SlideShare ist ein Scribd-Unternehmen logo
1 von 7
Downloaden Sie, um offline zu lesen
Objetivos de aprendizaje 
Estructura del módulo 
Estadísticas y datos 
Descripción de los datos 
Recopilación de datos 
Población y muestras 
Inferencia 
Explicación y predicción 
Bienvenido al Módulo 1. En este módulo se inicia la revisión de la estadística, o al menos la estadística que es pertinente a la evaluación de la educación. Este módulo le permitirá comprender ciertos conceptos preliminares importantes, necesarios para iniciar el estudio de la estadística. 
Objetivos de aprendizaje: 
Al término de este módulo, usted … 
 Comprenderá mejor lo que es la estadística; 
 Comprenderá mejor conceptos clave tales como: datos, inferencia, población y muestra; 
 Distinguirá las principales funciones de la estadística, esto es, descripción, explicación y predicción. 
Estructura del modulo 2.1 Estadística y datos 2.2 Descripción 2.3 Recopilación de datos 2.4 Poblaciones y muestras 2.5 Inferencia 2.6 Explicación y predicción
Estadísticas y datos 
A qué nos referimos con los términos estadística y datos? En nuestra era inundada de información, la palabra ‘estadística’ ha llegado a ser casi sinónimo del término ‘datos’; no sólo datos sin elaborar y desorganizados, sino datos significativos que proporcionan información acerca de aspectos pertinentes para nuestras sociedades. Para el ciudadano promedio, los medios de comunicación le proporcionan la mayor parte de esta ‘información estadística’, entre la que se incluyen ‘estadísticas económicas’, tales como tasas de inflación; ‘estadísticas políticas’, habitualmente en la forma de encuestas de opinión; ‘estadísticas policiales’, tales como tasas anuales de delincuencia, etc. Aunque con limitaciones, esta concepción racional de la estadística es, hasta cierto punto, correcta. 
En términos técnicos, “la disciplina de la estadística trata de los principios y procedimientos para recopilar, describir y sacar conclusiones de los datos” (Freund y Wilson, 1997: 1). La Asociación Estadística de los Estados Unidos afirma que la estadística es “la ciencia de aprender de los datos”. En efecto, la estadística nos permite: (1) recopilar datos (proporcionando un conjunto de métodos y reglas para obtener los datos en forma adecuada); (2) describir los datos en forma directa sobre la base de una población o en forma indirecta a través del uso de una muestra; (3) apoyar o rechazar explicaciones acerca de la forma en que diferentes elementos del mundo real se relacionan entre sí; y (4) tratar de predecir sucesos futuros basándonos en los sucesos del pasado. En este curso trataremos principalmente el tema de la descripción. 
Los datos son la materia esencial de la estadística. Lo que llamamos datos son cualquier información empírica acerca de algún aspecto del mundo real en el cual estamos interesados. En un lenguaje más técnico, un conjunto de datos “es una colección de valores observados que representan una o más características de algunos objetos o unidades” (Freund y Wilson, 1997: 1). 
Cuadro 1. Características de tres maestros de escuela secundaria. 
Maestro 
Experiencia (años) 
Calificaciones 
Método de enseñanza 
Salario mensual (US$) 
Ali 
5 
Educación terciaria 
B 
300 
María 
36 
Educación secundaria 
A 
550 
Lee 
22 
Educación terciaria 
C 
450 
En los datos proporcionados por el cuadro, ¿puede usted identificar cuáles son: 
(a) unidades, (b) características, (c) observaciones y (d) valores? Piense independientemente y escriba sus respuestas antes de continuar. Las respuestas correctas se ofrecen a continuación. 
a. Las “unidades de análisis” son en este caso los “profesores” o, más exactamente, los “profesores de escuelas secundarias de la India”. Las unidades de análisis son aquellas cosas (objetos o sujetos) sobre los cuales estamos principalmente interesados en obtener información.
b. Cuando hablamos de “características” nos referimos a las características de las unidades de análisis. Así, las características nos proveen de información acerca de las unidades de análisis o, en el ejemplo, los profesores secundarios en India. En otras palabras, las características son “características” de los “profesores secundarios en India”. El cuadro nos provee de información respecto de cuatro características de los profesores: (i) ‘experiencia’ medida en años de ejercicio de la profesión docente; (ii) ‘calificaciones’ medidas por el nivel de educación de cada profesor; (iii) ‘método de enseñanza’ medido por el tipo de método (A, B o C) usado por cada profesor; y (iv) ‘salario mensual’ medido en dólares. 
c. Las observaciones son ‘Ali,’ ‘María’ y ‘Lee.’ Las observaciones son las unidades de análisis (maestros de escuelas secundarias) ‘observadas’ en el mundo real. Estamos interesados en comprender a los ‘profesores de educación secundaria de la India’ como categoría general, pero ello sólo podemos realizarlo a través de la observación de profesores concretos, de carne y hueso (Ali, María y Lee), quienes poseen características concretas y variadas. Desde la perspectiva de la estadística no son las observaciones sobre las unidades individuales (‘Ali,’ ‘María’ o ‘Lee) las que son de interés, sino el ‘comportamiento agregado’, es decir, lo que en estadísticas se llama la ‘distribución’ de las observaciones. 
d. Finalmente, los ‘valores’ son los resultados concretos obtenidos de las ‘mediciones’ de cada una de las observaciones respecto de cada una de las características relevantes. En otras palabras, obtenemos un valor cada vez que medimos las características de un objeto o sujeto. Por ejemplo, en términos de ‘experiencia’ (una de las características de los maestros que estamos interesados en medir), Ali tiene un valor observado de ‘5’, María un valor de ‘36’ y Lee un valor de ‘22’; mientras que en términos de ‘calificaciones’, Ali tiene un valor observado de ‘educación terciaria’, etc. Finalmente, para medir necesitamos lo que en estadísticas se llaman escalas de medición (explicadas más adelante) y unidades de medición adecuadas, tales como dólares, metros, tipos de métodos de enseñanza, etc). 
Descripción de los datos 
Una función principal de la estadística es la descripción de datos. El proceso consta de al menos tres pasos: recopilación, organización y análisis (o interpretación) de los datos. 
1. Se deben recopilar los datos según estrictos procedimientos que minimicen la probabilidad de error, de modo que los datos recopilados realmente representen lo que se desea describir. 
2. Los datos deben estar organizados de modo que permitan su análisis y comparación. Los estadísticos organizan los datos en lo que denominan ‘distribuciones’ o ‘distribuciones de frecuencias’ (un tema que trataremos más adelante). 
3. Los datos, organizados en forma de distribuciones, deben ser analizados. Para describir una distribución se requiere usar al menos dos tipos de indicadores: medidas de tendencia central (por lo general, la ‘media’ o promedio) y medidas de dispersión (por lo general, la desviación estándar); estos indicadores también se tratarán en la parte III de esta guía. 
¿ Puede identificar un artículo, proyecto de investigación o documento relacionado con su trabajo en que se hayan seguido estas pautas generales para describir los datos?
Recopilación de datos 
Los datos necesitan ser primero recopilados antes de poder ser interpretados y transformados en información útil, sobre cuya base tomar decisiones. La manera en que este procedimiento de recopilación de datos se lleva a cabo es clave para determinar el posterior valor de cualquier descripción, explicación y predicción que se realice con dichos datos. Como consumidor de información, usted no debería olvidar jamás que el modo en que los datos son recolectados es siempre crítico para su valor posterior como información. Es así de simple: si la base del análisis es basura, el resultado del análisis, no importa cuán sofisticado, también será basura. Si utilizare, sin advertirlo, datos recogidos con procedimientos inadecuados, entonces sus conclusiones y decisiones basadas en el análisis de dichos datos serán igualmente inadecuadas. 
Desafortunadamente, cuando consumimos información no siempre (y de hecho casi nunca) tenemos acceso a los métodos utilizados para recoger los datos. Este es un problema serio, incluso para profesionales de la estadística. Pero esta no es la única “mina” que usted encontrará en el peligroso campo de la interpretación y uso de información estadística. Lamentablemente, la manipulación de la información (o ‘estatistipulación’ como la llama Darrel Huff, 1954, p.100), a pesar de ser tremendamente dañina, es práctica común y, a veces, extremadamente sofisticada. 
Poblaciones y muestras 
Una distinción crucial en la estadística descriptiva es aquella entre la descripción propiamente tal y la inferencia. Esta distinción descansa en los conceptos de “población” y “muestra”. 
Una población consta del universo de todos los objetos (o sujetos) que nos interesa describir. Una muestra, como el nombre lo indica, consta sólo de una porción de la población de interés. 
El siguiente ejemplo ilustra los conceptos de población y muestra. Supongamos que nos interesa averiguar qué (distribución de) métodos de enseñanza utilizan los maestros primarios de India. Es decir, deseamos obtener una descripción de la distribución de los métodos de enseñanza en las escuelas primarias de India. En este caso, ¿cuál es nuestra población de interés? Nos interesa conocer una de entre las muchas características de (todos) los maestros primarios de India: sus métodos de enseñanza. 
¿ Cómo podemos obtener la información que buscamos acerca de nuestra población de interés? En realidad, tenemos dos opciones mutuamente excluyentes. Opción 1: ‘Observar’ a todos los maestros de escuelas primarias de India y así obtener los datos acerca de los métodos de enseñanza que utilizan. Opción 2: ‘Observar’ sólo una porción (relativamente pequeña) de los maestros primarios de India y luego ‘inferir’ de los métodos de enseñanza de estos, los métodos de enseñanza utilizados por todos los maestros primarios de India. En la jerga estadística, la opción 1 se denomina realizar un ‘censo’, mientras que la opción 2 consiste en llevar a cabo un ‘muestreo’.
