Qué es estadística en matemáticas

La estadística es la rama de las matemáticas que se encarga de recopilar, organizar, analizar, interpretar y presentar datos. Su objetivo principal es extraer información significativa de conjuntos de datos, permitiendo tomar decisiones fundamentadas ante la incertidumbre. A diferencia de otras disciplinas matemáticas que buscan verdades absolutas, la estadística trabaja con probabilidades y tendencias.

Esta herramienta es esencial en prácticamente todos los campos del conocimiento humano. Desde la economía y la medicina hasta las ciencias sociales y la ingeniería, la estadística transforma números crudos en evidencia concreta. Sin ella, sería difícil distinguir entre una coincidencia aleatoria y una relación causal significativa en los datos observados.

Definición y concepto

La estadística es la rama de las matemáticas que proporciona métodos para recopilar, organizar, analizar, interpretar y presentar datos. Su objetivo fundamental es extraer información significativa de conjuntos de datos, permitiendo tomar decisiones fundamentadas bajo condiciones de incertidumbre. A diferencia de la aritmética básica, que se centra en valores individuales, la estadística maneja la variabilidad inherente a los fenómenos naturales y sociales.

Estadística descriptiva e inferencial

Esta disciplina se divide tradicionalmente en dos grandes áreas complementarias. La estadística descriptiva se encarga de resumir y describir las características principales de un conjunto de datos. Utiliza medidas de tendencia central, como la media aritmética, y medidas de dispersión, como la desviación estándar, para ofrecer una visión general clara de la información disponible. Las tablas de frecuencias y los gráficos también son herramientas clave en esta etapa.

La estadística inferencial va más allá de la descripción. Permite sacar conclusiones sobre una población completa basándose en los datos obtenidos de una muestra representativa. Este proceso implica un grado de incertidumbre que se cuantifica mediante la probabilidad. Es decir, si medimos la altura de 100 estudiantes, la estadística inferencial nos permite estimar la altura media de todos los estudiantes de la escuela, con un margen de error calculado.

Población y muestra

Para entender cómo funciona el análisis estadístico, es crucial diferenciar entre la población y la muestra. La población es el conjunto total de individuos, objetos o medidas que comparten una característica común y que nos interesa estudiar. Puede ser finita, como el número de alumnos en un aula, o infinita, como las gotas de lluvia en una tormenta continua.

La muestra es un subconjunto seleccionado de la población. Dado que estudiar toda la población a menudo resulta costoso o incluso imposible, los estadísticos seleccionan una muestra representativa para inferir propiedades del todo. La calidad de la inferencia depende en gran medida de cómo se selecciona esta muestra. Si la muestra es sesgada, las conclusiones sobre la población pueden resultar erróneas.

Dato curioso: El concepto moderno de muestra aleatoria debe mucho a la obra de Karl Pearson y Ronald Fisher a principios del siglo XX, quienes transformaron la estadística de una ciencia descriptiva a una herramienta poderosa de inferencia.

La relación entre estos conceptos es la base de todo estudio empírico. Sin una definición clara de la población y una selección rigurosa de la muestra, los datos pierden su poder explicativo. La precisión de los resultados estadísticos no depende solo del tamaño de la muestra, sino de la metodología empleada para seleccionarla.

Historia y evolución de la estadística

La estadística no nació como una rama aislada de las matemáticas, sino como una necesidad práctica de control. Las primeras huellas se encuentran en los registros de los antiguos imperios. En Egipto, alrededor del año 3000 a.C., se realizaban censos para estimar la riqueza del Nilo y la capacidad tributaria de los ciudadanos. De manera similar, los babilonios utilizaban tablillas de arcilla para registrar cosechas y ganado. Estos datos eran, en esencia, descripciones estáticas de la realidad, sin un análisis profundo, pero sentaron las bases del conteo sistemático.

Del arte de contar a la ciencia de los datos

El término "estadística" proviene del latín status (estado) y del italiano statista (hombre de estado). Durante siglos, su función principal fue administrativa: contar la población para cobrar impuestos y reclutar soldados. Sin embargo, la verdadera transformación ocurrió cuando los datos comenzaron a hablar por sí mismos. En el siglo XVII, el mercader londinense John Graunt analizó las tablas de mortalidad de Londres. No se limitó a contar los muertos; identificó patrones. Descubrió que la población era más estable de lo que se creía y que las causas de muerte seguían una cierta regularidad. Este trabajo es considerado el nacimiento de la estadística descriptiva moderna.

Dato curioso: John Graunt no era un matemático puro, sino un mercader de calzas. Su obra demostró que la estadística puede nacer de la observación práctica más que de la abstracción teórica pura.

La influencia de la teoría de la probabilidad fue decisiva para elevar la estadística de un arte empírico a una ciencia deductiva. Matemáticos como Blaise Pascal y Pierre de Fermat comenzaron a cuantificar la incertidumbre en juegos de azar. Esto llevó a Thomas Bayes, un reverendo y matemático inglés del siglo XVIII, a formular un teorema que relaciona la probabilidad de un evento con la información previa. Su enfoque permitió actualizar las creencias a medida que llegaban nuevos datos, un concepto fundamental en la inferencia estadística.

La fórmula que lleva su nombre, conocida como el teorema de Bayes, establece la siguiente relación entre probabilidades condicionales:

Donde P(A|B) es la probabilidad de A dado que B ha ocurrido. Esta herramienta permitió pasar de la descripción simple a la predicción.

La consolidación científica en el siglo XIX

A medida que la Revolución Industrial avanzaba, la necesidad de precisión creció. Karl Pearson, un estadístico inglés a finales del siglo XIX y principios del XX, fue clave para integrar el cálculo y la probabilidad en el análisis de datos. Pearson introdujo conceptos como la media, la varianza y el coeficiente de correlación. Su trabajo transformó la estadística en una herramienta poderosa para las ciencias naturales y sociales.

La varianza, una medida de la dispersión de los datos alrededor de la media, se calcula como el promedio de las diferencias al cuadrado respecto a la media aritmética:

Esta formalización matemática permitió a los científicos determinar si una diferencia observada era significativa o simplemente el fruto del azar. La estadística dejó de ser solo un recuento de lo que había sucedido para convertirse en una lupa para entender por qué sucedió y qué podría ocurrir después. Esta evolución continúa hoy, donde los datos masivos requieren nuevas herramientas, pero los fundamentos establecidos por Graunt, Bayes y Pearson siguen vigentes.

¿Cuáles son las principales ramas de la estadística?

La estadística se divide tradicionalmente en dos grandes áreas que funcionan como dos fases complementarias del análisis de datos. No son mundos paralelos, sino pasos sucesivos para transformar números crudos en conocimiento accionable. Comprender la distinción entre ambas es fundamental para no confundir lo que "muestra" un conjunto de datos con lo que se puede "deducir" a partir de ellos.

Estadística descriptiva

Esta rama se encarga de organizar, resumir y presentar los datos de manera significativa. Su objetivo no es generalizar más allá de lo observado, sino describir con precisión las características del conjunto de datos en estudio. Se apoya en medidas numéricas y representaciones gráficas.

Las medidas de tendencia central identifican el valor típico o central. La media aritmética es la más conocida, calculada como:

donde $\bar{x}$ es la media, $x_i$ cada dato individual y $n$ el número total de observaciones. Sin embargo, la media puede ser engañosa si hay valores extremos. Por eso también se usa la mediana (el valor que queda en el centro al ordenar los datos) y la moda (el valor más frecuente).

Para entender cuánto varían los datos respecto a ese centro, se utilizan medidas de dispersión. La varianza y la desviación estándar son las más comunes. Una desviación estándar baja indica que los datos están agrupados cerca de la media; una alta indica que están más esparcidos.

