Tabla de contenido

INTRODUCCIÓN.............................................................................................................................4
1.MÉTODOS NUMÉRICOS...........................................................................................................5
2. APROXIMACIÓN NUMÉRICA..................................................................................................8
3. ERRORES NUMÉRICOS........................................................................................................10
4. CIFRA SIGNIFICATIVA............................................................................................................14
6. PRECISIÓN............................................................................................................................16
7. EXACTITUD...........................................................................................................................17
8. INCERTIDUMBRE.................................................................................................................20
Tabla 1.Fórmulas para el cálculo de errores.....................................................................................10
Tabla 2Fórmulas para el Cálculo de Errores a Funciones Variables...................................................11

Ilustración 1.Metodos numéricos.......................................................................................................6

Ilustración 2.Aproximacion numérica...............................................................................................10
Ilustración 3.Errores numéricos........................................................................................................12
Ilustración 4.Cifras significativas.......................................................................................................16
Ilustración 5.Precision......................................................................................................................18
Ilustración 6.Exactitud......................................................................................................................19
Ilustración 7. Incertidumbre.............................................................................................................22
Ilustración 8. sesgo...........................................................................................................................25
INTRODUCCIÓN
En el campo de las ciencias y la ingeniería, la resolución de problemas complejos
frecuentemente requiere métodos que van más allá de las soluciones analíticas
tradicionales. Es aquí donde los métodos numéricos desempeñan un papel crucial,
proporcionando técnicas sistemáticas para obtener soluciones aproximadas a problemas
matemáticos. Estas soluciones, conocidas como aproximaciones numéricas, son
necesarias cuando las ecuaciones no pueden resolverse de forma exacta. Sin embargo,
al trabajar con aproximaciones, es inevitable enfrentarse a errores numéricos, que
surgen de distintas fuentes como la redondeo, truncamiento o limitaciones
computacionales. Para interpretar y controlar estos errores, se recurre a conceptos clave
como las cifras significativas, que indican la fiabilidad de los resultados; la precisión,
que mide la consistencia entre mediciones repetidas; la exactitud, que refleja qué tan
cerca está un valor del verdadero; y la incertidumbre, que cuantifica el grado de duda
asociado a una medición o cálculo. Comprender estos conceptos es fundamental para
asegurar que los resultados numéricos sean útiles y confiables en la práctica.
 1.MÉTODOS NUMÉRICOS

Ilustración 1.Metodos numéricos

Los métodos numéricos no son una invención reciente. Desde tiempos antiguos, las

civilizaciones han enfrentado la necesidad de resolver ecuaciones o encontrar raíces sin

contar con el rigor del análisis matemático moderno. Por ejemplo, los babilonios

empleaban técnicas para encontrar raíces cuadradas, mientras que los griegos, como

Arquímedes, aproximaban el valor de π con gran precisión usando polígonos inscritos y

circunscritos.

En la Edad Media, matemáticos árabes y europeos perfeccionaron muchos de estos

métodos, incluyendo la interpolación y técnicas para resolver sistemas lineales. En el

Renacimiento y durante la Ilustración, matemáticos como Newton y Euler propusieron

algoritmos para resolver ecuaciones diferenciales e interpolar funciones, sentando las

bases del análisis numérico actual.

No obstante, el desarrollo moderno de los métodos numéricos se aceleró con la llegada

de la computadora digital en el siglo XX. Problemas que antes eran prohibidos por el

tiempo de cálculo, ahora podían resolverse en segundos. Esto transformó profundamente

la ingeniería, la física, la economía y muchas otras disciplinas.

Un método numérico es un proceso matemático sistemático que, mediante algoritmos

iterativos, permite hallar soluciones aproximadas a problemas complejos. A diferencia de

los métodos analíticos (o simbólicos), que buscan soluciones exactas mediante fórmulas,

los métodos numéricos admiten errores controlados y aceptan soluciones aproximadas

dentro de una tolerancia definida.

Los pasos de un método numérico incluyen:

 La formulación del problema.

 La elección de una estrategia de aproximación.

 El diseño de un algoritmo lógico.

 La iteración progresiva para mejorar una solución inicial.

 La evaluación del error para decidir cuándo detener el proceso.

 Ejemplos típicos de métodos numéricos son:

 El método de bisección y el método de Newton-Raphson para encontrar raíces.

 El método de Euler para resolver ecuaciones diferenciales.

 Los métodos de interpolación de Lagrange o Newton.

 Los métodos numéricos de integración, como el del trapecio o Simpson.

El análisis numérico no garantiza resultados exactos. El manejo del error es esencial.

Los errores pueden clasificarse en:

 Errores de redondeo: debido a la representación finita de los números en los

sistemas computacionales.

 Errores de truncamiento: se generan al cortar una serie infinita después de un

número finito de términos.

 Errores por aproximación del modelo: cuando se modela un fenómeno real de

forma simplificada.
  Errores humanos: por implementación incorrecta del método.

Cada uno de estos errores debe ser minimizado o al menos comprendido, especialmente

en contextos como la ingeniería civil, donde errores acumulados pueden llevar al colapso

estructural.

La ingeniería moderna enfrenta problemas de alta complejidad: estructuras no lineales,

fenómenos de dinámica de fluidos, transferencia de calor, sistemas eléctricos complejos,

etc. En la mayoría de estos casos, los métodos analíticos no proporcionan soluciones

viables.

Los métodos numéricos permiten:

 Resolver sistemas de ecuaciones lineales en estructuras de miles de grados de

libertad.

 Aproximar derivadas e integrales en el diseño de circuitos o estructuras.

 Simular comportamientos térmicos o hidráulicos mediante ecuaciones

diferenciales.

 Ajustar datos experimentales mediante regresiones y aproximaciones polinómicas.

Por tanto, el análisis numérico se convierte en una herramienta esencial del ingeniero,

que, apoyado en software especializado (como MATLAB, ANSYS o Python con NumPy),

puede enfrentar con confianza los desafíos del mundo real.

En el contexto de algoritmos numéricos, es importante distinguir entre:

 Métodos directos: proporcionan la solución exacta (teóricamente) en un número

finito de pasos, como la eliminación de Gauss.

  Métodos iterativos: generan una secuencia de soluciones aproximadas que

convergen al valor real, como el método de Jacobi o el de Gauss-Seidel.

En sistemas grandes, los métodos iterativos son más eficientes y adaptables a soluciones

computacionales paralelas.
 APROXIMACIÓN NUMÉRICA

Ilustración 2.Aproximacion numérica

La aproximación numérica es la práctica de sustituir un valor real, exacto o verdadero por

uno más cercano y más manejable. Esto se vuelve esencial cuando el valor real no puede

obtenerse analíticamente o no se necesita una precisión excesiva para el contexto.

La diferencia entre el valor aproximado y el valor real se denomina error, y este

puede clasificarse en:

 Error absoluto: diferencia directa entre el valor real y el aproximado.

 Error relativo: relación entre el error absoluto y el valor real, útil para juzgar la

significación del error.

Existen dos motivaciones principales para utilizar aproximaciones numéricas:

 Imposibilidad de encontrar el valor exacto (como la raíz de una ecuación

trascendental).

 Necesidad práctica de simplificar cálculos, como en la ingeniería, donde se toleran

márgenes de error.
La aproximación numérica, entonces, es inseparable del análisis numérico. Toda

aplicación de un método numérico es, por naturaleza, una aproximación a la solución real

del problema.

El concepto de iteración es clave. Cada paso del algoritmo numérico tiene como objetivo

mejorar la solución anterior. Este proceso cíclico termina cuando el cambio entre dos

aproximaciones sucesivas es menor que un valor umbral, conocido como tolerancia de

error.

En este contexto, es importante distinguir entre dos cualidades fundamentales:

 Exactitud: Qué tan cerca está el resultado del valor real.

 Precisión: Qué tan consistentes son los resultados obtenidos en varias iteraciones.

Un método puede ser preciso, pero no exacto, si produce resultados similares que se

alejan del valor real. De igual manera, puede ser exacto, pero no preciso si,

ocasionalmente, acierta el valor real, pero presenta variaciones considerables entre los

resultados.

Una analogía común es una diana de tiro al blanco:

 Precisión sin exactitud: todos los disparos están juntos, pero lejos del centro.

 Exactitud sin precisión: algunos disparos están cerca del centro, pero dispersos.

 Precisión y exactitud: todos los disparos están cerca del centro y agrupados.
 3. ERRORES NUMÉRICOS

Ilustración 3.Errores numéricos

Los errores numéricos se generan con el uso de aproximaciones para representar las

operaciones y cantidades matemáticas.

Estos incluyen de truncamiento que resultan de representar aproximadamente un

procedimiento matemático exacto, y los errores de redondeo, que resultan de presentar

aproximadamente números exactos.

Existen varios tipos de errores numéricos como:

 Errores absolutos
Se define como la diferencia que existe entre el valor exacto y su valor calculado o

redondeado. El error absoluto no es negativo, debido a que la definición se dio en

términos del valor absoluto. Así pues, una suma (colección) de errores siempre se

incrementa juntas, sin reducirse.

Error Absoluto = | valor exacto – valor calculado|

ϵα =x−x ¡

 Errores Relativos
Es el cociente (la división) entre el error absoluto y el valor exacto. Si se multiplica por 100

se obtiene el tanto por ciento (%) de error. Al igual que el error absoluto puede ser positivo
o negativo (según lo sea el error absoluto) porque puede ser por exceso o por defecto. no

tiene unidades.

Error Relativo ¿ X − Xr|/|X|

 Error por redondeo

Los errores de redondeo se deben a que las computadoras sólo guardan un número finito

de cifras significativas durante un cálculo. Las computadoras realizan esta función de

maneras diferentes. Por ejemplo, si sólo se guardan siete cifras significativas, la

computadora puede almacenar y usar “pi” como “pi” = 3.141592, omitiendo los términos

restantes y generando un error de redondeo.

 Error por truncamiento

Los errores de truncamiento son aquellos que resultan al usar una aproximación en lugar

de un procedimiento matemático exacto. Además, para obtener conocimiento de las

características de estos errores se regresa a la formulación matemática usada

ampliamente en los métodos numéricos para expresar Funciones en forma polinomial:

Serie de Taylor
Fórmulas para el cálculo de errores

Error absoluto | X−Xr|

Error relativo | X−Xr|

| X|

error relativo modificado 2|X −Xr|

| X|+|Xr|
Tabla 1.Fórmulas para el cálculo de errores
 Fórmulas para el Cálculo de Errores a Funciones Variables

Error Propagado Absoluto |f ( X )−f ( Xr ) ≫| X− Xr||f '( Xr)||

o Error Absoluto Exacto

Error Propagado Relativo | X−Xr||f '(Xr )|

|f ( x )|
Error de Redondeo |f ( Xr )−fr( Xr)|
Error Total de la Evaluación |f ( X )−fr ( Xr)|
f ( Xr ) =|f ( X )−f (Xr )|
Factor de Amplificación f’(Xr) '

| X−Xr|

Tabla 2Fórmulas para el Cálculo de Errores a Funciones Variables

 CIFRA SIGNIFICATIVA

Ilustración 4.Cifras significativas

Las cifras significativas, que también se conocen como dígitos significativos, son las cifras

que contienen la información que resulta de una medición y éstas dependen directamente

del instrumento de medición empleado.

Es costumbre trabajar con cifras significativas -y operaciones entre ellas sin hacer

referencia al origen de ese valor.

Cuando se escribe el resultado de una medición, sea directa o indirecta, deben tomarse

en cuenta las siguientes reglas para determinar el número de cifras significativas:

1. Todos los dígitos diferentes de cero son significativos.

2. Los ceros situados entre cifras significativas son significativos.

3. Los ceros a la izquierda del primer dígito diferente de cero, no son

significativos.

4. Los ceros situados a la derecha son cifras significativas cuando se escribe el

signo decimal.1

5. Si un número no tiene signo decimal y termina con uno o más ceros, dichos

ceros pueden o no ser significativos.

Para expresar que son significativos se recurre a escribir el número en notación científica.

1. Los números escritos en notación científica tienen tantas cifras significativas

como dígitos existan en la cantidad

asociada al coeficiente de la potencia base diez de la expresión.

Ejemplos.

● 1.45 tiene tres cifras significativas.

● 0.0140 tiene tres cifras significativas.

● 1.310 tiene cuatro cifras significativas.

● 10.01 tiene cuatro cifras significativas.

● 0.6252 = 6.252x10–1 = 62.52x10–2 tiene cuatro cifras significativas.

● 10.0 tiene tres cifras significativas.