Así, se podría realizar un censo de toda la población de maestros primarios, o bien inferir información acerca de la población mediante los datos obtenidos sobre la base de una pequeña porción de los maestros, es decir, sobre la base de una muestra. Para efectuar un censo de toda la población sería necesario consultar u observar directamente a cada maestro en la India, es decir, ‘observar’ aproximadamente 2 millones de maestros. Esto significaría un esfuerzo en extremo costoso. Un censo sería además muy poco eficaz, dado que la alternativa, es decir, llevar a cabo un muestreo utilizando las técnicas estadísticas adecuadas, nos proveería normalmente de información bastante confiable y precisa sobre dicha población a un costo muchísimo menor que el de un censo. Es por esto que los profesionales de la estadística prefieren normalmente el método de muestreo por sobre los censos. Volviendo a nuestro ejemplo sobre la India, no es necesario consultar a cada maestro primario en India para describir los métodos de enseñanza que ellos utilizan. Dichos métodos se pueden inferir sobre la base de la observación de sólo unos cuantos cientos de maestros primarios y luego ‘aplicar’ las conclusiones a toda la población. 
Trate de identificar ejemplos de datos recopilados mediante un censo y mediante muestreo que sean pertinentes a (o que usted utilice frecuentemente) en su trabajo. 
Inferencia 
Utilizamos una muestra (o múltiples muestras) para recopilar datos cuando resulta relativamente efectivo desde un punto de vista económico o cuando no es posible acceder a toda la población. En este caso, las características de la población se infieren sobre la base de los datos obtenidos en la muestra. En otras palabras, lo que aprendemos sobre la base de la muestra se usa como medio para describir la población. 
Para los reformadores de la educación, la inferencia es un área fundamental de la disciplina de la estadística, ya que, como se decía antes, normalmente los profesionales favorecen el uso del muestreo antes que del censo para describir y analizar realidades sociales complejas. De hecho, buena parte de la información sobre educación que usted utiliza como autoridad responsable se obtiene mediante la técnica del muestreo, incluyendo prácticamente la totalidad de la investigación sobre educación llevada a cabo por una variedad de científicos sociales, incluidos sociólogos, economistas, politólogos, educadores, psicólogos, etc. 
El mayor desafío del muestreo consiste en lograr un grado razonable de “confianza” (o probabilidad) en que las inferencias realizadas acerca de la población sobre la base de la muestra sean adecuadas. Para tener “confianza” en que una inferencia realizada sobre la base de una muestra representa adecuadamente a la población, la muestra se debe seleccionar y luego interpretar siguiendo determinados procedimientos estadísticos estrictos que aseguren un grado de mínimo de certeza. En otras palabras, se deben recopilar y analizar los datos de la muestra utilizando métodos que permitan inferir con precisión (o con una probabilidad mínima de error) las características de la población sobre la base de esa muestra. 
La precisión de la inferencia depende, entre otros factores, del tamaño de la muestra. Esta relación, sin embargo, no es obvia, es decir, la mejor muestra no es la que contiene un mayor número de observaciones. A medida que la muestra aumenta de tamaño, el
costo de recopilar y analizar la información también aumenta. Hasta cierto punto, podríamos ganar en precisión, pero pagar demasiado caro por ella. Además, después de determinado punto, el costo de cada observación se eleva vertiginosamente con respecto a lo que se gana en precisión, que se vuelve poco o nada. Lo que hacen los estadísticos es determinar el ‘grado de precisión’ que desean para obtener para sus inferencias (esto es, determinar la probabilidad de error que están dispuestos a tolerar) y luego emplear procedimientos técnicos para calcular el tamaño de la muestra que necesitan para lograr dicho objetivo. Se puede lograr un grado de precisión razonablemente alto mediante muestras relativamente pequeñas. Consideremos, por ejemplo, que el tamaño de las encuestas de opinión de Estados Unidos utilizadas para predecir el resultado de las elecciones presidenciales nacionales con una exactitud razonable es de poco más de 1.000 observaciones, para una población en edad de votar cercana a los 200 millones de personas! 
Es importante mantener una permanente actitud de escepticismo frente a la información estadística recibida. Como consumidor de información estadística, usted al menos necesita estar al tanto de la importancia que el método de selección de una muestra tiene sobre el valor de la información. Es necesario preguntarse, a lo menos, si dicha información fue producida sobre la base de una muestra adecuada (normalmente se tratará de una ‘muestra aleatoria,’ es decir, una muestra en la cual todos los objetos de una población tienen una idéntica probabilidad de ser seleccionados como parte de la muestra) que es de hecho representativa de la población de interés. 
Por ejemplo, en 1936, en los Estados Unidos, una publicación de amplia circulación predijo que el demócrata Franklin Delano Roosevelt sería derrotado en la elección presidencial por su oponente republicano. Roosevelt ganó la elección por un amplísimo margen. El error en la predicción de la publicación fue resultado del simple hecho de que la encuesta de opinión se había llevado a cabo por teléfono. En aquellos tiempos, sólo las personas de dinero poseían un teléfono en sus hogares, por lo que la muestra no era representativa del conjunto de los electores y en cambio estaba “sesgada” a favor del candidato republicano. 
Por razones de tiempo y espacio, a pesar de la enorme influencia que los métodos de inferencia y muestreo utilizados tienen sobre el valor de la información obtenida, estos temas no son tratados con suficiente profundidad en esta guía. Para aquellos que tengan un interés en estudiar en mayor detalle estos importantes temas, Phillips (1996, capítulos 7 y 8) provee una muy accesible introducción a la inferencia estadística. 
Explicación y predicción 
Como reformador de la educación, usted no sólo está interesado en la descripción, sino también, y principalmente, en la relación entre diferentes ‘objetos’ (o ‘variables,’ en la jerga estadística). Usted quisiera saber qué explica o qué causa la realidad educativa de su país. También desearía poder, en alguna medida, predecir las consecuencias concretas de las diferentes opciones de reforma educativa. Por ejemplo, si desea aumentar la matrícula de las niñas en zonas rurales, le gustaría saber qué elementos o acciones tendrán un efecto positivo en aumentar la matrícula de las niñas. ¿Construir escuelas más cerca de sus casas? ¿Contratar más maestras del sexo femenino? ¿Reducir las tasas de delincuencia? La estadística constituye una fuente crucial de apoyo para identificar estos elementos.
Los profesionales de la estadística miden lo que denominan “correlación” para determinar la fuerza de la relación entre dos elementos, como el número de maestras mujeres en la escuela y la proporción de niñas matriculadas en zonas rurales, etc. Otra herramienta usada en forma generalizada para medir las relaciones entre variables es el análisis de regresión. El objetivo del análisis de regresión no sólo es medir la fuerza de una relación, sino también generar un modelo de esa relación (llamado “función”), de modo de poder predecir el comportamiento de una cosa basándose en el comportamiento de la otra. Por ejemplo, se usa la regresión para tratar de predecir la oferta de maestros sobre la base del pago que ellos reciben. Esta regresión o relación específica entre salario y oferta de trabajo se usa de manera generalizada en economía y se denomina “curva de oferta de trabajo”. (En general, la relación entre el precio de un bien y la cantidad ofrecida y demandad es central en economía y estudiada bajo el título de análisis de oferta y demanda.) 
Es necesario ser siempre muy cautelosos en nuestras conclusiones respecto de explicaciones y predicciones estadísticas. En el mejor de los casos, la estadística puede establecer lo que los especialistas llaman una “correlación” entre diferentes elementos (“variables”), es decir, establecer que los elementos que se están midiendo se comportan como si estuvieran correlacionados. Por cierto, también puede establecer que no hay ninguna relación entre los objetos estudiados. Pero la estadística no puede establecer causalidad. En otras palabras, no se puede inferir causalidad sobre la base de una correlación. 
Por ejemplo, si en un país se mediera la relación entre las habilidades aritméticas de los estudiantes primarios y sus estaturas, se concluiría que existe una correlación positiva entre habilidades y estatura, o sea, que mientras mayor es la altura del estudiante, mayores son sus habilidades aritméticas. Ahora, obviamente afirmar que las habilidades aritméticas de un individuo son consecuencia de su estatura no tiene sentido. Lo que ocurre en este caso es que existe un tercer factor que es la causa simultánea del aumento de las habilidades aritméticas de los estudiantes y del aumento en su estatura, este factor es la ‘edad’ de los estudiantes. De modo que no es que los estudiantes más altos sean mejores para la aritmética, sino que los estudiantes de más edad son más altos y al mismo tiempo tienen mayores habilidades aritméticas. 
Debemos ser muy cuidadosos. La presencia de causalidad sólo podrá sostenerse en forma razonable luego de haber propuesto una teoría aceptable para explicar la relación meramente fáctica entre los elementos o ‘variables’. En términos estrictos, aun cuando se haya propuesto una teoría aceptable para explicar una relación que también parece estar respaldada por los hechos, ésta será siempre una “hipótesis” en espera de ser, tarde o temprano, rebatida. 
Una hipótesis es una afirmación acerca de la relación empírica existente entre dos variables. Una hipótesis no podrá nunca ser definitivamente comprobada, ya que incluso cuando los hechos del mundo real nunca han contradicho dicha hipótesis, siempre existe la posibilidad de que ello ocurra en el futuro. La estadística sólo puede apoyar o rechazar una determinada hipótesis acerca de las relaciones entre los objetos que nos interesan, pero nunca probarla.

Más contenido relacionado

Was ist angesagt?

Blog, conceptos de programación, métodos estadísticos (1)
Blog, conceptos de programación, métodos estadísticos (1)Blog, conceptos de programación, métodos estadísticos (1)
Blog, conceptos de programación, métodos estadísticos (1)LauraOspina49
 
ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS
ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS
ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS yusethdiaz020
 
Conceptos de programación, métodos estadísticos.
Conceptos  de programación, métodos estadísticos.Conceptos  de programación, métodos estadísticos.
Conceptos de programación, métodos estadísticos.angiegabrielabastida
 
Tecnología LUISA FERNANDA CARRILLO
Tecnología LUISA FERNANDA CARRILLOTecnología LUISA FERNANDA CARRILLO
Tecnología LUISA FERNANDA CARRILLOLuisaCarrillo12
 
TRABAJO DE LUISA FERNANDA CARRILLO
TRABAJO DE LUISA FERNANDA CARRILLOTRABAJO DE LUISA FERNANDA CARRILLO
TRABAJO DE LUISA FERNANDA CARRILLOLuisaCarrillo12
 
Procesamiento, nalisis e interpretacion de resultado.
Procesamiento, nalisis e interpretacion de resultado.Procesamiento, nalisis e interpretacion de resultado.
Procesamiento, nalisis e interpretacion de resultado.N Andre Vc
 
Apuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadisticaApuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadisticajesus_fernandez_almazan
 
Estadistica descriptiva
Estadistica descriptivaEstadistica descriptiva
Estadistica descriptivacatherine4ad
 
Estadística
EstadísticaEstadística
EstadísticaA5a6q
 
Procesamiento de datos
Procesamiento de datosProcesamiento de datos
Procesamiento de datosSaulen Taicho
 

Was ist angesagt? (19)

Analisis de datos
Analisis de datosAnalisis de datos
Analisis de datos
 
Trabajo estadistica
Trabajo estadisticaTrabajo estadistica
Trabajo estadistica
 
Blog, conceptos de programación, métodos estadísticos (1)
Blog, conceptos de programación, métodos estadísticos (1)Blog, conceptos de programación, métodos estadísticos (1)
Blog, conceptos de programación, métodos estadísticos (1)
 
ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS
ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS
ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS
 
Conceptos de programación, métodos estadísticos.
Conceptos  de programación, métodos estadísticos.Conceptos  de programación, métodos estadísticos.
Conceptos de programación, métodos estadísticos.
 
Tecnologia luisa fda
Tecnologia luisa fdaTecnologia luisa fda
Tecnologia luisa fda
 
Tecnología LUISA FERNANDA CARRILLO
Tecnología LUISA FERNANDA CARRILLOTecnología LUISA FERNANDA CARRILLO
Tecnología LUISA FERNANDA CARRILLO
 
Luisa fernanda carrillo
Luisa fernanda carrilloLuisa fernanda carrillo
Luisa fernanda carrillo
 
TRABAJO DE LUISA FERNANDA CARRILLO
TRABAJO DE LUISA FERNANDA CARRILLOTRABAJO DE LUISA FERNANDA CARRILLO
TRABAJO DE LUISA FERNANDA CARRILLO
 
Procesamiento, nalisis e interpretacion de resultado.
Procesamiento, nalisis e interpretacion de resultado.Procesamiento, nalisis e interpretacion de resultado.
Procesamiento, nalisis e interpretacion de resultado.
 
Apuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadisticaApuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadistica
 
Estadistica descriptiva
Estadistica descriptivaEstadistica descriptiva
Estadistica descriptiva
 
Estadística
EstadísticaEstadística
Estadística
 
Taller pseint
Taller pseintTaller pseint
Taller pseint
 
Estadistica (1)
Estadistica (1)Estadistica (1)
Estadistica (1)
 
Procesamiento de datos
Procesamiento de datosProcesamiento de datos
Procesamiento de datos
 
La estadistica
La estadistica La estadistica
La estadistica
 
Tarea de tecnologia (1)
Tarea de tecnologia (1)Tarea de tecnologia (1)
Tarea de tecnologia (1)
 
Tarea de tecnologia (1)
Tarea de tecnologia (1)Tarea de tecnologia (1)
Tarea de tecnologia (1)
 

Andere mochten auch

GLORY BEACH PACKAGES 2016
GLORY BEACH PACKAGES 2016GLORY BEACH PACKAGES 2016
GLORY BEACH PACKAGES 2016Jeevan Barath
 
Shirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia Oquendo
Shirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia OquendoShirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia Oquendo
Shirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia OquendoSonia Oquendo
 
E Xe Leraning Plus 100327 K O E V1
E Xe Leraning Plus 100327  K O E  V1E Xe Leraning Plus 100327  K O E  V1
E Xe Leraning Plus 100327 K O E V1Dietmar Köb
 
20091125 Social Media Unterstuetzer
20091125 Social Media Unterstuetzer20091125 Social Media Unterstuetzer
20091125 Social Media UnterstuetzerAlexander Benker
 
Bda H1000 211204
Bda H1000 211204Bda H1000 211204
Bda H1000 211204guest0a455b
 
Plantilla presentaciones educa digital regional 2014
Plantilla presentaciones educa digital regional 2014Plantilla presentaciones educa digital regional 2014
Plantilla presentaciones educa digital regional 2014Miguel Nova
 
2 henrichsen solutionday-innovation ds v2
2 henrichsen solutionday-innovation ds v22 henrichsen solutionday-innovation ds v2
2 henrichsen solutionday-innovation ds v2HENRICHSEN AG
 
Photosenfolie 0
Photosenfolie 0Photosenfolie 0
Photosenfolie 0annagalore
 
Arte y poder del entusiasmo
Arte y poder del entusiasmoArte y poder del entusiasmo
Arte y poder del entusiasmoKeilita
 
Social Media Kennzahlen, Reporting und Monitoring
Social Media Kennzahlen, Reporting und MonitoringSocial Media Kennzahlen, Reporting und Monitoring
Social Media Kennzahlen, Reporting und Monitoringch.ch
 
DERECHO AGARIO INSTITUCIONES QUE LO COMPONEN
 DERECHO AGARIO INSTITUCIONES QUE LO COMPONEN DERECHO AGARIO INSTITUCIONES QUE LO COMPONEN
DERECHO AGARIO INSTITUCIONES QUE LO COMPONENLa Mivi Noguera
 

Andere mochten auch (20)

GLORY BEACH PACKAGES 2016
GLORY BEACH PACKAGES 2016GLORY BEACH PACKAGES 2016
GLORY BEACH PACKAGES 2016
 
01 Was Ist Moodle Black
01 Was Ist Moodle Black01 Was Ist Moodle Black
01 Was Ist Moodle Black
 
Shirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia Oquendo
Shirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia OquendoShirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia Oquendo
Shirt House Prospekt 00123 Zebra Von Britta Reinhardt & Sonia Oquendo
 
E Xe Leraning Plus 100327 K O E V1
E Xe Leraning Plus 100327  K O E  V1E Xe Leraning Plus 100327  K O E  V1
E Xe Leraning Plus 100327 K O E V1
 
20091125 Social Media Unterstuetzer
20091125 Social Media Unterstuetzer20091125 Social Media Unterstuetzer
20091125 Social Media Unterstuetzer
 
Bda H1000 211204
Bda H1000 211204Bda H1000 211204
Bda H1000 211204
 
eZ Components
eZ ComponentseZ Components
eZ Components
 
Plantilla presentaciones educa digital regional 2014
Plantilla presentaciones educa digital regional 2014Plantilla presentaciones educa digital regional 2014
Plantilla presentaciones educa digital regional 2014
 
Dgb5 2 4
Dgb5 2 4Dgb5 2 4
Dgb5 2 4
 
Banderine
BanderineBanderine
Banderine
 
USD614119S1
USD614119S1USD614119S1
USD614119S1
 
2 henrichsen solutionday-innovation ds v2
2 henrichsen solutionday-innovation ds v22 henrichsen solutionday-innovation ds v2
2 henrichsen solutionday-innovation ds v2
 
Photosenfolie 0
Photosenfolie 0Photosenfolie 0
Photosenfolie 0
 
Arte y poder del entusiasmo
Arte y poder del entusiasmoArte y poder del entusiasmo
Arte y poder del entusiasmo
 
Das ist RKB DE
Das ist RKB DE Das ist RKB DE
Das ist RKB DE
 
PORTFOLIO 2017
PORTFOLIO 2017PORTFOLIO 2017
PORTFOLIO 2017
 
Revista
RevistaRevista
Revista
 
Social Media Kennzahlen, Reporting und Monitoring
Social Media Kennzahlen, Reporting und MonitoringSocial Media Kennzahlen, Reporting und Monitoring
Social Media Kennzahlen, Reporting und Monitoring
 
Publikationsbias
PublikationsbiasPublikationsbias
Publikationsbias
 
DERECHO AGARIO INSTITUCIONES QUE LO COMPONEN
 DERECHO AGARIO INSTITUCIONES QUE LO COMPONEN DERECHO AGARIO INSTITUCIONES QUE LO COMPONEN
DERECHO AGARIO INSTITUCIONES QUE LO COMPONEN
 

Ähnlich wie estruct

Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...
Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...
Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...yjboyx1
 
Clase 01: Introducción a la investigación científica
Clase 01: Introducción a la investigación científica Clase 01: Introducción a la investigación científica
Clase 01: Introducción a la investigación científica Edwin Callejas
 
Clase 01: Introducción a la investigación cientifica
Clase 01: Introducción a la investigación cientificaClase 01: Introducción a la investigación cientifica
Clase 01: Introducción a la investigación cientificaEdwin Callejas
 
evolución histórica de la estadistica
evolución histórica de la estadisticaevolución histórica de la estadistica
evolución histórica de la estadisticaYunalyGarcacumana
 
Separata estadistica general - aula virtual
Separata   estadistica general - aula virtualSeparata   estadistica general - aula virtual
Separata estadistica general - aula virtualMichael Cabrera
 
Modulo Estadística 2011
Modulo Estadística 2011Modulo Estadística 2011
Modulo Estadística 2011cesarzatta
 
Variables y tipos de Variables
Variables y tipos de Variables Variables y tipos de Variables
Variables y tipos de Variables stefany_90
 
Etapas de la investigación estadistica (2)
Etapas de la investigación estadistica (2)Etapas de la investigación estadistica (2)
Etapas de la investigación estadistica (2)google
 
Unidad I_B Guía de estudio .docx
Unidad I_B Guía de estudio .docxUnidad I_B Guía de estudio .docx
Unidad I_B Guía de estudio .docxjosselinGarcia11
 
Trabajo de tecnologia
Trabajo de tecnologia Trabajo de tecnologia
Trabajo de tecnologia Melian2027
 
Trabajo de tecnologia finalizado
Trabajo de tecnologia finalizadoTrabajo de tecnologia finalizado
Trabajo de tecnologia finalizadoangelamyg
 

Ähnlich wie estruct (20)

Metodos estadisticos
Metodos estadisticosMetodos estadisticos
Metodos estadisticos
 
Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...
Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...
Trabajo 1 estadistica.contaduria semestre ii.jesus d 18.711.997 y barbara i 2...
 
Taller tecnologia
Taller tecnologiaTaller tecnologia
Taller tecnologia
 
Clase 01: Introducción a la investigación científica
Clase 01: Introducción a la investigación científica Clase 01: Introducción a la investigación científica
Clase 01: Introducción a la investigación científica
 
Clase 01: Introducción a la investigación cientifica
Clase 01: Introducción a la investigación cientificaClase 01: Introducción a la investigación cientifica
Clase 01: Introducción a la investigación cientifica
 
evolución histórica de la estadistica
evolución histórica de la estadisticaevolución histórica de la estadistica
evolución histórica de la estadistica
 
Separata estadistica general - aula virtual
Separata   estadistica general - aula virtualSeparata   estadistica general - aula virtual
Separata estadistica general - aula virtual
 
Modulo Estadística 2011
Modulo Estadística 2011Modulo Estadística 2011
Modulo Estadística 2011
 
Variables y tipos de Variables
Variables y tipos de Variables Variables y tipos de Variables
Variables y tipos de Variables
 
Etapas de la investigación estadistica (2)
Etapas de la investigación estadistica (2)Etapas de la investigación estadistica (2)
Etapas de la investigación estadistica (2)
 
Tarea de tecnologia
Tarea de tecnologiaTarea de tecnologia
Tarea de tecnologia
 
Tarea de tecnologia
Tarea de tecnologiaTarea de tecnologia
Tarea de tecnologia
 
Unidad I_B Guía de estudio .docx
Unidad I_B Guía de estudio .docxUnidad I_B Guía de estudio .docx
Unidad I_B Guía de estudio .docx
 
Estadistica.doc
Estadistica.docEstadistica.doc
Estadistica.doc
 
Actividadestadistica
ActividadestadisticaActividadestadistica
Actividadestadistica
 
7. metodologia y estadistica aplicada a la educacion
7. metodologia y estadistica aplicada a la educacion7. metodologia y estadistica aplicada a la educacion
7. metodologia y estadistica aplicada a la educacion
 
Trabajo de tecnologia (1)
Trabajo de tecnologia (1)Trabajo de tecnologia (1)
Trabajo de tecnologia (1)
 
Trabajo de tecnologia
Trabajo de tecnologia Trabajo de tecnologia
Trabajo de tecnologia
 
Trabajo de tecnologia finalizado
Trabajo de tecnologia finalizadoTrabajo de tecnologia finalizado
Trabajo de tecnologia finalizado
 
Trabajo de tecnologia (1)
Trabajo de tecnologia (1)Trabajo de tecnologia (1)
Trabajo de tecnologia (1)
 

Último

Verde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdf
Verde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdfVerde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdf
Verde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdfmiriamsarahihm2008
 
TareaSesión8_ListaDinamica_Garcia_Garcia.pptx
TareaSesión8_ListaDinamica_Garcia_Garcia.pptxTareaSesión8_ListaDinamica_Garcia_Garcia.pptx
TareaSesión8_ListaDinamica_Garcia_Garcia.pptxANDREADELCARMENGARCI
 
Trabajo de tecnologia.pdf .
Trabajo de tecnologia.pdf                         .Trabajo de tecnologia.pdf                         .
Trabajo de tecnologia.pdf .SebastinPrez67
 
CALCULADORA CIENTIFICA trabajo grupal 9-6.docx
CALCULADORA CIENTIFICA trabajo grupal 9-6.docxCALCULADORA CIENTIFICA trabajo grupal 9-6.docx
CALCULADORA CIENTIFICA trabajo grupal 9-6.docxzoecaicedosalazar
 
IA en la empresa. La inteligencia artificial potencia la tarea diaria
IA en la empresa. La inteligencia artificial potencia la tarea diariaIA en la empresa. La inteligencia artificial potencia la tarea diaria
IA en la empresa. La inteligencia artificial potencia la tarea diariaEducática
 
Texto Argumentativo (Basura Electronica)
Texto Argumentativo (Basura Electronica)Texto Argumentativo (Basura Electronica)
Texto Argumentativo (Basura Electronica)AlejandraCasallas7
 
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docxBLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docxwalterdanielcortes08
 
Texto Argumentativo (Basura Electronica).docx
Texto Argumentativo (Basura Electronica).docxTexto Argumentativo (Basura Electronica).docx
Texto Argumentativo (Basura Electronica).docxlucianavillotalozano
 
El Libro de la Inteligencia Artificial (versión 13)
El Libro de la Inteligencia Artificial (versión 13)El Libro de la Inteligencia Artificial (versión 13)
El Libro de la Inteligencia Artificial (versión 13)Alfredo Vela Zancada
 
Carta y Excel trabajo sobre estadística.
Carta y Excel trabajo sobre estadística.Carta y Excel trabajo sobre estadística.
Carta y Excel trabajo sobre estadística.MariannaGutierrezGom
 
Trabajo de tecnología excel avanzado:métodos estadísticos
Trabajo de tecnología excel avanzado:métodos estadísticosTrabajo de tecnología excel avanzado:métodos estadísticos
Trabajo de tecnología excel avanzado:métodos estadísticosJuanCamilomurillo2
 
Basisschulung zum Datenschutz DE_SPA.pptx
Basisschulung zum Datenschutz  DE_SPA.pptxBasisschulung zum Datenschutz  DE_SPA.pptx
Basisschulung zum Datenschutz DE_SPA.pptxsergioagudo4
 
Las redes sociales
Las redes sociales Las redes sociales
Las redes sociales an494140
 
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdf
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdfBLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdf
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdfssuser337a5e
 
¿Cómo preguntar a la IA?_ Universitat Oberta de Catalunya
¿Cómo preguntar a la IA?_ Universitat Oberta de Catalunya¿Cómo preguntar a la IA?_ Universitat Oberta de Catalunya
¿Cómo preguntar a la IA?_ Universitat Oberta de CatalunyaRichard Canabate
 
Hernandez_Hernandez_Practica web de la sesion 8.pptx
Hernandez_Hernandez_Practica web de la sesion 8.pptxHernandez_Hernandez_Practica web de la sesion 8.pptx
Hernandez_Hernandez_Practica web de la sesion 8.pptxJOSEMANUELHERNANDEZH11
 
cuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptx
cuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptxcuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptx
cuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptxange07u
 
Tecnología 2024 11-2 .pdf.......................
Tecnología 2024  11-2 .pdf.......................Tecnología 2024  11-2 .pdf.......................
Tecnología 2024 11-2 .pdf.......................GabrielHernndez206156
 
Excel avanzado y métodos estadísticos.pdf
Excel avanzado y métodos estadísticos.pdfExcel avanzado y métodos estadísticos.pdf
Excel avanzado y métodos estadísticos.pdfSOFIAACOSTAESCOBAR
 
PLATAFORMAS SOCIALES.pdf Mundos digitales
PLATAFORMAS SOCIALES.pdf Mundos digitalesPLATAFORMAS SOCIALES.pdf Mundos digitales
PLATAFORMAS SOCIALES.pdf Mundos digitalesCamilaGV4
 

Último (20)

Verde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdf
Verde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdfVerde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdf
Verde Ilustrado Moderno Redes Sociales Informe de Marketing Presentación (1).pdf
 
TareaSesión8_ListaDinamica_Garcia_Garcia.pptx
TareaSesión8_ListaDinamica_Garcia_Garcia.pptxTareaSesión8_ListaDinamica_Garcia_Garcia.pptx
TareaSesión8_ListaDinamica_Garcia_Garcia.pptx
 
Trabajo de tecnologia.pdf .
Trabajo de tecnologia.pdf                         .Trabajo de tecnologia.pdf                         .
Trabajo de tecnologia.pdf .
 
CALCULADORA CIENTIFICA trabajo grupal 9-6.docx
CALCULADORA CIENTIFICA trabajo grupal 9-6.docxCALCULADORA CIENTIFICA trabajo grupal 9-6.docx
CALCULADORA CIENTIFICA trabajo grupal 9-6.docx
 
IA en la empresa. La inteligencia artificial potencia la tarea diaria
IA en la empresa. La inteligencia artificial potencia la tarea diariaIA en la empresa. La inteligencia artificial potencia la tarea diaria
IA en la empresa. La inteligencia artificial potencia la tarea diaria
 
Texto Argumentativo (Basura Electronica)
Texto Argumentativo (Basura Electronica)Texto Argumentativo (Basura Electronica)
Texto Argumentativo (Basura Electronica)
 
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docxBLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.docx
 
Texto Argumentativo (Basura Electronica).docx
Texto Argumentativo (Basura Electronica).docxTexto Argumentativo (Basura Electronica).docx
Texto Argumentativo (Basura Electronica).docx
 
El Libro de la Inteligencia Artificial (versión 13)
El Libro de la Inteligencia Artificial (versión 13)El Libro de la Inteligencia Artificial (versión 13)
El Libro de la Inteligencia Artificial (versión 13)
 
Carta y Excel trabajo sobre estadística.
Carta y Excel trabajo sobre estadística.Carta y Excel trabajo sobre estadística.
Carta y Excel trabajo sobre estadística.
 
Trabajo de tecnología excel avanzado:métodos estadísticos
Trabajo de tecnología excel avanzado:métodos estadísticosTrabajo de tecnología excel avanzado:métodos estadísticos
Trabajo de tecnología excel avanzado:métodos estadísticos
 
Basisschulung zum Datenschutz DE_SPA.pptx
Basisschulung zum Datenschutz  DE_SPA.pptxBasisschulung zum Datenschutz  DE_SPA.pptx
Basisschulung zum Datenschutz DE_SPA.pptx
 
Las redes sociales
Las redes sociales Las redes sociales
Las redes sociales
 
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdf
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdfBLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdf
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS.pdf
 
¿Cómo preguntar a la IA?_ Universitat Oberta de Catalunya
¿Cómo preguntar a la IA?_ Universitat Oberta de Catalunya¿Cómo preguntar a la IA?_ Universitat Oberta de Catalunya
¿Cómo preguntar a la IA?_ Universitat Oberta de Catalunya
 
Hernandez_Hernandez_Practica web de la sesion 8.pptx
Hernandez_Hernandez_Practica web de la sesion 8.pptxHernandez_Hernandez_Practica web de la sesion 8.pptx
Hernandez_Hernandez_Practica web de la sesion 8.pptx
 
cuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptx
cuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptxcuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptx
cuadro comparativo de web 1.0 web 2.0 web 3.0 web 4.0......pptx
 
Tecnología 2024 11-2 .pdf.......................
Tecnología 2024  11-2 .pdf.......................Tecnología 2024  11-2 .pdf.......................
Tecnología 2024 11-2 .pdf.......................
 
Excel avanzado y métodos estadísticos.pdf
Excel avanzado y métodos estadísticos.pdfExcel avanzado y métodos estadísticos.pdf
Excel avanzado y métodos estadísticos.pdf
 
PLATAFORMAS SOCIALES.pdf Mundos digitales
PLATAFORMAS SOCIALES.pdf Mundos digitalesPLATAFORMAS SOCIALES.pdf Mundos digitales
PLATAFORMAS SOCIALES.pdf Mundos digitales
 

estruct

  • 1. Objetivos de aprendizaje Estructura del módulo Estadísticas y datos Descripción de los datos Recopilación de datos Población y muestras Inferencia Explicación y predicción Bienvenido al Módulo 1. En este módulo se inicia la revisión de la estadística, o al menos la estadística que es pertinente a la evaluación de la educación. Este módulo le permitirá comprender ciertos conceptos preliminares importantes, necesarios para iniciar el estudio de la estadística. Objetivos de aprendizaje: Al término de este módulo, usted …  Comprenderá mejor lo que es la estadística;  Comprenderá mejor conceptos clave tales como: datos, inferencia, población y muestra;  Distinguirá las principales funciones de la estadística, esto es, descripción, explicación y predicción. Estructura del modulo 2.1 Estadística y datos 2.2 Descripción 2.3 Recopilación de datos 2.4 Poblaciones y muestras 2.5 Inferencia 2.6 Explicación y predicción
  • 2. Estadísticas y datos A qué nos referimos con los términos estadística y datos? En nuestra era inundada de información, la palabra ‘estadística’ ha llegado a ser casi sinónimo del término ‘datos’; no sólo datos sin elaborar y desorganizados, sino datos significativos que proporcionan información acerca de aspectos pertinentes para nuestras sociedades. Para el ciudadano promedio, los medios de comunicación le proporcionan la mayor parte de esta ‘información estadística’, entre la que se incluyen ‘estadísticas económicas’, tales como tasas de inflación; ‘estadísticas políticas’, habitualmente en la forma de encuestas de opinión; ‘estadísticas policiales’, tales como tasas anuales de delincuencia, etc. Aunque con limitaciones, esta concepción racional de la estadística es, hasta cierto punto, correcta. En términos técnicos, “la disciplina de la estadística trata de los principios y procedimientos para recopilar, describir y sacar conclusiones de los datos” (Freund y Wilson, 1997: 1). La Asociación Estadística de los Estados Unidos afirma que la estadística es “la ciencia de aprender de los datos”. En efecto, la estadística nos permite: (1) recopilar datos (proporcionando un conjunto de métodos y reglas para obtener los datos en forma adecuada); (2) describir los datos en forma directa sobre la base de una población o en forma indirecta a través del uso de una muestra; (3) apoyar o rechazar explicaciones acerca de la forma en que diferentes elementos del mundo real se relacionan entre sí; y (4) tratar de predecir sucesos futuros basándonos en los sucesos del pasado. En este curso trataremos principalmente el tema de la descripción. Los datos son la materia esencial de la estadística. Lo que llamamos datos son cualquier información empírica acerca de algún aspecto del mundo real en el cual estamos interesados. En un lenguaje más técnico, un conjunto de datos “es una colección de valores observados que representan una o más características de algunos objetos o unidades” (Freund y Wilson, 1997: 1). Cuadro 1. Características de tres maestros de escuela secundaria. Maestro Experiencia (años) Calificaciones Método de enseñanza Salario mensual (US$) Ali 5 Educación terciaria B 300 María 36 Educación secundaria A 550 Lee 22 Educación terciaria C 450 En los datos proporcionados por el cuadro, ¿puede usted identificar cuáles son: (a) unidades, (b) características, (c) observaciones y (d) valores? Piense independientemente y escriba sus respuestas antes de continuar. Las respuestas correctas se ofrecen a continuación. a. Las “unidades de análisis” son en este caso los “profesores” o, más exactamente, los “profesores de escuelas secundarias de la India”. Las unidades de análisis son aquellas cosas (objetos o sujetos) sobre los cuales estamos principalmente interesados en obtener información.
  • 3. b. Cuando hablamos de “características” nos referimos a las características de las unidades de análisis. Así, las características nos proveen de información acerca de las unidades de análisis o, en el ejemplo, los profesores secundarios en India. En otras palabras, las características son “características” de los “profesores secundarios en India”. El cuadro nos provee de información respecto de cuatro características de los profesores: (i) ‘experiencia’ medida en años de ejercicio de la profesión docente; (ii) ‘calificaciones’ medidas por el nivel de educación de cada profesor; (iii) ‘método de enseñanza’ medido por el tipo de método (A, B o C) usado por cada profesor; y (iv) ‘salario mensual’ medido en dólares. c. Las observaciones son ‘Ali,’ ‘María’ y ‘Lee.’ Las observaciones son las unidades de análisis (maestros de escuelas secundarias) ‘observadas’ en el mundo real. Estamos interesados en comprender a los ‘profesores de educación secundaria de la India’ como categoría general, pero ello sólo podemos realizarlo a través de la observación de profesores concretos, de carne y hueso (Ali, María y Lee), quienes poseen características concretas y variadas. Desde la perspectiva de la estadística no son las observaciones sobre las unidades individuales (‘Ali,’ ‘María’ o ‘Lee) las que son de interés, sino el ‘comportamiento agregado’, es decir, lo que en estadísticas se llama la ‘distribución’ de las observaciones. d. Finalmente, los ‘valores’ son los resultados concretos obtenidos de las ‘mediciones’ de cada una de las observaciones respecto de cada una de las características relevantes. En otras palabras, obtenemos un valor cada vez que medimos las características de un objeto o sujeto. Por ejemplo, en términos de ‘experiencia’ (una de las características de los maestros que estamos interesados en medir), Ali tiene un valor observado de ‘5’, María un valor de ‘36’ y Lee un valor de ‘22’; mientras que en términos de ‘calificaciones’, Ali tiene un valor observado de ‘educación terciaria’, etc. Finalmente, para medir necesitamos lo que en estadísticas se llaman escalas de medición (explicadas más adelante) y unidades de medición adecuadas, tales como dólares, metros, tipos de métodos de enseñanza, etc). Descripción de los datos Una función principal de la estadística es la descripción de datos. El proceso consta de al menos tres pasos: recopilación, organización y análisis (o interpretación) de los datos. 1. Se deben recopilar los datos según estrictos procedimientos que minimicen la probabilidad de error, de modo que los datos recopilados realmente representen lo que se desea describir. 2. Los datos deben estar organizados de modo que permitan su análisis y comparación. Los estadísticos organizan los datos en lo que denominan ‘distribuciones’ o ‘distribuciones de frecuencias’ (un tema que trataremos más adelante). 3. Los datos, organizados en forma de distribuciones, deben ser analizados. Para describir una distribución se requiere usar al menos dos tipos de indicadores: medidas de tendencia central (por lo general, la ‘media’ o promedio) y medidas de dispersión (por lo general, la desviación estándar); estos indicadores también se tratarán en la parte III de esta guía. ¿ Puede identificar un artículo, proyecto de investigación o documento relacionado con su trabajo en que se hayan seguido estas pautas generales para describir los datos?
  • 4. Recopilación de datos Los datos necesitan ser primero recopilados antes de poder ser interpretados y transformados en información útil, sobre cuya base tomar decisiones. La manera en que este procedimiento de recopilación de datos se lleva a cabo es clave para determinar el posterior valor de cualquier descripción, explicación y predicción que se realice con dichos datos. Como consumidor de información, usted no debería olvidar jamás que el modo en que los datos son recolectados es siempre crítico para su valor posterior como información. Es así de simple: si la base del análisis es basura, el resultado del análisis, no importa cuán sofisticado, también será basura. Si utilizare, sin advertirlo, datos recogidos con procedimientos inadecuados, entonces sus conclusiones y decisiones basadas en el análisis de dichos datos serán igualmente inadecuadas. Desafortunadamente, cuando consumimos información no siempre (y de hecho casi nunca) tenemos acceso a los métodos utilizados para recoger los datos. Este es un problema serio, incluso para profesionales de la estadística. Pero esta no es la única “mina” que usted encontrará en el peligroso campo de la interpretación y uso de información estadística. Lamentablemente, la manipulación de la información (o ‘estatistipulación’ como la llama Darrel Huff, 1954, p.100), a pesar de ser tremendamente dañina, es práctica común y, a veces, extremadamente sofisticada. Poblaciones y muestras Una distinción crucial en la estadística descriptiva es aquella entre la descripción propiamente tal y la inferencia. Esta distinción descansa en los conceptos de “población” y “muestra”. Una población consta del universo de todos los objetos (o sujetos) que nos interesa describir. Una muestra, como el nombre lo indica, consta sólo de una porción de la población de interés. El siguiente ejemplo ilustra los conceptos de población y muestra. Supongamos que nos interesa averiguar qué (distribución de) métodos de enseñanza utilizan los maestros primarios de India. Es decir, deseamos obtener una descripción de la distribución de los métodos de enseñanza en las escuelas primarias de India. En este caso, ¿cuál es nuestra población de interés? Nos interesa conocer una de entre las muchas características de (todos) los maestros primarios de India: sus métodos de enseñanza. ¿ Cómo podemos obtener la información que buscamos acerca de nuestra población de interés? En realidad, tenemos dos opciones mutuamente excluyentes. Opción 1: ‘Observar’ a todos los maestros de escuelas primarias de India y así obtener los datos acerca de los métodos de enseñanza que utilizan. Opción 2: ‘Observar’ sólo una porción (relativamente pequeña) de los maestros primarios de India y luego ‘inferir’ de los métodos de enseñanza de estos, los métodos de enseñanza utilizados por todos los maestros primarios de India. En la jerga estadística, la opción 1 se denomina realizar un ‘censo’, mientras que la opción 2 consiste en llevar a cabo un ‘muestreo’.
  • 5. Así, se podría realizar un censo de toda la población de maestros primarios, o bien inferir información acerca de la población mediante los datos obtenidos sobre la base de una pequeña porción de los maestros, es decir, sobre la base de una muestra. Para efectuar un censo de toda la población sería necesario consultar u observar directamente a cada maestro en la India, es decir, ‘observar’ aproximadamente 2 millones de maestros. Esto significaría un esfuerzo en extremo costoso. Un censo sería además muy poco eficaz, dado que la alternativa, es decir, llevar a cabo un muestreo utilizando las técnicas estadísticas adecuadas, nos proveería normalmente de información bastante confiable y precisa sobre dicha población a un costo muchísimo menor que el de un censo. Es por esto que los profesionales de la estadística prefieren normalmente el método de muestreo por sobre los censos. Volviendo a nuestro ejemplo sobre la India, no es necesario consultar a cada maestro primario en India para describir los métodos de enseñanza que ellos utilizan. Dichos métodos se pueden inferir sobre la base de la observación de sólo unos cuantos cientos de maestros primarios y luego ‘aplicar’ las conclusiones a toda la población. Trate de identificar ejemplos de datos recopilados mediante un censo y mediante muestreo que sean pertinentes a (o que usted utilice frecuentemente) en su trabajo. Inferencia Utilizamos una muestra (o múltiples muestras) para recopilar datos cuando resulta relativamente efectivo desde un punto de vista económico o cuando no es posible acceder a toda la población. En este caso, las características de la población se infieren sobre la base de los datos obtenidos en la muestra. En otras palabras, lo que aprendemos sobre la base de la muestra se usa como medio para describir la población. Para los reformadores de la educación, la inferencia es un área fundamental de la disciplina de la estadística, ya que, como se decía antes, normalmente los profesionales favorecen el uso del muestreo antes que del censo para describir y analizar realidades sociales complejas. De hecho, buena parte de la información sobre educación que usted utiliza como autoridad responsable se obtiene mediante la técnica del muestreo, incluyendo prácticamente la totalidad de la investigación sobre educación llevada a cabo por una variedad de científicos sociales, incluidos sociólogos, economistas, politólogos, educadores, psicólogos, etc. El mayor desafío del muestreo consiste en lograr un grado razonable de “confianza” (o probabilidad) en que las inferencias realizadas acerca de la población sobre la base de la muestra sean adecuadas. Para tener “confianza” en que una inferencia realizada sobre la base de una muestra representa adecuadamente a la población, la muestra se debe seleccionar y luego interpretar siguiendo determinados procedimientos estadísticos estrictos que aseguren un grado de mínimo de certeza. En otras palabras, se deben recopilar y analizar los datos de la muestra utilizando métodos que permitan inferir con precisión (o con una probabilidad mínima de error) las características de la población sobre la base de esa muestra. La precisión de la inferencia depende, entre otros factores, del tamaño de la muestra. Esta relación, sin embargo, no es obvia, es decir, la mejor muestra no es la que contiene un mayor número de observaciones. A medida que la muestra aumenta de tamaño, el
  • 6. costo de recopilar y analizar la información también aumenta. Hasta cierto punto, podríamos ganar en precisión, pero pagar demasiado caro por ella. Además, después de determinado punto, el costo de cada observación se eleva vertiginosamente con respecto a lo que se gana en precisión, que se vuelve poco o nada. Lo que hacen los estadísticos es determinar el ‘grado de precisión’ que desean para obtener para sus inferencias (esto es, determinar la probabilidad de error que están dispuestos a tolerar) y luego emplear procedimientos técnicos para calcular el tamaño de la muestra que necesitan para lograr dicho objetivo. Se puede lograr un grado de precisión razonablemente alto mediante muestras relativamente pequeñas. Consideremos, por ejemplo, que el tamaño de las encuestas de opinión de Estados Unidos utilizadas para predecir el resultado de las elecciones presidenciales nacionales con una exactitud razonable es de poco más de 1.000 observaciones, para una población en edad de votar cercana a los 200 millones de personas! Es importante mantener una permanente actitud de escepticismo frente a la información estadística recibida. Como consumidor de información estadística, usted al menos necesita estar al tanto de la importancia que el método de selección de una muestra tiene sobre el valor de la información. Es necesario preguntarse, a lo menos, si dicha información fue producida sobre la base de una muestra adecuada (normalmente se tratará de una ‘muestra aleatoria,’ es decir, una muestra en la cual todos los objetos de una población tienen una idéntica probabilidad de ser seleccionados como parte de la muestra) que es de hecho representativa de la población de interés. Por ejemplo, en 1936, en los Estados Unidos, una publicación de amplia circulación predijo que el demócrata Franklin Delano Roosevelt sería derrotado en la elección presidencial por su oponente republicano. Roosevelt ganó la elección por un amplísimo margen. El error en la predicción de la publicación fue resultado del simple hecho de que la encuesta de opinión se había llevado a cabo por teléfono. En aquellos tiempos, sólo las personas de dinero poseían un teléfono en sus hogares, por lo que la muestra no era representativa del conjunto de los electores y en cambio estaba “sesgada” a favor del candidato republicano. Por razones de tiempo y espacio, a pesar de la enorme influencia que los métodos de inferencia y muestreo utilizados tienen sobre el valor de la información obtenida, estos temas no son tratados con suficiente profundidad en esta guía. Para aquellos que tengan un interés en estudiar en mayor detalle estos importantes temas, Phillips (1996, capítulos 7 y 8) provee una muy accesible introducción a la inferencia estadística. Explicación y predicción Como reformador de la educación, usted no sólo está interesado en la descripción, sino también, y principalmente, en la relación entre diferentes ‘objetos’ (o ‘variables,’ en la jerga estadística). Usted quisiera saber qué explica o qué causa la realidad educativa de su país. También desearía poder, en alguna medida, predecir las consecuencias concretas de las diferentes opciones de reforma educativa. Por ejemplo, si desea aumentar la matrícula de las niñas en zonas rurales, le gustaría saber qué elementos o acciones tendrán un efecto positivo en aumentar la matrícula de las niñas. ¿Construir escuelas más cerca de sus casas? ¿Contratar más maestras del sexo femenino? ¿Reducir las tasas de delincuencia? La estadística constituye una fuente crucial de apoyo para identificar estos elementos.
  • 7. Los profesionales de la estadística miden lo que denominan “correlación” para determinar la fuerza de la relación entre dos elementos, como el número de maestras mujeres en la escuela y la proporción de niñas matriculadas en zonas rurales, etc. Otra herramienta usada en forma generalizada para medir las relaciones entre variables es el análisis de regresión. El objetivo del análisis de regresión no sólo es medir la fuerza de una relación, sino también generar un modelo de esa relación (llamado “función”), de modo de poder predecir el comportamiento de una cosa basándose en el comportamiento de la otra. Por ejemplo, se usa la regresión para tratar de predecir la oferta de maestros sobre la base del pago que ellos reciben. Esta regresión o relación específica entre salario y oferta de trabajo se usa de manera generalizada en economía y se denomina “curva de oferta de trabajo”. (En general, la relación entre el precio de un bien y la cantidad ofrecida y demandad es central en economía y estudiada bajo el título de análisis de oferta y demanda.) Es necesario ser siempre muy cautelosos en nuestras conclusiones respecto de explicaciones y predicciones estadísticas. En el mejor de los casos, la estadística puede establecer lo que los especialistas llaman una “correlación” entre diferentes elementos (“variables”), es decir, establecer que los elementos que se están midiendo se comportan como si estuvieran correlacionados. Por cierto, también puede establecer que no hay ninguna relación entre los objetos estudiados. Pero la estadística no puede establecer causalidad. En otras palabras, no se puede inferir causalidad sobre la base de una correlación. Por ejemplo, si en un país se mediera la relación entre las habilidades aritméticas de los estudiantes primarios y sus estaturas, se concluiría que existe una correlación positiva entre habilidades y estatura, o sea, que mientras mayor es la altura del estudiante, mayores son sus habilidades aritméticas. Ahora, obviamente afirmar que las habilidades aritméticas de un individuo son consecuencia de su estatura no tiene sentido. Lo que ocurre en este caso es que existe un tercer factor que es la causa simultánea del aumento de las habilidades aritméticas de los estudiantes y del aumento en su estatura, este factor es la ‘edad’ de los estudiantes. De modo que no es que los estudiantes más altos sean mejores para la aritmética, sino que los estudiantes de más edad son más altos y al mismo tiempo tienen mayores habilidades aritméticas. Debemos ser muy cuidadosos. La presencia de causalidad sólo podrá sostenerse en forma razonable luego de haber propuesto una teoría aceptable para explicar la relación meramente fáctica entre los elementos o ‘variables’. En términos estrictos, aun cuando se haya propuesto una teoría aceptable para explicar una relación que también parece estar respaldada por los hechos, ésta será siempre una “hipótesis” en espera de ser, tarde o temprano, rebatida. Una hipótesis es una afirmación acerca de la relación empírica existente entre dos variables. Una hipótesis no podrá nunca ser definitivamente comprobada, ya que incluso cuando los hechos del mundo real nunca han contradicho dicha hipótesis, siempre existe la posibilidad de que ello ocurra en el futuro. La estadística sólo puede apoyar o rechazar una determinada hipótesis acerca de las relaciones entre los objetos que nos interesan, pero nunca probarla.