Respuesta corta: los científicos necesitan dibujar una línea en alguna parte, y el 5% (.05) es un lugar común y conveniente para dibujarla.
Cada vez que un científico investiga, se encuentra con irregularidades. Incluso si la investigación es algo tan simple como disparar una bola de cañón para medir su trayectoria, hay resistencia al viento y al aire, e irregularidades en la forma de la bola de cañón, e imperfecciones en la construcción o posicionamiento del cañón … todo esto afecta el resultado. Ningún experimento es perfecto o está de acuerdo con las expectativas teóricas.
La forma normal de dar cuenta de todas estas irregularidades es modelarlas como perturbaciones aleatorias y usar estadísticas para determinar si son significativas o no. Básicamente, un científico dice: “ Nunca obtendré exactamente lo que mi teoría predice, pero si obtengo resultados que se encuentran dentro de un rango particular (como lo especifica mi modelo aleatorio), entonces puedo tratar esos resultados como si estuvieran en línea con mi teoría. ”
- ¿Cuáles son algunas universidades y colegios en los Estados Unidos que ofrecen los mejores programas de pregrado en biología de investigación (biología molecular y genética)?
- ¿Cuál es la mejor manera de aprender a leer eficazmente artículos científicos (sin ser víctima de malas ciencias o prejuicios)?
- ¿Necesito tener una maestría en investigación en psicología para llevar a cabo una investigación?
- ¿Por qué los estudiantes de posgrado tienen que perder / gastar su tiempo en charlas y presentaciones de pósters en lugar de usar ese tiempo para convertirse en un mejor investigador?
- Polonia: ¿Cuáles son los científicos polacos más reconocidos a lo largo de la historia?
Cuando los científicos prueban una nueva teoría, a menudo invierten este proceso. Crearán una hipótesis nula, una hipótesis que dice que no está sucediendo nada y que los efectos que vemos son meramente perturbaciones aleatorias, y luego intentan demostrar que lo que sucede es muy poco probable que sea una posibilidad aleatoria. Entonces, para un ejemplo tonto, si quisiéramos probar si alguien estaba disparando a un objetivo, primero haríamos un modelo aleatorio (que la persona solo estaba disparando al azar), y luego trataríamos de demostrar que los disparos que la persona disparó eran demasiado agrupados para ser al azar. Si la persona fue un tiro terriblemente malo, y sus balas fueron por todo el lugar, no podríamos distinguir sus disparos de disparos al azar; incluso si estaba apuntando al objetivo, no podríamos saber de dónde fueron sus balas. Si la persona era un tirador, con un patrón de disparos fuertemente agrupado, la probabilidad de obtener un patrón bien agrupado solo por casualidad es ridículamente pequeña, por lo que podríamos concluir que estaba apuntando al objetivo.
Entonces, en este último caso, la pregunta es la siguiente: ¿qué tan improbable debe ser algo antes de que estemos dispuestos a acreditarlo como un efecto real, y no solo como una perturbación aleatoria? Antes del advenimiento de las computadoras, las personas tenían que buscar valores estadísticos en tablas masivas (sí, la gente imprimía libros enteros con nada más que valores estadísticos; es casi horrible pensar en esta era). Debido a esa molestia masiva, los científicos seleccionaron ciertos valores clave (, 05, .01, .001, .0001) llamados ‘valores de importancia’; en lugar de calcular el valor de probabilidad exacto de un efecto, simplemente verificaron si su estadística era más improbable que uno de estos valores de significancia, y lo usaron como punto de referencia. En estos días podemos calcular los valores de probabilidad directamente, por lo que los valores de significación están un poco desactualizados, pero los científicos a menudo todavía los usan como puntos de referencia.
