Estad�stica

Ir a la navegaci�nIr a la b�squeda
Para an�lisis, datos y gr�ficas sobre Wikipedia, v�ase Wikipedia:Estad�sticas.

Una distribuci�n normal

La estad�stica (la forma femenina del t�rmino alem�n Statistik, derivado a su vez
del italiano statista, "hombre de Estado"),1? es la rama de las matem�ticas que
estudia la variabilidad, as� como el proceso aleatorio que la genera siguiendo
leyes de probabilidad.2? Como parte de la matem�tica, la estad�stica es una ciencia
formal deductiva, con un conocimiento propio, din�mico y en continuo desarrollo
obtenido a trav�s del m�todo cient�fico formal. En ocasiones, las ciencias f�cticas
necesitan utilizar t�cnicas estad�sticas durante su proceso de investigaci�n
factual, con el fin de obtener nuevos conocimientos basados en la experimentaci�n y
en la observaci�n. En estos casos, la aplicaci�n de la estad�stica permite el
an�lisis de datos provenientes de una muestra representativa, que busca explicar
las correlaciones y dependencias de un fen�meno f�sico o natural, de ocurrencia en
forma aleatoria o condicional.

La estad�stica es �til para una amplia variedad de ciencias f�cticas, desde la

f�sica hasta las ciencias sociales, desde las ciencias de la salud hasta el control
de calidad. Adem�s, se usa en �reas de negocios o instituciones gubernamentales con
el objetivo de describir el conjunto de datos obtenidos para la toma de decisiones,
o bien para realizar generalizaciones sobre las caracter�sticas observadas.

En la actualidad, la estad�stica aplicada a las ciencias f�cticas permite estudiar

una determinada poblaci�n a partir de la recopilaci�n de informaci�n, el an�lisis
de datos y la interpretaci�n de resultados. Del mismo modo, tambi�n es una ciencia
esencial para el estudio cuantitativo de los fen�menos de masa o colectivos.

La estad�stica se divide en dos grandes �reas:

Estad�stica descriptiva: Se dedica a la descripci�n, visualizaci�n y resumen de

datos originados a partir de los fen�menos de estudio. Los datos pueden ser
resumidos num�rica o gr�ficamente. Su objetivo es organizar y describir las
caracter�sticas sobre un conjunto de datos con el prop�sito de facilitar su
aplicaci�n, generalmente con el apoyo de gr�ficas, tablas o medidas num�ricas.
Ejemplos b�sicos de par�metros estad�sticos son: la media y la desviaci�n est�ndar.
Ejemplos gr�ficos son: histograma, pir�mide poblacional, gr�fico circular, entre
otros.
Estad�stica inferencial: Se dedica a la generaci�n de los modelos, inferencias y
predicciones asociadas a los fen�menos en cuesti�n teniendo en cuenta la
aleatoriedad de las observaciones. Se usa para modelar patrones en los datos y
extraer inferencias acerca de la poblaci�n bajo estudio. Estas inferencias pueden
tomar la forma de respuestas a preguntas s�/no (prueba de hip�tesis), estimaciones
de unas caracter�sticas num�ricas (estimaci�n), pron�sticos de futuras
observaciones, descripciones de asociaci�n (correlaci�n) o modelamiento de
relaciones entre variables (an�lisis de regresi�n). Otras t�cnicas de modelamiento
incluyen an�lisis de varianza, series de tiempo y miner�a de datos. Su objetivo es
obtener conclusiones �tiles para lograr hacer deducciones acerca de la totalidad de
todas las observaciones hechas, bas�ndose en la informaci�n num�rica.
Ambas ramas (descriptiva e inferencial) se utilizan en la estad�stica aplicada. La
estad�stica inferencial, por su parte, se divide en estad�stica param�trica y
estad�stica no param�trica.

Existe tambi�n una disciplina llamada estad�stica matem�tica que establece las
bases te�ricas de las t�cnicas estad�sticas. La palabra �estad�sticas� se refiere
al resumen de resultados estad�sticos, habitualmente descriptivos, como en
estad�sticas econ�micas, estad�sticas criminales, etc�tera.
�ndice
1 Historia
1.1 Origen
1.2 Empleo de la estad�stica en las antiguas civilizaciones
1.2.1 En la Edad Media
1.2.2 En la Edad Moderna
1.3 Or�genes en probabilidad
1.4 Siglo XX
1.5 Estado actual
2 M�todos estad�sticos
2.1 Estudios experimentales y observacionales
2.2 Niveles de medici�n
2.3 T�cnicas de an�lisis estad�stico
3 Lenguaje y simbolog�a
3.1 Poblaci�n y muestra
3.2 Par�metro
4 Disciplinas especializadas
5 Computaci�n estad�stica
6 Mal uso de la estad�stica
7 Inferencia cl�sica e inferencia bayesiana
8 Ense�anza de la estad�stica en las ciencias sociales
9 V�ase tambi�n
10 Referencias
11 Bibliograf�a
12 Enlaces externos
Historia
Origen
El t�rmino alem�n Statistik, introducido originalmente por Gottfried Achenwall en
1749, se refer�a al an�lisis de datos del Estado, es decir, la �ciencia del Estado�
(o m�s bien, de la ciudad-estado). Tambi�n se llam� aritm�tica pol�tica de acuerdo
con la traducci�n literal del ingl�s. No fue hasta el siglo XIX cuando el t�rmino
estad�stica adquiri� el significado de recolectar y clasificar datos. Este concepto
fue introducido por el militar brit�nico sir John Sinclair (1754-1835).