 PRECISIÓN

Ilustración 5.Precision

Con la precisión se mide cuánto se acercan los resultados entre sí. Si bien es cierto que la

exactitud se puede usar en una instancia específica, la precisión se puede medir a lo largo

del tiempo. El motivo es que para medir la precisión se requiere de repetibilidad, a fin de

determinar el grado de proximidad entre cada conjunto de mediciones. La alta precisión

se produce cuando los resultados son similares entre sí, mientras que la precisión es baja

cuando los resultados están dispersos. La medición de la precisión es particularmente útil

en dos casos:

1. Cuando intentas evitar cometer el mismo error

2. Cuando logras buenos resultados y quieres determinar un proceso para la

reproducibilidad

Siguiendo el ejemplo anterior, digamos que las tasas de rebote de tus páginas se

redujeron en el mismo porcentaje. Entonces, cada página del sitio web desciende a la

misma tasa de rebote y en la misma cantidad, independientemente de que sea un 6 o un

20 %. En este caso la precisión es alta, aunque no, exacta.

Medición de la precisión: Cuánto se aproximan las mediciones entre sí. Para revisar la

precisión, deberás desarrollar un sistema de seguimiento con el que se muestren varios

puntos de datos o resultados comparados a lo largo del tiempo.

EXACTITUD

Ilustración 6.Exactitud

La palabra “exactitud” proviene del latín exactus, que significa “preciso” o “puntual”,

participio pasado del verbo exigiré, que puede traducirse como “empujar”, “sacar” o “hacer

salir”. En su raíz, la idea de lo exacto estaba ligada a aquello que tiene la fuerza justa para

extraer algo con precisión. Con el paso del tiempo, esta noción evolucionó hasta expresar

el ajuste riguroso a un patrón, modelo o realidad.

En el uso moderno, la exactitud se refiere a la cercanía entre un valor obtenido y el valor

verdadero o ideal. En otras palabras, algo es exacto si representa fielmente la realidad.

La exactitud es la cualidad de un resultado, instrumento, medición o estimación de

coincidir, dentro de un margen aceptable, con el valor real o de referencia. En este

sentido, algo exacto refleja fielmente la magnitud, cantidad o estado que pretende

representar.

Por ejemplo:
  Una medición exacta del peso de un objeto refleja el valor más cercano posible a

su masa real.

 Un retrato exacto representa con gran fidelidad los rasgos de una persona.

 Un diagnóstico exacto identifica correctamente una enfermedad específica.

En la práctica científica y técnica, los instrumentos de medición juegan un papel central.

Termómetros, balanzas, calibradores, sensores digitales, voltímetros y muchos otros

dispositivos buscan medir cantidades físicas con el mayor grado posible de exactitud.

Un instrumento se considera más exacto cuando su margen de error es pequeño, es

decir, cuando el valor que arroja es muy próximo al valor real.

Por ejemplo

Si el peso real de un objeto es 500 g:

 Un instrumento que marca 499 g tiene alta exactitud.

 Uno que marca 470 g tiene baja exactitud.

Factores que afectan la exactitud de una medición.

 Calibración del instrumento: un instrumento mal calibrado dará resultados

desviados.

 Condiciones externas: temperatura, humedad, vibraciones, etc., pueden afectar la

medición.

 Errores sistemáticos: si el método de medición tiene un sesgo constante,

disminuirá la exactitud.

Un instrumento puede ser:

  Exacto, pero no preciso: acierta el valor real ocasionalmente, pero tiene resultados

dispersos.

 Preciso, pero no exacto: produce resultados consistentes pero alejados del valor

verdadero.

 Ambos: idealmente, se busca alta exactitud y precisión.

En el ámbito científico y tecnológico, la exactitud es crítica. Muchos procesos dependen

de valores numéricos correctos para garantizar la seguridad, la eficacia o la viabilidad de

un proyecto. Como, por ejemplo:

En ingeniería
 Construcción civil: un ángulo incorrecto puede desestabilizar una estructura.

 Electrónica: una resistencia mal medida puede provocar fallos en un circuito.

 Aeronáutica: una inexactitud en la navegación puede desviar gravemente una ruta.

En medicina
 Un diagnóstico inexacto puede llevar a un tratamiento equivocado.

 Una dosis inexacta puede resultar peligrosa.

En química
 Medir la cantidad exacta de un reactivo es esencial para que una reacción ocurra

correctamente.

