Al analizar datos, como las marcas logradas por 100 estudiantes para una pieza de trabajo de cursos, es posible utilizar estadísticas descriptivas e inferenciales en su análisis de sus marcas. Por lo general, en la mayoría de las investigaciones realizadas en grupos de personas, utilizará estadísticas descriptivas e inferenciales para analizar sus resultados y sacar conclusiones. Entonces, ¿qué son las estadísticas descriptivas e inferenciales? ¿Y cuáles son sus diferencias?
Las estadísticas descriptivas es el término dado al análisis de datos que ayudan a describir, mostrar o resumir los datos de manera significativa de tal manera que, por ejemplo, los patrones podrían surgir de los datos. Sin embargo, las estadísticas descriptivas no nos permiten llegar a conclusiones más allá de los datos que hemos analizado o llegan a conclusiones con respecto a cualquier hipótesis que podríamos haber hecho. Son simplemente una forma de describir nuestros datos.
Las estadísticas descriptivas son muy importantes porque si simplemente presentamos nuestros datos sin procesar, sería difícil visualizar lo que los datos estaban mostrando, especialmente si había muchas cosas. Por lo tanto, las estadísticas descriptivas nos permiten presentar los datos de una manera más significativa, lo que permite una interpretación más simple de los datos. Por ejemplo, si tuviéramos los resultados de los cursos de 100 piezas de estudiantes, podemos estar interesados en el rendimiento general de esos estudiantes. También estaríamos interesados en la distribución o la propagación de las marcas. Las estadísticas descriptivas nos permiten hacer esto. Cómo describir adecuadamente los datos a través de estadísticas y gráficos es un tema importante y se discute en otras guías de estadísticas de Laerd. Por lo general, hay dos tipos generales de estadísticas que se utilizan para describir datos:
- Medidas de tendencia central: estas son formas de describir la posición central de una distribución de frecuencia para un grupo de datos. En este caso, la distribución de frecuencia es simplemente la distribución y el patrón de marcas puntuadas por los 100 estudiantes de los más bajos a los más altos. Podemos describir esta posición central utilizando una serie de estadísticas, incluido el modo, la mediana y la media. Puede obtener más información en nuestra guía: medidas de tendencia central.
- Medidas de propagación: estas son formas de resumir un grupo de datos al describir cuán dispersos son los puntajes. Por ejemplo, la puntuación media de nuestros 100 estudiantes puede ser de 65 de cada 100. Sin embargo, no todos los estudiantes habrán obtenido 65 puntos. Más bien, sus puntajes se extenderán. Algunos serán más bajos y otros más altos. Las medidas de propagación nos ayudan a resumir cuán extendidos son estos puntajes. Para describir este diferencial, hay una serie de estadísticas disponibles para nosotros, incluido el rango, los cuartiles, la desviación absoluta, la varianza y la desviación estándar.
Cuando utilizamos estadísticas descriptivas, es útil resumir nuestro grupo de datos utilizando una combinación de descripción tabulada (es decir, tablas), descripción gráfica (es decir, gráficos y gráficos) y comentarios estadísticos (es decir, una discusión de los resultados).
¿Qué es estadística inferencial ejemplos?
Las estadísticas inferenciales Estudian las relaciones entre variables dentro de una muestra. Luego, haga generalizaciones e incluso predicciones sobre la relación entre esas variables dentro de toda la población.
Para hacer eso, las estadísticas inferenciales necesitan algunas técnicas, métodos y tipos de cálculos. Ahora, veamos algunos de los más importantes de ellos.
La regresión logística (también conocida como regresión logit) es un modelo de regresión donde la variable dependiente es categórica (para saber que son datos categóricos, consulte nuestra publicación sobre ejemplos de datos categóricos).
La regresión logística se realiza cuando la variable dependiente es dicotómica (es decir, la variable dependiente tiene solo dos valores posibles).
Ejemplos de variables dicotómicas (binarias) son: 0 y 1, sí y No.
Como otros modelos de regresión lineal, la regresión logística es un análisis predictivo. Su objetivo es encontrar el mejor modelo de ajuste para describir la relación entre las características dicotómicas de una variable dependiente y un conjunto de variables independientes.
Un ejemplo de la vida real del problema de regresión logística es la respuesta a la pregunta: «¿El peso corporal tiene un efecto sobre la probabilidad de tener un ataque cardíaco» (solo 2 posibles resultados, sí vs. no)?
El análisis de varianza (ANOVA) es un método estadístico popular utilizado para probar y analizar las diferencias entre dos o más medias (promedios). Busca diferencias significativas entre las medias.
Por ejemplo, supongamos que tiene que estudiar el nivel educativo de los deportistas en un área geográfica determinada. Debe encuestar a personas en una variedad de equipos.
¿Qué es la estadística inferencial?
La inferencia estadística es el conjunto de métodos que le permiten inducir, a través de una muestra estadística, el comportamiento de una población específica. La inferencia estadística, por lo tanto, estudia cómo, a través de la aplicación de estos métodos en los datos de una muestra, se pueden sacar conclusiones sobre los parámetros de la población de datos. De la misma manera, también estudia el grado de confiabilidad de los resultados extraídos del estudio.
- Población: una población de datos es el conjunto total de datos que existe en una variable.
- Muestra estadística: una muestra es parte de la población de datos.
Aclaró lo que se entiende por concepto de inferencia, una de las dudas fundamentales radica en el hecho de elegir una muestra en lugar de una población.
Normalmente, en las estadísticas, trabajamos con los campeones debido a la gran cantidad de datos que tiene una población. Por ejemplo, si desea sacar conclusiones, es decir, deducir, los resultados de las elecciones generales, es imposible preguntar a toda la población del país. Para resolver este problema, elige una muestra diversa y representativa. Gracias a la cual se puede extraer una estimación del resultado final. La elección de una muestra adecuada es la responsabilidad de diferentes técnicas de muestreo.
La otra gran rama de las estadísticas son las estadísticas descriptivas.
Los métodos y técnicas de inferencia estadística se pueden dividir en dos: métodos de estima de los parámetros y métodos de verificación de hipótesis.
¿Cuál es la diferencia entre la estadística descriptiva e inferencial?
En los últimos años, la aceptación de la tecnología de la información en el campo de la atención médica ha cambiado significativamente la forma en que los profesionales médicos abordan la recopilación y el análisis de datos. Para las enfermeras que tienen un título de Doctor en Práctica de Enfermería (DNP), muchos aspectos de su trabajo dependen de los datos. Esto es cierto si cumplen con los roles de liderazgo en las organizaciones de atención médica o que sirven como enfermeras practicantes.
Sin embargo, el uso de datos va mucho más allá de almacenar registros de salud electrónicos (EHR). Cada vez más, las ideas están impulsando el rendimiento del proveedor, alineando el rendimiento con los modelos de reembolso basados en el valor, racionalizar las operaciones del sistema de atención médica y guiar las mejoras de prestación de atención. Como resultado, las enfermeras preparadas para DNP ahora tienen más probabilidades de tener cierta competencia en estadísticas y se espera que comprendan la intersección del análisis estadístico y la atención médica.
Para que las enfermeras tengan éxito en aprovechar este tipo de ideas, es crucial comprender la diferencia entre las estadísticas descriptivas frente a las estadísticas inferenciales y cómo usar ambas técnicas para resolver problemas del mundo real. Según la American Nurses Association (ANA), las enfermeras en todos los niveles deben poder comprender y aplicar análisis estadísticos básicos relacionados con proyectos de mejora del desempeño.
Artículos Relacionados:
