La Transformación de Valores Estadísticos

La Transformación de Valores Estadísticos

En el campo de la biología, la experiencia indica que para la mayoría de los datos, el no cumplimiento de los supuestos requeridos en muchos de los métodos estadísticos paramétricos como son la aditividad, independencia y normalidad de los datos, no son de mayor importancia y dichos métodos pueden aplicarse sin mayores problemas. Sin embargo, hay ocasiones en las cuales no es posible obviar el incumplimiento de dichos supuestos. Uno de los parámetros más rigurosos y que pone en juicio las conclusiones dadas en una investigación, es el cumplimiento por parte de la variable respuesta del principio de la normalidad, el cual, según Pertegas y Pita (2001) está dada por la función de la media (µ) y la desviación estándar (δ), siendo la primera la que posiciona la curva en el eje de las X, existiendo una probabilidad del 50% de un valor a un lado u otro de la media (la hace simétrica), y la segunda denota que tanto se dispersan los datos (esto dará a la curva una forma aplanada o puntiforme), y su comportamiento esta descrito por los preceptos de Gauss. La gran ventaja de la distribución normal es que nos permite calcular probabilidades de aparición de datos de esa distribución, lo que tiene como consecuencia, la posibilidad de inferir datos de la población a partir de los obtenidos de una muestra de la misma (Molina, 2015).

Así mismo, Pedrosa et al.  (2015) opina que la inmensa mayoría de las investigaciones llevadas a cabo en el campo aplicado suelen utilizar pruebas estadísticas paramétricas. Todas ellas (coeficiente de correlación de Pearson, ANOVA, ANCOVA, prueba de t, estadístico Z, análisis factorial, etc.) presuponen la normalidad de las distribuciones de las puntuaciones en la población. Y como se comento antes, la violación del supuesto de normalidad hace que las interpretaciones de los resultados no sean las que, a priori, se podrían deducir del uso de las pruebas en sí mismas.

Es por ello, que es necesario conocer que estar frente a una distribución no enmarcada en el principio de la normalidad, provocara la toma de decisiones, entre las que se mencionan el uso de técnicas no  parametricas para la comparación de las medias o la transformación de los valores para ajustarlos a una distribución más normal.

En el caso de inclinarse por la vía de la transformación de datos, es necesario tener en cuenta que, la transformación no es sino un cambio en la escala de observación, que da una perspectiva distinta y permite detectar relaciones que no se observaban en la escala original. (Segnini, 2008)

Para lo cual, es menester conocer cuál es el comportamiento de los datos con los cuales trabajamos para elegir la mejor técnica a trabajar. Pudiéndose mencionar entre los métodos de transformación los siguientes: Cubica, Cuadratica, Identidad, Raiz Cuadrada, Logaritmica, 1/(raíz cuadrada), Inversa, 1/ Cudratica, 1/ Cubica. (Droppelmann, 2018)

En el caso de la transformación logarítmica, según Segnini (2008) esta técnica ayuda a resolver situaciones de falta de aditividad e independencia de los datos, según Molina (2015) es una técnica útil para transformar distribuciones con sesgo positivo (con cola más larga hacia la derecha), resultando que la parte izquierda se expandirá, mientras que la derecha se comprimirá, favoreciendo que la curva resultante se ajuste mejor a una normal. Hay que considerar que esta, solo vale para números mayores a cero; considerando que para números negativos se puede sumar una constante a cada valor antes de calcular el logaritmo.

...