17 temas interesantes de estadística para estudiantes

Analizar datos estadísticos se está volviendo cada vez más importante en un negocio. Si trabaja como analista de datos, ¿por qué no comparte la información con todos en la empresa? ¡Aquí, diseñamos esta plantilla de color rosa y naranja muy simple solo para ti! También hay varios recursos como…

Brinde información sobre su Centro de Estadísticas de Salud con esta presentación abstracta. Incluye transparencias y secciones para proporcionar algunos detalles sobre su centro, atención al paciente o logros. Apoye sus datos con mapas, gráficos y plazos.

Continúe e incluya algunas estadísticas y los resultados de una campaña o un programa de ventas personalizando estas infografías limpias. Tenemos plazos, procesos, pasos, diagramas de Gantt, mapas y toneladas de porcentajes. Incluso algunos de los diseños simulan un efecto 3D. ¡Comprender los datos numéricos no podría ser más fácil que esto!

Tenga listo su plan de marketing, porque hemos lanzado una nueva plantilla en la que puede agregar esa información para que todos puedan visualizarla fácilmente. Su diseño es orgánico, centrado en formas onduladas, ilustraciones de Storyset y algunos garabatos en los orígenes. Comience a agregar los detalles y concéntrese en cosas como…

Si las plantillas de Slidesgo son descargadas por 7 de 9 personas en Francia y 8 de cada 10 en Brasil, ¿qué tan probable es que un nuevo usuario de esos países descargue una de nuestras presentaciones? Tome este ejemplo y llévelo a sus lecciones de secundaria gracias a…

¿Cuáles son los temas de la estadística?

No es irrazonable que los organismos de financiación de los programas gubernamentales deseen pruebas contundentes para justificar el dinero que han gastado en un programa o iniciativa, o que les ayuden a tomar decisiones futuras relacionadas con dónde se pueden dirigir sus fondos en el futuro. Aunque los datos y las estadísticas pueden ser herramientas poderosas para estos fines, es importante saber dónde se encuentran las limitaciones de las estadísticas. De los recientes estudios de investigación y evaluación de mercado que he realizado para clientes gubernamentales, descubrí una serie de problemas al observar cómo otros han utilizado estadísticas. Aquí hay cinco problemas comunes al usar estadísticas.

Al buscar diferencias en los hallazgos entre grupos o subgrupos o encuestados, existe una habilidad en poder aislar y explicar si las diferencias en los hallazgos porcentuales son lo suficientemente grandes como para ser significativos o son demasiado pequeños para tener algún significado. No me refiero a aplicar pruebas de significado aquí, sino más bien, observar pequeñas diferencias porcentuales que sabes no son significativas, pero preguntándome si significan algo. Se debe tener cuidado para no poner demasiado peso en pequeñas diferencias que tengan poco o ningún significado.

Cuando los tamaños de muestra son pequeños, se debe tener precaución al presentar los hallazgos para garantizar que los hallazgos no sean engañosos. Por ejemplo, consideremos un hallazgo de encuesta en el que el 10% de las personas respondieron de cierta manera a una pregunta. Si el tamaño de la muestra es de 100, eso es 10 personas. Pero si el tamaño de la muestra es 30, solo son tres. Aquí hay una serie de otras consideraciones, como la calidad de la muestra y cuán representativos son de la comunidad más amplia de interés. Pero cuando los tamaños de muestra son pequeños, puede ser engañoso hablar en términos porcentuales. Los números sin procesar deben usarse en su lugar para que el lector tenga claro que el hallazgo se relaciona con solo unas pocas personas.

Nuevamente, esto se relaciona con el tema de los pequeños tamaños de muestra. Recientemente me encontré con este gráfico en un informe de investigación:

A primera vista, tu ojo se siente atraído por la barra azul que muestra el 57%. Parece que hay algo considerable en ese grupo. Pero cuando leí la nota al pie del informe descubrí que el tamaño de la muestra era 4 (los tamaños de muestra para los otros subgrupos variaron, que varían de 30 a 140). Esta compañía de investigación ha utilizado un gráfico de barras para ilustrar las respuestas de dos personas de un tamaño de muestra de cuatro.