 Las balanzas analíticas deben tener un margen mínimo de error.

 INCERTIDUMBRE

Ilustración 7. Incertidumbre

La incertidumbre en una medición es una estimación que caracteriza el rango dentro del

cual se espera que se encuentre el valor verdadero de una cantidad física. Toda medición,

por precisa que sea, contiene un grado de duda debido a múltiples factores como el

instrumento utilizado, las condiciones del entorno, el procedimiento aplicado y la habilidad

del operador. No es un error, sino una propiedad natural e inherente a la medición.

Conocer la incertidumbre de una medición es esencial porque:

• Permite evaluar la calidad y confiabilidad de los resultados.

• Facilita la comparación entre mediciones de diferentes laboratorios o

métodos.

• Es necesaria para validar modelos y teorías científicas.

• Se exige en normas internacionales como la GUM (Guía para la

Expresión de la Incertidumbre de Medida) y en acreditaciones de

laboratorios.

Tipos de incertidumbre
  Aleatoria
Se debe a variaciones impredecibles y espontáneas en las condiciones del experimento.

Afecta la precisión y se puede minimizar repitiendo la medición y promediando los

resultados. Ejemplo: fluctuaciones en la lectura de un cronómetro manual.

 Sistemática
Es un sesgo constante que desplaza los resultados en una dirección. Afecta la exactitud y

no se elimina promediando. Se corrige identificando su causa. Ejemplo: un instrumento

mal calibrado.

Clasificación según la GUM

Incertidumbre Tipo A

• Se evalúa mediante métodos estadísticos.

• Requiere un conjunto de datos repetidos.

• Se calcula con la desviación estándar.

Incertidumbre Tipo B

• Se basa en estimaciones informadas: especificaciones del fabricante,

experiencias previas, estándares de referencia, etc.

• No depende de datos experimentales repetidos.

Formato para expresar resultados

Una medición con incertidumbre debe expresarse de esta manera:

X =Xmejor ± α x

Donde:

Xmejor: Es el mejor estimado del valor (Media)

Az: Es la incertidumbre absoluta

También se puede expresar como incertidumbre relativa (o porcentual):

 αx
×100 %
| Xmejor|

Exactitud vs Precisión

• Precisión: qué tanto se agrupan los valores entre sí. Relacionada con la

incertidumbre aleatoria.

• Exactitud: qué tan cercano está el resultado al valor verdadero.

Afectada por errores sistemáticos.

Una medición puede ser precisa pero inexacta (si hay error sistemático) o inexacta pero

precisa (si hay gran variabilidad).

Consideraciones adicionales

• Cifras significativas: La incertidumbre debe tener 1 o 2 cifras

significativas, y el valor reportado debe ajustarse a esa cantidad de

decimales.

• Intervalos de confianza: Algunos informes usan el 95 % o el 99 % de

confianza, lo que significa que se espera que el valor real caiga dentro

del intervalo en el 95 % de los casos.

• Simulaciones Monte Carlo: En casos complejos, se puede usar este

método para evaluar la propagación de la incertidumbre mediante

cálculos repetidos aleatorios.

 SESGO

Ilustración 8. sesgo

En matemáticas y estadística, el sesgo se refiere a una desviación sistemática de un valor

esperado o de una estimación con respecto al valor real. Es una tendencia a favorecer
ciertos resultados sobre otros, lo que puede llevar a conclusiones incorrectas.

Tipos de sesgo en matemáticas y estadística:

 Sesgo de muestreo:

Ocurre cuando la muestra utilizada para el análisis no representa adecuadamente a la

población objetivo. Esto puede llevar a conclusiones erróneas sobre la población
general.

 Sesgo de medición:

Se produce cuando los instrumentos o métodos de medición introducen errores

sistemáticos, afectando la precisión de los resultados.

 Sesgo de confirmación:

La tendencia a buscar, interpretar, favorecer y recordar la información que confirma las

propias creencias o hipótesis, ignorando la evidencia contraria.

 Sesgo de publicación:

La tendencia a publicar resultados positivos (aquellos que confirman una hipótesis) y a

no publicar resultados negativos o no concluyentes, lo que puede llevar a una visión
sesgada de la realidad.

 Sesgo de memoria:

Cuando los participantes de un estudio recuerdan eventos de manera selectiva,

favoreciendo aquellos que apoyan su narrativa o creencias.