En su origen, por tanto, la estad�stica estuvo asociada a los Estados o ciudades

libres, para ser utilizados por el gobierno y cuerpos administrativos (a menudo
centralizados). La colecci�n de datos acerca de estados y localidades contin�a
ampliamente a trav�s de los servicios de estad�stica nacionales e internacionales.
En particular, los censos comenzaron a suministrar informaci�n regular acerca de la
poblaci�n de cada pa�s. As� pues, los datos estad�sticos se refer�an originalmente
a los datos demogr�ficos de una ciudad o Estado determinados. Y es por ello que en
la clasificaci�n decimal de Melvil Dewey, empleada en las bibliotecas, todas las
obras sobre estad�stica se encuentran ubicadas al lado de las obras de o sobre la
demograf�a.

Ya se utilizaban representaciones gr�ficas y otras medidas en pieles, rocas, palos

de madera y paredes de cuevas para controlar el n�mero de personas, animales o
ciertas mercanc�as. Hacia el a�o 3000 a. C. los babilonios usaban ya peque�os
envases moldeados de arcilla para recopilar datos sobre la producci�n agr�cola y de
los g�neros vendidos o cambiados. Los egipcios analizaban los datos de la poblaci�n
y la renta del pa�s mucho antes de construir las pir�mides en el siglo XI a. C. Los
libros b�blicos de N�meros y Cr�nicas incluyen en algunas partes trabajos de
estad�stica. El primero contiene dos censos de la poblaci�n de la Tierra de Israel
y el segundo describe el bienestar material de las diversas tribus jud�as. En China
exist�an registros num�ricos similares con anterioridad al a�o 2000 a. C. Los
antiguos griegos realizaban censos cuya informaci�n se utilizaba hacia el 594 a. C.
para cobrar impuestos.
Empleo de la estad�stica en las antiguas civilizaciones
Art�culo principal: Edad Antigua
En la Edad Antigua, la estad�stica consist�a en elaborar censos (de poblaci�n y
tierras). Su objetivo era facilitar la gesti�n de las labores tributarias, obtener
datos sobre el n�mero de personas que podr�an servir en el ej�rcito o establecer
repartos de tierras o de otros bienes.

En Egipto: La estad�stica comienza con la Dinast�a I, en el a�o 3050 a. C. Los

faraones ordenaban la realizaci�n de censos con la finalidad de obtener los datos
sobre tierras y riquezas para poder planificar la construcci�n de las pir�mides.
En China: A�o 2238 a. C. el emperador Yao elabora un censo general sobre la
actividad agr�cola, industrial y comercial.
En la Antigua Grecia: Se realizaron censos para cuantificar la distribuci�n y
posesi�n de la tierra y otras riquezas, organizar el servicio militar y determinar
el derecho al voto.
En la Antigua Roma: Durante el Imperio romano se establecieron registros de
nacimientos y defunciones, y se elaboraron estudios sobre los ciudadanos, sus
tierras y sus riquezas.
En M�xico: A�o 1116, durante la segunda migraci�n de las tribus chichimecas, el rey
X�lotl orden� que fueran censados los s�bditos.
En el Oriente Medio, bajo el dominio sumerio, Babilonia ten�a casi 6000 habitantes.
Se encontraron en ella tablillas de arcilla que registraban los negocios y asuntos
legales de la ciudad.
El censo en el pueblo jud�o sirvi�, adem�s de prop�sitos militares, para calcular
el monto de los ingresos del templo.
En la Edad Media
Art�culo principal: Edad Media
Durante la Edad Media, la estad�stica no present� grandes avances, pero destaca el
trabajo de Isidoro de Sevilla, quien recopil� y clasific� datos de diversa
naturaleza cuyos resultados se publicaron en la obra Originum sive Etymologiarum.

En la Edad Moderna
Art�culo principal: Edad Moderna
En Espa�a, destacan: el censo de Pecheros (1528), el de los Obispos (1587), el
Censo de los Millones (1591) y el Censo del conde de Aranda (1768).
En Inglaterra, la peste de la d�cada de 1500 provoc� un aumento en la
contabilizaci�n de los datos sobre defunciones y nacimientos.
Or�genes en probabilidad
Los m�todos estad�stico-matem�ticos emergieron desde la teor�a de probabilidad, la
cual data desde la correspondencia entre Pascal y Pierre de Fermat (1654).
Christian Huygens (1657) da el primer tratamiento cient�fico que se conoce a la
materia. El Ars coniectandi (p�stumo, 1713) de Jakob Bernoulli y la Doctrina de
posibilidades (1718) de Abraham de Moivre estudiaron la materia como una rama de
las matem�ticas.3? En la era moderna, el trabajo de Kolmog�rov ha sido un pilar en
la formulaci�n del modelo fundamental de la Teor�a de Probabilidades, el cual es
usado a trav�s de la estad�stica.

La teor�a de errores se puede remontar a la �pera miscell�nea (p�stuma, 1722) de

Roger Cotes y al trabajo preparado por Thomas Simpson en 1755 (impreso en 1756) el
cual aplica por primera vez la teor�a de la discusi�n de errores de observaci�n. La
reimpresi�n (1757) de este trabajo incluye el axioma de que errores positivos y
negativos son igualmente probables y que hay unos ciertos l�mites asignables dentro
de los cuales se encuentran todos los errores; se describen errores continuos y una
curva de probabilidad.

Pierre-Simon Laplace (1774) hace el primer intento de deducir una regla para la
combinaci�n de observaciones desde los principios de la teor�a de probabilidades.
Laplace represent� la Ley de probabilidades de errores mediante una curva y dedujo
una f�rmula para la media de tres observaciones. Tambi�n, en 1871, obtiene la
f�rmula para la ley de facilidad del error (t�rmino introducido por Lagrange, 1744)
pero con ecuaciones inmanejables. Daniel Bernoulli (1778) introduce el principio
del m�ximo producto de las probabilidades de un sistema de errores concurrentes.

Fotograf�a de Ceres por el telescopio espacial Hubble. La posici�n fue estimada por
Gauss mediante el m�todo de m�nimos cuadrados.
El m�todo de m�nimos cuadrados, el cual fue usado para minimizar los errores en
mediciones, fue publicado independientemente por Adrien-Marie Legendre (1805),
Robert Adrain (1808), y Carl Friedrich Gauss (1809). Gauss hab�a usado el m�todo en
su famosa predicci�n de la localizaci�n del planeta enano Ceres en 1801. Pruebas
adicionales fueron escritas por Laplace (1810, 1812), Gauss (1823), James Ivory
(1825, 1826), Hagen (1837), Friedrich Bessel (1838), W. F. Donkin (1844, 1856),
John Herschel (1850) y Morgan Crofton (1870). Otros contribuidores fueron Ellis
(1844), Augustus De Morgan (1864), Glaisher (1872) y Giovanni Schiaparelli (1875).
La f�rmula de Peters para {\displaystyle r} r, el probable error de una observaci�n
simple es bien conocido.

El siglo XIX incluye autores como Laplace, Silvestre Lacroix (1816), Littrow
(1833), Richard Dedekind (1860), Helmert (1872), Hermann Laurent (1873), Liagre y
Didion. Augustus De Morgan y George Boole mejoraron la presentaci�n de la teor�a.
Adolphe Quetelet (1796-1874), fue otro importante fundador de la estad�stica y
quien introdujo la noci�n del �hombre promedio� (l�homme moyen) como un medio de
entender los fen�menos sociales complejos tales como tasas de criminalidad, tasas
de matrimonio o tasas de suicidios.

Siglo XX

Karl Pearson, un fundador de la estad�stica matem�tica.

El campo moderno de la estad�stica se emergi� a los principios del siglo XX
dirigida por la obra de Francis Galton y Karl Pearson, quienes transformaron la
estad�stica a convertirse en una disciplina matem�tica rigurosa usada por an�lisis,
no solamente en la ciencia sino en la manufactura y la pol�tica. Las contribuciones
de Galton incluyen los conceptos de desviaci�n t�pica, correlaci�n, an�lisis de la
regresi�n y la aplicaci�n de estos m�todos al estudio de la variedad de
caracter�sticas �la altura, el peso entre otros�.4? Pearson desarroll� el
coeficiente de correlaci�n de Pearson, defini� como un momento-producto,5? el
m�todo de momentos por caber las distribuciones a las muestras y la distribuciones
de Pearson, entre otras cosas.6? Galton y Pearson se fundaron Biometrika como su
primera revista de la estad�stica matem�tica y la bioestad�stica (en aquel entonces
conocida como la biometr�a). Pearson tambi�n fund� el primer departamento de
estad�stica en University College de Londres.7?

Durante el siglo XX, la creaci�n de instrumentos precisos para asuntos de salud

p�blica (epidemiolog�a, bioestad�stica, etc.) y prop�sitos econ�micos y sociales
(tasa de desempleo, econometr�a, etc.) necesit� de avances sustanciales en las
pr�cticas estad�sticas.

La segunda ola de los a�os 1910 y 1920 se inici� William Gosset, y se culmin� en la
obra de Ronald Fisher, qui�n escribi� los libros de texto que iban a definir la
disciplina acad�mica en universidades en todos lados del mundo. Sus publicaciones
m�s importantes fueron su papel de 1918 The Correlation between Relatives on the
Supposition of Mendelian Inheritance, lo cual era el primero en usar el t�rmino
estad�stico varianza, su obra cl�sica de 1925 Statistical Methods for Research
Workers y su 1935 The Design of Experiments,8?9?10?11? donde desarroll� los modelos
rigurosos de dise�o experimental. Origin� el concepto de suficiencia y la
informaci�n de Fisher.12? En su libro de 1930 The Genetical Theory of Natural
Selection aplic� la estad�stica a varios conceptos en la biolog�a como el Principio
de Fisher13? (sobre el ratio de sexo), el Fisherian runaway,14?15?16?17?18?19? un
concepto en la selecci�n sexual sobre una realimentaci�n positiva efecto hallado en
la evoluci�n.

Estado actual
Hoy el uso de la estad�stica se ha extendido m�s all� de sus or�genes como un
servicio al Estado o al gobierno. Personas y organizaciones usan la estad�stica
para entender datos y tomar decisiones en ciencias naturales y sociales, medicina,
negocios y otras �reas. La estad�stica es una sub-�rea de las matem�ticas cuya
aplicaci�n en el �mbito de las ciencias f�cticas es �til para el avance del
conocimiento cient�fico factual, consider�ndose como una ciencia formal �aliada� de
la ciencia f�ctica. Muchas universidades tienen departamentos acad�micos de
matem�ticas (con especializaci�n en estad�stica) o de estad�stica separadamente. La
estad�stica se ense�a en departamentos tan diversos como psicolog�a, sociolog�a,
educaci�n y salud p�blica.20?

Regresi�n lineal � gr�ficos de dispersi�n en estad�stica.

Al aplicar la estad�stica a un problema cient�fico, industrial o social, se
comienza con un proceso o poblaci�n a ser estudiado. Esta puede ser la poblaci�n de
un pa�s, de granos cristalizados en una roca o de bienes manufacturados por una
f�brica en particular durante un periodo dado. Tambi�n podr�a ser un proceso
observado en varios instantes y los datos recogidos de esta manera constituyen una
serie de tiempo.

Por razones pr�cticas, en lugar de compilar datos de una poblaci�n entera,

usualmente se estudia un subconjunto seleccionado de la poblaci�n, llamado muestra.
Datos acerca de la muestra son recogidos de manera observacional o experimental.
Los datos son entonces analizados estad�sticamente lo cual sigue dos prop�sitos:
descripci�n e inferencia.

El concepto de correlaci�n es particularmente valioso. An�lisis estad�sticos de un

conjunto de datos puede revelar que dos variables (esto es, dos propiedades de la
poblaci�n bajo consideraci�n) tienden a variar conjuntamente, como si hubiera una
conexi�n entre ellas. Por ejemplo, un estudio del ingreso anual y la edad de muerte
podr�a resultar en que personas pobres tienden a tener vidas m�s cortas que
personas de mayor ingreso. Las dos variables se dice que est�n correlacionadas. Sin
embargo, no se puede inferir inmediatamente la existencia de una relaci�n de
causalidad entre las dos variables. El fen�meno correlacionado podr�a ser la causa
de una tercera, previamente no considerada, llamada variable confusora.

Si la muestra es representativa de la poblaci�n, inferencias y conclusiones hechas

en la muestra pueden ser extendidas a la poblaci�n completa. Un problema mayor es
el de determinar cu�n representativa es la muestra extra�da. La estad�stica ofrece
medidas para estimar y corregir por aleatoriedad en la muestra y en el proceso de
recolecci�n de los datos, as� como m�todos para dise�ar experimentos robustos como
primera medida, ver dise�o experimental.

El concepto matem�tico fundamental empleado para entender la aleatoriedad es el de

probabilidad. La estad�stica matem�tica (tambi�n llamada teor�a estad�stica) es la
rama de las matem�ticas aplicadas que usa la teor�a de probabilidades y el an�lisis
matem�tico para examinar las bases te�ricas de la estad�stica.

El uso de cualquier m�todo estad�stico es v�lido solo cuando el sistema o poblaci�n

bajo consideraci�n satisface los supuestos matem�ticos del m�todo. El mal uso de la
estad�stica puede producir serios errores en la descripci�n e interpretaci�n, lo
cual podr�a llegar a afectar pol�ticas sociales, la pr�ctica m�dica y la calidad de
estructuras tales como puentes y plantas de reacci�n nuclear.

Incluso cuando la estad�stica es correctamente aplicada, los resultados pueden ser

dif�ciles de interpretar por un inexperto. Por ejemplo, el significado estad�stico
de una tendencia en los datos, que mide el grado al cual la tendencia puede ser
causada por una variaci�n aleatoria en la muestra, puede no estar de acuerdo con el
sentido intuitivo. El conjunto de habilidades estad�sticas b�sicas (y el
escepticismo) que una persona necesita para manejar informaci�n en el d�a a d�a se
refiere como �cultura estad�stica�.

M�todos estad�sticos
Estudios experimentales y observacionales
Un objetivo com�n para un proyecto de investigaci�n es investigar la causalidad, y
en particular extraer una conclusi�n en el efecto que algunos cambios en los
valores de predictores o variables independientes tienen sobre una respuesta o
variables dependientes. Hay dos grandes tipos de estudios para estudiar causalidad:
estudios experimentales y observacionales. En ambos tipos de estudios se observa el
efecto de una o varias variables independientes en el comportamiento de una
variable dependiente. La diferencia entre los dos tipos es la forma en la que el
estudio es conducido. Cada uno de ellos puede ser muy efectivo y la estad�stica
juega un papel muy importante en el an�lisis de la informaci�n.

Niveles de medici�n
Hay cuatro tipos de mediciones o escalas de medici�n en estad�stica: niveles de
medici�n (nominal, ordinal, intervalo y raz�n). Tienen diferentes grados de uso en
la investigaci�n estad�stica. Las medidas de raz�n, en donde un valor cero y
distancias entre diferentes mediciones son definidas, dan la mayor flexibilidad en
m�todos estad�sticos que pueden ser usados para analizar los datos. Las medidas de
intervalo tienen distancias interpretables entre mediciones, pero un valor cero sin
significado (como las mediciones de coeficiente intelectual o de la temperatura en
grados Celsius). Las medidas ordinales tienen imprecisas diferencias entre valores
consecutivos, pero un orden interpretable para sus valores. Las medidas nominales
no tienen ning�n rango interpretable entre sus valores.

La escala de medida nominal, puede considerarse la escala de nivel m�s bajo. Se

trata de agrupar objetos en clases. La escala ordinal, por su parte, recurre a la
propiedad de �orden� de los n�meros. La escala de intervalos iguales est�
caracterizada por una unidad de medida com�n y constante. Es importante destacar
que el punto cero en las escalas de intervalos iguales es arbitrario, y no refleja
en ning�n momento ausencia de la magnitud que estamos midiendo. Esta escala, adem�s
de poseer las caracter�sticas de la escala ordinal, permite determinar la magnitud
de los intervalos (distancia) entre todos los elementos de la escala. La escala de
coeficientes o Razones es el nivel de medida m�s elevado y se diferencia de las
escalas de intervalos iguales �nicamente por poseer un punto cero propio como
origen; es decir que el valor cero de esta escala significa ausencia de la magnitud
que estamos midiendo. Si se observa una carencia total de propiedad, se dispone de
una unidad de medida para el efecto. A iguales diferencias entre los n�meros
asignados corresponden iguales diferencias en el grado de atributo presente en el
objeto de estudio.

T�cnicas de an�lisis estad�stico

Algunas pruebas (tests) y procedimientos para la investigaci�n de observaciones
son:

an�lisis de frecuencia acumulada

an�lisis de regresi�n
an�lisis de varianza (ANOVA)
an�lisis factorial confirmatorio
an�lisis factorial exploratorio
correlaci�n: coeficiente de correlaci�n de Pearson y coeficiente de correlaci�n de
Spearman
frecuencia estad�stica
gr�fica estad�stica
iconograf�a de las correlaciones
prueba de ?� o prueba de chi cuadrada o prueba de ji cuadrada
prueba de la diferencia menos significante de Fisher
prueba t de Student
U de Mann-Whitney
Lenguaje y simbolog�a
Poblaci�n y muestra
Poblaci�n: Es el todo o un conjunto formado por todos los valores existentes, ya
sean personas, medidas u objetos que pueden ser expresados mediante una variable y
adem�s, tienen una caracter�stica; de que son de inter�s estad�stico para un
estudio en espec�fico. Al an�lisis completo de la poblaci�n tambi�n se le suele
conocer como censo.
Poblaci�n finita: Es aquella que expresa que es posible sobrepasarse al contar o
bien, alcanzarse; por lo tanto, es la que tiene o incluye un n�mero limitado ya sea
de objetos, medidas o personas. Por ejemplo: el gasto en comida durante cierto
tiempo, un conjunto de calificaciones o bien, el total de alumnos que estudian en
una universidad.
Poblaci�n infinita: Es aquella que incluye a un gran n�mero de conjunto de
observaciones o medidas que no se pueden alcanzar con el conteo. Esto quiere decir
que tiene un n�mero ilimitado de valores, por ejemplo: la producci�n futura de una
m�quina o el lanzamiento de dados o una moneda.
Muestra: Es aquel subconjunto perteneciente a una poblaci�n. Esto quiere decir que
se conforma por algunos datos de esta, ya sean ciertos objetos, personas, o medidas
de la poblaci�n. Al estudio de este concepto se le suele conocer como muestreo.
Muestra representativa: Es aquel subconjunto representativo de una poblaci�n, pero
para que se consideren as� se deben seguir ciertos procedimientos de selecci�n o
bien, un m�todo de muestreo. Se dice que la muestra adecuada es aquella que
contiene caracter�sticas esenciales de la poblaci�n para lograr el objetivo de
hacer generalizaciones con respecto al total de los datos sin examinar cada uno de
ellos.
Par�metro
Par�metro: Es la medida de cierta caracter�stica num�rica de una poblaci�n que
generalmente se expresa mediante s�mbolos griegos (� o s).
Disciplinas especializadas
Algunos campos de investigaci�n usan la estad�stica tan extensamente que tienen
terminolog�a especializada. Estas disciplinas incluyen:

an�lisis de procesos (para an�lisis de datos en qu�mica anal�tica e ingenier�a

qu�mica)
an�lisis espacial
bioestad�stica (estad�stica aplicada a las ciencias de la salud)
ciencias actuariales
cienciometr�a
confiabilidad estad�stica
control de calidad
cultura estad�stica
demograf�a
econometr�a (estad�stica aplicada a la econom�a)
estad�stica computacional
estad�stica de la educaci�n, la ense�anza, y la formaci�n
estad�stica de negocios
estad�stica del medio ambiente
estad�stica en comercializaci�n
estad�stica en epidemiolog�a
estad�stica en ingenier�a
estad�stica en ciencias de la salud
estad�stica en medicina
estad�stica en medicina veterinaria y zootecnia
estad�stica en nutrici�n
estad�stica en agronom�a
estad�stica en planificaci�n
estad�stica en investigaci�n
estad�stica en psicolog�a (psicometr�a)
estad�stica en restauraci�n de obras
estad�stica en literatura
estad�stica en astronom�a (astroestad�stica)
estad�stica en antropolog�a (antropometr�a)
estad�stica en historia
estad�stica espacial
estad�stica industrial
estad�stica militar
estad�sticas de consultor�a
estad�sticas deportivas
estad�sticas sociales
encuestas por muestreo
f�sica estad�stica
geoestad�stica
geograf�a
investigaci�n de operaciones
matem�tica estad�stica
miner�a de datos
procesamiento de im�genes
productividad
quimiometr�a (para an�lisis de datos en qu�mica anal�tica e ingenier�a qu�mica)
reconocimiento de patrones para el conocimiento de datos)
sistemas de informaci�n geogr�fica
La estad�stica es una ciencia esencial para los negocios y la producci�n. Se usa
para entender la variabilidad de sistemas de medici�n, para el control estad�stico
de procesos (CEP o SPC), para compilar datos y para tomar decisiones en situaciones
de incertidumbre. En todas estas aplicaciones es una ciencia clave.

Computaci�n estad�stica
V�ase tambi�n: Computaci�n cient�fica
El incremento r�pido y sostenido en el poder de c�lculo de la computaci�n desde la
segunda mitad del siglo XX ha tenido un sustancial impacto en la pr�ctica de la
ciencia estad�stica. Viejos modelos estad�sticos fueron casi siempre de la clase de
los modelos lineales. Ahora, complejos computadores junto con apropiados algoritmos
num�ricos han causado un renacer del inter�s en modelos no lineales (especialmente
redes neuronales y �rboles de decisi�n) y la creaci�n de nuevos tipos tales como
modelos lineales generalizados y modelos multinivel.

El incremento en el poder computacional tambi�n ha llevado al crecimiento en

popularidad de m�todos intensivos computacionalmente basados en remuestreo, tales
como tests de permutaci�n y de bootstrap, mientras t�cnicas como el muestreo de
Gibbs han hecho los m�todos bayesianos m�s accesibles. La revoluci�n en
computadores tiene implicaciones en el futuro de la estad�stica, con un nuevo
�nfasis en estad�sticas �experimentales� y �emp�ricas�. Un gran n�mero de paquetes
estad�sticos est� ahora disponible para los investigadores. Los sistemas din�micos
y teor�a del caos, desde hace una d�cada, empezaron a interesar en la comunidad
hispana, pues en la anglosajona de Estados Unidos estaba ya establecida la
�conducta ca�tica en sistemas din�micos no lineales� con 350 libros para 1997 y
empezaban algunos trabajos en los campos de las ciencias sociales y en aplicaciones
de la f�sica. Tambi�n se estaba contemplando su uso en anal�tica.

Mal uso de la estad�stica

A veces hay una percepci�n de que el conocimiento estad�stico es mal usado,
encontrando maneras de interpretar los datos que sean favorables al presentador. Un
dicho famoso, al parecer de Benjamin Disraeli,21? es: �Hay tres tipos de mentiras:
mentiras peque�as, mentiras grandes y estad�sticas�. El popular libro How to lie
with statistics (C�mo mentir con las estad�sticas en la edici�n espa�ola) de
Darrell Huff discute muchos casos de mal uso de la estad�stica, con �nfasis en
gr�ficas malinterpretadas. Al escoger (o rechazar o modificar) una cierta muestra,
los resultados pueden estar sesgados; por ejemplo, mediante la eliminaci�n
selectiva de valores at�picos (outliers). Este puede ser el resultado tanto de
fraudes como de sesgos no intencionados por parte de investigadores con escaso
conocimiento estad�stico (Darrel Huff22?). Lawrence Lowell (decano de la
Universidad de Harvard) escribi� en 1909 que las estad�sticas, �como algunos
pasteles, son buenas si se sabe qui�n las hizo y se est� seguro de los
ingredientes�. Por este motivo es fundamental que el an�lisis estad�stico de datos
sea realizado por profesionales cualificados, siendo cada vez m�s necesario que la
estad�stica se convierta en una profesi�n regulada por el Estado.2?

Algunos estudios contradicen resultados obtenidos previamente y la poblaci�n

comienza a dudar en la veracidad de tales estudios. Se podr�a leer que un estudio
dice (por ejemplo) que �hacer X reduce la presi�n sangu�nea�, seguido por un
estudio que dice que �hacer X no afecta la presi�n sangu�nea�, seguido por otro que
dice que �hacer X incrementa la presi�n sangu�nea�. A menudo los estudios se hacen
siguiendo diferentes metodolog�as, o estudios en muestras peque�as que prometen
resultados maravillosos que no son obtenibles en estudios de mayor tama�o. Sin
embargo, muchos lectores no notan tales diferencias, y los medios de comunicaci�n
simplifican la informaci�n alrededor del estudio y la desconfianza del p�blico
comienza a crecer.

Inferencia cl�sica e inferencia bayesiana

La aproximaci�n de pruebas de hip�tesis, ampliamente usada, obliga a establecer una
hip�tesis nula para contrastar posteriormente el acuerdo de los datos con esta
hip�tesis. Una mala interpretaci�n de los resultados puede exagerar la importancia
de peque�as diferencias en estudios con muestras grandes que puede no tener ninguna
relevancia pr�ctica.

V�ase tambi�n cr�ticas de prueba de hip�tesis y controversia de la hip�tesis nula.

En los campos de la psicolog�a y la medicina, especialmente con respecto a la
aprobaci�n de nuevos medicamentos por la Food and Drug Administration, las cr�ticas
a la prueba de hip�tesis se han incrementado en los a�os recientes. Una respuesta
ha sido un gran �nfasis en el p-valor en vez de simplemente reportar si la
hip�tesis fue rechazada al nivel de significancia {\displaystyle \alpha } \alpha
dado. De nuevo, sin embargo, esto resume la evidencia para un efecto pero no el
tama�o del efecto. Una posibilidad es reportar intervalos de confianza, puesto que
estos indican el tama�o del efecto y la incertidumbre. Esto ayuda a interpretar los
resultados, como el intervalo de confianza para un {\displaystyle \alpha } \alpha
dado indicando simult�neamente la significancia estad�stica y el efecto de tama�o.
El p-valor y los intervalos de confianza son basados en los mismos c�lculos
fundamentales como aquellos para las correspondientes pruebas de hip�tesis. Los
resultados son presentados en un formato m�s detallado, en lugar del �s� o no� de
las pruebas de hip�tesis y con la misma metodolog�a estad�stica.

Otro tipo de aproximaci�n es el uso de m�todos bayesianos. Esta aproximaci�n ha

sido, sin embargo, tambi�n criticada.

El fuerte deseo de que los medicamentos buenos sean aprobados y que los
medicamentos peligrosos o de poco uso sean rechazados crea tensiones y conflictos
(errores tipo I y II en el lenguaje de pruebas de hip�tesis).

Ense�anza de la estad�stica en las ciencias sociales

Sobre la ense�anza de la estad�stica en las ciencias sociales, algunas
investigaciones �sugieren que los estudiantes aprenden m�s cuando los profesores
usan ejemplos concretos y problemas relevantes para ellos�.23?

Para contar con ejemplos concretos y problemas relevantes a los estudiantes, es

posible proponer actividades de aprendizaje que vinculen los m�todos cuantitativos
a los enfoques cualitativos, debido a que estos �ltimos son utilizados con mayor
recurrencia en los planes de estudio de las licenciaturas en Ciencias sociales.
Sobre esta combinaci�n de m�todos encontramos que una de sus principales virtudes
es que �la recopilaci�n de los ricos detalles descriptivos de los datos
cualitativos se puede usar para cuantificar y generalizar los resultados�.24?

Entre las ventajas de una ense�anza que combine los m�todos cuantitativos con los
cualitativos se encuentra el que los estudiantes desarrollen la destreza para
triangular resultados, lo que disminuye la falibilidad inherente a cada enfoque.
Por ejemplo los errores que puedan atribuirse a los datos de origen, dado que los
m�todos utilizan tipos de datos distintos, ser�n m�s confiables los resultados si
proceden de una triangulaci�n de m�todos.25?

Incluso, se puede contemplar la ense�anza de los m�todos cuantitativos dentro de

los programas de los distintos ejes del curr�culum acad�mico. Actualmente es com�n
que en las diversas asignaturas se ejercite el uso de los m�todos de investigaci�n
cualitativos pero no de los cuantitativos. Esto deber�a cambiar porque �introducir
el razonamiento cuantitativo en los cursos sustanciales permite ligar el
entrenamiento en m�todos cuantitativos, especialmente estad�sticos, con los asuntos
medulares de las ciencias sociales�.26?