¿Qué es el tema de estudio en estadística?

El análisis de muestras clínicas, muestras de población y ensayos controlados generalmente se somete a una revisión estadística rigurosa. Este hecho es comprensible, dado que los resultados de la investigación clínica a menudo se utilizarán para informar la atención al paciente o la toma de decisiones clínicas. Uno no querría predicar el consejo del paciente sobre los resultados de la investigación que no se interpretan correctamente o no sean válidos. Por esta razón, la mayoría de las principales revistas que publican investigación clínica incluyen revisiones estadísticas como un componente estándar de la evaluación de manuscritos para la publicación. Los datos clínicos, independientemente del lugar de publicación, a menudo están sujetos a principios de revisión bastante uniformes.

En contraste, los estudios de ciencias básicas a menudo se manejan de manera menos uniforme, tal vez debido a los desafíos únicos inherentes a este tipo de investigación. Un solo manuscrito de ciencias básicas, por ejemplo, puede abarcar varias disciplinas científicas e involucrar bioquímica, cultivo celular, sistemas animales modelo e incluso muestras clínicas seleccionadas. Tal estructura manuscrita es un desafío para el análisis y la revisión estadística. No todas las revistas que publican artículos de ciencias básicas utilizan consultas estadísticas, aunque se está volviendo cada vez más común.1 Además, la mayoría de los revisores estadísticos se sienten más cómodos con el diseño de estudio clínico que con la investigación científica básica. En consecuencia, hay múltiples razones por las cuales el análisis estadístico de la investigación científica básica podría ser subóptima. En esta revisión, nos centramos en fuentes comunes de confusión y errores en el análisis e interpretación de los estudios de ciencias básicas. Los problemas abordados se ven repetidamente en la experiencia editorial de los autores, y esperamos que este artículo sirva como guía para aquellos que pueden enviar sus estudios de ciencias básicas a las revistas que publican investigación científica clínica y básica. Hemos discutido temas relacionados con el tamaño y la potencia de la muestra, el diseño del estudio, el análisis de datos y la presentación de resultados (Katz2 y Rosner3 proporcionan más detalles. Luego ilustramos estos temas utilizando un conjunto de ejemplos de estudios básicos de investigación en ciencias.

La unidad de análisis es la entidad de la cual se toman mediciones de «n». Las unidades podrían ser animales, órganos, células o mezclas experimentales (p. Ej., Ensayos enzimáticos, curvas de descomposición). El tamaño de la muestra, que afecta el enfoque estadístico apropiado utilizado para las pruebas formales, es el número (es decir, el valor de N) de las observaciones independientes bajo 1 condición experimental. Los métodos estadísticos más comunes suponen que cada unidad de análisis es una medición independiente. Una trampa común en la investigación científica básica es el tratamiento de mediciones repetidas de una unidad de análisis como independiente cuando, de hecho, se correlacionan, lo que aumenta artificialmente el tamaño de la muestra. Un ejemplo simple es una sola medida (por ejemplo, peso) realizada en 5 ratones bajo la misma condición (por ejemplo, antes de la manipulación de la dieta), para n = 5. Si medimos el peso 12 veces en 1 día, tenemos 12 medidas por ratón pero aún solo 5 ratones; Por lo tanto, todavía tendríamos n = 5 pero con 12 medidas repetidas en lugar de un valor de N de 5 × 12 = 60. En contraste, las 12 medidas repetidas de peso podrían usarse para evaluar la precisión de los pesos del ratón; Por lo tanto, las 12 réplicas podrían promediarse para producir N = 1 de peso para cada mouse. Las cosas se vuelven aún más vagas al usar mezclas de cultivo celular o ensayo, y los investigadores no siempre son consistentes. Por convención, un experimento independiente infiere que el investigador ha establecido experimentos de forma independiente cada vez en lugar de solo medir el resultado varias veces. El primero refleja la variabilidad biológica inherente, mientras que el segundo simplemente puede medir la variabilidad del ensayo.

