• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Simulador FIRE (Financial Independence, Retire Early)
    • Herramientas
      • Formateador / Minificador de JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Preguntas en formularios: precisión y entorno

octubre 10, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

En una entrada anterior se explico cómo puede afectar la forma de preguntar a las respuestas obtenidas cuando se pregunta sobre tendencia. En esta nueva entrada se explicará el efecto que puede tener el entorno en la precisión de los valores obtenidos. Analizando cómo se puede relacionar la precisión y entorno.

Las herramientas empleadas para la realización de medidas de distancia, volumen, peso, tiempo o, especialmente, dinero suelen ser bastante precisas. Los valores son siempre comparados con un patrón de referencia determinado, por ejemplo, el metro o el segundo. Los metros, básculas y relojes ofrecen siempre los mismos valores para las mismas magnitudes. Esto es independiente del entorno en que se realicen las medidas. Por otro lado, al obligar a las personas a estimar cualquiera magnitud lo realizará mediante contraste. Para ello emplea los valores conocidos existentes en el entorno en ese momento. Esto provoca que se puede obtener un valor diferente para la misma magnitud en función del entorno.

Efectos del entorno en las evaluaciones

Existen multitud de ejemplos visuales con los que se puede explorar cómo el entorno cambia la visión que se tiene de la realidad. Un ejemplo se puede apreciar en la siguiente figura donde se rodean dos círculos huecos con seis de diferente tamaño. En ambos casos el tamaño de los círculos centrales es exactamente el mismo, pero no se aprecia así. Aquí el contraste con el entorno de cada uno de los círculos hace pensar que el círculo central de la derecha es más grande que el de la izquierda. En hecho de que ambos círculos son iguales se puede comprobar con simplemente utilizando un metro.

Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
En Analytics Lane
Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane

Contraste de círculos

Otro ejemplo de cómo afecta el entorno se puede ver en la siguiente figura. En esta se han dibujado dos líneas rectas con la misma longitud, pero terminadas de diferente manera. La mayoría de las personas suelen indicar que la línea superior en más larga que la de abajo. Al igual que en el caso anterior un metro permite comprobar el error de apreciación.

Contraste de líneas

Este error introducido por el entorno se ha de tener en cuenta a la hora de evaluar la respuesta en los formularios. Al realizar una comparación, aunque esta sea inconsciente, puede provocar que se infravaloran o sobrevaloren las magnitudes preguntadas. Por ejemplo, en un entorno habituados a registros en torno a 500 un valor de 1.000 no es un suele ser valor elevado, si este mismo ejercicio se realiza en un entorno donde los registros se sitúan en torno a 100 el valor de 1.000 es muy elevado pudiendo inducir a sea infravalorado

Precisión y entorno en la Torre de Pisa

Finalmente, los ejemplos visuales presentados previamente pueden parecer un poco forzados, pero los efectos pueden ser tan sutiles como el de la siguiente figura. En esta figura se muestran dos imágenes de la Torre Inclinada de Pisa, la imagen de la derecha la torre parece más inclinada que en la de la izquierda, siendo realmente la misma. Este efecto es debido a que se toman ambas imágenes como si fuesen una única escena. En un entorno natural cuando dos torres vecinas se alzan hacia el cielo la imagen de sus contornos convergerá cuanto más se alejen de la vista. Esta norma básica de perspectiva es dada por sentada por el sistema visual y como en este caso las torres no convergen el sistema visual se ve obligado a pensar que las dos torres están separadas una de la otra.

Precisión y entorno en la Torre de Pisa
Dos copias de la misma imagen de la Torre de Pisa

Publicidad


Conclusiones

En esta entrada se ha comprobado cómo se relaciona la precisión que se puede esperar de una respuesta en función del entorno. Las personas evalúan los resultados de forma cualitativa comparando los valores con los de su entorno. Al encontrarse con un entorno donde los valores habituales son elevados, la respuesta se adaptará estimará por comparación.

En la próxima entrada de la serie abordará los efectos del pastoreo (“herding”) y auto-pastoreo (“self-herding”). Explicándole cómo se adaptan dinámicamente los valores de las respuestas a los ofrecidos anteriormente.

Imágenes: Pixabay (rawpixel) | Pixabay (John-Silver)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
  • Nueva calculadora de préstamos e hipotecas en el laboratorio de aplicaciones de Analytics Lane
  • Hardening avanzado de NGINX: CSP, OCSP Stapling y defensa en profundidad
  • Nuevo generador y verificador de hashes en el laboratorio de aplicaciones de Analytics Lane
  • Nueva simulación de la estrategia Martingala en ruleta en el laboratorio de aplicaciones de Analytics Lane
  • Exactitud, precisión, recall… y los errores que cometemos al interpretarlas en proyectos reales
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador interactivo de K-Means en el laboratorio de aplicaciones de Analytics Lane
  • Por qué los chatbots de inteligencia artificial parecen estar siempre de acuerdo contigo – Conversar con una inteligencia artificial – Parte I

Publicado en: Ciencia de datos Etiquetado como: Small Data

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Nueva herramienta: Comparador y Formateador de Texto y JSON en el laboratorio de Analytics Lane

abril 21, 2026 Por Daniel Rodríguez

Chatbots vs redes sociales: la diferencia clave entre la inteligencia artificial y los algoritmos de recomendación – Conversar con una inteligencia artificial – Parte II

abril 21, 2026 Por Daniel Rodríguez

Nueva Calculadora de Estadísticos Descriptivos en el laboratorio de aplicaciones de Analytics Lane

abril 20, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Gráfica con los datos y las anomalías detectadas con OneClass SVM One-Class SVM: Detección de anomalías con máquinas de vector soporte publicado el marzo 15, 2024 | en Ciencia de datos
  • Nueva herramienta: Comparador y Formateador de Texto y JSON en el laboratorio de Analytics Lane publicado el abril 21, 2026 | en Noticias
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Cómo desinstalar Oracle Database 19c en Windows publicado el noviembre 25, 2022 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto