Publicación de M. Dolores Bosque Cebolla

Estadística inferencial y estadística descriptiva. ¿Sabemos las diferencias? ¿Un analista de datos necesita saber sobre qué rama de la estadística se apoya? Vamos a explicarlas un poco para entender sus alcances La estadística descriptiva se ocupa de la recopilación, organización, resumen y presentación de datos. Su objetivo principal es describir las características de un conjunto de datos de manera clara y concisa. No se realizan generalizaciones ni predicciones a partir de los datos analizados. Dentro de esta rama tenemos características como media, mediana, varianza, desviación estándar, espectro, ... La estadística inferencial va más allá de la simple descripción de datos. Utiliza una muestra de datos para hacer estimaciones, predicciones o generalizaciones sobre una población más amplia, para ello usa teorías de probabilidad y los métodos de muestreo que permiten inferir conclusiones sobre una población a partir de una muestra. Aquí tenemos las pruebas de hipótesis como anova o chi-cuadrado o los famosos modelos de regresión. En resumen, mientras que los resultados obtenidos con la estadística descriptiva es aplicable al conjunto de datos analizado, la estadísitica inferencial permite aplicar los resultados a una población más amplia a partir de la muestra trabajada. Evidentemente ambas son cruciales en el análisis de datos y, a menudo, se utilizan conjuntamente para obtener una comprensión completa y precisa de los datos y para tomar decisiones informadas basadas en esos datos. Y ahora la pregunta. ¿Si tuvieras que hacer un análisis de la temperatura y su correlación con la presión atmosférica del último año? ¿Qué emplearías?

En el mundo empresarial y tecnológico actual, la capacidad de tomar decisiones informadas basadas en datos es cada vez más crucial. Las empresas recopilan enormes volúmenes de información, pero si no se analizan correctamente, estos datos pueden no ofrecer valor alguno. Aquí es donde entra en juego la estadística. La estadística no es solo una herramienta matemática, es una ciencia que nos permite interpretar, analizar y comunicar datos de manera efectiva. Ya sea que estés trabajando en marketing, recursos humanos, finanzas o incluso salud, la capacidad de utilizar la estadística puede ayudarte a descubrir patrones, predecir tendencias y tomar decisiones más precisas. Por ejemplo, en marketing digital, el uso de la estadística te permite segmentar audiencias y personalizar campañas para mejorar el retorno de inversión. En el ámbito de la salud, se utiliza para analizar estudios clínicos y tomar decisiones críticas sobre tratamientos médicos. En la economía, la estadística ayuda a predecir comportamientos de los mercados y ajustar estrategias. A menudo, quienes no están familiarizados con la estadística piensan que es compleja y solo accesible para especialistas. Sin embargo, con las herramientas adecuadas, como hojas de cálculo o software avanzado como R y Python, cualquier persona puede aprender a aplicar conceptos básicos y transformar datos en información valiosa. La clave está en entender los conceptos fundamentales, como la diferencia entre estadísticas descriptivas e inferenciales, y saber qué tipo de análisis aplicar en cada situación. Si quieres profundizar más en cómo la estadística puede ser una ventaja competitiva en cualquier campo, te invito a escuchar mi último episodio del podcast DataMind, donde exploro de manera sencilla y práctica estos conceptos. ¡No te lo pierdas! https://lnkd.in/deHrnMq7

📊 Descubre el Poder de la Estadística Inferencial en la Toma de Decisiones 📈 La estadística inferencial es una herramienta poderosa que nos permite tomar decisiones informadas basadas en datos. A diferencia de la estadística descriptiva, que se centra en resumir y describir los datos recolectados, la estadística inferencial nos ayuda a hacer predicciones y generalizaciones sobre una población a partir de una muestra. 🔍 ¿Por qué es importante la estadística inferencial? Permite hacer predicciones y estimaciones con un nivel de confianza definido. Ayuda a identificar relaciones y tendencias en los datos. Es esencial para validar hipótesis y tomar decisiones basadas en evidencia. 🧩 Elementos clave de la estadística inferencial: Muestreo: Selección de una muestra representativa de la población. Intervalos de confianza: Rango en el que se espera que se encuentre un parámetro poblacional con un cierto nivel de confianza. Pruebas de hipótesis: Procedimientos para determinar si hay suficiente evidencia para rechazar una hipótesis nula. 💡 Aplicaciones prácticas: En el sector financiero, para predecir el comportamiento del mercado. En la salud, para evaluar la eficacia de tratamientos médicos. En el marketing, para comprender las preferencias de los consumidores.