La determinación del tamaño de la muestra es crítica para cada diseño de estudio, ya sean estudios en animales, ensayos clínicos o estudios de cohorte longitudinales. Las consideraciones éticas elevan la necesidad de la determinación del tamaño de la muestra como componente formal de todas las investigaciones de investigación. En la investigación de ciencias básicas, los estudios a menudo se diseñan con una consideración limitada del tamaño de muestra apropiado. Los tamaños de muestra a menudo son bastante pequeños y no es probable que apoyen las pruebas estadísticas formales de la hipótesis subyacente. Aunque determinar un tamaño de muestra apropiado para la investigación de ciencias básicas podría ser más desafiante que para la investigación clínica, sigue siendo importante para la planificación, el análisis y las consideraciones éticas. Al determinar el número requerido de unidades experimentales, los investigadores deben especificar una variable de resultado primaria y si el objetivo es la prueba de hipótesis (por ejemplo, una prueba de hipótesis estadística para producir un nivel de significación estadística exacta, llamado valor p) o estimación (por ejemplo, por uso de un intervalo de confianza). Encontramos que la mayoría de los estudios científicos básicos implican pruebas de hipótesis. Además, los investigadores deben especificar los detalles del diseño del experimento para justificar la elección de la prueba estadística utilizada. ¿Serán los grupos de comparación, por ejemplo, independientes (por ejemplo, unidades experimentales aleatorizadas a condiciones competitivas) o dependientes (las mismas unidades medidas en cada condición experimental, a veces llamado diseño de medidas emparejadas, emparejadas o repetidas)? La especificación cuidadosa del diseño experimental ayudará en gran medida a los investigadores a calcular el tamaño de la muestra.

Un desafío particular en la determinación del tamaño de la muestra es estimar la variabilidad del resultado, particularmente porque los diferentes diseños experimentales requieren enfoques distintos. Con un diseño de muestras independiente, por ejemplo, la variabilidad se refiere a la medida de resultado (por ejemplo, peso, función vascular, extensión de la aterosclerosis), mientras que un diseño de muestras emparejadas requiere estimar la diferencia en la medida de resultado entre las condiciones a lo largo del tiempo. Un error común no es considerar los requisitos específicos para analizar datos coincidentes o emparejados. Cuando se realizará pruebas de hipótesis, se debe usar un tamaño de muestra que resulte en una potencia razonable (es decir, la probabilidad de detectar un efecto o diferencia si existe). Un valor «razonable» típico es ≥80% de potencia. En la investigación científica básica, a menudo no existe un estudio previo, o existe una gran incertidumbre con respecto a la variabilidad esperada de la medida de resultado, lo que hace que los cálculos de tamaño de la muestra sean un desafío. En tales casos, recomendamos que los investigadores consideren un rango de valores posibles para elegir el tamaño de la muestra con más probabilidades de garantizar el umbral de al menos 80% de potencia.

¿Cuáles son los 6 conceptos basicos de la estadística?

La página de la lista de verificación de los requisitos previos en el sitio web del Departamento de Estadísticas enumera una serie de cursos que requieren una base de conceptos estadísticos básicos como requisito previo. Todos los cursos de posgrado en el programa Master of Applied Statistics confían en gran medida de estos conceptos y procedimientos. Por lo tanto, es imperativo, después de estudiar y trabajar a través de esta lección, que comprenda completamente todo el material presentado aquí. Los estudiantes que no poseen una comprensión firme de estos conceptos básicos tendrán dificultades para participar con éxito en cualquiera de los cursos de nivel de posgrado por encima de la estadística 500. Cursos como Stat 501 – Métodos de regresión o STAT 502 – Análisis de varianza y diseño de experimentos requieren y construyendo de esta base.

Estos materiales de revisión están destinados a proporcionar una revisión de los conceptos y procedimientos estadísticos clave. Específicamente, las revisiones de la lección:

  • poblaciones y parámetros y cómo difieren de muestras y estadísticas,
  • intervalos de confianza y su interpretación,
  • Procedimientos de prueba de hipótesis, incluido el enfoque de valor crítico y el enfoque de valor p,
  • Análisis de chi-cuadrado,
  • pruebas de proporción, y
  • Análisis de potencia.

Por ejemplo, con respecto a las pruebas de hipótesis, algunos de ustedes pueden haber aprendido solo un enfoque: algunos el enfoque de valor p y otros enfoque de valor crítico. Es importante que comprenda ambos enfoques. Si el enfoque de valor p es nuevo para usted, es posible que tenga que pasar un poco más de tiempo en esta lección que si no.

¿Qué se puede hacer en estadística?

Todos estamos de acuerdo: el título en estadísticas garantiza el trabajo y lo garantizará cada vez más en el futuro a quienes siguen este título, porque la ruta universitaria pertenece a la lista de disciplinas técnicas científicas sobre las cuales las empresas apuntarán masivamente al desarrollo del desarrollo Productos, servicios innovadores y soluciones.

Ciencias estadísticas o estadísticas: según los datos de Almalauea sobre la condición de empleo, el 29% de los graduados de tres años deciden ingresar al mercado laboral directamente con una tasa de empleo de 1 año desde un grado igual al 72%. Para aquellos que continúan con sus estudios, después de 12 meses desde la maestría, la tasa de empleo aumenta al 86% y del 90% a 5 años desde la graduación.

Sin embargo, todo es comprensivo, ¿cuáles son los sectores industriales y los perfiles buscados por las empresas porque no siempre estudian estadísticos saben cómo buscar realmente el trabajo en el área correcta? Aquí, en Tored tenemos un punto de vista privilegiado sobre las tendencias del mercado laboral para esto, hemos elaborado un breve compendio sobre qué hacer después de graduarse en estadísticas. No sobre la base de información genérica sino exactamente de los anuncios publicados por las empresas.

Con el desarrollo de tecnologías relacionadas con Big Data y la ciencia de datos, las habilidades estadísticas se han vuelto preciosas para empresas, multinacionales, compañías de consultoría e institutos de investigación porque generalmente este perfil tiene las habilidades adecuadas para analizar y extraer información específica a partir de un tamaño de datos.

Las matemáticas y las estadísticas, además, gobiernan cualquier sector económico y vital, pero son habilidades que no todos saben cómo dominar. Por esta razón, algunas áreas, como la de seguro que basa su negocio en el cálculo de la probabilidad de realización de un evento, o la atención médica que debe proporcionar el progreso de una epidemia, están en la búsqueda de graduados en estadísticas y matemáticas. Lo importante es centrarse en una salida que te haga acumular experiencia y ganar bien.

¿Qué hace una persona que estudia estadística?

Los estadísticos utilizan los conceptos de estadísticas aplicadas para analizar grandes conjuntos de datos, interpretar estos datos y extrapolar el significado de él. Los estadísticos recopilan datos a través de métodos como encuestas y experimentos, y presentan conclusiones a otros miembros de sus organizaciones. Existen numerosas oportunidades de empleo para estadísticos, como en investigación, academia, gobierno, atención médica y fabricación.

Puede ser fácil confundir ser un estadístico como sinónimo de un matemático; después de todo, las estadísticas son una disciplina de las matemáticas, y ambas carreras implicarán trabajar principalmente con números y teoremas. Sin embargo, si bien una carrera en matemáticas a menudo conducirá a una carrera en el gobierno o en la academia, las empresas privadas generalmente emplean a los estadísticos, creando modelos para comprender los datos y las estadísticas que pueden ayudar a sus empleadores a impulsar sus negocios.

Un estadístico trabaja en el campo de estadísticas aplicadas o teóricas. Si bien muchos estadísticos teóricos trabajan en la academia, las estadísticas aplicadas son necesarias para resolver problemas en los negocios, que es el campo en el que nos estamos centrando aquí. Los estadísticos aplicados deben obtener datos precisos, procesar grandes cantidades de datos sin procesar y analizar estos conjuntos de datos complejos con software especializado. Luego presentan sus conclusiones sobre sus hallazgos a colegas, empleadores y otros accionistas para informar la estrategia comercial.

