Los investigadores a menudo están interesados en responder preguntas sobre poblaciones como:
- ¿Cuál es el peso promedio de una cierta especie de ave?
- ¿Cuál es la altura promedio de una cierta especie de planta?
- ¿Qué porcentaje de ciudadanos en una determinada ciudad apoyan una determinada ley?
Una forma de responder a estas preguntas es dar vueltas y recopilar datos sobre cada individuo en la población de interés.
Sin embargo, esto suele ser demasiado costoso y lento, por lo que los investigadores toman una muestra de la población y usan los datos de la muestra para sacar conclusiones sobre la población en general.
Existen muchos métodos diferentes que los investigadores pueden usar potencialmente para obtener individuos para estar en una muestra. Estos se conocen como métodos de muestreo.
- ¿Cuál es el peso promedio de una cierta especie de ave?
- ¿Cuál es la altura promedio de una cierta especie de planta?
- ¿Qué porcentaje de ciudadanos en una determinada ciudad apoyan una determinada ley?
Mediante el uso de métodos de muestreo de probabilidad, los investigadores pueden maximizar las posibilidades de que obtengan una muestra que sea representativa de la población general.
¿Cómo está relacionada la estadística con la investigación?
El papel de las estadísticas en la investigación es funcionar como una herramienta en el diseño de la investigación, analizar sus datos y sacar conclusiones de ellos. La mayoría de los estudios de investigación dan como resultado un gran volumen de datos sin procesar que deben reducirse adecuadamente para que lo mismo se pueda leer fácilmente y se pueda usar para un análisis posterior. Claramente, la ciencia de las estadísticas no puede ser ignorada por ningún trabajador de la investigación, a pesar de que puede no tener la oportunidad de usar métodos estadísticos en todos sus detalles y ramificaciones. La clasificación y la tabulación, como se indicó anteriormente, logran este objetivo hasta cierto punto, pero tenemos que ir un paso más allá y desarrollar ciertos índices o medidas para resumir los datos recopilados/clasificados. Solo después de esto podemos adoptar el proceso de generalización de grupos pequeños (es decir, muestras) a la población. De hecho, hay dos áreas principales de estadísticas, a saber, estadísticas descriptivas y estadísticas inferenciales. Las estadísticas descriptivas se refieren al desarrollo de ciertos índices a partir de los datos sin procesar, mientras que las estadísticas inferenciales se preocupan por el proceso de generalización. Las estadísticas inferenciales también se conocen como estadísticas de muestreo y se preocupan principalmente por dos tipos principales de problemas:
- la estimación de los parámetros de la población y
- La prueba de hipótesis estadísticas.
Las importantes medidas estadísticas* que se utilizan para resumir los datos de la encuesta/investigación son:
- la estimación de los parámetros de la población y
- La prueba de hipótesis estadísticas.
Entre las medidas de tendencia central, las tres más importantes son el promedio aritmético o media, mediana y modo. La media geométrica y la media armónica también se usan a veces.
De entre las medidas de dispersión, varianza y su raíz cuadrada: la desviación estándar son las medidas más utilizadas. También se utilizan otras medidas como la desviación media, el rango, etc. Para fines de comparación, utilizamos principalmente el coeficiente de desviación estándar o el coeficiente de variación.
Con respecto a las medidas de asimetría y curtosis, utilizamos principalmente la primera medida de asimetría en función de la media y el modo o en la media y la mediana. A veces también se usan otras medidas de asimetría, basadas en cuartiles o en los métodos de momentos. La curtosis también se usa para medir el máximo de la curva de la distribución de frecuencia.
Entre las medidas de relación, el coeficiente de correlación de Karl Pearson es la medida utilizada frecuentemente en caso de estadísticas de variables, mientras que el coeficiente de asociación de Yule se utiliza en el caso de estadísticas de atributos. El coeficiente de correlación múltiple, el coeficiente de correlación parcial, el análisis de regresión, etc., son otras medidas importantes utilizadas por un investigador.
Los números de índice, el análisis de series temporales, coeficiente de contingencia, etc., son otras medidas que bien pueden ser utilizadas por un investigador, dependiendo de la naturaleza del problema en estudio.
A continuación damos un breve resumen de algunas medidas importantes (nuestras de las medidas mencionadas anteriormente) a menudo utilizadas en el contexto de los estudios de investigación.
¿Cómo se relaciona la estadística con la investigación en una empresa?
En primer lugar, la disponibilidad de la enseñanza de calidad, es decir, los datos que pueden usarse de manera efectiva para lograr sus objetivos. Las empresas a menudo no tienen datos de calidad debido a dificultades para definir, controlar y evolución de los procesos comerciales. Los procesos comerciales de calidad generan datos de calidad, por lo tanto, es esencial administrar tanto adecuadamente: la gestión de los procesos internos y la gestión de los datos en los que se basan estos procesos debe llevarse a cabo después de una ruta de crecimiento uniforme, sin desequilibrios. Otro obstáculo típico es la disponibilidad de habilidades adecuadas. La «ciencia de datos» llamada SO es un enfoque interdisciplinario que combina conocimiento en diferentes áreas como matemáticas, estadísticas, informática, investigación operativa, para interpretar y extraer conocimiento de los datos. Las cifras competentes en este nuevo campo son difíciles de encontrar y, al mismo tiempo, es muy difícil reconstruir los recursos internos.
La abundante oferta de tecnologías para la gestión y análisis de datos no ayuda a resolver el problema y aumenta la sensación de frustración: cuando presenciamos una demostración de una solución, parece fácil; Pero a pesar de las inversiones realizadas, las empresas aún luchan por tomar decisiones realmente basadas en datos. Probablemente la base de estas dificultades es la atención excesiva al componente tecnológico: en realidad, el verdadero problema no es la herramienta, sino para elegir qué hacer y cuándo lograr los objetivos gracias a los datos.
Una solución efectiva es el servicio de estrategia de análisis de datos, que, gracias a un marco específicamente desarrollado, ayuda a definir, de manera rápida y fácil, una hoja de ruta de transformación para convertirse en una empresa basada en datos. A partir del análisis de los datos de la compañía disponibles, la estrategia de análisis de datos de Quin proporciona indicaciones precisas sobre qué hacer, cómo y cuándo ayudar a las empresas a alcanzar sus objetivos gracias a los datos, de manera consistente con su estrategia comercial y comercial. Esta solución le permite transformar gradualmente la mentalidad de la empresa, colocando el análisis de datos en el centro de cada decisión corporativa.
- El inicio -UP comienza desde una suposición fundamental: cada organización es única y la elección de cómo administrar y usar datos depende de las características del negocio. Por esta razón, Quin analiza en primer lugar el modelo de negocio, los objetivos principales y si la gestión de datos ya cae dentro de la estrategia corporativa. A través de este análisis, Quin puede definir una ruta personalizada.
- A través de la evaluación, Quin puede saber cuál es el nivel actual de madurez de la gestión y en el análisis de los datos de la empresa. Y esto no solo en relación con la esfera tecnológica, sino también mediante la evaluación de los procesos, la cultura corporativa, la gestión de datos y las herramientas de manera holística.
- La tercera fase, la de la visión, establece que se define el destino de la ruta, el nivel óptimo para tender a asegurarse de que los datos ayuden al cliente a lograr los objetivos comerciales. Quin indica cómo la organización del cliente debe evolucionar para mejorar la gestión de datos y, además, propone que los proyectos se activen para llevar a cabo su estrategia corporativa aprovechando el análisis de datos.
- En la última fase, los proyectos identificados de acuerdo con diferentes tamaños están clasificados que ayudan a establecer la orden de ejecución más apropiada. Quin define la hoja de ruta de transformación que se realizará junto con el cliente y le muestra cómo administrarla.
Quin no solo define la hoja de ruta. También apoya al cliente para ayudarlo a dar sus primeros pasos y le proporciona las primeras herramientas del marco que se utilizarán para garantizar la gobernanza de los datos dentro de su organización. Entiendo cómo administrar y continuar con la hoja de ruta, el cliente podrá continuar sus datos basados en datos de forma independiente.
La estrategia de análisis de datos define una ruta personalizada, recortada sobre las necesidades específicas del negocio. Una metodología que puede aplicarse no solo a las PYME, sino también a organizaciones complejas. Cualquiera que sea el tamaño de la empresa, Quin se compromete a hacer que cada aspecto sea fácilmente comprensible, incluso técnico, utilizando ejemplos prácticos y acompañando el crecimiento del personal involucrado en el camino.
¿Cuál es la relacion que existe entre el metodo cientifico y la estadística?
A la mayoría de los estudiantes de secundaria se les enseña sobre el «método científico» durante sus clases de ciencias generales. A partir de estas primeras clases, se alienta a los estudiantes a creer que todos los científicos siguen un proceso objetivo y casi lineal en su investigación. El proceso generalmente se describe como algo como esto:
- Se hace una observación inusual
- Se propone una explicación para esta observación
- Se realizan experimentos para probar la explicación
- Después de experimentos repetidos se forma una teoría
- Se realizan experimentos para validar la teoría
- Una vez validada, la teoría se convierte en una nueva ley científica
- Las leyes científicas se utilizan para predecir nuevas observaciones.
Por supuesto, se puede hacer una observación inusual en cualquier momento, particularmente al realizar experimentos. Igualmente, algunas explicaciones o teorías pueden surgir sin observación. Entonces, el «método científico» es realmente una descripción idealizada de cómo se determinan las leyes científicas. Sin embargo, el «método científico» proporciona información sobre cómo se comporta científicamente, a saber:
- Se hace una observación inusual
- Se propone una explicación para esta observación
- Se realizan experimentos para probar la explicación
- Después de experimentos repetidos se forma una teoría
- Se realizan experimentos para validar la teoría
- Una vez validada, la teoría se convierte en una nueva ley científica
- Las leyes científicas se utilizan para predecir nuevas observaciones.
Muchos experimentos se ocupan de fenómenos complejos o difíciles de medir. Igualmente, estos experimentos usan datos de muestra y buscan generalizar los resultados más allá de las observaciones realizadas con los datos de la muestra. Como tal, determinar lo que nos dice un conjunto de observaciones de muestra sobre una explicación propuesta en general requiere que hagamos una inferencia, o como los estadísticos lo llamamos, «razonan con incertidumbre». El razonamiento con incertidumbre es el núcleo de la inferencia estadística y generalmente se realiza utilizando un método llamado Pruebas de significación de hipótesis nula (NHST). NHST, en esencia, sigue estos pasos:
- Se hace una observación inusual
- Se propone una explicación para esta observación
- Se realizan experimentos para probar la explicación
- Después de experimentos repetidos se forma una teoría
- Se realizan experimentos para validar la teoría
- Una vez validada, la teoría se convierte en una nueva ley científica
- Las leyes científicas se utilizan para predecir nuevas observaciones.
¿Cómo influye la estadística en la investigación científica?
Todas las mediciones contienen cierta incertidumbre y error, y los métodos estadísticos nos ayudan a cuantificar y caracterizar esta incertidumbre. Esto ayuda a explicar por qué los científicos a menudo hablan en declaraciones calificadas. Por ejemplo, ningún sismólogo que estudia terremotos estaría dispuesto a decirle exactamente cuándo va a ocurrir un terremoto; En cambio, el estudio geológico de los Estados Unidos emite declaraciones como esta: «Hay… una probabilidad del 62% de al menos un terremoto de magnitud 6.7 o más en el intervalo de 3 décadas 2003-2032 dentro de la región de la Bahía de San Francisco» (USGS, 2007 ). Esto puede sonar ambiguo, pero de hecho es una descripción muy precisa y derivada matemáticamente de cuán seguros son los sismólogos de que ocurrirá un terremoto importante, y los informes abiertos de errores e incertidumbre es un sello distintivo de la investigación científica de calidad.
Hoy, los análisis de ciencia y estadística se han entrelazado tanto que muchas disciplinas científicas han desarrollado sus propios subconjuntos de técnicas estadísticas y terminología. Por ejemplo, el campo de la bioestadística (a veces denominado biometría) implica la aplicación de técnicas estadísticas específicas para disciplinas en biología como la genética de la población, la epidemiología y la salud pública. El campo de la geoestadística ha evolucionado para desarrollar técnicas especializadas de análisis espacial que ayuden a los geólogos a asaltar la ubicación de los depósitos de petróleo y minerales; Estas técnicas de análisis espacial también han ayudado a Starbuck’s® a determinar la distribución ideal de cafeterías basadas en maximizar el número de clientes que visitan cada tienda. Utilizado correctamente, el análisis estadístico va mucho más allá de encontrar el próximo campo petrolero o taza de café para iluminar datos científicos de una manera que ayude a validar el conocimiento científico.
La investigación científica rara vez conduce a una certeza absoluta. Existe cierto grado de incertidumbre en todas las conclusiones, y las estadísticas nos permiten discutir esa incertidumbre. Los métodos estadísticos se utilizan en todas las áreas de la ciencia. El módulo explora la diferencia entre (a) demostrar que algo es verdadero y (b) mide la probabilidad de obtener un cierto resultado. Explica cómo las palabras comunes como «significativas», «control» y «aleatorias» tienen un significado diferente en el campo de las estadísticas que en la vida cotidiana.
Las estadísticas se utilizan para describir la variabilidad inherente a los datos de manera cuantitativa y para cuantificar las relaciones entre variables.
Hay una serie de conceptos erróneos que rodean las estadísticas, incluida la confusión entre los términos estadísticos y el uso del lenguaje común de términos similares, y el papel que emplean las estadísticas en el análisis de datos.
¿Qué es la investigacion cientifica en estadística?
Big Data promete revolucionar la producción de conocimiento dentro de
y más allá de la ciencia, al permitir formas novedosas y altamente eficientes de planificar,
conducir, difundir y evaluar la investigación. Las últimas décadas tienen
presenció la creación de nuevas formas de producir, almacenar y analizar
datos, que culminan en la aparición del campo de los datos
ciencia, que reúne computacional, algorítmico,
técnicas estadísticas y matemáticas hacia la extrapolar
Conocimiento de Big Data. Al mismo tiempo, los datos abiertos
Movimiento: emergiendo de tendencias políticas como el impulso de la apertura
Gobierno y ciencia abierta: ha alentado el intercambio y
Interlingo de datos de investigación heterogéneos a través de una gran digital
infraestructuras. La disponibilidad de grandes cantidades de datos en
Los formatos legibles por máquina proporcionan un incentivo para crear eficientes
Procedimientos para recopilar, organizar, visualizar y modelar estos datos. Estas
Las infraestructuras, a su vez, sirven como plataformas para el desarrollo de
inteligencia artificial, con el ojo para aumentar la fiabilidad,
Velocidad y transparencia de los procesos de creación de conocimiento. Investigadores
En todas las disciplinas, ver la nueva capacidad de vincular y
Datos de referencia cruzada de diversas fuentes para mejorar la precisión
y poder predictivo de los hallazgos científicos y ayudar a identificar
instrucciones futuras de investigación, así que finalmente proporciona una novela
punto de partida para la investigación empírica. Como lo demuestra el aumento
de fondos dedicados, programas de capacitación y lugares de publicación, grandes
Los datos son ampliamente vistos como marcados en una nueva forma de realizar investigaciones
y desafiar la comprensión existente de lo que cuenta como científico
conocimiento.
Esta entrada explora estas afirmaciones en relación con el uso de big data
dentro de la investigación científica, y con énfasis en lo filosófico
problemas que surgen de tal uso. A este objetivo, la entrada discute cómo
la aparición de big data y tecnologías relacionadas, instituciones
y normas: informa el análisis de los siguientes temas:
- Cómo ayudan las estadísticas, los modelos formales y computacionales a
extrapolar patrones de datos, y con las cuales las consecuencias; - El papel del escrutinio crítico (inteligencia humana) en la máquina
aprendizaje y su relación con la inteligibilidad de la investigación
procesos; - la naturaleza de los datos como componentes de investigación;
- la relación entre datos y evidencia, y el papel de los datos como
fuente de información empírica; - la visión del conocimiento como centrada en la teoría;
- comprensión de la relación entre predicción y causalidad;
- la separación de hecho y valor; y
- Los riesgos y la ética de la ciencia de datos.
Estas son áreas donde la atención a las prácticas de investigación que giran en torno a
Big Data puede beneficiar la filosofía, y particularmente el trabajo en el
Epistemología y Metodología de la Ciencia. Esta entrada no cubre el
vastas erudiciones en la historia y los estudios sociales de la ciencia que ha
surgió en los últimos años sobre este tema, aunque las referencias a algunos de
Esa literatura se puede encontrar cuando conceptualmente relevante. Complemento
Trabajo científico histórico y social en estudios de datos, el
El análisis filosófico de las prácticas de datos también puede provocar significativamente
Desafíos para la exageración que rodea la ciencia de datos y fomenta una crítica
comprensión del papel de la inteligencia artificial alimentada por datos en
investigar.
Estamos presenciando una «difusión de datos» progresiva de la social
vida. Las actividades humanas y las interacciones con el medio ambiente están siendo
monitoreado y registrado con mayor efectividad, generando un
Enorme huella digital. Los «big data» resultantes son un
tesoro para la investigación, con cada vez más sofisticado
Herramientas computacionales que se están desarrollando para extraer conocimiento de tal
datos. Un ejemplo es el uso de varios tipos diferentes de datos.
adquirido de pacientes con cáncer, incluidas secuencias genómicas,
mediciones fisiológicas y respuestas individuales al tratamiento, a
Mejorar el diagnóstico y el tratamiento. Otro ejemplo es la integración de
datos sobre flujo de tráfico, condiciones ambientales y geográficas, y
Comportamiento humano para producir medidas de seguridad para vehículos sin conductor, por lo que
que cuando se enfrenta a eventos imprevistos (como un niño de repente
lanzando a la calle en un día muy frío), los datos pueden ser de inmediato
analizado para identificar y generar una respuesta apropiada (el automóvil
Avanzando lo suficiente para evitar al niño y al mismo tiempo minimizar el riesgo de
patinar sobre hielo y dañar otros vehículos). Otra instancia más
es la comprensión del estado nutricional y las necesidades de un
población particular que se puede extraer de combinar datos sobre
Consumo de alimentos generado por servicios comerciales (por ejemplo, supermercados,
redes sociales y restaurantes) con datos provenientes de la salud pública y
Servicios sociales, como resultados de análisis de sangre e ingestas de hospitales
Vinculado a la desnutrición. En cada uno de estos casos, la disponibilidad de
Los datos y las herramientas analíticas relacionadas están creando nuevas oportunidades para
investigación y para el desarrollo de nuevas formas de investigación, que son
ampliamente percibido como tener un efecto transformador en la ciencia como
entero.
¿Cómo se relaciona la estadística con la ciencia?
Mark Twain escribió que hay tres tipos de mentiras: «Las mentiras, las malditas mentiras y las estadísticas». Las noticias falsas nos parecen inmediatamente más creíbles, y engañosos, con números atascados anteriormente. Pero las estadísticas pueden hacerlo peor, si se usan mal: puede engañarnos a nosotros mismos. Este es el problema que trajo a la American Statistical Association (ASA), por primera vez en 177 años, para levantar la voz y lanzar un comunicado de prensa oficial. Un grito de alarma por estadísticas para la ciencia: «Chicos, están equivocados, y la ciencia está en peligro si continúa así».
A continuación se muestra el abuso de una herramienta estadística oscura para la mayoría, pero el pan diario de investigadores, el valor P*, «Factor P». ¿Diatriba técnica aburrida? Espera un minuto. Estamos hablando del parámetro principal utilizado en la ciencia para decir que un resultado científico es «verdadero» o «falso». ¿Conoces todos los estudios que dicen «x causa cáncer» o «X cuidado del cáncer»? Prácticamente todos habrán validado sus conclusiones con un valor p. Y, nos dice Asa, muchos de ellos habrán llegado a conclusiones equivocadas. ¿Quieres un ejemplo? Al abusar conscientemente del valor P, era posible demostrar que el chocolate te hace perder peso. Un caso límite, un engaño generado a propósito, pero para hacerle pensar en muchos errores de que los investigadores son más o menos de buena fe en más o menos. La ciencia está lidiando con un gran problema de repetibilidad y el abuso del valor p es uno de los principales culpables.
¿Cuál es el valor p? Imagina que queremos saber si los plátanos te hacen perder peso. Tomo un grupo de personas: a mitad de camino hago que los plátanos coman todos los días, a mitad de camino. Después de una semana, cuento de cuántas personas han perdido peso en cada uno de los dos grupos. Si en el grupo de plátanos pierden más que el grupo sin plátanos, podemos concluir que los plátanos te hacen perder peso.
¿Qué es la estadística y cuál es su importancia y utilidad?
Las estadísticas pueden definirse como la recopilación, presentación, análisis e interpretación de datos numéricos.
Las estadísticas son un conjunto de técnicas de toma de decisiones que ayuda a los empresarios a hacer políticas adecuadas a partir de los datos disponibles. De hecho, cada hombre de negocios necesita una sólida experiencia en estadísticas, así como de matemáticas.
El propósito de las estadísticas y las matemáticas es manipular, resumir e investigar datos para que se puedan ejecutar los resultados útiles para la toma de decisiones.
Los siguientes son los principales usos de las estadísticas en diversas actividades comerciales:
- Con la ayuda de métodos estadísticos, se puede obtener información cuantitativa sobre producción, venta, compra, finanzas, etc. Este tipo de información ayuda a los empresarios a formular políticas adecuadas.
- Al utilizar las técnicas del análisis de series de tiempo que se basan en métodos estadísticos, el empresario puede predecir el efecto de una gran cantidad de variables con un grado justo de precisión.
- En la teoría de la decisión comercial, la mayoría de las técnicas de estadísticas se utilizan para tomar una decisión comercial que nos ayuda a hacer el negocio sin incertidumbre.
- Hoy en día, una gran parte de los negocios modernos se está organizando en torno a sistemas de análisis y control estadísticos.
- Al utilizar la «teoría de la decisión bayesiana», los empresarios pueden seleccionar las decisiones óptimas para la evaluación directa de la recompensa para cada curso de acción alternativo.
- El número de defectos en un rollo de papel, paca de tela, hoja de una película fotográfica se puede juzgar mediante la tabla de control basada en la distribución normal.
- En el control de calidad estadística, analizamos los datos que se basan en los principios involucrados en la curva normal.
Las estadísticas son la base de la economía. La máxima satisfacción del consumidor se puede determinar sobre la base de datos relacionados con los ingresos y los gastos. Las diversas leyes de demanda dependen de los datos relacionados con el precio y la cantidad. El precio de un producto está bien determinado sobre la base de datos relacionados con sus compradores, vendedores, etc.
Artículos Relacionados:
