Explicado paso a paso

La estadística es el conjunto de métodos que usamos para recolectar datos, organizarlos, resumirlos y sacar conclusiones sobre un fenómeno, aun cuando esos datos tengan variabilidad (ruido), sean incompletos o provengan de muestras.

En términos simples: la estadística responde preguntas como:

• “¿Qué tan frecuente es algo?”
• “¿Cuál es el valor típico?”
• “¿Qué tanto varían los resultados?”
• “¿Se debe a la casualidad o hay un efecto real?”

Vamos de lo más básico a lo más “formal”:

1) Definir el objetivo (la pregunta)

Antes de calcular nada, la estadística exige claridad:

• ¿Queremos estimar un promedio?
• ¿Comparar dos grupos?
• ¿Ver relación entre variables?
• ¿Probar una hipótesis?

Esto determina qué técnica usarás después.

2) Elegir una población y tomar datos (muestra)

• Población: todo el conjunto de interés (por ejemplo, “todos los estudiantes”).
• Muestra: un subconjunto (por ejemplo, “500 estudiantes que encuestamos”).

Clave: casi nunca podemos medir a toda la población, por eso trabajamos con muestras y luego “generalizamos” con cautela.

3) Clasificar el tipo de dato

Los datos pueden ser:

• Cualitativos (categorías): color de ojos, tipo de producto, etc.
• Cuantitativos:
  • Discretos (conteos): número de fallas
  • Continuos (mediciones): altura, peso

Esto importa porque cambia cómo se resumen y qué pruebas son válidas.

4) Resumir los datos (estadística descriptiva)

Aquí la idea es “poner orden”:

a) Medidas de tendencia central

• Media (promedio): la “balanza” del conjunto.
• Mediana: el “valor del centro” cuando ordenas.
• Moda: el valor más repetido.

b) Medidas de dispersión (variabilidad)

• Rango: máximo - mínimo
• Varianza y desviación estándar: cuánta “dispersión” hay alrededor del centro.

Esto responde: “¿Los datos están concentrados o muy repartidos?”

c) Gráficos

Histogramas, boxplots, diagramas de barras… ayudan a ver forma, asimetría, valores atípicos, etc.

5) Entender la variabilidad con probabilidad

Aunque tengamos un conjunto observado, la estadística usa probabilidad para modelar el azar:

• Si repitiésemos el experimento muchas veces, los resultados variarían.
• La probabilidad nos dice qué variaciones son “razonables” y cuáles no.

6) Inferencia: pasar de muestra a población (estadística inferencial)

Aquí entran dos ideas centrales:

a) Estimación (estimar parámetros)

Por ejemplo, estimar la media poblacional $\mu$ usando la media muestral $\overline{x}$.

Lo típico incluye:

• Un intervalo de confianza (rango plausible para el parámetro).
• Una medida de incertidumbre (por ejemplo, error estándar).

b) Prueba de hipótesis (decidir si algo parece real)

Ejemplo: “¿El nuevo medicamento reduce la presión?”

Pasos generales:

1. Planteas una hipótesis nula $H_0$: “no hay efecto” (o el efecto es 0).
2. Planteas una hipótesis alternativa $H_1$: “sí hay efecto”.
3. Calculas una estadística de prueba (un número que mide qué tan raro sería observar esos datos si $H_0$ fuera cierto).
4. Usas un valor p o un umbral para decidir.

No es una “verdad automática”, sino una evaluación basada en el modelo probabilístico.

7) Modelos y relación entre variables

Cuando hay varias variables, se usa:

• Correlación: relación lineal (no implica causalidad).
• Regresión: modela cómo cambia una variable al variar otra(s).
• Modelos más complejos: si el patrón no es lineal o si hay categorías, conteos, etc.

8) Interpretación y verificación

Un informe estadístico serio termina con:

• supuestos del método (normalidad, independencia, tamaño muestral, etc.),
• calidad del dato,
• posibles sesgos (muestreo, medición, confusión),
• y la interpretación correcta del resultado.

Imagina que eres un arquitecto y vas a estimar el “estado real” de una ciudad construida por muchas cuadras.

• La población es toda la ciudad.
• La muestra son unas cuantas cuadras que inspeccionas.
• La estadística descriptiva es como decir: “En las cuadras inspeccionadas, el promedio de altura de los edificios es X y la variación es Y”.
• La estadística inferencial es como afirmar: “Con cierta confianza, estimamos que en toda la ciudad el promedio es cercano a X, y el rango probable es…”.
• Las pruebas de hipótesis son como decidir: “¿Es razonable pensar que la ciudad cambió por una nueva política de construcción o podría ser solo variación normal?”

Así, no “ves” toda la ciudad, pero usas lógica matemática y probabilidad para concluir de manera controlada.

1. “Un promedio describe todo.”
   Falso: dos conjuntos pueden tener la misma media y distribuciones totalmente distintas (por ejemplo, uno muy disperso y otro muy concentrado). Por eso importan también dispersión y forma.

2. “Correlación significa causalidad.”
   Que dos variables se muevan juntas no prueba que una cause la otra. Puede haber una tercera variable (confusión) o una relación espuria.

3. “El valor p (o un resultado estadístico) confirma la verdad absoluta.”
   No. Un valor p informa sobre la compatibilidad de los datos con una hipótesis bajo un modelo. No “prueba” una verdad universal; cuantifica evidencia en un marco probabilístico.