República Bolivariana de Venezuela

Universidad Nacional Experimental “Simón Rodríguez”

Núcleo-Maturín

Terminología en estadística

Prof: estudiante:

José David Romero obdulis franco

30592970

Noviembre 07 del 2021

 Índice

Introducción--------------------------------------------------------------------------------------pag 3

Desarrollo------------------------------------------------------------------------------pag 4/ pag 18

Conclusión ------------------------------------------------------------------------------------pag 19

Bibliografía ------------------------------------------------------------------------------------pag 20
Introducción

La estadística, se ocupa de recoger, resumir, representar y analizar los datos

obtenidos de un conjunto de personas o cosas con la finalidad de extraer
consecuencias de tipo practico.

Es la parte de la matemática que estudia como recopilar y presumir gran cantidad

de información para extraer conclusiones. A medida que aumenta la complejidad

de nuestro mundo, se hace cada vez más difícil tomar decisiones inteligentes y
bien documentadas, esta juega un papel significativo en el delicado proceso de
toma de decisiones.

Las mediciones acertadas y en el momento oportuno evitan costes innecesarios y

conducen hacia direcciones más correctas en el desarrollo de las tareas facilitando
la toma de decisiones, tanto en el proyecto como durante de los procesos
involucrados.

En la actualidad bajo el marco de los criterios de la Administración de la calidad y

de la productividad, así como en la aplicación de los sistemas de gestión de
calidad orientados a la toma de decisiones es imprescindible la aplicación de
la Estadística tanto descriptiva y en cierta medida la estadística inferencial, que a
su vez proporcionan elementos de confiabilidad que científicamente sustenten la
decisión tomada.
 1) ¿Qué se entiende por estadística?

Estadística es una disciplina científica que se ocupa de la obtención, orden y

análisis de un conjunto de datos con el fin de obtener explicaciones y predicciones
sobre fenómenos observados. Los métodos, procedimientos y fórmulas que
abarca, permiten recolectar información para luego analizarla y extraer de ella
conclusiones relevantes. Es decir, una Ciencia de los datos, cuyo objetivo principal
es mejorar la comprensión de los hechos a partir de la información disponible.

2) ¿Qué se entiende por símbolos estadísticos?

Estos signos  matemáticos son necesarios para conocer un concepto y explicar a

través de ellos un dato. Es de herramientas que se utiliza para describir y
representar un proceso. Permiten abreviar y universalizar la comunicación y
mencionar que en ocasiones la probabilidad y la estadística generalmente tienen
convenciones sobre símbolos exclusivos para dichas disciplinas, a los que se le
suman los tradicionales y convencionales símbolos matemáticos.

Generalmente al observar operaciones o procesos estadísticos podría dar la

impresión de que nos encontramos leyendo el alfabeto griego, y en realidad
muchos de los símbolos estadísticos son, en efecto griegos.
Cada símbolo (letra) significa un proceso en particular y es por esto que se deben
conocer para poder efectuar un análisis de datos eficiente.
Las letras griegas generalmente se usan para denotar parámetros desconocidos,
un parámetro estimado generalmente se denota al colocar un curso sobre el
símbolo correspondiente, lo que se conoce como “theta sombrero”.

3) Defina y de ejemplo de cada uno de los símbolos estadísticos.

Algunos símbolos estadísticos básicos utilizados comúnmente son:

• : La media maestral, que se refiere a la muestra media o media empírica así

como a la covarianza de la muestra con las estadísticas que se calculan con base
en una colección de datos en una o más variables de tipo aleatorio. Se refiere a
cada uno de los valores que se observan en las variables.

• S2: Se refiere a la varianza simple.

Definición de Varianza: 

La Varianza (o Variancia) es una medida estadística de la dispersión (variabilidad)

que se define como la media aritmética del cuadrado de las desviaciones de las
muestras respecto a la media.
La Varianza se representa mediante el símbolo griego sigma al cuadrado (σ2)  y
se formula de la siguiente manera:

o también, de forma reducida:

• r: Simboliza la simple correlación de coeficientes.

Las puntuaciones obtenidas por un grupo de alumnos en una batería de test que
mide la habilidad verbal (X) y el razonamiento abstracto (Y) son las siguientes:

Se pide:

1 ¿Existe correlación entre ambas variables?

 Convertimos la tabla de doble entrada en tabla simple.

 
 

                    

                    

                    

 Existe una correlación positiva fuerte

 2 Según los datos de la tabla, si uno de estos alumnos obtiene una puntuación
de   puntos en razonamiento abstracto, ¿en cuánto se estimará su habilidad
verbal?

Se sabe que entre el consumo de papel y el número de litros de agua por metro
cuadrado que se recogen en una ciudad no existe relación
• kr: Simboliza el cúmulo de las muestras.

Es un procedimiento de muestreo probabilístico en el que se seleccionan

aleatoriamente varios grupos (llamados conglomerados, cúmulos o áreas)
conformados por elementos heterogéneos de la población, pero que tienen algo
en común. 

A este tipo de muestreo aleatorio se le conoce también como muestreo por

cúmulos o muestreo por áreas.

Se utiliza cuando no se pueden estudiar todos los elementos de la población ya

que esta es muy grande o se encuentra dispersa en un área geográfica muy
extensa, por lo que los costos de la investigación serían relativamente elevados. 

Los símbolos utilizados con mayor frecuencia para referirse a los parámetros de
población son:

• μ: Se refiere a la población como tal.

•σ2: Simboliza la varianza de la población.

2, 3, 6, 8, 11.

b 12, 6, 7, 3, 15, 10, 18, 5.

Solución:

A) Para la serie de números x_{1}=2, x_{2}=3, x_{3}=6, x_{4}=8, x_{5}=11 con

n=5=N tenemos los siguientes cálculos.

Para la desviación media primero necesitamos calcular el valor de la media.

Luego, calculamos el valor de la desviación media.

Desviación media

Ahora, calculamos el valor de la varianza.

Varianza

Y finalmente, calculamos el valor de la desviación típica.

Desviación típica
•ρ: Simboliza la correlación de la población.

• κr: Simboliza los cúmulos de población.

• n: Simboliza el número de elementos en una distribución de la muestra.

En estadística, la distribución muestral es lo que resulta de considerar todas las

muestras posibles que pueden ser tomadas de una población. Su estudio permite

calcular la probabilidad que se tiene, dada una sola muestra, de acercarse al

parámetro de la población. Mediante la distribución muestral se puede estimar el

error para un tamaño de muestra dado.

.α: La letra griega alpha simboliza la intercepción o un error de tipo I.

En un estudio de investigación, el error de tipo I, también denominado error de tipo

alfa (α)1 o falso positivo, es el error que se comete cuando el investigador rechaza

la hipótesis nula ({\displaystyle H_{0}}H_0: el supuesto inicial) siendo esta

verdadera en la población. Es equivalente a encontrar un resultado falso positivo,

porque el investigador llega a la conclusión de que existe una diferencia entre las

hipótesis cuando en realidad no existe. Se relaciona con el nivel de significancia

estadística.

Representación de los valores posibles de la probabilidad de un error tipo II (rojo)

en el ejemplo de un test de significancia estadística para el parámetro μ. El error

tipo II depende del parámetro μ. Cuanto más cerca se encuentre este del valor
supuesto bajo la hipótesis nula, mayor es la probabilidad de ocurrencia del error

tipo II. Debido a que el verdadero valor de μ es desconocido al hacer la presunción

de la hipótesis alternativa, la probabilidad del error tipo II, en contraste con el error

tipo I (azul), no se puede calcular.

La hipótesis de la que se parte {\displaystyle H_{0}}H_0 aquí es el supuesto de

que la situación experimental presentaría un «estado normal». Si no se advierte

este «estado normal», aunque en realidad existe, se trata de un error estadístico

tipo I. Algunos ejemplos para el error tipo I serían:

Se considera que el paciente está enfermo, a pesar de que en realidad está sano;

hipótesis nula: El paciente está sano.

Se declara culpable al acusado, a pesar de que en realidad es inocente; hipótesis

nula: El acusado es inocente.

No se permite el ingreso de una persona, a pesar de que tiene derecho a ingresar;

hipótesis nula: La persona tiene derecho a ingresar

• β: La letra griega beta simboliza vertiente o un error de tipo II.

 el error de tipo II, también llamado error de tipo beta (β) (β es la probabilidad de

que exista este error) o falso negativo, se comete cuando el investigador no

rechaza la hipótesis nula siendo esta falsa en la población. Es equivalente a la

probabilidad de un resultado falso negativo, ya que el investigador llega a la

conclusión de que ha sido incapaz de encontrar una diferencia que existe en la

realidad.

De forma general y dependiendo de cada caso, se suele aceptar en un estudio

que el valor del error beta esté entre el 5 y el 20%

Contrariamente al error tipo I, en la mayoría de los casos no es posible calcular la

probabilidad del error tipo II. La razón de esto se encuentra en la manera en que

se formulan las hipótesis en una prueba estadística. Mientras que la hipótesis nula

able estadística: representa siempre una afirmación enérgica (como por

ejemplo «Promedio μ = 0») la hipótesis alternativa, debido a que engloba todas las

otras posibilidades, es generalmente de naturaleza global (por ejemplo  «Promedio

μ ≠ 0» ). El gráfico de la derecha ilustra la probabilidad del error tipo II (rojo) en

dependencia del promedio μ desconocido.

El poder o potencia del estudio representa la probabilidad de observar en

la muestra una determinada diferencia o efecto, si existe en la población. Es el

complementario del error de tipo II (1 − β)

• σ: La letra griega sigma simboliza la desviación estándar de la población.

La desviación estándar de una variable aleatoria, población estadística, conjunto

de datos o distribución de probabilidad es la raíz cuadrada de su varianza. ...

Además de expresar la variabilidad de una población, la desviación estándar se

usa comúnmente para medir la fiabilidad de las conclusiones estadísticas.

Calcular la desviación estándar de la población

1. Calcule la media o el promedio de cada conjunto de datos. Sume todos los

números de un conjunto de datos y divídalos por el número total de

datos. Por ejemplo, si tiene cuatro números en un conjunto de datos, divida

la suma por cuatro. Esta es la media del conjunto de datos.

2. Reste la desviación de cada dato restando la media de cada

número. Tenga en cuenta que la varianza para cada dato puede ser un
número positivo o negativo.
3. Cuadre cada una de las desviaciones.
4. Sume todas las desviaciones al cuadrado.
5. Divida este valor por el número de elementos del conjunto de datos. Por
ejemplo, si tienes cuatro números, divídelos por cuatro.

6. Calcula la raíz cuadrada del valor resultante. Esta es la desviación estándar

de la población .

• s: La letra s significa la desviación estándar de la muestra.

La fórmula de la desviación estándar es , donde representa la

suma de las diferencias al cuadrado entre cada observación y la media y N
representa el número total de observaciones. La aparente complicación de la
fórmula surge del hecho de que al restar la media a los valores de cada
observación individual para calcular las diferencias ( ), los valores de las
observaciones que están bajo la media producirán diferencias negativas, mientras
que los valores de las observaciones que son mayores que la media
proporcionarán valores positivos. Así, las diferencias positivas y negativas se
compensarán entre sí y, en el caso de una distribución simétrica, producirán una
suma igual a cero para la suma de las desviaciones individuales. Para evitar este
problema, las desviaciones se elevan al cuadrado, de modo que todas las
desviaciones sean positivas y se puedan sumar. Después, se calcula la raíz
cuadrada para ‘compensar’, por decirlo así, la elevación al cuadrado anterior de
los valores. Cuando no se incluye la raíz cuadrada, el resultado es otro famoso
indicador de dispersión conocido como la “varianza”.

• s2: La letra s al cuadrado simboliza la varianza de la muestra.

Varianza

Y finalmente, calculamos el valor de la desviación típica.

Otro conjunto de símbolos estadísticos usados con mayor frecuencia son:

• C: Simboliza la distribución, y también es conocida como la distribución para una

variable independiente.

• U: Se refiere a la distribución que no es lo mismo que y también es conocida

como variable dependiente.

• SC: Simboliza todos los elementos (generalmente números) en una distribución.

• N: Simboliza el número de elementos una distribución poblacional.

4) Especifique los tipos de variables

Los símbolos son elementos que abrevian y designan de manera específica el
tema o punto que se está tratando, mientras que una variable es un símbolo, tal
como X, Y, H, X o B, que pueden tomar un conjunto prefijado de valores, llamado
dominio de esa variable. Una variable puede tomar cualquier valor entre dos
valores dados, se dice que es una variable continua en caso contrario diremos que
la variable es discreta y el símbolo no.

5) Identifique cuales son los tipos de variables y de ejemplo de cada uno de

ellas.

Tipos de variables estadísticas

Aunque hay decenas de tipos de variables estadísticas, por norma general

podemos encontrarnos dos tipos de variables:

Variable cuantitativa: Son variables que se expresan numéricamente.

Variable continua: Toman un valor infinito de valores entre un intervalo de datos.

Ejemplo: El tiempo que tarda un corredor en completar los 100 metros lisos.

Variable discreta: Toman un valor finito de valores entre un intervalo de datos.

Ejemplo: Número de helados vendidos.

Variable cualitativa: Son variables que se expresan, por norma general, en

palabras.

Variable ordinal: Expresa diferentes niveles y orden.

Variable nominal: Expresa un nombre claramente diferenciado. Por ejemplo el

color de ojos puede ser azul, negro, castaño, verde, etc.

Además cada una de estas variables podría tener más subtipos, ya que tenemos
variables de tipo económico, categóricas, dicotómicas, dependientes,
independientes y cardinales. Es decir, como ya hemos dicho, muchos tipos de
variables estadísticas. Por ejemplo, podríamos tener una variable estadística de
tipo cuantitativo, discreta y dependiente.

Adicionalmente, también debemos aclarar que el hecho que las variables

cualitativas se expresen con nombre no quiere decir que no puedan ser parte de
un modelo matemático. Así pues, podríamos crear una variable cuantitativa a
partir de una variable cualitativa. Por ejemplo, para el color de ojos podríamos
asignar un 1 si tiene los ojos azules, un 2 si tiene los ojos verdes y un 3 si tiene los
ojos marrones. O, en otros casos, podríamos también convertir variables
dicotómicas que indica SI o NO, en 1 o 0.

Ejemplos de variable estadística

A continuación, mostramos un ejemplo de cada una de los tipos de vari

Ejemplo variable cuantitativa

Un ejemplo de variable cuantitativa serían las horas que trabaja un empleado a lo

largo de la semana. Otro ejemplo podría ser el número de kilómetros que realiza
un ciclista profesional a lo largo de la temporada.

Ejemplo de variable continua

Las variables continuas son aquellas que toman valores infinitos dentro de un
intervalo como puede ser el tiempo que un corredor tarda en recorrer los 100
metros lisos. Un ejemplo más puede ser el peso de un paquete de espaguetis.

Ejemplo de variable discreta

Podríamos mencionar el número de helados vendidos en una heladería o el

número de clases que da un profesor a lo largo del curso lectivo.

Ejemplo de variable cualitativa

Los asistentes a un concierto que tienen entradas diferenciadas por la zona en la

que se ubiquen como pista, grada o zona VIP sería una variable cualitativa.

Ejemplo de variable ordinal

El resultado obtenido por los diferentes pilotos en una carrera de coches de

Fórmula una seria una variable ordinal. Otro ejemplo podría ser la calificación
otorgada por los jueces de un campeonato de gimnasia rítmica.

Ejemplo de variable nominal

El color de ojos de una persona, azules, marrones o verdes es un ejemplo de este

tipo de variable. Un ejemplo más sería el estado civil de una persona o su sexo.

6) Analice que se entiende por medida y que significa medir.

Medida

La medida o medición es la asignación de valores numéricos o dimensiones a un

objeto u objetos mediante la utilización de determinados procedimientos. Consiste
sustancialmente en una observación cuantitativa, atribuyendo un número a
determinadas características o rasgos del hecho o fenómeno observado. Dando
un valor a la información recaudada del total de datos.
Medir

Es determinar la longitud, extensión, volumen o capacidad de una cosa por comparación con
una unidad establecida que se toma como referencia, generalmente mediante algún
instrumento graduado con dicha unidad.

Medir se refiere a los procedimientos que se utilizan para llevar a cabo la medición más la
medida son los datos recopilados de los procedimientos llevados a cabo.

En términos más estrictamente metodológicos, la medición consiste

sustancialmente en una observación cuantitativa, atribuyendo un número a
determinadas características o rasgos del hecho o fenómeno observado. Esto no
presenta mayores inconvenientes si se trata de medir aspectos materiales y
morfológicos de los objetos de estudio; la dificultad aparece cuando se desean
expresar numéricamente aspectos más evanescentes e intangibles.

El proceso de medición tiene como propósito inicial distinguir y por ende clasificar
objetos, casos, fenómenos y debe responder a una serie de principios o requisitos
que se enuncian a continuación.

En primer lugar el proceso de medición debe ser válido, entendiéndose que

cumple este requisito cuando mide de alguna manera demostrable aquello que
trata de medir, libre de distorsiones sistemáticas. Cabe anotar que existen
diferentes métodos de validación, a saber: La validez pragmática, consistente en
encontrar un criterio exterior al instrumento de medida, para relacionarlo con las
puntuaciones obtenidas. La validez predictiva, que se comprueba por los
resultados obtenidos en el futuro, y la validez concurrente, que contrasta
resultados de otros elementos de juicio, con tipos de validez pragmática. Otro
procedimiento de validación es el análisis factorial, aunque su aplicación se limita
principalmente a los aspectos psicosociales.

El segundo principio deseable en la medición es la fiabilidad. Una medición es

confiable o segura cuando aplicada repetidamente a un mismo individuo o grupo,
o al mismo tiempo por investigadores diferentes, proporciona resultados iguales o
por lo menos parecidos. La determinación de la confiabilidad consiste pues, en
establecer si las diferencias de resultados se deben a inconsistencias en la
medida.

El problema de la fiabilidad se presenta en el instrumental que se utiliza, cuando la

validez de las mediciones ofrece dudas en relación con lo que se quiere medir.
Los procedimientos más usuales para la determinación de la fiabilidad son el
análisis de la estabilidad de los resultados, mediante la aplicación de mediciones
repetidas y la equivalencia de los resultados cuando los instrumentos son
administrados por diferentes personas.
Finalmente se tiene el principio de la precisión. Se puede decir que una medición
es precisa cuando localiza con exactitud satisfactoria, en relación con el propósito
que se busca, la posición del fenómeno que se estudia.

7) Tipos de escalas

Escala nominal

Cuando un dato identifica una etiqueta (o el nombre de un atributo) de un

elemento, se considera que la escala de medición es una escala nominal. En esta
carecen de sentido el orden de las etiquetas, así como la comparación y las
operaciones aritméticas. La única finalidad de este tipo de datos es clasificar a las
observaciones. Ejemplo:

Una variable que indica si el visitante de este post es «hombre» o «mujer».

En esta variable se tienen dos etiquetas para clasificar a los visitantes. El orden
carece de sentido, así como la comparación u operaciones aritméticas.

Escala ordinal

Cuando los datos muestran las propiedades de los datos nominales, pero además
tiene sentido el orden (o jerarquía) de estos, se utiliza una escala ordinal. Ejemplo:

Una variable que mide la calidad de un post. La variable puede tomar valores
enteros del 1 al 5, donde el valor 1 es el peor y el 5 el mejor.

En esta variable sigue sin tener sentido las operaciones aritméticas, pero ahora sí
tiene sentido el orden. Si un post tiene valor 4 y otro tiene valor 2, el primero se
entiende que es mejor que es segundo.

Escala de intervalo

En una escala de intervalo, los datos tienen las propiedades de los datos
ordinales, pero a su vez la separación entre las variables tiene sentido. Este tipo
de datos siempre es numérico, y el valor cero no indica la ausencia de la
propiedad. Veamos un ejemplo:

La temperatura (en grados centígrados) media de una ciudad.

En esta escala, los números mayores corresponden a temperaturas mayores. Es
decir, el orden importa, pero a la vez la diferencia entre las temperaturas importa.

Escala de razón

En una escala de razón, los datos tienen todas las propiedades de los datos de
intervalo, y la proporción entre ellos tiene sentido. Para esto se requiere que el
valor cero de la escala indique la ausencia de la propiedad a medir. Ejemplos de
este tipo de variables son el peso de una persona a el tiempo utilizado para una
tarea. Ejemplo:

Una variable que mide el salario de una persona.

En esta variable, si una persona gana 100, y otra 10, la primera gana más que la
segunda (comparación). También tiene sentido decir que la primera gana 90 más
que la segunda (diferencia), o que gana 10 veces más (proporción).

8) Importancia de la medición en el campo de la administración.

La medición no es sólo recoger datos sino insertarlos adecuadamente en el

proceso de toma de decisiones y en el mejoramiento de la empresa. La gerencia
debe contar con teorías que en herramientas para recopilar los datos y para
ayudar a interpretarlos. El conocimiento profundo de un proceso, parte de admitir y
conocer su variabilidad y sus causas, los procesos son imposibles de
conocerse sin medición. la medición en el campo administrativo nos permite
conocer hacia dónde va un proceso, es decir, conocer sus tendencias y como
varia. Permite crear nuevos puestos de trabajo dentro de la organización y
aumentar el personal en cada proceso. Crea una cultura de estudiar
continuamente los procesos y de medir permanente; este estudio y medición nos
sirve para detectar las potencialidades y debilidades de un proceso abriéndonos
caminos para planificar y tomar mejores decisiones; gerencia y controlar mejor
la empresa o campo administrativo.
Al manejar correctamente la medición podemos aumentar  funciones laborales de
los empleados y ocupan todo su tiempo permitiéndonos evitar las crisis y los
errores y corregirlos si se presentan. Al mismo tiempo permite a la gerencia
buscar culpables de los errores y fracasos. Sin medición... no podremos adelantar
con continuidad y precisión el proceso de mejoramiento continuo: Evaluar,
planificar, diseñar, verificar, prevenir, corregir, etc.
 Conclusión

Para concluir, cabe destacar que los temas a investigar en este trabajo es para el
conocimiento de todos los puntos que se realizaron y para acotar que servirá para
el aprendizaje de la materia de estadística, ya que podemos encontrar el concepto
de esta, como también los símbolos utilizados en estadística y su funcionamiento,
tipos de escalas la importancia de la medición en el campo de la administración,
los tipos de variables, la especificación de las diferencias de los tipos de
variables. Entre muchos más conceptos que puedo decir y asegurar que servirá
para un mejor desenvolvimiento con respeto a este tema.
 Bibliografía

https://destinonegocio.com

https://www.buenastareas.com

http://tesisdeinvestig.blogspot.com
https://es.surveymonk

https://www.greelane.com

https://es.wikipedia.org