¿Cuál es la diferencia entre probabilidad y estadística?

La probabilidad y las estadísticas son áreas relacionadas de matemáticas que
se preocupan por analizar la frecuencia relativa de los eventos.
Aún así, hay diferencias fundamentales en la forma en que ven el mundo:

• La probabilidad se ocupa de la predicción de la probabilidad de eventos futuros,
  mientras que las estadísticas implican el análisis de la frecuencia de eventos pasados.
• La probabilidad es principalmente una rama teórica de las matemáticas,
  que estudia las consecuencias de las definiciones matemáticas.
  La estadística es principalmente una rama aplicada de las matemáticas,
  lo que intenta dar sentido a las observaciones en el mundo real.

Ambos sujetos son importantes, relevantes y útiles.
Pero son diferentes, y comprender la distinción es crucial en
interpretando adecuadamente la relevancia de la evidencia matemática.
Muchos jugadores se han ido a una tumba fría y solitaria por no hacer
La distinción adecuada entre probabilidad y estadísticas.

Esta distinción quizás se volverá más clara si rastreamos el
Proceso de pensamiento de un matemático que se encuentra con su primer juego de Craps:

• La probabilidad se ocupa de la predicción de la probabilidad de eventos futuros,
  mientras que las estadísticas implican el análisis de la frecuencia de eventos pasados.
• La probabilidad es principalmente una rama teórica de las matemáticas,
  que estudia las consecuencias de las definiciones matemáticas.
  La estadística es principalmente una rama aplicada de las matemáticas,
  lo que intenta dar sentido a las observaciones en el mundo real.

En resumen, la teoría de probabilidad nos permite encontrar las consecuencias
de un mundo ideal dado, mientras que la teoría estadística nos permite
para medir la medida en que nuestro mundo es ideal.

¿Qué es la relación entre estadística y probabilidad?

Como parte de mi plan para superar al campo de análisis predictivo y minería de datos, he estado reprimiendo algunas estadísticas a través de las clases de Coursera y Udacity. En una de las clases de Udacity (introducción a las estadísticas), el profesor (Sebastian Thrun) presentó la relación entre estadísticas y probabilidad de la siguiente manera:

La explicación detrás del diagrama anterior fue que las estadísticas usan datos para inferir causas, mientras que la probabilidad predice datos (o resultados) de posibles causas.

Desde la perspectiva del análisis predictivo, esto realmente me resonó. Las estadísticas se aplican a los datos históricos para determinar los factores/atributos que están altamente correlacionados con un resultado de interés. A partir de esto, se puede construir un modelo predictivo que puede analizar el conjunto de factores/atributos y determinar la probabilidad de ciertos resultados antes de que el resultado se realice realmente.

Por ejemplo, un minorista de bicicletas famoso podría aplicar estadísticas a datos históricos, incluidos los datos demográficos de los clientes y el comportamiento de compra pasado para determinar qué atributos o factores (por ejemplo, género, ingreso anual, nivel de educación, geografía, etc.) tienen la mayor correlación con las compras de bicicletas. Luego se puede crear un modelo predictivo que recibe estos factores/atributos altamente correlacionados como entrada y escupe la probabilidad de una compra de bicicletas para nuevos clientes.

¿Qué es y para qué sirve la probabilidad y estadística?

Quiero discutir algunos términos/conceptos muy fundamentales relacionados con la probabilidad y estadísticas que a menudo se encuentran con cualquier literatura relacionada con el aprendizaje automático y la IA.

Experimento aleatorio Un experimento aleatorio es una situación física cuyo resultado no se puede predecir hasta que se observa.

Espacio de muestras Un espacio de muestra, es un conjunto de todos los resultados posibles de un experimento aleatorio.

Variables aleatorias Una variable aleatoria es una variable cuyos valores posibles son resultados numéricos de un experimento aleatorio. Hay dos tipos de variables aleatorias. 1. La variable aleatoria discreta es una que solo puede asumir un número contable de valores distintos como 0,1,2,3,4,…… .. Las variables aleatorias discretas suelen ser (pero no necesariamente). 2. La variable aleatoria continua es una que toma un número infinito de valores posibles. Las variables aleatorias continuas suelen ser mediciones.

La probabilidad de probabilidad es la medida de la probabilidad de que ocurra un evento en un experimento aleatorio. La probabilidad se cuantifica como un número entre 0 y 1, donde, en habla libremente, 0 indica imposibilidad y 1 indica certeza. Cuanto mayor sea la probabilidad de un evento, más probable es que ocurra el evento. Ejemplo Un ejemplo simple es el lanzamiento de una moneda justa (imparcial). Dado que la moneda es justa, los dos resultados («cabezas» y «colas») son igualmente probables; La probabilidad de «cabezas» es igual a la probabilidad de «colas»; Y dado que no es posible otros resultados, la probabilidad de «cabezas» o «colas» es 1/2 (que también podría escribirse como 0.5 o 50%).

¿Qué es una diferencia en probabilidad y estadística?

A menudo vemos las palabras «probabilidad» y «estadísticas» apiladas, pero ¿se refieren a lo mismo? Este es un artículo de seguimiento para el proyecto esencial de 4 ml de Probnstats en el que explicaré las diferencias entre esos dos términos, por qué están encadenados y los enfoques estadísticos que existen.

La teoría de la probabilidad es una rama de las matemáticas relacionadas con la probabilidad. La probabilidad es una descripción numérica de la probabilidad de un evento. Muchas veces al decir probabilidad, nos referimos a la teoría de probabilidad y no solo al número. Esto es comprensible por el contexto de la oración.

Las estadísticas es una rama de las matemáticas que se refiere a la recopilación, organización, visualización, análisis, interpretación y presentación de datos.

La relación entre esos dos es que en las estadísticas, aplicamos la probabilidad (teoría de probabilidad) para sacar conclusiones de los datos.

Para que la definición sea más clara, aquí hay dos ejemplos de ellos:

Tiene una moneda justa (igual probabilidad de cabezas o colas). Lo arrojarás 100 veces. ¿Cuál es la probabilidad de 60 o más cabezas? Podemos obtener solo una respuesta solo debido a la estrategia de cálculo estándar.

Tienes una moneda de procedencia desconocida. Para investigar si es justo, lo arroja 100 veces y cuenta el número de cabezas. Digamos que cuentas 60 cabezas. Su trabajo como estadístico es sacar una conclusión (inferencia) de estos datos. En esta situación, diferentes estadísticos pueden sacar diferentes conclusiones porque pueden usar diferentes formularios de conclusión o pueden usar diferentes métodos para predecir la probabilidad (por ejemplo, de cabezas de aterrizaje).

¿Cuál es la importancia de la probabilidad y la estadística?

Si sabe hoy, Data Scientist es una profesión laboral que se ha convertido en el trabajo más popular en la era actual. La gente también lo llama un trabajo sexista del siglo XXI. Si planea seguir una carrera en ciencia de datos, entonces la probabilidad y las estadísticas son una de las cosas que debe tener en cuenta.

Son esenciales para ingresar a la ciencia de datos. Se dice que no puede aprender ciencia de datos sin tener conocimiento de estadísticas y probabilidad. La gente generalmente no tiene mucho interés en estos temas.

Sin embargo, cambiaría esto hoy y le presentaré que explique los conceptos básicos de las estadísticas y la probabilidad con respecto a la ciencia de datos.

¿Por qué necesitamos aprender estadísticas y probabilidad?

¿Qué roles juegan la probabilidad y las estadísticas en el campo de la ciencia de datos?

Hagamos lo lógico y comprensible sobre ¿cuál es su importancia?

Hacer predicciones y buscar diferentes estructuras en los datos es la parte más importante de la ciencia de datos. Son importantes porque tienen la capacidad de manejar diferentes tareas analíticas. Lea más sobre la importancia de las estadísticas dadas en el artículo de Springer aquí.

«Data Scientist es una persona que es mejor en estadísticas que cualquier programador y mejor en la programación que cualquier estadística». – Josh Wills

Por lo tanto, las estadísticas son un grupo de principios que se utilizan para obtener información sobre los datos para tomar decisiones. Presenta el secreto oculto en los datos.

¿Qué es la probabilidad y estadística?

La probabilidad y las estadísticas son dos ramas de las matemáticas sobre la recopilación, análisis, interpretación y visualización de datos en el contexto de eventos aleatorios. A menudo se estudian juntos debido a su interrelación.

Para discutir la probabilidad, es importante estar familiarizado con la terminología utilizada. A continuación se presentan algunos de los términos comúnmente utilizados en probabilidad.