Los estadísticos trabajan con datos de principio a fin. Primero, un estadístico debe recopilar datos necesarios y relevantes para su investigación. A menudo, el estadístico debe diseñar las encuestas, cuestionarios y experimentos que conducen a esta recopilación de datos, incluidas las decisiones sobre tamaños de muestra y el método de votación. El estadístico luego analiza estos datos utilizando software técnico e identifica tendencias y patrones, al tiempo que se asegura de que los datos sean confiables. Finalmente, un estadístico crea formas de visualizar estos datos, como en forma de gráficos, gráficos, informes, etc., y presenta esta información a otros. El estadístico puede necesitar reconocer cualquier error de muestreo y sugerir más líneas de investigación o proporcionar formas de que los datos respalden ciertas recomendaciones para que una organización tome para mejorar algún aspecto del negocio.

Cinco pasos para lanzar una carrera exitosa como estadística

¿Qué temas se ve en estadística?

Incluso una mirada rudimentaria a la probabilidad puede dar nuevas ideas sobre cómo interpretar los datos. Los experimentos de pensamiento simples y pueden dar una nueva visión de las diferentes formas en que el malentendido de las estadísticas puede distorsionar la forma en que percibimos el mundo.

Hemos seleccionado cinco problemas clásicos resueltos de manera poco convencional que pueden ayudar a obtener una nueva forma de comprender la forma en que los datos pueden ser engañosos y la historia en la superficie puede llevar a las personas en la dirección equivocada.

Digamos que estás en un programa de juegos donde hay tres puertas. Detrás de dos de las puertas, hay cabras. Detrás de una de las puertas, hay un auto nuevo.

El anfitrión dice que una vez que elija una puerta, abrirá una de las puertas que no eligió para revelar una cabra. Luego, tiene la opción de quedarse con su puerta o cambiar a la última puerta sin abrir.

Esto en realidad se basa en un programa de juegos real, y el resultado ha sido la fuente de controversia durante años.

Esencialmente, cuando realizó la selección por primera vez, tenía una probabilidad de uno en tres de seleccionar correctamente la puerta que tenía un automóvil detrás. El cambio aumentó esa probabilidad a dos en tres que seleccionará un automóvil.

Dicho de otra manera: un jugador cuya estrategia es cambiar siempre solo perderá cuando la puerta que seleccionó inicialmente tiene un automóvil detrás. Un concursante que selecciona cualquiera de las dos puertas con una cabra detrás de ella y luego los interruptores siempre obtendrán el automóvil.

Aquí hay una última forma de verlo, siempre que la puerta seleccionada del concursante #1

¿Qué tipo de problemas resuelve la estadística?

Una de las mejores maneras de aprender estadísticas es resolver problemas de práctica. Estos problemas prueban su
Comprensión de la terminología estadística y su capacidad para resolver problemas de estadísticas comunes.
Cada problema incluye una explicación paso a paso de la solución.

  • Use los cuadros desplegables para describir el tipo de problema en el que desea trabajar.

En un estado, el 52% de los votantes son republicanos, y el 48% son demócratas.
En un segundo estado, el 47% de los votantes son republicanos, y el 53% son demócratas.
Supongamos que se encuesta una muestra aleatoria simple de 100 votantes de cada estado.

¿Cuál es la probabilidad de que la encuesta muestre un mayor porcentaje de votantes republicanos en
el segundo estado que en el primer estado?

La respuesta correcta es C. Para este análisis, deje que P1 = la proporción de votantes republicanos en el primer estado,
P2 = la proporción de votantes republicanos en el segundo estado, p1 = la proporción de votantes republicanos en
La muestra del primer estado, y p2 = la proporción de votantes republicanos en la muestra del segundo estado.
El número de votantes muestreados del primer estado (n1) = 100, y el número de votantes muestreados del
Segundo estado (N2) = 100.

  • Use los cuadros desplegables para describir el tipo de problema en el que desea trabajar.
  • Encuentra la probabilidad. Este problema requiere que encontremos la probabilidad de que P1 sea menor que P2.
    Esto es equivalente a encontrar la probabilidad de que P1 – P2 sea inferior a cero.
    Para encontrar esta probabilidad, necesitamos transformar la variable aleatoria (P1 – P2) en una puntuación Z.
    Esa transformación aparece a continuación.
  • ¿Cómo ayuda la estadística a resolver problemas?

