Las estadísticas descriptivas proporcionan información de resumen de las características y distribución de valores en uno o más conjuntos de datos. Las estadísticas descriptivas clásicas permiten a los analistas tener una rápida mirada de la tendencia central y el grado de dispersión de los valores en los conjuntos de datos. Son útiles para comprender una distribución de datos y para comparar las distribuciones de datos. Para los geógrafos humanos, a menudo es necesario tener en cuenta las referencias de ubicación de los datos con los que trabajamos. Las estadísticas descriptivas espaciales permiten a los analistas evaluar la tendencia central y la variación de los datos en el contexto espacial. Los dos tipos de estadísticas descriptivas son complementarias. Combinando ambas estadísticas, los analistas pueden estudiar los fenómenos geográficos con los que trabajan.
Si bien las estadísticas descriptivas son conceptos simples en el análisis estadístico, son importantes y útiles en la era actual de Big Data. Con el aumento de los grandes volúmenes de datos que se producen constantemente y se distribuyen a través de Internet, no se debe pasar por alto la efectividad y la utilidad de las estadísticas descriptivas.
Se informaron estadísticas descriptivas para EI total (M = 115.47, SD = 13.16) y las amplias escalas de tratar con las emociones propias (M = 76.74, SD = 9.30, min. = 7, Máx. = 126) y tratar con las emociones de otros otros (M = 38.73, SD = 5.88, min = 7, máx = 126). La muestra de desarrollo de la versión acortada (WEIP-S) comprendió 620 empleados de una gran organización del sector público (Jordan y Lawrence, 2009). Las medias para los cuatro factores fueron 4.14 (SD = 1.15) para la conciencia de las emociones propias, 5.32 (SD = .79) para el manejo de emociones propias, 4.45 (SD = .93) para la conciencia de las emociones de los demás y 4.71 (SD = .88) Para la gestión de las emociones de los demás.
Las estadísticas descriptivas de los cuatro puntajes de sentimiento CSSτ, Relτ, Essτ y Ensτ utilizados para construir nuestras variables de noticias se resumen en el panel A de la Tabla 21.1. Se observa que la media de CSSτ está muy cerca de 50, lo que indica que, en promedio, las noticias son neutrales. La media de Essτ es igual a 55.669 y más de 50, lo que sugiere que, desde el punto de vista de los expertos, las noticias específicas y macroeconómicas recibidas durante todo el período son positivas en general.
¿Cuál es la finalidad de la estadística descriptiva?
Antes de continuar, intentemos aclarar el término estadísticasque se usa en varios contextos y a veces también como
Sinónimo de probabilidad.
Sin querer ingresar los detalles, decimos que debemos distinguir
Las estadísticas, que hablamos constantemente, como sinónimo
de datos sobre aspectos sociales, económicos, políticos y geográficos:
« Las estadísticas dicen » que…% de la población
Es ultrasexantren, que este es el verano más popular de
los últimos años, ese…% de las parejas se divorcia en los primeros 5 años de
Matrimonio, y así sucesivamente.
Estadística significa en cambio la disciplina que, en cierto sentido
lado, está interesado en la colección e
del análisis de datos e interpretación
resultados. En particular, estadísticas descriptivas
se trata de describir la masa de datos experimentales con
Algunos números o gráficos significativos. Entonces, por así decirlo, trata
para fotografiar una situación dada y resumir sus características
salienti.5.1
Estadísticas inferenciales usan datos estadísticos,
también resumido adecuadamente por estadísticas descriptivas,
hacer pronósticos probabilísticos en situaciones futuras o en cualquier caso
incierto. Por ejemplo, examinando una pequeña muestra extraída de una
Gran población intenta evaluar la fracción de la población
que tiene una determinada característica tiene un cierto ingreso
o votará por cierto candidato.
En cuanto a la teoría y la práctica de las medidas, sin duda
La parte del mayor interés son las estadísticas inferenciales en la que
El propósito de las medidas es hacer declaraciones sobre el valor
de un tamaño a partir de un número limitado de medidas, realizado
con herramientas no ideales y con parámetros y dolencias
Ambiental no conocido exactamente.
¿Qué es y en qué consiste la estadística descriptiva?
Las estadísticas descriptivas son coeficientes descriptivos cortos que resumen un conjunto dado de datos, que puede ser una representación de todo o una muestra de una población. Las estadísticas descriptivas se debilitan en las medidas centrales de moda y las medidas de variabilidad (dispersión). Las medidas de tendencia central incluyen el promedio, la mediana y el modo, mientras que las medidas de variabilidad incluyen la desviación de la calidad, la varianza, las variables mínimas y máximas, y por lo tanto curiosas y las escenas.
En resumen, las estadísticas descriptivas ayudan a describir y comprender las características de un conjunto seleccionado de datos, proporcionando un breve resumen en la muestra y en las medidas de información. Los principales tipos reconocidos de estadísticas descriptivas son las medidas centrales: el promedio, la mediana y el modo, que se utilizan en la mayoría de los niveles de matemáticas y estadísticas. El promedio, o típico, se calcula agregando todas las figuras dentro del conjunto de información y luego dividiendo por la cantidad de figuras dentro del todo. Por ejemplo, la suma del siguiente conjunto de datos es 20: (2, 3, 4, 5, 6). El promedio es 4 (20/5). El modo de un conjunto de conocimiento es que el valor que aparece con mayor frecuencia y, por lo tanto, la mediana es la de la figura ubicada en el centro del conjunto de información. Es la figura que separa las figuras más altas de las inferiores dentro de un conjunto de conocimiento. Sin embargo, hay tipos menos comunes de estadísticas descriptivas que aún son vitales.
Las personas usan estadísticas descriptivas para reelaborar las intuiciones cuantitativas que son difíciles de entender en un conjunto de datos de gran tamaño en descripciones del tamaño de bits. El promedio de los votos de los estudiantes (GPA), por ejemplo, proporciona una comprensión honesta de las estadísticas descriptivas. La idea de un GPA es que toma las bases de datos de una buena gama de exámenes, clases y votos, y medios de comunicación para proporcionar una comprensión general de las habilidades académicas generales de un estudiante. El AAP personal de un estudiante refleja su rendimiento académico promedio.
Todas las estadísticas descriptivas son medidas de tendencia central o medidas de variabilidad, también llamadas medidas de dispersión. Las medidas de tendencia central se especializan en los valores típicos o medios de los conjuntos de conocimiento; mientras que las medidas de variabilidad se especializan en la dispersión del conocimiento. Estas dos medidas usan gráficos, tablas y discusiones generales para ayudar a las personas a comprender el significado de los datos analizados.
¿Qué es estadística y cuál es su objetivo?
Mi primera exposición a las estadísticas fue alrededor del cuarto grado. Aprendimos
sobre el promedio, mediano y el modo como una forma de resumir un
conjunto de datos. Estas son todas las medidas de tendencia central que intentan
Respuesta: “¿Cuál es un valor representativo que podemos asociar con un
¿Conjunto de datos?» También aprendimos sobre la desviación estándar como una forma
de resumir la variabilidad de los datos.
Cuando resumimos, restamos detalles, creemos que son extraños, así que
para que podamos centrarnos en lo esencial. Este concepto se describe como uno
de los siete pilares de la sabiduría estadística en el libro homónimo de
Stephen M. Stigler1. Sin embargo, resumimos con las esperanzas de aprender
Algo que podemos aplicar más allá de ese conjunto de datos.
Y entonces intentamos predecir lo que observaremos en función de lo que
han observado. Intentamos predecir el clima en función de la actual
condiciones atmosféricas. Intentamos predecir los movimientos de stock basados en
tendencias históricas y diversos detalles sobre la salud del
empresa. O tratamos de predecir quién morirá en la última temporada de juego
de tronos basados en el presagio a lo largo de la serie.
Las estadísticas proporcionan un marco para razonamiento sobre confiable y
Métodos de predicción poco confiables. La idea central es la aleatoria
muestra. Si escribo millones de números en trozos de papel y pongo
ellos en un sombrero, sacudirlos y luego dibujar unos pocos miles al azar,
Puedo calcular el promedio de esos números, y esa es una descripción
de la muestra que he elegido al azar. Más importante aún, puedo usar
el promedio observado y la desviación estándar para hacer predicciones sobre
el promedio de todo el conjunto, solo parcialmente observado, de
números. Las estadísticas ofrecen métodos bastante sencillos para hacer
tales predicciones, así como formas de cuantificar la fiabilidad de
Esas predicciones, en forma de valores p e intervalos de confianza
Entre otros.
Este enfoque básico se usa para mucho más sofisticado y obviamente
problemas prácticos como construir un automóvil autónomo que pueda reconocer
un letrero de parada o capacitar un programa de computadora para detectar el cáncer de un
Tomografía computarizada. En estos casos, el objetivo es extrapolar más allá de lo que ha
se ha observado que saca conclusiones en escenarios que no han
previamente se ha observado. Es sorprendente ver el progreso realizado en
décadas recientes en el campo del aprendizaje automático, con aplicaciones en
finanzas, medicina y tecnología.
¿Qué Introducción a la estadística descriptiva?
El análisis estadístico descriptivo lo ayuda a comprender sus datos y es una parte muy importante del aprendizaje automático. Esto se debe a que el aprendizaje automático se trata de hacer predicciones. Por otro lado, las estadísticas se trata de sacar conclusiones de los datos, que es un paso inicial necesario. En esta publicación, aprenderá sobre los conceptos estadísticos descriptivos más importantes. Le ayudarán a comprender mejor lo que sus datos están tratando de decirle, lo que dará como resultado un mejor modelo y comprensión de aprendizaje automático en general.
- Introducción
- Distribución normal
- Tendencia central (media, modo, mediana)
- Medidas de variabilidad (rango, rango intercuartil)
- Varianza y desviación estándar
- Modalidad
- Oblicuidad
- Curtosis
- Resumen
Hacer un análisis estadístico descriptivo de su conjunto de datos es absolutamente crucial. Mucha gente se salta esta parte y, por lo tanto, pierde muchas ideas valiosas sobre sus datos, lo que a menudo conduce a conclusiones incorrectas. Tómese su tiempo y ejecute cuidadosamente estadísticas descriptivas y asegúrese de que los datos cumplan con los requisitos para realizar un análisis más detallado.
Pero antes que nada, debemos repasar qué estadísticas realmente son:
La estadística es una rama de las matemáticas que se ocupa de la recopilación, la interpretación, la organización y la interpretación de los datos.
1. Estadísticas descriptivas: en estadísticas descriptivas, está describiendo, presentando, resumiendo y organizando sus datos (población), ya sea a través de cálculos numéricos o gráficos o tablas.
¿Qué es la estadística inferencial conclusión?
Las estadísticas inferenciales, a diferencia de las estadísticas descriptivas, es el intento de aplicar las conclusiones que se han obtenido de un estudio experimental a poblaciones más generales. Esto significa que las estadísticas inferenciales intentan responder preguntas sobre poblaciones y muestras que no se han probado en el experimento dado.
Si realiza una encuesta, el objetivo es aplicar las conclusiones a una población más general, suponiendo que el tamaño de la muestra sea lo suficientemente grande y el representante de la muestra suficiente del público en general. Esto es importante porque los estudios y los experimentos deben establecer y concluir algo sobre las poblaciones generales y no solo sobre la muestra que se estudió.
Por ejemplo, suponga que hay un programa de capacitación que afirma mejorar los puntajes de las pruebas y un experimentador quiere verificar las afirmaciones. Ella comienza con dos grupos, uno que toma el programa de capacitación y el otro no (el control). Ella mide los puntajes de las pruebas al principio y al final, asegurándose de que los puntajes de la prueba de inicio sean, en promedio, lo mismo para ambos grupos de prueba. El investigador encuentra que los puntajes de las pruebas para aquellos que toman el entrenamiento son realmente más altos ahora, y esta diferencia es estadísticamente significativa. Ella rechaza su hipótesis nula. Simplemente declarar los resultados para los dos grupos en términos de diferencia de puntaje promedio y representar esto en forma de gráficos son estadísticas descriptivas. Pero si ella concluye que el programa de capacitación es efectivo para mejorar los puntajes de las pruebas (en general y para todas las personas), entonces esto es estadísticas inferenciales.
Es tentador suponer que las estadísticas descriptivas solo indican el final de un experimento, o no pueden dibujar una distinción entre los resultados de las pruebas estadísticas descriptivas y su análisis. Las estadísticas son herramientas poderosas, pero es el análisis proporcionado posteriormente por estadísticas inferenciales que explícitamente hace afirmaciones sobre lo que significan esos resultados, por qué y en qué contexto. Recuerde que la inferencia implica el enfoque móvil de más pequeño y más específico a más grande y más general.
¿Qué es la estadística inferencial resumen?
Las estadísticas inferenciales hacen inferencias y predicciones sobre datos extensos al considerar los datos de muestra de los datos originales. Utiliza la probabilidad de llegar a conclusiones.
El proceso de «inferir» información a partir de datos de muestra se llama «estadísticas inferenciales».
El mejor ejemplo del mundo real de «estadísticas inferenciales» es predecir la cantidad de lluvia que obtenemos en el próximo mes por pronóstico del tiempo.
Para comprender las estadísticas inferenciales, debemos tener conocimiento básico sobre los siguientes temas fundamentales en probabilidad.
Tomemos un ejemplo del mundo real de máquinas de tragamonedas en casinos. ¿Cómo se aseguran los casinos de que no pierdan dinero a largo plazo, en sus máquinas de tragamonedas?
