ESTADÍSTICA DESCRIPTIVA

Habitualmente, el propósito de la Estadística Aplicada es el de sacar conclusiones de una población en estudio examinando solamente una parte de ella denominada muestra.

Este proceso, denominado Inferencia Estadística, suele venir acompañado de otro, denominado Estadística Descriptiva, en el que los datos son ordenados, resumidos y clasificados con objeto de tener una visión más precisa y global de las observaciones, intentando descubrir de esta manera posibles relaciones entre los datos, viendo cuáles toman valores parecidos, cuáles difieren grandemente del resto, de manera que puedan ser calificados de outliers, etc.

También están entre los objetivos de la Estadística Descriptiva el presentarlos de tal modo que permitan sugerir o aventurar cuestiones a analizar en mayor profundidad, así como estudiar si pueden mantenerse algunas suposiciones necesarias en determinadas inferencias tales como la simetría, la normalidad, la homocedasticidad, etc.

El proceso conjunto de ambas técnicas se suele denominar Análisis de Datos, disciplina ésta que además utiliza una serie de técnicas muy peculiares. Recientemente se ha acuñado el término Data Mining para referirse a un Análisis de Datos Multivariante en donde suele manejarse un gran número de observaciones y en donde los métodos gráficos juegan un papel destacado.

Módulos:

1. Introducción.

2. Conceptos fundamentales: Caracteres y sus Modalidades. La Matriz de datos. Clases de Datos. Ejemplos

3. Distribuciones unidimensionales de frecuencias. Ejemplos

3.1. Representaciones gráficas. Ejemplos

3.1.1. Carácter cualitativo: Diagramas de Sectores y Diagramas de Rectángulos. Ejemplos

3.1.2. Carácter cuantitativo (sin agrupar): Diagramas de Barras y Diagramas de frecuencias acumuladas. Ejemplos

3.1.3. Carácter cuantitativo (agrupado): Histogramas y Polígonos de Frecuencias acumuladas. Ejemplos

3.2. Medidas de tendencia central: Media, Mediana, Moda, Cuantiles. Ejemplos

3.3. Medidas de dispersión: Recorrido, Varianza, Desviación Típica, Coeficiente de Variación de Pearson. Ejemplos

3.4. Medidas de asimetría: Coeficiente de Asimetría de Pearson, Coeficiente de Asimetría de Fisher. Ejemplos

4. Distribuciones bidimensionales de frecuencias: Distribuciones conjuntas, Distribuciones marginales, Distribuciones condicionadas. Ejemplos

4.1. Representaciones gráficas. Diagrama de Dispersión (nube de puntos). Ejemplos

4.2. Ajuste por mínimos cuadrados. Ejemplos

4.3. Precisión del ajuste por mínimos cuadrados. Coeficiente de Determinación. Ejemplos

Bibliografía