Estadística

La estadística (la forma femenina del término

alemán Statistik, derivado a su vez del italiano
statista, «hombre de Estado»)1 ​ es la disciplina
que estudia la variabilidad, así como el proceso
aleatorio que la genera siguiendo las leyes de la
probabilidad.2 ​ Cuando este conocimiento se
aplica a las ciencias fácticas, el proceso de
investigación requiere la recolección,
organización, análisis, interpretación y
presentación de los datos.

Síntesis
Una distribución normal
La estadística es una ciencia formal, con un
conocimiento propio, dinámico y continuo
desarrollo obtenido a través del método científico formal. En ocasiones, las ciencias fácticas necesitan
utilizar técnicas estadísticas durante su proceso de investigación factual, con el fin de obtener nuevos
conocimientos basados en la experimentación y en la observación. En estos casos, la aplicación de la
estadística permite el análisis de datos provenientes de una muestra representativa, que busca explicar las
correlaciones y dependencias de un fenómeno físico o natural, de ocurrencia en forma aleatoria o
condicional.

La estadística es útil para una amplia variedad de ciencias fácticas, desde la física hasta las ciencias sociales,
desde las ciencias de la salud hasta el control de calidad. Además, se usa en áreas de negocios o
instituciones gubernamentales con el objetivo de describir el conjunto de datos obtenidos para la toma de
decisiones, o bien para realizar generalizaciones sobre las características observadas.

En la actualidad, la estadística aplicada a las ciencias fácticas permite estudiar una determinada población a
partir de la recopilación de información, el análisis de datos y la interpretación de resultados. Del mismo
modo, también es una ciencia esencial para el estudio cuantitativo de los fenómenos de masa o colectivos.

La estadística se divide en dos grandes áreas:

Estadística descriptiva: Se dedica a la descripción, visualización y resumen de datos

originados a partir de los fenómenos de estudio. Los datos pueden ser resumidos numérica
o gráficamente. Su objetivo es organizar y describir las características sobre un conjunto de
datos con el propósito de facilitar su aplicación, generalmente con el apoyo de gráficas,
tablas o medidas numéricas.
Ejemplos básicos de parámetros estadísticos son: la media y la desviación estándar.
Ejemplos gráficos son: histograma, pirámide poblacional, gráfico circular, entre otros.
Estadística inferencial: Se dedica a la generación de los modelos, inferencias y
predicciones asociadas a los fenómenos en cuestión teniendo en cuenta la aleatoriedad de
 las observaciones. Se usa para modelar patrones en los datos y extraer inferencias acerca
de la población bajo estudio. Estas inferencias pueden tomar la forma de respuestas a
preguntas sí/no (prueba de hipótesis), estimaciones de unas características numéricas
(estimación), pronósticos de futuras observaciones, descripciones de asociación
(correlación) o modelamiento de relaciones entre variables (análisis de regresión). Otras
técnicas de modelamiento incluyen análisis de varianza, series de tiempo y minería de
datos. Su objetivo es obtener conclusiones útiles para lograr hacer deducciones acerca de
la totalidad de todas las observaciones hechas, basándose en la información numérica.
Ambas ramas (descriptiva e inferencial) se utilizan en la estadística aplicada. La estadística inferencial, por
su parte, se divide en estadística paramétrica y estadística no paramétrica.

Existe también una disciplina llamada estadística matemática que establece las bases teóricas de las técnicas
estadísticas. La palabra «estadísticas» se refiere al resumen de resultados estadísticos, habitualmente
descriptivos, como en estadísticas económicas, estadísticas criminales, etcétera.

Historia

Origen
El término alemán Statistik, introducido originalmente por Gottfried Achenwall en 1749, se refería al
análisis de datos del Estado, es decir, la «ciencia del Estado» (o más bien, de la ciudad-estado). También se
llamó aritmética política de acuerdo con la traducción literal del inglés. No fue hasta el siglo xix cuando el
término estadística adquirió el significado de recolectar y clasificar datos. Este concepto fue introducido por
el agrónomo y estadista escocés sir John Sinclair (1754-1835).

En su origen, por tanto, la estadística estuvo asociada a los Estados o ciudades libres, para ser utilizados por
el gobierno y cuerpos administrativos (a menudo centralizados). La colección de datos acerca de estados y
localidades continúa ampliamente a través de los servicios de estadística nacionales e internacionales. En
particular, los censos comenzaron a suministrar información regular acerca de la población de cada país. Así
pues, los datos estadísticos se referían originalmente a los datos demográficos de una ciudad o Estado
determinados. Y es por ello que en la clasificación decimal de Melvil Dewey, empleada en las bibliotecas,
todas las obras sobre estadística se encuentran ubicadas al lado de las obras de o sobre la demografía.

Ya se utilizaban representaciones gráficas y otras medidas en pieles, rocas, palos de madera y paredes de
cuevas para controlar el número de personas, animales o ciertas mercancías. Hacia el año 3000 a. C. los
babilonios usaban ya pequeños envases moldeados de arcilla para recopilar datos sobre la producción
agrícola y de los géneros vendidos o cambiados. Los egipcios analizaban los datos de la población y la
renta del país mucho antes de construir las pirámides en el siglo xi a. C. Los libros bíblicos de Números y
Crónicas incluyen en algunas partes trabajos de estadística. El primero contiene dos censos de la población
de la Tierra de Israel y el segundo describe el bienestar material de las diversas tribus judías. En China
existían registros numéricos similares con anterioridad al año 2000 a. C. Los antiguos griegos realizaban
censos cuya información se utilizaba hacia el 594 a. C. para cobrar impuestos.

Empleo de la estadística en las civilizaciones antiguas

En la Edad Antigua, la estadística consistía en elaborar censos (de población y tierras.). Su objetivo era
facilitar la gestión de las labores tributarias, obtener datos sobre el número de personas que podrían servir en
el ejército o establecer repartos de tierras o de otros bienes.

En el Oriente Medio, bajo el dominio sumerio, Babilonia tenía casi 6000 habitantes. Se
encontraron en ella tablillas de arcilla que registraban los negocios y asuntos legales de la
ciudad.
En Egipto: La estadística comienza con la Dinastía I, en el año 3050 a. C. Los faraones
ordenaban la realización de censos con la finalidad de obtener los datos sobre tierras y
riquezas para poder planificar la construcción de las pirámides.
En China: Año 2238 a. C. el emperador Yao elabora un censo general sobre la actividad
agrícola, industrial y comercial.
El censo en el pueblo judío sirvió, además de propósitos militares, para calcular el monto de
los ingresos del templo.
En la Antigua Grecia: Se realizaron censos para cuantificar la distribución y posesión de la
tierra y otras riquezas, organizar el servicio militar y determinar el derecho al voto.
En la Antigua Roma: Durante el Imperio romano se establecieron registros de nacimientos y
defunciones, y se elaboraron estudios sobre los ciudadanos, sus tierras y sus riquezas.
En México: Año 1116, durante la segunda migración de las tribus chichimecas, el rey Xólotl
ordenó que se hiciera un censo de la población.

En la Edad Media
Durante la Edad Media, la estadística no presentó grandes avances, pero destaca el trabajo de Isidoro de
Sevilla, quien recopiló y clasificó datos de diversa naturaleza cuyos resultados se publicaron en la obra
Originum sive Etymologiarum.

En la Edad Moderna

En España son destacables los censos de: Pecheros (1528); el de los Obispos (1587); el
Censo de los Millones (1591); y el Censo del conde de Aranda (1768).
En Inglaterra, la peste de la década de 1500 supuso la multiplicación de los datos contables
referidos sobre todo a defunciones y nacimientos.

Orígenes en probabilidad
Los métodos estadístico-matemáticos emergieron desde la teoría de probabilidad, la cual data desde la
correspondencia entre Pascal y Pierre de Fermat (1654). Christian Huygens (1657) da el primer tratamiento
científico que se conoce a la materia. El Ars coniectandi (póstumo, 1713) de Jakob Bernoulli y la Doctrina
de posibilidades (1718) de Abraham de Moivre estudiaron la materia como una rama de las matemáticas.3 ​
En la era moderna, el trabajo de Kolmogórov ha sido un pilar en la formulación del modelo fundamental de
la Teoría de Probabilidades, el cual es usado a través de la estadística.

La teoría de errores se puede remontar a la Ópera miscellánea (póstuma, 1722) de Roger Cotes y al trabajo
preparado por Thomas Simpson en 1755 (impreso en 1756) el cual aplica por primera vez la teoría de la
discusión de errores de observación. La reimpresión (1757) de este trabajo incluye el axioma de que errores
positivos y negativos son igualmente probables y que hay unos ciertos límites asignables dentro de los
cuales se encuentran todos los errores; se describen errores continuos y una curva de probabilidad.
Pierre-Simon Laplace (1774) hace el primer intento de deducir una regla para la combinación de
observaciones desde los principios de la teoría de probabilidades. Laplace representó la Ley de
probabilidades de errores mediante una curva y dedujo una fórmula para la media de tres observaciones.
También, en 1871, obtiene la fórmula para la ley de facilidad del error (término introducido por Lagrange,
1744) pero con ecuaciones inmanejables. Daniel Bernoulli (1778) introduce el principio del máximo
producto de las probabilidades de un sistema de errores concurrentes.

El método de mínimos cuadrados, el cual fue usado para minimizar los

errores en mediciones, fue publicado independientemente por Adrien-
Marie Legendre (1805), Robert Adrain (1808), y Carl Friedrich Gauss
(1809). Gauss había usado el método en su famosa predicción de la
localización del planeta enano Ceres en 1801. Pruebas adicionales
fueron escritas por Laplace (1810, 1812), Gauss (1823), James Ivory
(1825, 1826), Hagen (1837), Friedrich Bessel (1838), W. F. Donkin
(1844, 1856), John Herschel (1850) y Morgan Crofton (1870). Otros
contribuidores fueron Ellis (1844), Augustus De Morgan (1864),
Glaisher (1872) y Giovanni Schiaparelli (1875). La fórmula de Peters
para , el probable error de una observación simple es bien conocido. Fotografía de Ceres por el
telescopio espacial Hubble. La
El siglo xix incluye autores como Laplace, Silvestre Lacroix (1816), posición fue estimada por Gauss
Littrow (1833), Richard Dedekind (1860), Helmert (1872), Hermann mediante el método de mínimos
Laurent (1873), Liagre y Didion. Augustus De Morgan y George cuadrados.

Boole mejoraron la presentación de la teoría. Adolphe Quetelet (1796-

1874), fue otro importante fundador de la estadística y quien introdujo
la noción del «hombre promedio» (l’homme moyen) como un medio de entender los fenómenos sociales
complejos tales como tasas de criminalidad, tasas de matrimonio o tasas de suicidios.

Siglo xx

El campo moderno de la estadística se emergió a los principios del

siglo xx dirigida por la obra de Francis Galton y Karl Pearson,
quienes transformaron la estadística a convertirse en una disciplina
matemática rigurosa usada por análisis, no solamente en la ciencia
sino en la manufactura y la política. Las contribuciones de Galton
incluyen los conceptos de desviación típica, correlación, análisis
de la regresión y la aplicación de estos métodos al estudio de la
variedad de características —la altura, el peso entre otros—.4 ​
Pearson desarrolló el coeficiente de correlación de Pearson, Karl Pearson, un fundador de la
definió como un momento-producto,5 ​ el método de momentos estadística matemática.
por caber las distribuciones a las muestras y la distribuciones de
Pearson, entre otras cosas.6 ​ Galton y Pearson se fundaron
Biometrika como su primera revista de la estadística matemática y la bioestadística (en aquel entonces
conocida como la biometría). Pearson también fundó el primer departamento de estadística en University
College de Londres.7 ​
Durante el siglo xx, la creación de instrumentos precisos para asuntos de salud pública (epidemiología,
bioestadística, etc.) y propósitos económicos y sociales (tasa de desempleo, econometría, etc.) necesitó de
avances sustanciales en las prácticas estadísticas.

La segunda ola de los años 1910 y 1920 se inició William Gosset, y se culminó en la obra de Ronald Fisher,
quien escribió los libros de texto que iban a definir la disciplina académica en universidades en todos lados
del mundo. Sus publicaciones más importantes fueron su papel de 1918 The Correlation between Relatives
on the Supposition of Mendelian Inheritance, lo cual era el primero en usar el término estadístico varianza,
su obra clásica de 1925 Statistical Methods for Research Workers y su 1935 The Design of Experiments,8 9​ ​
10 11
​ ​ donde desarrolló los modelos rigurosos de diseño experimental. Originó el concepto de suficiencia y
la información de Fisher.12 ​ En su libro de 1930 The Genetical Theory of Natural Selection aplicó la
estadística a varios conceptos en la biología como el Principio de Fisher13 ​ (sobre el ratio de sexo), el
Fisherian runaway,14 15​ 16
​ 17
​ 18
​ 19
​ ​ un concepto en la selección sexual sobre una realimentación positiva
efecto hallado en la evolución.

Estado actual
Hoy el uso de la estadística se ha extendido más allá de sus orígenes como un servicio al Estado o al
gobierno. Personas y organizaciones usan la estadística para entender datos y tomar decisiones en ciencias
naturales y sociales, medicina, negocios y otras áreas. La estadística es una sub-área de las matemáticas
cuya aplicación en el ámbito de las ciencias fácticas es útil para el avance del conocimiento científico
factual, considerándose como una ciencia formal «aliada» de la ciencia fáctica. Muchas universidades
tienen departamentos académicos de matemáticas (con especialización en estadística) o de estadística
separadamente. La estadística se enseña en departamentos tan diversos como psicología, sociología,
educación y salud pública.20 ​

Al aplicar la estadística a un problema científico, industrial o social,

se comienza con un proceso o población a ser estudiado. Esta
puede ser la población de un país, de granos cristalizados en una
roca o de bienes manufacturados por una fábrica en particular
durante un periodo dado. También podría ser un proceso observado
en varios instantes y los datos recogidos de esta manera constituyen
una serie de tiempo.

Por razones prácticas, en lugar de compilar datos de una población

entera, usualmente se estudia un subconjunto seleccionado de la Regresión lineal – gráficos de
población, llamado muestra. Datos acerca de la muestra son dispersión en estadística.
recogidos de manera observacional o experimental. Los datos son
entonces analizados estadísticamente lo cual sigue dos propósitos:
descripción e inferencia.

El concepto de correlación es particularmente valioso. Análisis estadísticos de un conjunto de datos puede

revelar que dos variables (esto es, dos propiedades de la población bajo consideración) tienden a variar
conjuntamente, como si hubiera una conexión entre ellas. Por ejemplo, un estudio del ingreso anual y la
edad de muerte podría resultar en que personas pobres tienden a tener vidas más cortas que personas de
mayor ingreso. Las dos variables se dice que están correlacionadas. Sin embargo, no se puede inferir
inmediatamente la existencia de una relación de causalidad entre las dos variables. El fenómeno
correlacionado podría ser la causa de una tercera, previamente no considerada, llamada variable confusora.

Si la muestra es representativa de la población, inferencias y conclusiones hechas en la muestra pueden ser

extendidas a la población completa. Un problema mayor es el de determinar cuán representativa es la
muestra extraída. La estadística ofrece medidas para estimar y corregir por aleatoriedad en la muestra y en el
proceso de recolección de los datos, así como métodos para diseñar experimentos robustos como primera
medida, ver diseño experimental.

El concepto matemático fundamental empleado para entender la aleatoriedad es el de probabilidad. La

estadística matemática (también llamada teoría estadística) es la rama de las matemáticas aplicadas que usa
la teoría de probabilidades y el análisis matemático para examinar las bases teóricas de la estadística.

El uso de cualquier método estadístico es válido solo cuando el sistema o población bajo consideración
satisface los supuestos matemáticos del método. El mal uso de la estadística puede producir serios errores en
la descripción e interpretación, lo cual podría llegar a afectar políticas sociales, la práctica médica y la
calidad de estructuras tales como puentes y plantas de reacción nuclear.

Incluso cuando la estadística es correctamente aplicada, los resultados pueden ser difíciles de interpretar por
un inexperto. Por ejemplo, el significado estadístico de una tendencia en los datos, que mide el grado al cual
la tendencia puede ser causada por una variación aleatoria en la muestra, puede no estar de acuerdo con el
sentido intuitivo. El conjunto de habilidades estadísticas básicas (y el escepticismo) que una persona
necesita para manejar información en el día a día se refiere como «cultura estadística».

Métodos estadísticos

Estudios experimentales y observacionales

Un objetivo común para un proyecto de investigación es investigar la causalidad, y en particular extraer una
conclusión en el efecto que algunos cambios en los valores de predictores o variables independientes tienen
sobre una respuesta o variables dependientes. Hay dos grandes tipos de estudios para estudiar causalidad:
estudios experimentales y observacionales. En ambos tipos de estudios se observa el efecto de una o varias
variables independientes en el comportamiento de una variable dependiente. La diferencia entre los dos
tipos es la forma en la que el estudio es conducido. Cada uno de ellos puede ser muy efectivo y la
estadística juega un papel muy importante en el análisis de la información.

Niveles de medición
Hay cuatro tipos de mediciones o escalas de medición en estadística: niveles de medición (nominal, ordinal,
intervalo y razón). Tienen diferentes grados de uso en la investigación estadística. Las medidas de razón, en
donde un valor cero y distancias entre diferentes mediciones son definidas, dan la mayor flexibilidad en
métodos estadísticos que pueden ser usados para analizar los datos. Las medidas de intervalo tienen
distancias interpretables entre mediciones, pero un valor cero sin significado (como las mediciones de
coeficiente intelectual o de la temperatura en grados Celsius). Las medidas ordinales tienen imprecisas
diferencias entre valores consecutivos, pero un orden interpretable para sus valores. Las medidas nominales
no tienen ningún rango interpretable entre sus valores.

La escala de medida nominal, puede considerarse la escala de nivel más bajo. Se trata de agrupar objetos en
clases. La escala ordinal, por su parte, recurre a la propiedad de «orden» de los números. La escala de
intervalos iguales está caracterizada por una unidad de medida común y constante. Es importante destacar
que el punto cero en las escalas de intervalos iguales es arbitrario, y no refleja en ningún momento ausencia
de la magnitud que estamos midiendo. Esta escala, además de poseer las características de la escala ordinal,
permite determinar la magnitud de los intervalos (distancia) entre todos los elementos de la escala. La escala
de coeficientes o Razones es el nivel de medida más elevado y se diferencia de las escalas de intervalos
iguales únicamente por poseer un punto cero propio como origen; es decir que el valor cero de esta escala
significa ausencia de la magnitud que estamos midiendo. Si se observa una carencia total de propiedad, se
dispone de una unidad de medida para el efecto. A iguales diferencias entre los números asignados
corresponden iguales diferencias en el grado de atributo presente en el objeto de estudio.

Técnicas de análisis estadístico

Algunas pruebas (tests) y procedimientos para la investigación de observaciones son:

Análisis de frecuencia acumulada

Análisis de regresión
Análisis de varianza (ANOVA)
Análisis factorial confirmatorio
Correlación: coeficiente de correlación de Pearson y coeficiente de correlación de
Spearman
Frecuencia estadística
Gráfica estadística
Iconografía de las correlaciones
Prueba de χ² o prueba de chi cuadrada o prueba de ji cuadrada
Prueba de la diferencia menos significante de Fisher
Prueba t de Student
U de Mann-Whitney

Lenguaje y simbología

Población y muestra
Población: Es el todo o un conjunto formado por todos los valores existentes, ya sean
personas, medidas u objetos que pueden ser expresados mediante una variable y además,
que sean de interés estadístico para un estudio en específico. Al análisis completo de la
población también se le suele conocer como censo.
Población finita: Es aquella que expresa que es posible sobrepasarse al contar o bien,
alcanzarse; por lo tanto, es la que tiene o incluye un número limitado ya sea de objetos,
medidas o personas. Por ejemplo: el gasto en comida durante cierto tiempo, un conjunto de
calificaciones o bien, el total de alumnos que estudian en una universidad.
 Población infinita: Es aquella que incluye a un gran número de conjunto de observaciones
o medidas que no se pueden alcanzar con el conteo. Esto quiere decir que tiene un número
ilimitado de valores, por ejemplo: la producción futura de una máquina o el lanzamiento de
dados o una moneda.
Muestra: Es aquel subconjunto perteneciente a una población. Esto quiere decir que se
conforma por algunos datos de esta, ya sean ciertos objetos, personas, o medidas de la
población. Al estudio de este concepto se le suele conocer como muestreo.
Muestra representativa: Es aquel subconjunto representativo de una población, pero para
que se consideren así se deben seguir ciertos procedimientos de selección o bien, un
método de muestreo. Se dice que la muestra adecuada es aquella que contiene
características esenciales de la población para lograr el objetivo de hacer generalizaciones
con respecto al total de los datos sin examinar cada uno de ellos.

Parámetro
Parámetro: Es la medida de cierta característica numérica de una población que
generalmente se expresa mediante símbolos griegos (μ o σ).

Disciplinas especializadas
Algunos campos de investigación usan la estadística tan extensamente que tienen terminología
especializada. Estas disciplinas incluyen:

Análisis Econometría Estadística Estadística Estadísticas Matemática

de (estadística en en de estadística
procesos aplicada ciencias restauración consultoría minería
(para a la de la de obras Estadísticas de datos
análisis economía) salud Estadística deportivas Procesamien
de datos Estadística Estadística en Estadísticas de
en computacional en literatura sociales imágenes
química medicina
Estadística Estadística Encuestas Productivida
analítica de la Estadística en
e por Quimiometría
educación, en astronomía muestreo (para
ingeniería la medicina (astroestadística)
química) Física análisis
enseñanza, veterinaria Estadística estadística de datos
Análisis y la y en Geoestadística en
espacial formación zootecnia antropología química
Bioestadística Estadística Estadística (antropometría) Geografía analítica
(estadística de en Estadística Investigación e
aplicada negocios nutrición de
en Ingeniería
a las Estadística Estadística historia operaciones química)
ciencias del en
de la Estadística Reconocimie
medio agronomía espacial de
salud) ambiente Estadística Estadística patrones
Ciencias Estadística en para el
actuariales industrial
en planificación Estadística conocimiento
Cienciometría comercializaciónEstadística de datos)
militar
Confiabilidad Estadística en sistemas
estadística en investigación de
Control epidemiología información
de geográfica
 calidad Estadística Estadística
Cultura en en
estadística ingeniería psicología
Demografía (psicometría)

La estadística es una ciencia esencial para los negocios y la producción. Se usa para entender la variabilidad
de sistemas de medición, para el control estadístico de procesos (CEP o SPC), para compilar datos y para
tomar decisiones en situaciones de incertidumbre. En todas estas aplicaciones es una ciencia clave.

Computación estadística
Véase también: Computación científica
El incremento rápido y sostenido en el poder de cálculo de la computación desde la segunda mitad del
siglo xx ha tenido un sustancial impacto en la práctica de la ciencia estadística. Viejos modelos estadísticos
fueron casi siempre de la clase de los modelos lineales. Ahora, complejos computadores junto con
apropiados algoritmos numéricos han causado un renacer del interés en modelos no lineales (especialmente
redes neuronales y árboles de decisión) y la creación de nuevos tipos tales como modelos lineales
generalizados y modelos multinivel.

El incremento en el poder computacional también ha llevado al crecimiento en popularidad de métodos

intensivos computacionalmente basados en remuestreo, tales como tests de permutación y de bootstrap,
mientras técnicas como el muestreo de Gibbs han hecho los métodos bayesianos más accesibles. La
revolución en computadores tiene implicaciones en el futuro de la estadística, con un nuevo énfasis en
estadísticas «experimentales» y «empíricas». Un gran número de paquetes estadísticos está ahora disponible
para los investigadores. Los sistemas dinámicos y teoría del caos, desde hace una década, empezaron a
interesar en la comunidad hispana, pues en la anglosajona de Estados Unidos estaba ya establecida la
«conducta caótica en sistemas dinámicos no lineales» con 350 libros para 1997 y empezaban algunos
trabajos en los campos de las ciencias sociales y en aplicaciones de la física. También se estaba
contemplando su uso en analítica.

Mal uso de la estadística

A veces hay una percepción de que el conocimiento estadístico no se utiliza de forma correcta, encontrando
maneras de interpretar los datos que sean favorables al presentador. Un dicho famoso, al parecer de
Benjamin Disraeli,21 ​ es: «Hay tres tipos de mentiras: mentiras pequeñas, mentiras grandes y estadísticas».
El popular libro How to lie with statistics (Cómo mentir con las estadísticas en la edición española) de
Darrell Huff discute muchos casos de mal uso de la estadística, con énfasis en gráficas malinterpretadas. Al
escoger, rechazar o modificar una muestra de observaciones mediante procedimientos no aleatorizados, los
resultados de su análisis pueden estar sesgados; por ejemplo, mediante la eliminación selectiva de valores
atípicos (outliers). Este puede ser el resultado tanto de fraudes como de sesgos no intencionados por parte
de investigadores con escaso conocimiento estadístico.22 ​ Lawrence Lowell (decano de la Universidad de
Harvard) escribió en 1909 que las estadísticas, «como algunos pasteles, son buenas si se sabe quién las hizo
y se está seguro de los ingredientes». Por este motivo es fundamental que el análisis estadístico de datos sea
realizado por profesionales cualificados, con Grado en Matemáticas con especialización en estadística o
bien con Grado en Estadística, siendo cada vez más necesario que la estadística sea una profesión regulada
por el Estado.2 ​

Cuando personas sin la cualificación adecuada usan la estadística para analizar los datos de un experimento
o de una investigación observacional en ciencias fácticas, uno de los errores más frecuentes es el
desconocimiento del error de tipo I, que puede llevar a conclusiones falsas. La probabilidad de encontrar
una asociación espuria o casual entre dos variables, y creer erróneamente que se ha encontrado una
asociación real, se incrementa cuando en lugar de aplicar el método científico se realiza el hackeo
estadístico de una base de datos (p-hacking). Esta mala práctica consiste en jugar con una base de datos y
relacionar la variable dependiente con todas las posibles variables independientes hasta encontrar una
asociación estadísticamente significativa, sin haber establecido previamente un marco conceptual y una
hipótesis de investigación que justifiquen por qué se van a estudiar estas relaciones.23 ​ La publicación de
estos resultados en revistas científicas es una de las causas de la pérdida de credibilidad y reproducibilidad
de la ciencia, lo que ha llevado a muchos científicos a realizar manifiestos de alerta.24 ​El hackeo estadístico
es una de las razones por las que algunos estudios contradicen los resultados obtenidos en otros: un día se
afirma que el café, el queso o el vino tinto protegen contra las enfermedades cardíacas y después otro
estudio afirma que estos mismos alimentos causan esas enfermedades.25 ​ Además, cada estudio suele
utilizar procedimientos diferentes y técnicas estadísticas distintas, que no siempre están aplicadas de forma
correcta. O bien se usan muestras pequeñas cuyos resultados no son confirmados en estudios de mayor
tamaño. Sin embargo, muchos profesionales de las ciencias fácticas que leen estas publicaciones en revistas
especializadas no perciben estas malas prácticas, los medios de comunicación amplifican la información
alrededor del estudio y la desconfianza del público comienza a crecer.

Inferencia clásica e inferencia bayesiana

La aproximación de pruebas de hipótesis, ampliamente usada, obliga a establecer una hipótesis nula para
contrastar posteriormente el acuerdo de los datos con esta hipótesis. Una mala interpretación de los
resultados puede exagerar la importancia de pequeñas diferencias en estudios con muestras grandes que
puede no tener ninguna relevancia práctica.

Véase también críticas de prueba de hipótesis y controversia de la hipótesis nula.

En los campos de la psicología y la medicina, especialmente con respecto a la aprobación de nuevos

medicamentos por la Food and Drug Administration, las críticas a la prueba de hipótesis se han
incrementado en los años recientes. Una respuesta ha sido un gran énfasis en el p-valor en vez de
simplemente reportar si la hipótesis fue rechazada al nivel de significancia dado. De nuevo, sin embargo,
esto resume la evidencia para un efecto pero no el tamaño del efecto. Una posibilidad es reportar intervalos
de confianza, puesto que estos indican el tamaño del efecto y la incertidumbre. Esto ayuda a interpretar los
resultados, como el intervalo de confianza para un dado indicando simultáneamente la significancia
estadística y el efecto de tamaño. El p-valor y los intervalos de confianza son basados en los mismos
cálculos fundamentales como aquellos para las correspondientes pruebas de hipótesis. Los resultados son
presentados en un formato más detallado, en lugar del «sí o no» de las pruebas de hipótesis y con la misma
metodología estadística.

Otro tipo de aproximación es el uso de métodos bayesianos. Esta aproximación, sin embargo, también ha
sido criticada.
El fuerte deseo de que los medicamentos buenos sean aprobados y que los medicamentos peligrosos o de
poco uso sean rechazados crea tensiones y conflictos (errores tipo I y II en el lenguaje de pruebas de
hipótesis).

Enseñanza de la estadística en las ciencias sociales

Sobre la enseñanza de la estadística en las ciencias sociales, algunas investigaciones “sugieren que los
estudiantes aprenden más cuando los profesores usan ejemplos concretos y problemas relevantes para
ellos”.26 ​

Para contar con ejemplos concretos y problemas relevantes a los estudiantes, es posible proponer
actividades de aprendizaje que vinculen los métodos cuantitativos a los enfoques cualitativos, debido a que
estos últimos son utilizados con mayor recurrencia en los planes de estudio de las licenciaturas en Ciencias
sociales. Sobre esta combinación de métodos encontramos que una de sus principales virtudes es que “la
recopilación de los ricos detalles descriptivos de los datos cualitativos se puede usar para cuantificar y
generalizar los resultados”.27 ​

Entre las ventajas de una enseñanza que combine los métodos cuantitativos con los cualitativos se encuentra
el que los estudiantes desarrollen la destreza para triangular resultados, lo que disminuye la falibilidad
inherente a cada enfoque. Por ejemplo los errores que puedan atribuirse a los datos de origen, dado que los
métodos utilizan tipos de datos distintos, serán más confiables los resultados si proceden de una
triangulación de métodos.28 ​

Incluso, se puede contemplar la enseñanza de los métodos cuantitativos dentro de los programas de los
distintos ejes del currículum académico. Actualmente es común que en las diversas asignaturas se ejercite el
uso de los métodos de investigación cualitativos pero no de los cuantitativos. Esto debería cambiar porque
“introducir el razonamiento cuantitativo en los cursos sustanciales permite ligar el entrenamiento en métodos
cuantitativos, especialmente estadísticos, con los asuntos medulares de las ciencias sociales”.29 ​

La estadística en el campo de la educación

El análisis de datos estadísticos es un recurso ampliamente empleado en el campo educativo. Las
estadísticas se emplean con mucha frecuencia en al campo de las ciencias físicas, sociales, médicas,
económicas y muchas otras y, en todas ellas, predomina el uso didáctico o aplicado de las estadísticas. Un
uso importante y novedoso es el empleo de las estadísticas del número de visitas de los distintos artículos de
la Wikipedia: dicho análisis sirve para distinguir los artículos desarrollados en los planes de estudios de los
distintos países, de los que no se encuentran en dichos planes. En la Wikipedia en alemán, por ejemplo,
aparece en muchos de los temas educativos incluidos un subtema denominado Didaktic (Didáctica), que
indica algunas sugerencias que sirven tanto para los estudiantes como para los profesores con el fin de
incrementar el beneficio derivado de la lectura del tema. En la página de discusión de este artículo aparece
un enlace automático que nos lleva a ver el número de visitas del artículo a lo largo de un período
determinado (20, 30, 60, 90 días; 1 año o un lapso determinado entre dos fechas) de este artículo
(estadística). Un punto debajo de una fecha determinada nos indica que es lunes por lo que podemos ver el
bajo número de consultas de la página en el fin de semana y el gran incremento que hay en los días
intermedios de la semana (generalmente en los miércoles y jueves). A veces, hay temas que no siguen
siempre estas ideas y ello puede deberse a razones particulares de la materia o del plan de estudios, por
ejemplo, hacer los exámenes en un viernes, lo cual significaría muchas consultas del artículo después del
examen para ver en qué se ha acertado o fallado. Ver nota (30 ​).

La enseñanza de la estadística31 ​ debe enfocarse en la correcta selección de pruebas cuantitativas, la

interpretación de los resultados y el uso de software estadísticos de acceso libre.32 ​Este enfoque práctico en
la enseñanza de la estadística, permite que los estudiantes desarrollen la confianza para seleccionar y aplicar
las pruebas adecuadas.33 34​ ​

Derecho estadístico
Una de las tantas profesiones que mantiene una interrelación continúa con las diferentes disciplinas es la
abogacía, el cual mantiene una relación concreta con la estadística. Teniendo en cuenta que la estadística es
una ciencia que se caracteriza por ser aliada de los diferentes campos ya que este les proporciona los datos
necesarios. Dicho vínculo se establece principalmente para poder saber qué aspectos de la sociedad se
deben regular, mantiene como función principal la (fiabilidad y valides).

Torres Manrique manifiesta “El derecho Estadístico es la disciplina jurídica sistematizada que estudia
cuantitativa y cualitativamente la tendencia y frecuencia de los fenómenos que ocurren de forma masiva,
con el objeto de contribuir al desenvolvimiento de la vida humana en sociedad, regulándola a efectos de
hacerla más justa y menos manipulable”.35 ​

Como punto de énfasis se establece que promociona un gran apoyo ya que es una herramienta de la
administración de justicia y manifiesta las exigencias que se establecen en la actualidad, pero también se
manifiestan una infinidad de datos establecidos que pueden ser utilizados de manera errónea. Se tiene que
tener en cuenta que estos son influyentes en los juicios ya que puede determinar la inocencia o agravio del
cliente, lamentablemente son mínimos los enfoques estadísticos rigurosos que se establecen en muchos
países latinoamericanos.

Para poder realizar un juicio más certeros se debe de establecer estudios como la Criminología Estadística,
en el cual nos percatamos que el vínculo que se establece entre estas dos disciplinas es necesario, ya que
este trabaja de manera correcta,inteligente y progresiva de manera que dota a los profesionales del derecho
con los principios y técnicas más importantes para llevar a cabo sus investigaciones.

Véase también
Computación científica
Controversia de la hipótesis nula
Críticas de prueba de hipótesis
Día Mundial de la Estadística
Método Delphi, una técnica estructurada de comunicación, originalmente desarrollada para
predicción sistemática e interactiva, que se basa en el uso de un grupo de expertos que
contestan, en rondas, cuestionarios acerca de un problema tantas veces como se vayan
encontrando, en cada ronda, nuevas posibles soluciones al mismo.
Teoría de probabilidad
 Organización estadística de España
Anuario Estadístico de España
Medidas de tendencia central
Sabermetría
Debabrata Basu
Teoría del aprendizaje estadístico

Referencias
Random Sampling». Philosophical
1. Real Academia Española. «estadística» (htt Magazine Series 5 50 (302): 157-175.
ps://dle.rae.es/estad%C3%ADstica). doi:10.1080/14786440009463897 (https://dx.doi.org/1
Diccionario de la lengua española (23.ª 0.1080%2F14786440009463897).
edición).
7. «Karl Pearson (1857–1936)» (https://web.ar
2. Ocaña-Riola, R. (2017) «La necesidad de chive.org/web/20080925065418/http://ww
convertir la Estadística en profesión w.ucl.ac.uk/stats/department/pearson.html).
regulada». Estadística Española 59(194): Department of Statistical Science –
193-212.[1] (https://www.ine.es/ss/Satellite? University College London. Archivado
L=es_ES&c=INERevEstad_C&cid=125995 desde el original (http://www.ucl.ac.uk/stats/
1398718&p=1259952185481&pagename= department/pearson.html) el 25 de
RevEstadistica%2FSJSLayout&param1=S septiembre de 2008. Consultado el 26 de
JSDetalle) Archivado (https://web.archive.or agosto de 2015.
g/web/20181202202613/https://www.ine.es/
ss/Satellite?blobcol=urldata&blobheader=a 8. Stanley, J. C. (1966). «The Influence of
pplication%2Fpdf&blobheadername1=Cont Fisher's "The Design of Experiments" on
Educational Research Thirty Years Later»
ent-Disposition&blobheadervalue1=attach
ment%3B+filename%3Dart_194_4.pdf,&blo (https://archive.org/details/sim_american-ed
bkey=urldata&blobtable=MungoBlobs&blo ucational-research-journal_1966-05_3_3/p
age/223). American Educational Research
bwhere=617%2F199%2Fart_194_4.pdf&ss
binary=true) el 2 de diciembre de 2018 en Journal 3 (3): 223.
doi:10.3102/00028312003003223 (https://dx.doi.org/1
Wayback Machine.
0.3102%2F00028312003003223).
3. Ver el trabajo de Ian Hacking en The
9. Box, J. F. (febrero de 1980). «R. A. Fisher
emergence of probability para una historia
del desarrollo del concepto de probabilidad and the Design of Experiments, 1922-
matemática. 1926» (https://archive.org/details/sim_ameri
can-statistician_1980-02_34_1/page/1).
4. Galton, F. (1877). «Typical laws of The American Statistician 34 (1): 1-7.
heredity». Nature 15: 492-553. ISSN 0028- JSTOR 2682986 (https://www.jstor.org/stable/268298
0836 (https://portal.issn.org/resource/issn/0028-083 6). doi:10.2307/2682986 (https://dx.doi.org/10.2307%
6). doi:10.1038/015492a0 (https://dx.doi.org/10.103 2F2682986).
8%2F015492a0).
10. Yates, F. (junio de 1964). «Sir Ronald
5. Stigler, S. M. (1989). «Francis Galton's Fisher and the Design of Experiments» (htt
Account of the Invention of Correlation» (htt ps://archive.org/details/sim_biometrics_196
ps://archive.org/details/sim_statistical-scien 4-06_20_2/page/307). Biometrics 20 (2):
ce_1989-05_4_2/page/73). Statistical 307-321. JSTOR 2528399 (https://www.jstor.org/st
Science 4 (2): 73-79. able/2528399). doi:10.2307/2528399 (https://dx.doi.or
doi:10.1214/ss/1177012580 (https://dx.doi.org/10.121 g/10.2307%2F2528399).
4%2Fss%2F1177012580).
11. Stanley, Julian C. (1966). «The Influence of
6. Pearson, K. (1900). «On the Criterion that a Fisher's "The Design of Experiments" on
given System of Deviations from the Educational Research Thirty Years Later»
Probable in the Case of a Correlated (https://archive.org/details/sim_american-ed
System of Variables is such that it can be ucational-research-journal_1966-05_3_3/p
reasonably supposed to have arisen from age/223). American Educational Research
 Journal 3 (3): 223-229. JSTOR 1161806 (https:// 23. García-Garzón E et al. (2018) Estudios de
www.jstor.org/stable/1161806). replicación, pre-registros y ciencia abierta
doi:10.3102/00028312003003223 (https://dx.doi.org/1 en Psicología. Apuntes de Psicología 1-2:
0.3102%2F00028312003003223). 75-83
12. Agresti, Alan; David B. Hichcock (2005). 24. Munafò MR et al. (2017) A manifesto for
«Bayesian Inference for Categorical Data reproducible science. Nature Human
Analysis» (http://www.stat.ufl.edu/~aa/articl Behaviour 1, 0021 doi:10.1038/s41562-
es/agresti_hitchcock_2005.pdf). Statistical 016-0021 [2] (https://www.nature.com/article
Methods & Applications 14 (14): 298. s/s41562-016-0021#citeas)
doi:10.1007/s10260-005-0121-y (https://dx.doi.org/10. 25. O’Connor A (2018) More evidence that
1007%2Fs10260-005-0121-y). nutrition studies don’t always add up. The
13. Edwards, A. W. F. (1998). «Natural New York Times, Sep 29 [3] (https://www.ny
Selection and the Sex Ratio: Fisher's times.com/2018/09/29/sunday-review/corne
Sources» (https://archive.org/details/sim_a ll-food-scientist-wansink-misconduct.html)
merican-naturalist_1998-06_151_6/page/5 26. Bridges, G. S.; Gillmore, G. M.; Pershing, J.
64). American Naturalist 151 (6): 564-569. L.; Bates, K. A. (1998). «Teaching
PMID 18811377 (https://www.ncbi.nlm.nih.gov/pubm Quantitative Research Methods : A Quasi-
ed/18811377). doi:10.1086/286141 (https://dx.doi.org/ Experimental Analysis. Teaching
10.1086%2F286141). Sociology» (http://www.jstor.org/stable/1318
14. Fisher, R. A. (1915) «The evolution of 676). American Sociological Association 26
sexual preference.» Eugenics Review (7) (1): 15. Consultado el 5 de marzo de 2016.
184:192. 27. Abusabha, R.; Woelfel, M. (2003).
15. Fisher, R. A. (1930) The Genetical Theory «Qualitative vs quantitative methods: Two
of Natural Selection. ISBN 0-19-850440-3 opposites that make a perfect match» (http
16. Edwards, A. W. F. (2000) Perspectives: s://doi.org/10.1053/jada.2003.50129).
Anecdotal, Historial and Critical Journal of the American Dietetic
Commentaries on Genetics. The Genetics Association 103 (5): 567. Consultado el 5
Society of America (154) 1419:1426 de marzo de 2016.
17. Andersson, M. (1994) Sexual selection. 28. Sechrest, L.; Sidani, S. (1995).
ISBN 0-691-00057-3 «Quantitative and qualitative methods: Is
18. Andersson, M. y Simmons, L. W. (2006) There an Alternative?» (http://www.science
«Sexual selection and mate choice.» direct.com/science/article/pii/01497189940
Trends, Ecology and Evolution (21) 0051X). Evaluation and Program Planning
296:302. 18 (1): 84. doi:10.1016/0149-7189(94)00051-X (http
s://dx.doi.org/10.1016%2F0149-7189%2894%290005
19. Gayon, J. (2010) «Sexual selection: 1-X). Consultado el 5 de marzo de 2016.
Another Darwinian process.» Comptes
Rendus Biologies (333) 134:144. 29. Bridges, G. S.; Gillmore, G. M.; Pershing, J.
L.; Bates, K. A. (1998). «Teaching
20. «La importancia de la formación en
Quantitative Research Methods : A Quasi-
estadística, tanto complementaria como Experimental Analysis. Teaching
principal» (https://www.tercerainformacion.e Sociology» (http://www.jstor.org/stable/1318
s/articulo/negocios-y-ocio/2018/09/29/la-im
676). American Sociological Association 26
portancia-de-la-formacion-en-estadistica-ta (1): 24. Consultado el 5 de marzo de 2016.
nto-complementaria-como-principal).
Tercera Información. 29 de septiembre de 30. Esta idea es una simple especulación que
2018. Consultado el 11 de mayo de 2019. puede servir como ejemplo ya que un
verdadero estudio estadístico debería ser
21. Cf. Damned lies and statistics: untangling mucho más cuidadoso y mejor
numbers from the media, politicians, and
fundamentado
activists, del profesor Joel Best. Best
atribuye este dicho a Disraeli, y no a Mark 31. Delgado, Emmanuel; Sedó, Patricia;
Twain u otros autores como se cree Arriola, Raquel; Murillo, Adriana (1 de junio
popularmente. de 2022). «Re-pensar y actuar: Experiencia
del Programa de Educación y Atención
22. Darrell Huff. Cómo mentir con estadísticas, Nutricional Universitario (PREANU) de la
Barcelona: Sagitario, 1965
 Universidad de Costa Rica en el contexto analysis in biology laboratory courses. CBE
de crisis por COVID-19, período 2020- —Life Sci. Educ. 7: 317-326.
2021» (https://dx.doi.org/10.19137/cuadex- 34. Garfield, J. & D. Ben-Zvi. 2007. How
2022-06-03). Cuadernos de Extensión students learn statistics revisited: a current
Universitaria 6 (1): 33-50. ISSN 2451-5930 (http review of research on teaching and
s://portal.issn.org/resource/issn/2451-5930). learning statistics. Intern. Stat. Rev. 75: 372-
doi:10.19137/cuadex-2022-06-03 (https://dx.doi.org/1 396.
0.19137%2Fcuadex-2022-06-03). Consultado el
35. Manrique, Jorge Isaac Torres (2011).
28 de agosto de 2022. «Reflexiones acerca del advenimiento del
32. Natalia Loaiza Velásquez, María Isabel nada lejano, como aparentemente
González Lutz & Julián Monge-Nájera inortodoxo y eventualmente infuturible,
(2011). «Which statistics should tropical escenario de un derecho estadístico» (http
biologists learn?». Revista Biología s://dialnet.unirioja.es/servlet/articulo?codig
Tropical 59: 983-992. o=5498887). Derecho y Cambio Social 8
33. Metz, A.M. 2008. Teaching statistics in (24): 16. ISSN 2224-4131 (https://portal.issn.org/re
biology: using inquiry-based learning to source/issn/2224-4131). Consultado el 27 de
strengthen understanding of statistical junio de 2020.

Bibliografía
Best, Joel (2001). Damned Lies and Statistics: Untangling Numbers from the Media,
Politicians, and Activists (https://archive.org/details/damnedliesstatis00best). University of
California Press. ISBN 0-520-21978-3.
Desrosières, Alain (2004). La política de los grandes números. Ed. Melusina. ISBN 84-933273-
5-2.
Hacking, Ian (1990). The Taming of Chance (https://archive.org/details/isbn_978052138884
9). Cambridge University Press. ISBN 0-521-38884-8.
Lindley, D. V. (1985). Making Decisions (https://archive.org/details/makingdecisions00dvli)
(2.ª edición edición). John Wiley & Sons. ISBN 0-471-90808-8.
Stigler, Stephen M. (1990). The History of Statistics: The Measurement of Uncertainty before
1900. Belknap Press/Harvard University Press. ISBN 0-674-40341-X.
Tijms, Henk (2004). Understanding Probability: Chance Rules in Everyday life (https://archiv
e.org/details/understandingpro0000tijm). Cambridge University Press. ISBN 0-521-83329-9.
Volle, Michel (1984). Le métier de statisticien (2.ª ed. edición). Económica. ISBN 2-7178-0824-8.

Enlaces externos
Wikiquote alberga frases célebres de o sobre Estadística.
Wikcionario tiene definiciones y otra información sobre estadística.

Obtenido de «https://es.wikipedia.org/w/index.php?title=Estadística&oldid=161502919»