Dato curioso: La media fue popularizada inicialmente en astronomía para reducir el error de medición, pero fue Charles Darwin quien, sin saberlo, ayudó a consolidar su uso biológico al aplicar conceptos de "promedio" en la selección natural.

Estadística inferencial

Mientras la descriptiva mira hacia adentro del conjunto de datos, la inferencial mira hacia afuera. Permite sacar conclusiones sobre una población completa basándose únicamente en una muestra representativa. Aquí entra en juego la probabilidad para cuantificar el grado de incertidumbre.

Esta rama incluye tres herramientas principales:

• Estimación: Se busca aproximar un parámetro poblacional (como la media real de todas las alturas de una ciudad) usando un estadístico de la muestra (la media de 100 personas encuestadas). Se suele expresar con un intervalo de confianza, por ejemplo, "la media está entre 1.70 m y 1.75 m con un 95% de confianza".
• Prueba de hipótesis: Se evalúa una afirmación inicial sobre la población. Por ejemplo, "la nueva medicina reduce la fiebre en más de 1 grado". Se calcula la probabilidad de que el resultado observado ocurra por azar si la afirmación fuera falsa. Si esa probabilidad es muy baja, se rechaza la hipótesis nula.
• Regresión: Analiza la relación entre dos o más variables. La regresión lineal simple intenta ajustar una recta que mejor explique cómo cambia una variable dependiente (Y) al variar una independiente (X). La ecuación básica es:

donde ${\beta }_0$ es la ordenada en el origen, ${\beta }_1$ la pendiente y $ϵ$ el error aleatorio.

Complementariedad de las ramas

Rara vez se usan de forma aislada. La estadística descriptiva suele ser el primer paso: antes de inferir, hay que saber qué se tiene. Los gráficos y las medidas de dispersión ayudan a detectar outliers (valores atípicos) que podrían distorsionar las pruebas de hipótesis.

La consecuencia es directa: una mala descripción inicial lleva a una inferencia errónea. Si no se sabe que los datos siguen una distribución normal (algo que se ve en los gráficos descriptivos), aplicar ciertas pruebas inferenciales puede resultar en conclusiones casi arbitrarias. Ambas ramas trabajan juntas para reducir la incertidumbre en la toma de decisiones.

Conceptos fundamentales: variables, poblaciones y muestras

La estadística no estudia los datos por gusto, sino para extraer información útil cuando la certeza absoluta es imposible. Para lograrlo, se apoya en tres pilares estructurales: las variables, la población y la muestra. Entender cómo interactúan estos elementos es la diferencia entre adivinar y medir con precisión.

Variables aleatorias y su clasificación

Una variable aleatoria es una función que asigna un valor numérico a cada resultado posible de un experimento. No confundir con la variable en álgebra básica; aquí el valor depende del azar. Existen dos tipos principales según la naturaleza de sus valores.

Las variables discretas toman valores aislados, generalmente enteros. Piensa en el número de caras al lanzar una moneda tres veces: pueden salir 0, 1, 2 o 3. No puede salir 1.5 caras. Por otro lado, las variables continuas pueden tomar cualquier valor dentro de un intervalo. El peso de un estudiante o la temperatura ambiente son ejemplos clásicos; entre 70 kg y 71 kg existen infinitos valores posibles (70.1, 70.15, 70.153...).

Esta clasificación determina qué prueba estadística usarás más adelante. Usar una prueba para datos continuos sobre datos discretos puede distorsionar los resultados.

Población y muestra

La población estadística es el conjunto completo de individuos o elementos que comparten una característica común y que nos interesan estudiar. Si quieres saber la estatura media de todos los estudiantes de secundaria en España, esa totalidad es tu población. El problema es que, a menudo, medir a todos resulta costoso o incluso imposible.

Aquí entra la muestra: un subconjunto representativo extraído de la población. No se trata de elegir al azar cualquiera, sino de aplicar reglas para minimizar el sesgo. El muestreo aleatorio simple es el estándar de oro básico: cada miembro de la población tiene la misma probabilidad de ser seleccionado. Esto reduce la influencia de factores externos y permite generalizar los hallazgos con un margen de error calculable.

Dato curioso: En 1936, la revista estadounidense Literary Digest predijo la victoria de Alf Landon sobre Franklin D. Roosevelt basándose en una muestra de casi 2 millones de personas. Perdieron porque su muestra no era aleatoria: provenía principalmente de listas telefónicas y registros de automóviles, excluyendo a los pobres que votaron por Roosevelt. La estadística falló por un mal muestreo.

La relación entre el tamaño de la muestra y la precisión se rige por la ley de los grandes números. A medida que aumentas el tamaño de la muestra, la media muestral se acerca a la media poblacional real. Esta convergencia es fundamental para confiar en cualquier estudio, ya sea en biología, economía o ciencias sociales.

¿Cómo se calculan las medidas de tendencia central y dispersión?

Medidas de tendencia central

Estas medidas buscan resumir un conjunto de datos en un solo valor representativo. La media aritmética es la más conocida; se obtiene sumando todos los valores y dividiendo por la cantidad total de observaciones. Es sensible a valores extremos, lo que puede distorsionar la percepción del "centro" si hay muchos atípicos.

La mediana, en cambio, es el valor que queda justo en el medio cuando los datos se ordenan de menor a mayor. Si el número de datos es par, se promedian los dos centrales. La mediana es más robusta ante valores extremos que la media. La moda es simplemente el valor que más se repite. Un conjunto de datos puede tener una, varias modas o ninguna.

Consideremos los sueldos mensuales (en cientos de euros) de cinco empleados: 20, 22, 22, 25 y 100. La media es 37,8, arrastrada por el sueldo de 100. La mediana es 22, que refleja mejor la situación de la mayoría. La moda también es 22. Este ejemplo muestra por qué elegir la medida correcta depende del contexto.

Medidas de dispersión

Saber el centro no basta; necesitamos conocer qué tan esparcidos están los datos alrededor de ese centro. El rango es la diferencia entre el valor máximo y el mínimo. Es sencillo pero solo considera dos puntos del conjunto, ignorando la distribución intermedia.

La varianza mide el promedio de las diferencias al cuadrado respecto a la media. Elevar al cuadrado elimina los signos negativos y da más peso a las desviaciones grandes. La desviación estándar es la raíz cuadrada de la varianza, lo que devuelve la medida a la unidad original de los datos, facilitando su interpretación.

Volviendo al ejemplo de los sueldos (20, 22, 22, 25, 100) con media 37,8: las diferencias al cuadrado son grandes debido al valor 100. La varianza resultante será alta, y la desviación estándar reflejará esa gran dispersión. Si todos los sueldos fueran cercanos a 22, la desviación estándar sería pequeña, indicando homogeneidad.

Dato curioso: La desviación estándar se convirtió en estándar en el siglo XIX gracias a Carl Friedrich Gauss, quien la utilizó para analizar errores en mediciones astronómicas, sentando las bases de la distribución normal.

Estas herramientas son fundamentales para interpretar datos sin perderse en la masa numérica. Elegir entre media o mediana, y entender la magnitud de la desviación estándar, permite tomar decisiones más informadas en estadística descriptiva.

¿Qué diferencia la estadística de la probabilidad?

La confusión entre estadística y probabilidad es común porque ambas disciplinas comparten el lenguaje de la incertidumbre y se apoyan mutuamente. Sin embargo, operan en direcciones opuestas. La probabilidad parte de un modelo conocido para predecir datos específicos. La estadística, por el contrario, toma datos observados para inferir las características del modelo subyacente. Entender esta distinción es fundamental para no cometer errores al interpretar estudios científicos o datos económicos.

