Conceptos básicos de estadística

¿Alguna vez te has preguntado cómo funcionan las encuestas o cómo Netflix sabe qué serie recomendarte? Todo empieza con entender la diferencia entre población y muestra.

La población incluye todos los individuos que quieres estudiar, mientras que la muestra es solo el grupo seleccionado para el análisis. Es como si quisieras conocer la opinión de todos los estudiantes de España - sería imposible preguntarles a todos, así que eliges una muestra representativa.

Las variables pueden ser cuantitativas (números, como la altura) o cualitativas (categorías, como el color favorito). También pueden ser discretas (valores finitos, como el número de hermanos) o continuas (infinitos valores posibles, como el peso).

💡 Tip clave: El tipo de muestreo determina qué tan fiables son tus resultados. El muestreo aleatorio es el más objetivo, mientras que el estratificado te permite dividir tu población según características específicas.

Parámetros estadísticos fundamentales

Los números por sí solos no dicen mucho - necesitas calcular parámetros que te den información útil. La esperanza o media (μ) te dice el valor promedio esperado, mientras que la varianza (σ²) mide qué tan dispersos están los datos.

Para variables discretas, calculas la esperanza sumando cada valor multiplicado por su probabilidad: E$x$ = Σ xi · P(xi). La desviación típica (σ) es la raíz cuadrada de la varianza y te da una medida más interpretable de la dispersión.

La distribución normal es tu mejor aliada - muchos fenómenos naturales la siguen. Se representa como N(μ, σ) y tiene esa característica forma de campana. La distribución normal estándar tiene media 0 y desviación típica 1.

💡 Recuerda: En la distribución normal, aproximadamente el 68% de los datos están dentro de una desviación típica de la media, y el 95% dentro de dos desviaciones típicas.

Tipificación y distribuciones muestrales

La tipificación te permite comparar datos de diferentes escalas transformándolos a la distribución normal estándar. La fórmula mágica es Z = $x - μ$/σ, que convierte cualquier valor en su equivalente estandarizado.

Cuando trabajas con medias muestrales, la distribución sigue siendo normal pero con menor variabilidad: X̄ ~ N$μ, σ/√n$. Esto significa que cuanto mayor sea tu muestra, más precisa será tu estimación.

Para proporciones muestrales, usas p̂ ~ N$p, √[p(1-p)/n]$. Por ejemplo, si el 70% de estudiantes aprueban matemáticas y tomas una muestra de 25 alumnos, puedes calcular la probabilidad de que más del 75% apruebe.

Los intervalos de confianza te dan un rango donde probablemente esté el verdadero valor poblacional. La fórmula es: $x̄ ± z_{α/2} · σ/√n$.

💡 Dato útil: Para un 95% de confianza, z_{α/2} = 1,96. Para 90% de confianza, usa 1,65. Estos valores aparecen constantemente en los exámenes.

Intervalos de confianza y tamaño muestral

Los intervalos de confianza para proporciones funcionan de manera similar a los de medias, pero usando p̂ ± z_{α/2}√$p̂(1-p̂)/n$. Si 120 de 150 candidatos aprueban el carnet de conducir, puedes estimar con 90% de confianza que el porcentaje real está entre 75% y 85%.

El tamaño muestral determina la precisión de tus estimaciones. Para medias, necesitas n > $z_{α/2}σ/E$², donde E es el error máximo que toleras. Para proporciones, usas n > $z_{α/2}²p̂(1-p̂)$/E².

Estos cálculos te ayudan a planificar estudios eficientes - no quieres una muestra demasiado pequeña (resultados poco fiables) ni demasiado grande (pérdida de tiempo y recursos).

💡 Estrategia de examen: Identifica primero qué tipo de problema tienes (media o proporción), luego aplica la fórmula correspondiente. Los ejercicios suelen seguir patrones muy similares a los ejemplos dados.