 Sesgo de confirmación en la interpretación de datos:

 Cuando se interpreta la información de una manera que confirma las propias
expectativas, incluso cuando existen otras interpretaciones igualmente válidas.

 Sesgo de género:
En matemáticas y otras disciplinas, puede manifestarse en la infravaloración o
penalización del trabajo a tiempo parcial, afectando desproporcionadamente a las
mujeres, según un estudio de la revista International Mathematics and its Applications.

Importancia de evitar el sesgo:

El sesgo puede llevar a conclusiones erróneas y a tomar decisiones basadas en
información incorrecta. Es crucial identificar y corregir el sesgo para asegurar la validez y
fiabilidad de los resultados matemáticos y estadísticos, como señala un artículo sobre la
medición de sistemas.

Ejemplos de sesgo:
 Encuestar solo a personas que están en contra de una política para demostrar que es
impopular.
 Utilizar una muestra de conveniencia (por ejemplo, solo estudiantes de una universidad)
para generalizar sobre la población general.
 Interpretar una correlación entre dos variables como causalidad.
Cómo evitar el sesgo:
 Utilizar métodos de muestreo aleatorio para asegurar que la muestra sea representativa
de la población.
 Utilizar instrumentos de medición validados y calibrados para reducir errores de medición.
 Ser consciente de las propias expectativas y prejuicios al analizar datos.
 Buscar la opinión de otros investigadores para obtener diferentes perspectivas.
 Publicar tanto resultados positivos como negativos para obtener una visión completa del
problema.
En resumen, el sesgo en matemáticas y estadística es una desviación sistemática que
puede afectar la validez de los resultados. Identificar y corregir el sesgo es crucial para
obtener conclusiones precisas y confiables.
 CONCLUSIÓN
En resumen, los métodos numéricos constituyen herramientas indispensables para
abordar problemas reales en los que las soluciones exactas no son factibles. Sin
embargo, el uso de aproximaciones implica una responsabilidad: entender y manejar
adecuadamente los errores numéricos y sus implicaciones. Conceptos como cifras
significativas, precisión, exactitud e incertidumbre no solo permiten evaluar la calidad
de los resultados, sino que también orientan sobre su validez y utilidad en contextos
prácticos. El dominio de estos temas no solo mejora la capacidad de resolver problemas
numéricos, sino que también fomenta un pensamiento crítico sobre los resultados
obtenidos, lo cual es esencial en cualquier disciplina científica o técnica.
REFERENCIAS
Métodos numéricos
https://metodosgeralex.home.blog/2019/02/16/importancia-y-conceptos-basicos-de-los-
metodos-numericos/

Aproximación
https://www.ingenieria.unam.mx/pinilla/PE105117/pdfs/
tema1/1_aproximacion_numerica_y_errores.pdf
https://centros.edu.xunta.gal/cafi/aulavirtual/pluginfile.php/40439/mod_imscp/content/2/
aproximacin.html#:~:text=Cuando%20aproximamos%20el%20resultado%20de,llama
%20valor%20aproximado%20o%20aproximaci%C3%B3n
https://www.coursehero.com/es/file/213942787/Aproximaci%C3%B3n-num%C3%A9rica-y-
errorespdf/

Exactitud
https://concepto.de/exactitud/

https://www.significados.com/exactitud/

Errores numéricos .
https://metnumerico.wordpress.com/2016/11/06/formas-de-medir-el-error/

Incertidumbre
https://srco.org.co/NotasFExp/docs/part2/definicion-incertidumbre.html

Sesgo
https://www.educaopen.com/digital-lab/blog/software/sesgo-estadistica#:~:text=Sesgo
%20de%20causalidad%20falsa,el%20aumento%20de%20la%20criminalidad.
https://economipedia.com/definiciones/sesgo-estadistico.html#:~:text=el%20de
%20informaci%C3%B3n.-,Ejemplos%20de%20sesgo%20estad%C3%ADstico%20de
%20selecci%C3%B3n,objetivo%20es%20confirmar%20el%20estudio.
https://study.com/academy/lesson/bias-in-statistics-definition-
examples.html#:~:text=Definici%C3%B3n%20de%20sesgo%20en%20estad
%C3%ADstica,-Un%20sesgo%20es&text=El%20sesgo%20intencional%20en%20las,los
%20resultados%20de%20los%20datos.