De lo general a lo particular: la lógica de la probabilidad

La probabilidad es deductiva. Supone que conocemos las reglas del juego y pregunta qué resultados podemos esperar. Si sabemos que una moneda es justa, la probabilidad nos dice que, a largo plazo, saldrá cara en el 50% de los lanzamientos. Aquí, la población (la moneda) es conocida y la muestra (los lanzamientos) es lo que se predice.

Esta disciplina utiliza axiomas para calcular la likelihood de eventos futuros. No necesita datos históricos para definir la probabilidad teórica de un suceso, aunque los usa para validar modelos. La consecuencia es directa: si el modelo es correcto, los datos deben ajustarse a él.

De lo particular a lo general: la lógica de la estadística

La estadística es inductiva. Comienza con datos observados (la muestra) y busca generalizar sobre la población completa. Si lanzamos una moneda 100 veces y sale cara 60 veces, la estadística nos ayuda a preguntarnos: ¿Es la moneda justa o está sesgada? Aquí, la muestra es conocida y la población es lo que se infiere.

El desafío principal es que raramente conocemos toda la población. Por eso, la estadística cuantifica el error. No afirma con certeza absoluta, sino con un nivel de confianza. Por ejemplo, al decir que "el 60% de los votantes prefieren al candidato A con un margen de error del 3%", estamos usando inferencia estadística para generalizar desde unos pocos encuestados hacia millones de electores.

Dato curioso: Aunque hoy parecen hermanas, la estadística nació de la necesidad práctica (censos, seguros) antes de que la probabilidad tuviera una base matemática rigurosa. John Venn, en el siglo XIX, ya señalaba que la estadística es la "probabilidad invertida".

La probabilidad como base teórica

La estadística no existiría sin la probabilidad. Para inferir algo sobre la población a partir de la muestra, necesitamos saber cómo se comportan los datos si el modelo es cierto. La distribución normal, por ejemplo, es un concepto probabilístico que la estadística usa para medir qué tan "típico" es un dato observado.

La inferencia estadística utiliza la probabilidad para calcular el valor p, que mide la evidencia contra una hipótesis nula. Si la probabilidad de obtener un resultado tan extremo como el observado fuera muy baja (por ejemplo, menor a 0.05), la estadística concluye que el efecto es significativo. Sin la teoría de la probabilidad, los datos serían solo números sin contexto de incertidumbre.

En resumen, la probabilidad proporciona el marco matemático y las herramientas de cálculo, mientras que la estadística aplica ese marco para extraer significado de la realidad empírica. Una es la teoría; la otra, la práctica aplicada a la incertidumbre.

Aplicaciones prácticas de la estadística

La estadística trasciende el aula para convertirse en el lenguaje universal de la toma de decisiones bajo incertidumbre. No se trata solo de recopilar números, sino de extraer señales significativas del ruido de los datos para predecir comportamientos futuros o validar hipótesis complejas. Esta capacidad de cuantificar la probabilidad permite a expertos en diversas disciplinas reducir la subjetividad y fundamentar sus acciones con evidencia empírica.

Medicina y ensayos clínicos

En el ámbito sanitario, la estadística es la columna vertebral de la evidencia científica. Los ensayos clínicos utilizan el método aleatorizado para comparar tratamientos. Se divide a los pacientes en grupos de control y de tratamiento para aislar el efecto de la variable independiente. El objetivo es determinar si una nueva droga es significativamente mejor que el placebo o el estándar actual, minimizando sesgos.

Los investigadores establecen un nivel de significancia, comúnmente denotado como $\alpha$, para decidir si los resultados son estadísticamente relevantes. Si el valor p obtenido es menor que este umbral, se rechaza la hipótesis nula, sugiriendo que el tratamiento tiene un efecto real y no es producto del azar. Este rigor salva vidas al evitar la aprobación de fármacos ineficaces o incluso contraproducentes.