    En la película nominada al Oscar «The Imitation Game», protagonizada por Benedict Cumberbatch, el científico británico y matemático Alan Turing construyó una computadora que rompió el código de enigma naval alemán, lo que llevó a varias victorias aliadas y se cree que acortó la Segunda Guerra Mundial. Eso fue en 1939.

    En las últimas semanas, los investigadores que intentan localizar el vuelo de AirAsia QZ8501 indudablemente usaron métodos similares, tomando lo que se sabía sobre la ruta de vuelo del avión y medirla contra la inteligencia sobre cómo tales eventos ocurren generalmente, ya que determinaron sus tácticas de búsqueda y recuperación.

    Los métodos utilizados en ambos casos se basaron en Bayes Rule, un teorema de probabilidad de un siglo y medio de la probabilidad de que Roderick J. Little hablará durante su distinguida conferencia de profesión universitaria, 4 p.m. 10 de febrero en el anfiteatro Rackham. Los métodos bayesianos muy difamados resuelven problemas del mundo real y están disfrutando de un resurgimiento.

    En la conferencia, «La alegría de las estadísticas: mucho más que el conteo de frijoles», poco explicará cómo las estadísticas son más que solo compilar datos.

    “Todo en las estadísticas es un problema de datos faltante; Inferir sobre cosas que no sabemos de cosas que sabemos, con medidas de incertidumbre. Se me ocurren métodos para llenar los vacíos ”, dice sobre su propio trabajo.

    «Las estadísticas son divertidas porque crea puentes para innumerables otros campos», dice Little. «He tenido la oportunidad de trabajar con colegas en muchas áreas diferentes, como medicina, economía, demografía, psiquiatría, medio ambiente, sociología y gobierno. Por lo tanto, es genial estar en un lugar como U-M que tenga un enfoque tan interdisciplinario «.

    ¿Qué son los problemas estadísticos?

    Resolver problemas de estadísticas siempre se trata de tener una estrategia. No puede leer un problema una y otra vez y esperar obtener una respuesta, ¡todo lo que obtendrá es ansiedad! Aunque no todas las estrategias funcionan para todos, aquí hay una estrategia de tres pasos que ha demostrado que vale la pena:

    Por ejemplo, si el problema dice «X tiene una distribución normal con una media de 10 y una desviación estándar de 2», salto a la acción: rodee el 10 y escriba μ, y rodee el 2 y escriba σ. De esa manera, no tiene que cazar más tarde para encontrar los números que necesita.

    Escriba lo que se le pide que encuentre de manera estadística.

    Sugerencia: las preguntas generalmente le dicen lo que quieren en la última línea del problema. Por ejemplo, si se le pide que encuentre la probabilidad de que más de 10 personas vengan a la fiesta, escriba «Encuentra P (x> 10)».

    Use una fórmula, un proceso o un ejemplo que haya visto para conectar lo que le pide que encuentre con lo que le da el problema.

    Por ejemplo, suponga que le dicen que X tiene una distribución normal con una media de 80 y una desviación estándar de 5, y desea la probabilidad de que X sea inferior a 90. Etiquete lo que se le da: “X normal con μ = 80 y σ = 5 » A continuación, escriba lo que necesita encontrar, usando símbolos: «Encuentra P (X <90)". Debido a que X tiene una distribución normal y desea una probabilidad, la conexión es la Formula Z: Z = (X-μ)/σ. Tiene una buena idea de que esta es la fórmula correcta porque incluye todo lo que tiene: μ, σ y el valor de x (que es 90). Encuentre p (x <90) = p [z <(90 - 80)/5] = p (z <2) = 0.9772. ¡Voilà!

    ¿Cómo hacer un proyecto de estadística?

    Las matemáticas a menudo se consideran un tema difícil. El cuerpo estudiantil en muchos niveles está muy dividido en el tema. Esto a pesar del hecho de que hay reuniones regulares entre ideas de proyectos matemáticos y de estadísticas para estudiantes universitarios. Sin embargo, es crucial tener en cuenta que no hay fórmula para crear un buen proyecto de estadísticas.