V�ase tambi�n
computaci�n cient�fica
controversia de la hip�tesis nula
cr�ticas de prueba de hip�tesis
m�todo Delphi, una t�cnica estructurada de comunicaci�n, originalmente desarrollada
para predicci�n sistem�tica e interactiva, que se basa en el uso de un grupo de
expertos que contestan, en rondas, cuestionarios acerca de un problema tantas veces
como se vayan encontrando, en cada ronda, nuevas posibles soluciones al mismo.
Referencias
Real Academia Espa�ola y Asociaci�n de Academias de la Lengua Espa�ola (2014).
�estad�stica�. Diccionario de la lengua espa�ola (23.� edici�n). Madrid: Espasa.
ISBN 978-84-670-4189-7.
Oca�a-Riola, R. (2017) �La necesidad de convertir la Estad�stica en profesi�n
regulada�. Estad�stica Espa�ola 59(194): 193-212.[1]
Ver el trabajo de Ian Hacking en The emergence of probability para una historia
del desarrollo del concepto de probabilidad matem�tica.
Galton, F. (1877). �Typical laws of heredity�. Nature 15: 492-553.
doi:10.1038/015492a0.
Stigler, S. M. (1989). �Francis Galton's Account of the Invention of Correlation�.
Statistical Science 4 (2): 73-79. doi:10.1214/ss/1177012580.
Pearson, K. (1900). �On the Criterion that a given System of Deviations from the
Probable in the Case of a Correlated System of Variables is such that it can be
reasonably supposed to have arisen from Random Sampling�. Philosophical Magazine
Series 5 50 (302): 157-175. doi:10.1080/14786440009463897.
�Karl Pearson (1857�1936)�. Department of Statistical Science � University College
London. Archivado desde el original el 25 de septiembre de 2008.
Stanley, J. C. (1966). �The Influence of Fisher's "The Design of Experiments" on
Educational Research Thirty Years Later�. American Educational Research Journal 3
(3): 223. doi:10.3102/00028312003003223.
Box, J. F. (febrero de 1980). �R. A. Fisher and the Design of Experiments, 1922-
1926�. The American Statistician 34 (1): 1-7. JSTOR 2682986. doi:10.2307/2682986.
Yates, F. (junio de 1964). �Sir Ronald Fisher and the Design of Experiments�.
Biometrics 20 (2): 307-321. JSTOR 2528399. doi:10.2307/2528399.
Stanley, Julian C. (1966). �The Influence of Fisher's "The Design of Experiments"
on Educational Research Thirty Years Later�. American Educational Research Journal
3 (3): 223-229. JSTOR 1161806. doi:10.3102/00028312003003223.
Agresti, Alan; David B. Hichcock (2005). �Bayesian Inference for Categorical Data
Analysis�. Statistical Methods & Applications 14 (14): 298. doi:10.1007/s10260-005-
0121-y.
Edwards, A. W. F. (1998). �Natural Selection and the Sex Ratio: Fisher's Sources�.
American Naturalist 151 (6): 564-569. PMID 18811377. doi:10.1086/286141.
Fisher, R. A. (1915) �The evolution of sexual preference.� Eugenics Review (7)
184:192.
Fisher, R. A. (1930) The Genetical Theory of Natural Selection. ISBN 0-19-850440-3
Edwards, A. W. F. (2000) Perspectives: Anecdotal, Historial and Critical
Commentaries on Genetics. The Genetics Society of America (154) 1419:1426
Andersson, M. (1994) Sexual selection. ISBN 0-691-00057-3
Andersson, M. y Simmons, L. W. (2006) �Sexual selection and mate choice.� Trends,
Ecology and Evolution (21) 296:302.
Gayon, J. (2010) �Sexual selection: Another Darwinian process.� Comptes Rendus
Biologies (333) 134:144.
�La importancia de la formaci�n en estad�stica, tanto complementaria como
principal�. Tercera Informaci�n. 2018-09-29. Consultado el 2019-05-11.
Cf. Damned lies and statistics: untangling numbers from the media, politicians,
and activists, del profesor Joel Best. Best atribuye este dicho a Disraeli, y no a
Mark Twain u otros autores como se cree popularmente.
Darrell Huff. C�mo mentir con estad�sticas, Barcelona: Sagitario, 1965
Bridges, G. S.; Gillmore, G. M.; Pershing, J. L.; Bates, K. A. (1998). �Teaching
Quantitative Research Methods : A Quasi-Experimental Analysis. Teaching Sociology�.
American Sociological Association 26 (1): 15. Consultado el 5 de marzo de 2016.
Abusabha, R.; Woelfel, M. (2003). �Qualitative vs quantitative methods: Two
opposites that make a perfect match�. Journal of the American Dietetic Association
103 (5): 567. Consultado el 5 de marzo de 2016.
Sechrest, L.; Sidani, S. (1995). �Quantitative and qualitative methods: Is There
an Alternative?�. Evaluation and Program Planning 18 (1): 84. doi:10.1016/0149-
7189(94)00051-X. Consultado el 5 de marzo de 2016.
Bridges, G. S.; Gillmore, G. M.; Pershing, J. L.; Bates, K. A. (1998). �Teaching
Quantitative Research Methods : A Quasi-Experimental Analysis. Teaching Sociology�.
American Sociological Association 26 (1): 24. Consultado el 5 de marzo de 2016.
Bibliograf�a
Best, Joel (2001). Damned Lies and Statistics: Untangling Numbers from the Media,
Politicians, and Activists. University of California Press. ISBN 0-520-21978-3.
Desrosi�res, Alain (2004). La pol�tica de los grandes n�meros. Ed. Melusina. ISBN
84-933273-5-2.
Hacking, Ian (1990). The Taming of Chance. Cambridge University Press. ISBN 0-521-
38884-8.
Lindley, D. V. (1985). Making Decisions (2.� edici�n edici�n). John Wiley & Sons.
ISBN 0-471-90808-8.
Stigler, Stephen M. (1990). The History of Statistics: The Measurement of
Uncertainty before 1900. Belknap Press/Harvard University Press. ISBN 0-674-40341-
X.
Tijms, Henk (2004). Understanding Probability: Chance Rules in Everyday life.
Cambridge University Press. ISBN 0-521-83329-9.
Volle, Michel (1984). Le m�tier de statisticien (2.� ed. edici�n). Econ�mica. ISBN
2-7178-0824-8.
Enlaces externos
Wikimedia Commons alberga una categor�a multimedia sobre Estad�stica.
Wikiquote alberga frases c�lebres de o sobre Estad�stica.
Wikcionario tiene definiciones y otra informaci�n sobre estad�stica.
Categor�as: Estad�sticaCalidadM�todos de evaluaci�n
Men� de navegaci�n
No has accedidoDiscusi�nContribucionesCrear una
cuentaAccederArt�culoDiscusi�nLeerEditarVer historialBuscar
Buscar en Wikipedia
Portada
Portal de la comunidad
Actualidad
Cambios recientes
P�ginas nuevas
P�gina aleatoria
Ayuda
Donaciones
Notificar un error
Imprimir/exportar
Crear un libro
Descargar como PDF
Versi�n para imprimir
En otros proyectos
Wikimedia Commons
Wikilibros
Wikiquote
Herramientas
Lo que enlaza aqu�
Cambios en enlazadas
Subir archivo
P�ginas especiales
Enlace permanente
Informaci�n de la p�gina
Elemento de Wikidata
Citar esta p�gina

En otros idiomas
???????
English
Euskara
??????
Bahasa Indonesia
Bahasa Melayu
???????
????
??
122 m�s
Editar enlaces
Esta p�gina se edit� por �ltima vez el 22 may 2019 a las 21:50.
El texto est� disponible bajo la Licencia Creative Commons Atribuci�n Compartir
Igual 3.0; pueden aplicarse cl�usulas adicionales. Al usar este sitio, usted acepta
nuestros t�rminos de uso y nuestra pol�tica de privacidad.
Wikipedia� es una marca registrada de la Fundaci�n Wikimedia, Inc., una
organizaci�n sin �nimo de lucro.