Economía y ciencias sociales

En economía, los modelos estadísticos permiten predecir tendencias macroeconómicas y evaluar políticas públicas. Los economistas analizan grandes conjuntos de datos para entender la relación entre variables como la inflación, el desempleo y el producto interior bruto. Las encuestas de opinión, fundamentales en ciencias sociales, dependen del muestreo estratificado para asegurar que la muestra represente fielmente a la población total, reduciendo el error estándar.

Dato curioso: Durante la Segunda Guerra Mundial, los estadísticos utilizaron la supervivencia de los aviones de guerra para decidir dónde reforzar la blindaje. Al observar que los balines se concentraban en las alas y el fuselaje, recomendaron reforzar las zonas con menos balines, ya que los aviones que volvían eran los que habían sobrevivido a los impactos en esas áreas específicas. Fue un ejemplo clásico de sesgo de supervivencia.

Ingeniería y control de calidad

En ingeniería, el control estadístico de procesos garantiza que los productos cumplan con las especificaciones deseadas. Se monitorean variables clave mediante cartas de control, que grafican la media y la varianza de una muestra a lo largo del tiempo. Si los puntos salen de los límites de control, se activa una señal de alarma para ajustar la maquinaria antes de que se produzcan demasiados defectos. Esto optimiza costos y mejora la eficiencia operativa.

Tecnología y Big Data

La explosión del Big Data ha transformado la tecnología. Los algoritmos de aprendizaje automático, como la regresión lineal o los árboles de decisión, procesan millones de puntos de datos para personalizar experiencias de usuario o predecir fallos en infraestructuras. En 2026, la capacidad de procesar datos en tiempo real permite a las empresas reaccionar casi instantáneamente a los cambios del mercado, convirtiendo la información en una ventaja competitiva directa.

La estadística no elimina la incertidumbre por completo, pero la cuantifica. Esto permite a los tomadores de decisiones elegir la mejor opción disponible, sabiendo exactamente cuál es el riesgo asociado. Sin ella, estaríamos navegando a ciegas en un mar de datos.

Ejercicios resueltos

La estadística deja de ser abstracta cuando se aplica a conjuntos de datos reales. A continuación, se presentan tres ejercicios que cubren medidas de dispersión, interpretación de la distribución normal y cálculo de probabilidad básica. Estos ejemplos ilustran cómo pasar de los datos crudos a conclusiones cuantitativas.

Cálculo de media y desviación estándar

Supongamos que un estudiante registra las horas que dedica a estudiar matemáticas durante cinco días consecutivos: 2, 4, 5, 3 y 6 horas. El primer paso es calcular la media aritmética, que representa el valor central del conjunto.

La media es de 4 horas. Sin embargo, la media por sí sola no indica cuánto varía el estudio diario. Para medir esta dispersión, calculamos la desviación estándar. Primero, hallamos la varianza, que es el promedio de las diferencias al cuadrado respecto a la media.

La varianza es 2.5. La desviación estándar es la raíz cuadrada de la varianza, lo que devuelve la unidad de medida original (horas).

Esto significa que, en promedio, el tiempo de estudio se desvía aproximadamente 1.58 horas de la media de 4 horas. La consecuencia es directa: los datos no están muy agrupados, sino que tienen una variabilidad moderada.

Interpretación de la distribución normal

La distribución normal, o curva de Gauss, es fundamental en estadística porque muchos fenómenos naturales se ajustan a ella. Imaginemos que las estaturas de un grupo de estudiantes siguen una distribución normal con una media de 170 cm y una desviación estándar de 10 cm.

Una propiedad clave es la regla empírica 68-95-99.7. Esta regla establece que aproximadamente el 68% de los datos caen dentro de una desviación estándar de la media. En este caso, el rango es de 160 cm a 180 cm. El 95% de los estudiantes mediría entre 150 cm y 190 cm (dos desviaciones estándar).

Dato curioso: La distribución normal fue descrita inicialmente por Abraham de Moivre en 1733, pero fue Carlos Friedrich Gauss quien la popularizó en el campo de los errores de medición astronómica a principios del siglo XIX.

Si un estudiante mide 195 cm, está a 2.5 desviaciones estándar por encima de la media. Según la curva, esto lo sitúa en el percentil superior, significando que es más alto que aproximadamente el 94% del grupo. Interpretar estos gráficos permite identificar valores atípicos sin necesidad de revisar cada dato individual.

Probabilidad básica con datos

La probabilidad mide la posibilidad de que ocurra un evento. Supongamos que en una clase de 30 estudiantes, 12 son mujeres y 18 son hombres. Si se selecciona un estudiante al azar, ¿cuál es la probabilidad de que sea mujer?

La probabilidad es 0.4. Esto implica que, si repitiéramos la selección muchas veces, esperaríamos que saliera una mujer en el 40% de los casos. Este cálculo sencillo es la base para modelos más complejos, como las pruebas de hipótesis o la regresión lineal. La precisión en estos cálculos básicos evita errores acumulativos en análisis estadísticos más avanzados.

Preguntas frecuentes

¿Cuál es la diferencia entre estadística descriptiva e inferencial?

La estadística descriptiva se limita a resumir y mostrar las características de un conjunto de datos específicos (como calcular el promedio de notas de una clase). La estadística inferencial va más allá: utiliza esos datos para hacer predicciones o sacar conclusiones sobre un grupo más grande (como predecir las notas de toda la universidad basándose en esa clase).

¿Qué es una población estadística?

Es el conjunto completo de todos los individuos, objetos o medidas que comparten una característica común y que interesan para un estudio. Por ejemplo, si quieres estudiar la altura de los estudiantes de secundaria en un país, la población sería la altura de todos los estudiantes de secundaria de ese país.

¿Por qué se toman muestras en lugar de estudiar toda la población?

Estudiar toda la población (un censo) suele ser costoso, lento y a veces difícil de lograr. Tomar una muestra representativa permite obtener resultados precisos de manera más eficiente y económica, siempre que la selección de los elementos se haga correctamente.

¿Qué mide la desviación estándar?

La desviación estándar mide cuánto se alejan los valores individuales de la media del conjunto. Una desviación estándar baja indica que los datos están agrupados cerca del promedio; una desviación estándar alta indica que los datos están más dispersos.

¿La estadística y la probabilidad son lo mismo?

No. La probabilidad parte de un modelo conocido para predecir los datos futuros (va de lo general a lo particular). La estadística parte de los datos observados para inferir características del modelo o de la población (va de lo particular a lo general).

Resumen

La estadística es fundamental para comprender el mundo a través de los datos. Este artículo ha definido el concepto, explorado sus raíces históricas y diferenciado sus dos ramas principales: la descriptiva y la inferencial. Se han explicado los conceptos básicos como población, muestra y variables, así como las herramientas para resumir datos mediante medidas de tendencia central y dispersión.

Además, se ha aclarado la relación entre estadística y probabilidad, destacando sus aplicaciones prácticas en diversas disciplinas. Finalmente, se han presentado ejercicios resueltos para ilustrar cómo se aplican estos cálculos en situaciones concretas, reforzando la comprensión de cómo transformar datos brutos en información útil.

Véase también

• Lema de Schwarz
• geometría diferencial
• Eliminación de Gauss-Jordan
• Resta de vectores
• Ángulos suplementarios
• Qué son los logaritmos en matemáticas
• Cálculo y análisis matemático
• Cómo funcionan los logaritmos

Referencias

1. «que es estadística en matemáticas» en Wikipedia en español
2. Statistics — Wolfram MathWorld
3. What is Statistics? — American Statistical Association
4. Statistics — Stanford Encyclopedia of Philosophy
5. Estadística — Real Sociedad Matemática Española