- Tome una bolsa que contenga 3 bolas rojas y 2 bolas azules.
- El juego es que tenemos que elegir una pelota de la bolsa, observar que es color y colocar la pelota dentro de la bolsa y volver a recoger una pelota de la bolsa, tener en cuenta el color y ponerla dentro. Repita este proceso total de 4 veces. Todo este proceso es un conjunto.
- Realice este experimento 75 veces, es decir, 75 conjuntos.
- La condición es que si dibujamos la bola roja cuatro veces consecutivamente, es decir, el conjunto contiene todas las bolas rojas, entonces recibiríamos $ 150. Si no, tendremos que pagar $ 10 al concesionario.
Veamos si jugamos este juego, el concesionario gana o pierde dinero a largo plazo. Para comprender todo esto, abordaremos el problema en 3 pasos.
- Tome una bolsa que contenga 3 bolas rojas y 2 bolas azules.
- El juego es que tenemos que elegir una pelota de la bolsa, observar que es color y colocar la pelota dentro de la bolsa y volver a recoger una pelota de la bolsa, tener en cuenta el color y ponerla dentro. Repita este proceso total de 4 veces. Todo este proceso es un conjunto.
- Realice este experimento 75 veces, es decir, 75 conjuntos.
- La condición es que si dibujamos la bola roja cuatro veces consecutivamente, es decir, el conjunto contiene todas las bolas rojas, entonces recibiríamos $ 150. Si no, tendremos que pagar $ 10 al concesionario.
¿Que nos enseña la estadística inferencial?
Todos hacen inferencias, declaraciones generales extraídas de evidencias o experiencias específicas, mientras aprenden y actúan en el mundo que las rodea. Las estadísticas inferenciales son herramientas poderosas para hacer una inferencia que se basan en frecuencias y probabilidades. En consecuencia, la comprensión de las estadísticas inferenciales puede mejorar la capacidad de uno para tomar decisiones, formar predicciones y realizar investigaciones. También puede proteger a uno de las estadísticas mal utilizadas y malinterpretadas que son sucesos demasiado comunes.
Este capítulo no está destinado a enseñar todos los principios estadísticos o convencer al escéptico del valor de la inferencia estadística de calidad. En cambio, está destinado a proporcionar un breve sabor de estadísticas inferenciales, lo suficiente para ayudar al lector a decidir si obtener o no más información sobre el tema. Tres temas generales se cubrirán en el capítulo: (1) la importancia de una muestra representativa, (2) los tipos de preguntas que pueden ser respondidas por estadísticas y (3) la rama más común del análisis estadístico, que se llama nulo Prueba de significación de hipótesis (NHST).
Hacemos inferencias cuando no tenemos acceso a la imagen completa. Por ejemplo, una compañía de dulces puede querer estar segura de la calidad de sus dulces, por lo que saben algunos. Es absurdo esperar que la compañía pruebe a todos sus dulces, porque ya no tendrían nada que vender. Sin embargo, cuando dicen que un lote completo es bueno o malo según una muestra, se están vadeando en un territorio incierto. Lo mismo es cierto en las estadísticas inferenciales. El proceso de estadísticas inferenciales ha sido etiquetada, «toma de decisiones bajo incertidumbre» (Panik, 2012, p. 2). Para reducir la incertidumbre, es necesario que la muestra represente a la población (todo el lote de dulces en este caso). Si la muestra no es representativa, entonces las inferencias extraídas sobre la población serían incorrectas.
Teóricamente, la mejor manera de obtener una muestra representativa se llama muestreo aleatorio simple (SRS). El muestreo aleatorio simple significa que cada persona en la población, o todos los dulces en el lote, tiene la misma oportunidad de ser seleccionados. En la práctica, esto a menudo es difícil o imposible. Los investigadores no pueden obligar a las personas a participar en sus estudios, por lo que se limitan automáticamente a aquellos que están interesados en el estudio en primer lugar. Con muchas otras limitaciones que evitan una muestra verdaderamente aleatoria, muchas otras opciones se vuelven necesarias. Estos diseños cuasiexperimentales tienden a ser complicados, lo que lleva a algunos investigadores a reunir cualquier muestra que sea conveniente. Sin embargo, el muestreo de conveniencia no es una buena práctica, y aumenta en gran medida las posibilidades de una muestra no representativa, que invalida la generalización de la investigación. En cambio, el aspirante a investigador debe familiarizarse con los diseños cuasi-experimentales más complejos.
Artículos Relacionados:
