5: Fundamentos para la inferencia

Última actualización
Guardar como PDF

Page ID: 150311

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Capítulo de Matthew Crump

Los datos y conjuntos de datos no son objetivos; son creaciones del diseño humano. Damos su voz a los números, sacamos inferencias de ellos y definimos su significado a través de nuestras interpretaciones.

—Katie Crawford

Hasta el momento hemos estado hablando de describir datos y buscar posibles relaciones entre las cosas que medimos. Empezamos hablando del problema de tener demasiados números. Entonces, discutimos cómo podríamos resumir grandes pilas de números con estadísticas descriptivas, y mirando los datos con gráficas. También miramos la idea de las relaciones entre las cosas. Si una cosa causa otra cosa, entonces si medimos cómo una cosa sube y baja, deberíamos encontrar que otra cosa sube y baja, o hace algo al menos sistemáticamente siguiendo lo primero. Al final del capítulo sobre correlación, mostramos cómo las correlaciones, que implican una relación entre dos cosas, son muy difíciles de interpretar. ¿Por qué? porque una correlación observada puede ser causada por una tercera variable oculta, o simplemente ser un hallazgo espurio “causado” por casualidad aleatoria. En el último capítulo, hablamos de muestreo a partir de distribuciones, y vimos cómo las muestras pueden ser diferentes debido al error aleatorio introducido por el proceso de muestreo.

Ahora comenzamos nuestro viaje hacia las estadísticas inferenciales. Las herramientas que utilizamos para hacer inferencias sobre de dónde provienen nuestros datos y, lo que es más importante, hacer inferencias sobre qué causa qué. En este capítulo aportamos algunas ideas fundamentales. Nos quedaremos mayormente a nivel conceptual, y usaremos muchas simulaciones como hicimos en los últimos capítulos. En los capítulos restantes formalizamos las intuiciones construidas aquí para explicar cómo funcionan algunas estadísticas inferenciales comunes.