Excelente opción para refrescar conceptos estadísticos, un gran aliado para tener siempre presente al momento de analizar datos.

Mentir con estadisticas          El hombre corriente o el lector inadvertido seguramente suponga que la estadística es una disciplina que ofrece un manto de “suma” veracidad a todo evento medible o clasificable surgido de experiencias diversas incluidos aquellos hechos de la vida cotidiana.          La mentira ha existido, existe y existirá en tanto alguien presuma que, de ella, puede lograr algún beneficio. Ella atraviesa los estratos sociales, culturales, incluyendo a la ciencia.          Aunque parezca inverosímil, es factible mentir con estadísticas: Es posible verificarlo sólo con detenernos a analizar información de los medios de comunicación que acomodan datos, muchas veces comunicándolos de manera diametralmente opuesta según el interés particular de uno u otro.          En toda actividad, incluyendo la ciencia, se puede manipular la información recurriendo a las estadísticas; presentando datos engañosos a fin de defender un argumento o conclusión determinada. Si bien la estadística es una herramienta poderosa y objetiva al momento del análisis y comunicación de información, la manera en que esto se presenta o interpreta puede verse influenciada por propósitos malintencionados.          Muchas son las formas en que se puede mentir usando estadísticas. Aquí se enumeran sin un orden de aparición o importancia: ·        Sesgo en la selección de datos: presentando aquellos que apoyan una determinada conclusión y omitiendo información que pudiese rebatirla ·        Establecer correlación sin evidencias de causalidad: Establecer una relación causal entre 2 variables sólo porque existe correlación entre ellas y no considerar otros factores que puedan influir en dicha relación ·        Uso inapropiado de términos estadísticos: Manejar términos estadísticos de manera incorrecta para dar impresión de validez y autoridad. ·        Utilizar escalas inadecuadas distorsionen la percepción de los datos ·        Presentar gráficos engañosos: manipulando escalas para minimizar o exagerar diferencias ·        Extrapolación no válida: Hacer inferencias basadas en un número limitado de datos ·        Inadecuado tamaño muestral: Generalizar conclusiones a partir de una muestra no representativa ·        Falta de contexto: Presentar datos y conclusiones sin llevar un hilo conductor alineado con objetivos y resultados del estudio              Es importante conocer que este tipo de prácticas existe y estar prevenidos de estas manipulaciones al momento de revisar estadísticas o datos provenientes de informes, medios de comunicación, discursos políticos, religiosos, etc. Así debemos adquirir espíritu crítico y analizar meticulosamente la fuente y metodología usada para asegurarnos una comprensión precisa y objetiva de los datos presentados. De la misma manera, como profesionales estadísticos, debemos esmerarnos por presentar datos transparentes, honestos y sin sesgos, para mantener la integridad de la investigación y de la comunicación científica            

En esta lección hablaremos de los conceptos del valor p y la significancia estadística que nos permiten en últimas apoyar o rechazar la hipótesis nula al momento de realizar una prueba de hipótesis: https://lnkd.in/dEvxDcSC #CienciaDeDatos #machinelearning #analisisdedatos #datascience #InteligenciaArtificial #cursoonline

La probabilidad y estadística, son dos ramas de las matemáticas, proporcionan las herramientas necesarias para transformar datos crudos en información útil y tomar decisiones informadas

La confianza y la precisión de un error estadístico son cosas diferentes. Es muy común confundirlas o no saber interpretar. Cuando se habla de confianza estadística, ésta es medible y no subjetiva, significa la probabilidad de mentir en lo que vas a enunciar. El error de precisión te dice en qué medida tu dato está lejos del poblacional. Ejemplo: si yo digo: "Al 95% de confianza, este dato tiene un error de precisión del 2%" quiere decir que tengo un 5% de que sea mentira que la diferencia de mi dato respecto al poblacional sea de +/- 2%. Mucha gente piensa que el nivel de confianza y el error de precisión son complementarios o redundantes lo cual es incorrecto y lleva a malas interpretaciones de los estudios de #inteligencia de mercado.

Diferencia entre estadística descriptiva e inferencial 📌 La estadística es una ciencia básica cuyo objetivo principal es el procesamiento y análisis de grandes volúmenes de datos, resumiéndolos en tablas, gráficos e indicadores estadísticos, que permiten la fácil comprensión de las características del fenómeno estudiado. Los datos pueden provenir de una población o muestra. Estos datos deben ser cuantitativos para poder aplicar sobre ellos operaciones aritméticas. La estadística se puede clasificar en dos grandes ramas: ▪️ Estadística descriptiva: Se emplea simplemente para resumir de forma numérica o gráfica un conjunto de datos. Se restringe a describir los datos que se analizan. Si aplicamos herramientas ofrecidas por la estadística descriptiva a una muestra, solo nos limitaremos a describir los datos encontrados en dicha muestra; no se podrá generalizar la información hacia la población. ▪️ Estadística inferencial: Permite realizar conclusiones o inferencias basándose en los datos simplificados y analizados de una muestra hacia la población o universo. Por ejemplo, a partir de una muestra representativa tomada de los habitantes de una ciudad, se podrá inferir la votación de todos los ciudadanos que cumplan los requisitos, con un error de aproximación. Esta explicación cortita y al pie que me ayudo a comprender mucho mejor los conceptos a la hora de entrar en este mundo matemático. Una herramienta imprescindible para los que trabajamos con datos. #DataAnalyst #BI #CienciaDeDatos #AnalisisDeDatos #Estadística

🤓 #MomentoNerd 🤓 📣 Hoy quiero traer una técnica estadística poco conocida en el mundo financiero, pero de enormes implicancias en estimación y modelado cuando tenemos #outliers (¡y no queremos eliminarlos!): la #EstadisticaRobusta 📊 𝐄𝐬𝐭𝐚𝐝í𝐬𝐭𝐢𝐜𝐚 𝐑𝐨𝐛𝐮𝐬𝐭𝐚 - 𝐌á𝐬 𝐚𝐥𝐥á 𝐝𝐞 𝐥𝐨𝐬 𝐨𝐮𝐭𝐥𝐢𝐞𝐫𝐬 - 📊 ✔ La estadística robusta es un enfoque poderoso para analizar datos en presencia de outliers o distribuciones no normales. ✔ A diferencia de los métodos tradicionales, los estimadores y los #ModelosRobustos son menos sensibles a perturbaciones en los datos. 📌 ¿𝐏𝐨𝐫 𝐪𝐮é 𝐞𝐬 𝐢𝐦𝐩𝐨𝐫𝐭𝐚𝐧𝐭𝐞? 📌 ✔ 𝘙𝘦𝘴𝘪𝘴𝘵𝘦𝘯𝘤𝘪𝘢 𝘢 𝘰𝘶𝘵𝘭𝘪𝘦𝘳𝘴: Los estimadores robustos, como la #mediana, no se ven afectados por valores extremos. ✔ 𝘔𝘢𝘺𝘰𝘳 𝘦𝘴𝘵𝘢𝘣𝘪𝘭𝘪𝘥𝘢𝘥: La robustez garantiza que los resultados no cambien drásticamente ante variaciones en los datos. 💻 𝐀𝐩𝐥𝐢𝐜𝐚𝐜𝐢𝐨𝐧𝐞𝐬 💻 1️⃣ 𝘌𝘴𝘵𝘪𝘮𝘢𝘤𝘪ó𝘯 𝘙𝘰𝘣𝘶𝘴𝘵𝘢: Supongamos que tenemos un conjunto de datos de ingresos mensuales. En lugar de usar la media aritmética (sensible a outliers), podemos calcular la mediana (estimador robusto). Media = $5000 Mediana = $4000 En este caso, la mediana es más representativa de la “típica” situación financiera. 2️⃣ 𝘙𝘦𝘨𝘳𝘦𝘴𝘪ó𝘯 𝘓𝘪𝘯𝘦𝘢𝘭 𝘺 𝘚𝘦𝘳𝘪𝘦𝘴 𝘥𝘦 𝘛𝘪𝘦𝘮𝘱𝘰 𝘙𝘰𝘣𝘶𝘴𝘵𝘢𝘴: Inclusión de 𝘔𝘔-𝘌𝘴𝘵𝘪𝘮𝘢𝘥𝘰𝘳𝘦𝘴 en el Modelo Lineal clásico, extensible a modelos #GLM, y en el modelo de #TimeSeries clásico. ▶ La #robusta es una herramienta valiosa para tomar decisiones informadas en situaciones reales con datos atípicos. 📕 Dejo el gran libro de referencia y ¿sabés qué? ¡Sus padres son matemáticos argentinos y autores del libro! #RobustStatistics