    Los proyectos estadísticos pueden ser difíciles de crear. Sin embargo, cuando un estudiante tiene las ideas correctas y comienza a implementarlas, terminan con resultados impresionantes. Si está atrapado e inseguro de qué hacer, estas ideas pueden ayudarlo a comenzar.

    El primer paso en cualquier proyecto estadístico es informar a los lectores del problema que está abordando. ¿Cómo puedes hacer esto?

    Cree un gráfico que visualice sus datos. Comience etiquetando cada punto con su valor numérico. Agregue un título que resume la información recopilada. Las etiquetas lo ayudarán a hacer referencia a la información recopilada.

    Ayudaría si realizó su investigación sin usar ninguna herramienta. Los datos que necesita se encuentran en su hoja de cálculo. Después de todo, usará números para describir sus hallazgos. Comience llenando los campos con la información relevante. Puede usar una regla o un bloc de notas para capturar cada observación.

    No tengas prisa por terminar este proceso. Debe tomarse su tiempo para asegurarse de que su trabajo sea perfecto. Use un gráfico para crear un argumento que confirme su proyecto de estadística. Comience por trazar los datos de temperatura que ha recopilado. Si le gusta el aspecto del gráfico, puede escribirlo.

    ¿Cómo hacer una estadística de un tema?

    Cómo mentir con las estadísticas es un libro de 65 años que se puede leer en una hora y le enseñará más información práctica que puede usar todos los días que cualquier libro sobre «big data» o «aprendizaje profundo». Para todos los prometidos por el aprendizaje automático y los datos a escala de petabyte, las técnicas más efectivas en la ciencia de datos siguen siendo pequeñas tablas, gráficos o incluso un número único que resume una situación y nos ayude a nosotros, o nuestros jefes, tomen una decisión informada por los datos.

    Una y otra vez, he visto miles de horas de trabajo en algoritmos complejos resumidos en un solo número. En última instancia, así es como se toman las decisiones más importantes: con algunos datos que puede procesar un humano. Esta es la razón por la cual las lecciones de «Cómo mentir con las estadísticas» (por Darell Huff) son relevantes a pesar de que cada uno de nosotros probablemente genera más datos en un solo día de los que existen en todo el mundo en la escritura del libro. Como productores de tablas y gráficos, necesitamos presentar de manera efectiva resúmenes válidos. Como consumidores de información, necesitamos detectar estadísticas engañosas/exageradas que nos manipulen para tomar medidas que beneficien a otra persona a nuestra costa.

    Estas habilidades se dividen en una categoría llamada «alfabetización de datos»: la capacidad de leer, comprender, discutir y tomar decisiones de la información. En comparación con los algoritmos o el procesamiento de big data, la alfabetización de datos puede no parecer emocionante, pero debe formar la base de cualquier educación en la ciencia de datos. Afortunadamente, estas ideas centrales no cambian mucho con el tiempo y, a menudo, los mejores libros sobre el tema (como la visualización visual de información cuantitativa) tienen décadas de edad. El libro clásico discutido en este artículo aborda el consumo responsable de datos en un formato conciso, efectivo y agradable. Aquí están mis lecciones aprendidas de «Cómo mentir con estadísticas» con comentarios de mis experiencias.

    El libro de classis sobre alfabetización de datos: «Cómo mentir con estadísticas» (fuente)

    Cuando dos variables X e Y están correlacionadas, lo que significa que aumentan juntas, disminuyen juntas, o una sube a medida que la otra baja, hay cuatro posibles explicaciones:

    A menudo saltamos de inmediato a, o nos hacen creer, A o B cuando C o D pueden ser tan probables. Por ejemplo, cuando escuchamos que más años de educación universitaria se correlacionan positivamente con un ingreso más alto, concluimos que los años adicionales de la universidad conducen a una mayor riqueza. Sin embargo, también podría ser un tercer factor, como la disposición a trabajar duro o ingresos de los padres, está detrás del aumento tanto en más años de educación terciaria como de mayores ingresos. La tercera variable oculta puede llevarnos a conclusiones incorrectas sobre la causalidad.

    Artículos Relacionados:

    Más posts relacionados:

    Deja una respuesta

    Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *