GLOSARIO

POBLACION
En estadística descriptiva, el término "población" se refiere al conjunto completo de elementos o
individuos que tienen una característica específica que se está estudiando o analizando. Es el grupo
total sobre el cual se desean hacer inferencias o describir ciertas propiedades.

Ejemplo: Si un investigador está estudiando el promedio de altura de todos los estudiantes de una
universidad, la población en este caso sería el conjunto de todos los estudiantes matriculados en esa
universidad.

MUESTRA
En estadística descriptiva, una muestra es un subconjunto representativo de una población que se
selecciona para realizar un estudio o análisis. La muestra se utiliza para hacer inferencias o para
obtener información sobre la población completa sin necesidad de estudiar cada miembro de la
población.

Ejemplo: Si un investigador desea conocer el promedio de calificaciones de los estudiantes en una

escuela secundaria, puede seleccionar una muestra aleatoria de estudiantes para evaluar sus
calificaciones en lugar de recopilar datos de todos los estudiantes.

VARIABLE
En estadística descriptiva, una variable es una característica o atributo que se mide, observa o
clasifica y que puede tomar diferentes valores entre los elementos de una población o muestra. Las
variables son fundamentales para cualquier análisis estadístico, ya que proporcionan los datos que se
describen, analizan y resumen. Existen 2 tipos de variables las cualitativas que dentro de estan son:
nominales y ordinales, y las variables cuantitativas son: discretas y continuas.

Ejemplo:
Variable Cualitativa (Nominal):
Ejemplo: Tipo de mascota. Las categorías podrían ser perro, gato, pájaro, pez, etc. No hay un orden
inherente entre estos tipos de mascotas.
Variable Cualitativa (Ordinal):
Ejemplo: Nivel educativo. Las categorías podrían ser secundaria, licenciatura, maestría, doctorado.
Hay un orden claro entre estos niveles educativos, de menor a mayor.
 Variable Cuantitativa (Discreta):
Ejemplo: Número de autos en un hogar. Esta variable toma valores enteros como 0, 1, 2, 3, etc. No se
pueden tener valores fraccionarios como 2.5 autos.
Variable Cuantitativa (Continua):
Ejemplo: Tiempo de viaje al trabajo. Puede ser cualquier valor dentro de un rango, como 25.3
minutos, 30.7 minutos, etc. Es una medida continua ya que puede tomar valores en una escala infinita
dentro de un rango.

DATOS
En estadística descriptiva, los datos son los valores o información recopilada sobre una o más
variables. Estos datos son la base para el análisis y la descripción de características o patrones en un
conjunto de información. Los datos pueden ser cuantitativos o cualitativos y se utilizan para resumir,
organizar y presentar la información de manera comprensible. Hay 2 tipos de datos: cuantitativos.
discretos y continuos, cualitativos: nominales y ordinales.

Ejemplo: Número de estudiantes en una clase. Si en una clase hay 22 estudiantes, ese es un dato discreto porque
el número de estudiantes es un valor entero.
Datos Cuantitativos (Continuos):
Ejemplo: Temperatura diaria en grados Celsius. Si registras la temperatura durante una semana y obtienes
valores como 22.5°C, 23.3°C, 21.7°C, estos son datos continuos porque la temperatura puede variar y tomar
cualquier valor dentro de un rango.
Datos Cualitativos (Nominales):
Ejemplo: Marca de un teléfono móvil. Si los datos registrados son marcas como Apple, Samsung, Huawei, etc.,
estos datos son nominales porque las marcas no tienen un orden intrínseco.
Datos Cualitativos (Ordinales):
Ejemplo: Nivel de satisfacción del cliente en una encuesta con opciones como Muy insatisfecho, Insatisfecho,
Neutral, Satisfecho, Muy satisfecho. Estos datos son ordinales porque tienen un orden jerárquico que refleja
diferentes niveles de satisfacción.

DISTRIBUICION
En estadística descriptiva, una distribución se refiere a la forma en que los valores de una variable
están organizados o distribuidos en un conjunto de datos. Describe cómo se dispersan o agrupan los
datos y puede proporcionar información sobre la frecuencia de ocurrencia de diferentes valores o
rangos de valores. La distribución ayuda a entender la estructura y las características de los datos.

Ejemplo:
Distribución de Notas de un Examen:
Si se tiene un conjunto de datos con las notas de los estudiantes en un examen, la distribución
podría mostrar cuántos estudiantes obtuvieron cada rango de notas, revelando si la mayoría de
los estudiantes obtuvieron notas altas, bajas o si las notas están distribuidas uniformemente.

ANALISIS
En estadística descriptiva, el análisis se refiere al proceso de examinar y resumir los datos de manera
que se puedan comprender sus características principales y patrones. Este análisis tiene como
objetivo proporcionar una visión clara y comprensible de los datos mediante la utilización de
diversas herramientas y técnicas estadísticas.
 Ejemplo:
Supongamos que se realiza un estudio sobre el rendimiento académico de estudiantes en una escuela
y se recopilan las calificaciones de los exámenes.
1. Organización de Datos: Se crea una tabla de frecuencia para mostrar cuántos estudiantes
obtuvieron cada rango de calificaciones.
2. Medidas de Tendencia Central:
Media: Calcula el promedio de las calificaciones para conocer el rendimiento general.
Mediana: Determina el valor central de las calificaciones para entender la tendencia central
sin la influencia de valores extremos.
Moda: Identifica la calificación más frecuente entre los estudiantes.
3. Medidas de Dispersión:
Rango: Calcula la diferencia entre la calificación más alta y la más baja.
Desviación Estándar: Mide la variabilidad en las calificaciones para entender cómo se
dispersan respecto a la media.
4. Medidas de Forma:
Asimetría: Determina si la distribución de las calificaciones está sesgada hacia un lado.
5. Representación Gráfica:
Histograma: Muestra la distribución de las calificaciones en intervalos para visualizar la
forma de la distribución.
Diagrama de Cajas: Presenta la mediana, los cuartiles y los valores atípicos para resumir la
dispersión de las calificaciones.

INFERENCIA
En estadística descriptiva, el término inferencia no es del todo aplicable en el sentido estricto, ya que la
estadística descriptiva se enfoca en resumir y describir los datos sin hacer suposiciones sobre una población más
amplia. Sin embargo, la estadística inferencial es la rama que se ocupa de hacer inferencias o generalizaciones
sobre una población basada en una muestra de datos.

Ejemplo:
Supongamos que un investigador desea conocer el nivel promedio de satisfacción de los clientes en una cadena de
restaurantes. En lugar de encuestar a todos los clientes (lo cual podría ser impráctico), el investigador selecciona
una muestra aleatoria de clientes y recoge sus respuestas.
1. Estimación: La media de satisfacción en la muestra se calcula y se usa para estimar la media de satisfacción en
toda la población de clientes.
2. Intervalo de Confianza: Se construye un intervalo de confianza del 95% alrededor de la media muestral para
indicar el rango en el que se espera que se encuentre la verdadera media poblacional con un 95% de
confianza.
3. Prueba de Hipótesis: Si se quiere probar si la satisfacción media ha cambiado respecto a un período anterior,
se podría realizar una prueba de hipótesis para comparar la media actual con la media anterior.

PROBABILIDAD

La Probabilidad y la Estadística Descriptivaproveen las herramientas y modelos necesarios para

organizar, describir y representar matemática y gráficamente la información disponible, dimensionar
la incertidumbre de esta información y convertirla en predicciones o pronósticos.

Ejemplo: cuando lanzamos una moneda al aire, existe una probabilidad de 0,50 que obtendremos
águila o sol (cara o cruz en algunos países).
 CORRELACION
En estadística descriptiva, correlación se refiere a una medida que indica la relación o asociación entre dos
variables. Aunque la estadística descriptiva se centra en resumir y describir los datos, la correlación proporciona
información sobre la dirección y la fuerza de la relación entre las variables.

Ejemplo:
Ejemplo de Correlación en Estadística Descriptiva:
Supongamos que queremos analizar la relación entre el número de horas estudiadas y las calificaciones obtenidas
en un examen.
Recopilación de Datos: Registramos el número de horas estudiadas y las calificaciones obtenidas por un
grupo de estudiantes.
Cálculo del Coeficiente de Correlación de Pearson:
Si obtenemos un coeficiente de r = 0.85, esto indica una fuerte correlación positiva. Esto significa que, en
general, a medida que el número de horas estudiadas aumenta, también tienden a aumentar las
calificaciones obtenidas.
Diagrama de Dispersión:
Si trazamos un diagrama de dispersión con horas estudiadas en el eje X y calificaciones en el eje Y, y
observamos que los puntos forman una línea ascendente, esto visualmente confirma la correlación
positiva.

REGRESION

En estadística descriptiva, el término regresión se refiere al uso de técnicas para describir y analizar la relación
entre variables, pero su aplicación principal se encuentra en la estadística inferencial. La regresión se centra en
modelar cómo una variable dependiente se relaciona con una o más variables independientes.

Ejemplo:
Supongamos que queremos describir la relación entre el salario anual de empleados (variable dependiente) y su
experiencia laboral (variable independiente).
Recopilación de Datos: Se recopilan datos sobre el salario y la experiencia de los empleados.
Regresión Lineal Simple: Ajustamos una línea de regresión para entender cómo el salario cambia con la
experiencia laboral.
Interpretación:
Si la pendiente de la línea de regresión es positiva, significa que a medida que aumenta la experiencia
laboral, también lo hace el salario.
La intersección indica el salario base (cuando la experiencia es cero).

Conclusion
Dentro de la estadistica descriptiva tomamos conceptos que nos van a ayudar a la mano de nuestra carrera desde
sacar promedios como calcular y promediar tanto horas, datos, numeros, y de todo tipo que nos a ayudar en
nuestro dia a dia. Es una herramienta fundamental en el análisis de datos que se utiliza para resumir, organizar y
presentar datos de manera clara y concisa, es crucial para comprender, organizar y comunicar datos de manera
efectiva. Ofrece herramientas para resumir la información, identificar patrones y relaciones, y preparar los datos
para análisis más avanzados. Su aplicación facilita la toma de decisiones informadas y la presentación de
resultados de manera clara, sirviendo como una base esencial para el análisis de datos en diversas disciplinas.