Para construir
estas gráficas, primero debemos recolectar datos experimentales y
clasificarlos según características observables. Después, establecemos una escala
uniforme y dibujamos barras del mismo ancho, separadas entre sí. Por
ejemplo, un experimento sobre coloración floral registra ocho flores
moradas, cinco blancas, tres rosadas y seis rojas, para un total de 22
individuos. La frecuencia absoluta permite identificar que las flores
moradas son las más numerosas, mientras que las rosadas presentan menor
abundancia. Las barras deben comenzar desde cero para conservar una comparación
proporcional adecuada entre las cantidades representadas (Cleveland,
1984).
En genética experimental, estas representaciones permiten comparar las proporciones fenotípicas obtenidas mediante cruzamientos. También facilitan identificar diferencias entre frecuencias teóricas y experimentales, especialmente cuando se estudian características hereditarias. Sin embargo, las gráficas de barras no demuestran por sí mismas que una diferencia sea estadísticamente significativa. Para determinarlo, necesitamos aplicar pruebas estadísticas apropiadas. La representación correcta de los datos resulta fundamental porque los errores gráficos pueden provocar interpretaciones equivocadas sobre los fenómenos biológicos investigados (Cleveland & McGill, 1985).
Cleveland, W. S.
(1984). Graphical methods for data presentation: Full scale breaks, dot charts,
and multibased logging. The American Statistician, 38(4), 270–280. https://doi.org/10.1080/00031305.1984.10483224
Cleveland, W. S.,
& McGill, R. (1984). Graphical perception: Theory, experimentation, and
application to the development of graphical methods. Journal of the American
Statistical Association, 79(387), 531–554. https://doi.org/10.1080/01621459.1984.10478080
Cleveland, W. S.,
& McGill, R. (1985). Graphical perception and graphical methods for
analyzing scientific data. Science, 229(4716), 828–833. https://doi.org/10.1126/science.229.4716.828

No hay comentarios:
Publicar un comentario