Make Sure To Bookmark✅
🧵👇
/1