• Experimento: un procedimiento que resulta en resultados bien definidos. Un experimento aleatorio es aquel en el que no es posible determinar qué resultado exacto ocurrirá.
• Espacio de muestras: todos los resultados posibles de un experimento forman un espacio de muestra. El espacio de muestra para el cambio de una moneda justa es s = {cabezas, colas}.
• Evento: un evento es cualquier subconjunto de un espacio muestral. Dado un evento, a, cuando se produce un resultado que pertenece al subconjunto A, se ha producido un evento. Por ejemplo, dado que el evento A es el evento de que un dado de seis lados de seis lados aterriza en un número uniforme, los resultados 2, 4 y 6 satisfacen el evento A. Si alguno de esos valores está enrollado, el evento A ha ocurrido. Si se enrolan 1, 3 o 5, el evento A no ocurre.
• Prueba: cada flip de una moneda, rollo de dado o iteración de un experimento se conoce como un ensayo. En el experimento de voltear una moneda para determinar el número de cabezas, cada flip de la moneda es un ensayo en el experimento.

El resultado de un evento aleatorio, como el cambio de una moneda, no se puede determinar con certeza antes de que se haya producido el evento. Sin embargo, si los posibles resultados se conocen (en este caso la teoría de la probabilidad o las colas) nos permite predecir la posibilidad de que ocurra un resultado dado. En su uso más común, la probabilidad de que ocurra algo es la proporción o fracción de veces que es probable que ocurra un resultado particular.

¿Qué importancia tiene el estudio de la probabilidad y estadística en una ingeniería?

Estoy bromeando sobre poetas. Pero muchas personas necesitan comprender las tres áreas básicas de estadísticas, azar, datos y pruebas. Recientemente, Tony Greenfield, un estimado estadístico aplicado (con sus raíces en la investigación de operaciones) publicó la siguiente solicitud en una lista de correo electrónico de estadísticas:

“Fui esta semana a la exposición y conferencia en el NEC dirigido por la revista de ingenieros. Había CEO de empresas de ingeniería de todos los tamaños, desde pequeños hasta masivos. Hice una pregunta cargada: «¿Por qué cada ingeniero debería ser un estadístico aplicado competente?» Solo uno, de más de 100 ingenieros, respondió: «Necesitamos analizar cualquier dato que se produzca». Todos parecían desconcertados cuando pregunté si sabían, o incluso usaban, SPC y DOE. Agradeceré una respuesta de párrafo a mi pregunta. Podría hablar todo el día al respecto, pero sería bueno tener unas pocas palabras sucintas y poderosas para usar en una conferencia así «.

Por ahora me centraré en los ingenieros civiles, ya que a menudo son lo que la gente piensa como ingenieros. No estoy seguro de la naturaleza «sucinta y poderosa» de las palabras a seguir, pero aquí va… el tema de las estadísticas se puede resumir como tres áreas: azar, datos y evidencia (¡CDE!) La oportunidad incluye las reglas y percepciones de probabilidad, y enfatiza la incertidumbre en nuestro mundo. Sospecho que los ingenieros están más en casa en un mundo determinista, pero el determinismo es solo un modelo de realidad. La resistencia de una barra de acero no es exacta, pero se modelará con una distribución de probabilidad. Es necesaria una comprensión de la probabilidad antes de usar términos como «inundación de cien años». Los valores esperados se utilizan para tomar decisiones para mejorar las carreteras y las intersecciones. La capacidad de los estadios y los centros comerciales, y la provisión de baños y salidas requieren modelado que se basa en distribuciones de probabilidad. También es necesario tener alguna comprensión de nuestra falibilidad humana para estimar y comunicar la probabilidad. El control del proceso estadístico explica los niveles aceptables de variación e indica cuándo han sido superados. El aspecto de datos del estudio de estadísticas abarca la recopilación, el resumen y la comunicación de los datos. Para tomar decisiones, se deben recopilar datos. Se deben usar medidas de resumen correctas, a menudo la mediana, en lugar de la media más popular. Las medidas de resumen deben expresarse preferiblemente como intervalos de confianza, comunicando así el nivel de precisión inherente a los datos. Se necesitan gráficos apropiados, que rara vez incluyen pictogramas o gráficos circulares. EvidenceSfers a los aspectos inferenciales del análisis estadístico. Las teorías de probabilidad se utilizan para evaluar si un cierto conjunto de datos proporciona evidencia suficiente para sacar conclusiones. Un ingeniero debe comprender el uso de pruebas de hipótesis y el valor P para tomar decisiones informadas con respecto a los datos. Cualquier profesional en cualquier campo debe usar práctica basada en evidencia, y los artículos de revistas que proporcionan evidencia casi siempre se referirán al valor p. También deben tener cuidado con los reclamos de causalidad y comprender la diferencia entre la fuerza del efecto y la fuerza de la evidencia. Nuestro video proporciona una introducción suave a estos conceptos. El diseño de experimentos también incorpora los aspectos de posibilidades, datos y evidencia de la disciplina de las estadísticas. Al aleatorizar las unidades en un experimento, podemos controlar otros elementos extraños que podrían afectar el resultado en un estudio de observación. Los ingenieros deben estar en casa con estos conceptos. Entonces, Tony, ¿cómo fue eso? No exactamente sucinto, y cuatro párrafos en lugar de uno. Creo que la oportunidad, los datos y el marco de evidencia ayudan a proporcionar estructura a la explicación.

Pedido prestado el término de Peter Bell de la Escuela de Negocios Richard Ivey, que enseña investigación de operaciones a estudiantes de MBA, y escribí un documento, investigación de operaciones para todos (incluidos los poetas). Si es difícil lograr que el mundo reconozca la importancia de las estadísticas, ¡cuánto más difícil es convencerlos de que la investigación de operaciones es vital para su bienestar! Bell usa el término «poeta» para referirse a estudiantes que no están naturalmente en casa con matemáticas. En la conversación, Bell explicó cuántos de sus poetas, que planeaban trabajar en el área de la gestión de recursos humanos, descubrieron que sus pasantías de verano las pasaron hasta el codo en los datos, frente a una hoja de cálculo, y estaban agradecidos por las habilidades que habían resistido ganar. . La comprensión del azar, los datos y la evidencia es útil/esencial para la «ciudadanía eficiente», parafraseando a los W. G. Wells a menudo parafraseados. Ya he escrito sobre la necesidad de que los periodistas comprendan las estadísticas. El innovador plan de estudios de Nueva Zelanda reconoce la importancia de una comprensión de las estadísticas para todos. Existen numerosos cursos dedicados a asegurarse de que los médicos tengan una buena comprensión. Entonces, realmente, hay pocas profesiones o oficios que no se beneficiarían de una base en el azar, los datos y la evidencia. E investigación de operaciones también, pero por ahora eso puede ser un puente demasiado lejos.

Como ingeniero (primero) * y * un estadístico (último), estoy de acuerdo. Los ingenieros deben ser estadísticos aplicados competantes. Eso sí, los ingenieros también deben ser matemáticos aplicados, a veces exhibiendo algunas de las habilidades que uno podría esperar de un especialista en investigación de operaciones también, a veces con habilidades de gestión, con cierta física y a veces química también (dependiendo del subcampo también Usted ha habitado). Mi «doble vida» como ingeniero y estadístico aplicado me ha enseñado que ambos a menudo habitan esa parte del espacio de problemas que debe ser «resuelto», en lugar de trabajar. Los colegas (capacitados en ciencias clásicas) ven una declaración del problema como un medio para continuar la naturaleza evolutiva de un problema que les interesa. medio y un final. Creo que los ingenieros (y los estadísticos también) necesitan aprender más sobre este mundo de resolución general de problemas generales, y que realmente no hay una sola forma de abordar su solución.

¿Qué diferencia hay entre estadística?

En una conversación regular, ambas palabras a menudo se usan indistintamente. En el mundo de las bibliotecas, la academia e investigación existe una distinción importante entre datos y estadísticas. Los datos son la información sin procesar a partir de la cual se crean las estadísticas. En el reverso, las estadísticas proporcionan una interpretación y resumen de datos.

Datos: los datos sin procesar son el subproducto de la investigación realizado como parte de un estudio o encuesta. Es una fuente primaria. Las formas típicas de datos incluyen:

Si desea explorar cómo se puede cuantificar un fenómeno, desea datos. Los datos se pueden analizar e interpretar utilizando procedimientos estadísticos para responder «por qué» o «cómo». Los datos se utilizan para crear nueva información y conocimiento.

Al analizar los datos generados a partir de su propia investigación (encuestas que realizó, etc.), está realizando un análisis de datos primarios. Al analizar los conjuntos de datos recopilados por otros, está realizando análisis de datos secundarios.

Estadísticas: las estadísticas son los productos del análisis de datos. Las formas comunes de estadísticas incluyen:

• Tablas, gráficos y gráficos
• Números o porcentajes reportados en un artículo

Si está buscando un número rápido, desea una estadística. Una estadística responderá «cuánto» o «cuántos». Una estadística repite una observación predefinida sobre la realidad.

¿Qué es la diferencia de estadística?

La significación estadística es una forma de decirle si los resultados de su prueba son sólidos. Las estadísticas no son una ciencia exacta. De hecho, puedes pensar en las estadísticas como conjeturas muy finamente ajustadas. Como las estadísticas son conjeturas, necesitamos saber qué tan cerca está nuestra «suposición». Ahí es donde entra el significado.

Stats se trata de tomar un pedazo de la población y adivinar cómo podría ser el comportamiento de esa población. Si estuviera trabajando con parámetros (parámetro versus explicación estadística), no habría necesidad de conjeturas; Tendrías todos los datos. En la vida real, obtener todos los datos puede ser costoso, llevar mucho tiempo o imposible.

Por ejemplo, las encuestas de Gallup usan estadísticas para estimar quién ganará las próximas elecciones. Los fabricantes de medicamentos utilizan estadísticas para estimar cuántas personas podrían tener un efecto secundario de sus drogas. Y las empresas usan estadísticas para pronosticar cifras de ventas para el futuro.

La significación estadística es una medida de si sus resultados de investigación son significativos. Más específicamente, es si su estadística coincide estrechamente con qué valor esperaría encontrar en una población completa. Como un simple ejemplo, supongamos que trabajó para una compañía de votación y le preguntó a 120 personas cómo iban a votar en las próximas elecciones. Desea que su informe refleje a todos en el país, ¿verdad? En otras palabras, desea que su informe tenga hallazgos significativos. ¿Cómo se mide el «significado»? Con algunos cálculos.

¿Cuál es la diferencia entre la estadística y la probabilidad?

La respuesta breve a esto que he escuchado de Persi Diaconis es la siguiente:

Los problemas considerados por la probabilidad y las estadísticas son inversos entre sí. En la teoría de la probabilidad, consideramos algún proceso subyacente que tiene cierta aleatoriedad o incertidumbre modelada por variables aleatorias, y descubrimos qué sucede. En estadísticas observamos algo que ha sucedido e intentamos descubrir qué proceso subyacente explicaría esas observaciones.

Es engañoso simplemente decir que las estadísticas son simplemente la inversa de la probabilidad. Sí, las preguntas estadísticas son preguntas de probabilidad inversa, pero son problemas inversos mal planteados, y esto hace una gran diferencia en términos de cómo se abordan.

La probabilidad es una rama de las matemáticas puras: las preguntas de probabilidad se pueden plantear y resolver utilizando razonamiento axiomático y, por lo tanto, hay una respuesta correcta a cualquier pregunta de probabilidad.

Las preguntas estadísticas pueden convertirse en preguntas de probabilidad mediante el uso de modelos de probabilidad. Una vez que hacemos ciertas suposiciones sobre el mecanismo que generan los datos, podemos responder preguntas estadísticas utilizando la teoría de la probabilidad. Sin embargo, la formulación y verificación adecuadas de estos modelos de probabilidad es tan importante, o incluso más importante, que el análisis posterior del problema utilizando estos modelos.

Se podría decir que las estadísticas comprenden dos partes. La primera parte es la cuestión de cómo formular y evaluar modelos probabilísticos para el problema; Este esfuerzo se encuentra dentro del dominio de la «Filosofía de la Ciencia». La segunda parte es la cuestión de obtener respuestas después de que se haya asumido un determinado modelo. Esta parte de las estadísticas es de hecho una cuestión de teoría de probabilidad aplicada, y en la práctica, también contiene un acuerdo justo de análisis numérico.

¿Cuál es la diferencia entre estadística y bioestadística?

Un estudiante que luego toma un curso de bioestadística aprendería cómo aplicar cada uno de estos métodos estadísticos para responder preguntas de investigación en biología, salud pública y medicina.

Si un estudiante quiere convertirse en bioestadístico, primero debe aprender sobre los conceptos que se enseñan en un curso de estadísticas introductorio.

Luego pueden tomar un curso de bioestadística para aprender a aplicar métodos estadísticos a preguntas de investigación específicas en el campo de la biología.

El campo de la bioestadística utiliza muchos métodos estadísticos.

Los siguientes ejemplos ilustran algunos métodos que se usan comúnmente.

Los bioestadísticos con frecuencia usan pruebas de hipótesis para determinar si un nuevo fármaco causa mejores resultados en los pacientes.

Por ejemplo, un bioestadístico puede administrar un fármaco de presión arterial a 30 pacientes durante un mes y luego administrar un segundo fármaco de presión arterial a los mismos 30 pacientes durante otro mes.

Luego, pueden realizar una prueba t de muestras emparejadas para determinar si hay una diferencia estadísticamente significativa en la reducción de la presión arterial entre los dos medicamentos.

Los bioestadísticos a menudo usan modelos de regresión logística para predecir si los individuos o los animales tendrán un resultado binario particular (sí o no).

Por ejemplo, los investigadores pueden medir una variedad de variables que incluyen peso, altura, edad, etc. para que puedan adaptarse a un modelo de regresión logística que les indique la probabilidad de que un tumor en un animal sea maligno.

¿Qué relacion tiene la estadística con la bioestadística?

Hace sesenta años, las estadísticas apenas tocaron la experiencia escolar de un estudiante típico. En el estudio de las ciencias sociales, los estudiantes pueden encontrar datos. En una experiencia de laboratorio de ciencias, los estudiantes pueden recopilar datos. En un aula de matemáticas, se espera que los estudiantes sepan cómo calcular la media de un conjunto de números. Por el contrario, hoy en día prevalece esperar un número creciente de estudiantes para aprender varias medidas de tendencia central y propagación, encontrar distribuciones teóricas y reales, y discutir temas como aleatoriedad, pruebas estadísticas y importancia estadística que en el pasado fueron introducido a nivel universitario. Como una de las ciencias matemáticas, el estudio de las estadísticas en los grados K ​​- 12, naturalmente, se ha considerado como parte del plan de estudios de matemáticas de la escuela. Esto tiene grandes ventajas, ya que las matemáticas son la segunda materia académica más importante, detrás de la lectura y las artes del lenguaje. Pero a medida que las estadísticas se han vuelto más importantes, sus conexiones con la alfabetización cotidiana, la ciencia, la salud y las ciencias sociales sugieren estadísticas de enseñanza en todo el plan de estudios, además de una reconsideración de sus relaciones con las matemáticas.

Las opiniones en este artículo provienen de tres instalaciones. El primero es una verdad para la mayoría de las personas que leerán este artículo. Las estadísticas se encuentran y se aplican hoy en casi todos los dominios de la actividad humana. Sin embargo, la segunda premisa probablemente no es creyendo por todos los lectores de este artículo. Las ideas fundamentales de las estadísticas, incluida la variabilidad, la aleatoriedad, las leyes de probabilidad, etc., son accesibles para prácticamente todos los estudiantes. Incluso si cree que no todos los estudiantes pueden aprender las ideas básicas de las estadísticas, creo que la política escolar debería funcionar como si pudieran y dar a todos la oportunidad. La tercera premisa proviene de las Directrices para la Evaluación e Instrucción en Educación Estadística (GAISE) Informe K – 12 de la Asociación Estadística Americana. «Cada graduado de secundaria debe poder usar un razonamiento estadístico sólido para hacer frente de manera inteligente a los requisitos de ciudadanía, empleo y familia, y estar preparado para una vida saludable, feliz y productiva».

En la mayoría de los lugares del mundo, a pesar de los maravillosos avances en la generación pasada, actualmente no es el caso de que todos los graduados de la escuela secundaria estén familiarizados con los principios del razonamiento estadístico de sonido, y mucho menos de usarlos. En muchos lugares, solo una pequeña minoría de estudiantes está expuesto a estas ideas. Las estadísticas no son un tema tradicional en el nivel K – 12.

El problema básico que intento tratar aquí es cómo y dónde debemos enseñar estadísticas cuando hay tantas otras materias compitiendo por el tiempo de los estudiantes. Mi enfoque de la respuesta es algo histórico, a lo interesado en el pasado, observar el presente y mirar hacia el futuro para mantener y hacer crecer nuestro tema. Es, en su mayor parte, una perspectiva estadounidense.

Hace medio siglo (y aún en muchas situaciones escolares), la respuesta a esta pregunta fue simple. Las estadísticas se consideraron una rama de las matemáticas como el álgebra o la geometría, por lo que las estadísticas se enseñaron dentro de las matemáticas (Figura 1). Esta opinión se refleja en las tendencias en el Estudio Internacional de Matemáticas y Ciencias (TIMSS) y sus predecesores, y en la Iniciativa de Normas Estatales Comunes Comunes de los Estados Unidos. Desde este punto de vista, enseñamos estadísticas dentro del plazo que se asigna a las matemáticas. Las fórmulas estadísticas involucran matemáticas, entonces, ¿por qué alguien no pensaría en las estadísticas como parte de las matemáticas?

¿Qué es la bioestadística?

Las bioestadística (o biometría) se ocupan de los procesos y métodos estadísticos aplicados al análisis de fenómenos biológicos. La ciencia de las bioestadística incorpora el diseño de experimentos biológicos e interpretando la recolección, resumen y análisis de datos de esos experimentos.

Los bioestadísticos tienen uno de los cinco roles principales en la práctica de salud pública. Es su trabajo realizar investigaciones cuantitativas para identificar los riesgos para la salud. Son investigadores biomédicos que se centran en resolver problemas de salud en toda la comunidad. Los biostistas siguen el método científico para probar sus hipótesis con la investigación empírica. Los bioestadísticos realizan ensayos clínicos, encuestas, experimentos de laboratorio, grupos focales, observaciones de campo y estudios de casos. La compilación y el análisis de los datos viene a continuación para sacar conclusiones probadas. Los bioestadísticos utilizan software digital, como SPSS y SAS, para organizar sus hallazgos. Los bioestadísticos comparten sus hallazgos estadísticamente significativos. Pueden escribir un artículo de revista, publicar un libro, dar una presentación o enseñar una clase universitaria. Los bioestadísticos corrieron la voz para ayudar a mejorar los resultados de salud. Armar a las personas y a los trabajadores de la salud pública con herramientas de prevención de enfermedades es su misión.

Los bioestadísticos realizan varios temas de investigación clínica que afectan la salud pública. A menudo se centran en una población objetivo, como adultos mayores, bebés o pacientes con cáncer. Otros analizan las preocupaciones de salud como la obesidad, la diabetes, la adicción a los opioides y el tabaquismo. Los bioestadísticos generalmente deben escribir propuestas de investigación con diseños de estudio detallados para solicitar subvenciones. Los proyectos propuestos sobre problemas de salud presionados y alteradores de la vida son los más financiados. Por ejemplo, un bioestadístico podría estudiar defectos de nacimiento causados ​​por inhibidores selectivos de la recaptación de serotonina. Los bioestadísticos podrían probar cómo el ejercicio se correlaciona con las enfermedades hipocinéticas. Un bioestadístico puede investigar el daño de la contaminación del aire ambiental en los pulmones de las personas. Los bioestadísticos pueden determinar la efectividad de la terapia de luz para pacientes con demencia. Prácticamente cualquier tema relacionado con la salud se encuentra en la timonera de un bioestadístico para la investigación transformadora.

Los bioestadísticos son comúnmente empleados por los departamentos de salud locales, estatales y regionales. A nivel federal, los bioestadísticos trabajan para divisiones en el Departamento de Salud y Servicios Humanos. Por ejemplo, los bioestadísticos pueden ayudar a los epidemiólogos en la investigación en los Centros para el Control y la Prevención de Enfermedades. Muchos son empleados de hospitales públicos o privados sin fines de lucro y con fines de lucro. Las instalaciones médicas que actualmente publican empleos para bioestadísticos incluyen NYU Langone Health, Christiana Care, Fox Chase Cancer Center, la Clínica Cleveland y la Ciudad de Hope. Las compañías farmacéuticas, como Pfizer, AstraZeneca, Merck y Bristol Myers Squibb, contratan bioestadistios para ensayos clínicos. Las universidades emplean bioestadísticos en sus departamentos de salud pública para realizar investigaciones y enseñar a los estudiantes. Las corporaciones biomédicas de investigación y desarrollo como Novartis o Leidos también tienen bioestadísticos en la nómina.

Artículos Relacionados:

• ¿Cómo la moda está afectando la probabilidad y estadística?
• Formulas de probabilidad estadística para optimizar tus resultados
• ‘Aprende sobre los diferentes tipos de variables en probabilidad y estadística’
• Guía para comprender la probabilidad y la estadística descriptiva