Glosario
- Page ID
- 153277
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\(\newcommand{\avec}{\mathbf a}\) \(\newcommand{\bvec}{\mathbf b}\) \(\newcommand{\cvec}{\mathbf c}\) \(\newcommand{\dvec}{\mathbf d}\) \(\newcommand{\dtil}{\widetilde{\mathbf d}}\) \(\newcommand{\evec}{\mathbf e}\) \(\newcommand{\fvec}{\mathbf f}\) \(\newcommand{\nvec}{\mathbf n}\) \(\newcommand{\pvec}{\mathbf p}\) \(\newcommand{\qvec}{\mathbf q}\) \(\newcommand{\svec}{\mathbf s}\) \(\newcommand{\tvec}{\mathbf t}\) \(\newcommand{\uvec}{\mathbf u}\) \(\newcommand{\vvec}{\mathbf v}\) \(\newcommand{\wvec}{\mathbf w}\) \(\newcommand{\xvec}{\mathbf x}\) \(\newcommand{\yvec}{\mathbf y}\) \(\newcommand{\zvec}{\mathbf z}\) \(\newcommand{\rvec}{\mathbf r}\) \(\newcommand{\mvec}{\mathbf m}\) \(\newcommand{\zerovec}{\mathbf 0}\) \(\newcommand{\onevec}{\mathbf 1}\) \(\newcommand{\real}{\mathbb R}\) \(\newcommand{\twovec}[2]{\left[\begin{array}{r}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\ctwovec}[2]{\left[\begin{array}{c}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\threevec}[3]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\cthreevec}[3]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\fourvec}[4]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\cfourvec}[4]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\fivevec}[5]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\cfivevec}[5]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\mattwo}[4]{\left[\begin{array}{rr}#1 \amp #2 \\ #3 \amp #4 \\ \end{array}\right]}\) \(\newcommand{\laspan}[1]{\text{Span}\{#1\}}\) \(\newcommand{\bcal}{\cal B}\) \(\newcommand{\ccal}{\cal C}\) \(\newcommand{\scal}{\cal S}\) \(\newcommand{\wcal}{\cal W}\) \(\newcommand{\ecal}{\cal E}\) \(\newcommand{\coords}[2]{\left\{#1\right\}_{#2}}\) \(\newcommand{\gray}[1]{\color{gray}{#1}}\) \(\newcommand{\lgray}[1]{\color{lightgray}{#1}}\) \(\newcommand{\rank}{\operatorname{rank}}\) \(\newcommand{\row}{\text{Row}}\) \(\newcommand{\col}{\text{Col}}\) \(\renewcommand{\row}{\text{Row}}\) \(\newcommand{\nul}{\text{Nul}}\) \(\newcommand{\var}{\text{Var}}\) \(\newcommand{\corr}{\text{corr}}\) \(\newcommand{\len}[1]{\left|#1\right|}\) \(\newcommand{\bbar}{\overline{\bvec}}\) \(\newcommand{\bhat}{\widehat{\bvec}}\) \(\newcommand{\bperp}{\bvec^\perp}\) \(\newcommand{\xhat}{\widehat{\xvec}}\) \(\newcommand{\vhat}{\widehat{\vvec}}\) \(\newcommand{\uhat}{\widehat{\uvec}}\) \(\newcommand{\what}{\widehat{\wvec}}\) \(\newcommand{\Sighat}{\widehat{\Sigma}}\) \(\newcommand{\lt}{<}\) \(\newcommand{\gt}{>}\) \(\newcommand{\amp}{&}\) \(\definecolor{fillinmathshade}{gray}{0.9}\)| Palabras (o palabras que tienen la misma definición) | La definición diferencia entre mayúsculas y minúsculas | (Opcional) Imagen para mostrar con la definición [No se muestra en el Glosario, solo en las páginas emergentes] | (Opcional) Subtítulo para imagen | (Opcional) Enlace externo o interno | (Opcional) Fuente para Definición |
|---|---|---|---|---|---|
| (Ej. “Genético, Hereditario, ADN...”) | (Ej. “Relacionado con genes o herencia”) |  |
La infame doble hélice | https://bio.libretexts.org/ | CC-BY-SA; Delmar Larsen |
Análisis de Vardelmar
| Palabra (s) | Definición | Imagen | Leyenda | Enlace | Fuente |
|---|---|---|---|---|---|
| Análisis de varianza, análisis de Vardelmar | también denominado ANOVA, es un método para probar si las medias de tres o más poblaciones son iguales o no. El método es aplicable si: (1) todas las poblaciones de interés se distribuyen normalmente. (2) las poblaciones tienen desviaciones estándar iguales. (3) las muestras (no necesariamente del mismo tamaño) se seleccionan al azar e independientemente de cada población. (4) El estadístico de prueba para el análisis de varianza es el\(F\) -relación. | OpenStax | |||
| Promedio | un número que describe la tendencia central de los datos; hay una serie de promedios especializados, incluyendo la media aritmética, la media ponderada, la mediana, el modo y la media geométrica. | OpenStax | |||
| Juicios de Bernoulli | un experimento con las siguientes características: (1) Solo hay dos posibles resultados llamados “éxito” y “fracaso” para cada ensayo. (2) La probabilidad\(p\) de éxito es la misma para cualquier ensayo (por lo que la probabilidad\(q = 1 − p\) de un fracaso es la misma para cualquier ensayo). | OpenStax | |||
| Distribución binomial | una variable aleatoria discreta (RV) que surge de los ensayos de Bernoulli. Hay un número fijo,\(n\), de juicios independientes. “Independiente” significa que el resultado de cualquier ensayo (por ejemplo, el ensayo 1) no afecta los resultados de los siguientes ensayos, y todos los ensayos se llevan a cabo en las mismas condiciones. En estas circunstancias, el binomio RV XY se define como el número de éxitos en los\(n\) ensayos. La notación es:\(X \sim B(n, p) \mu = np\) y la desviación estándar es\(\sigma = \sqrt{npq}\). La probabilidad de exactamente\(x\) éxitos en los\(n\) ensayos es\(P(X = x) = \binom{n}{x} p^{x}q^{n-x}\). | OpenStax | |||
| Experimento binomial | un experimento estadístico que satisface las siguientes tres condiciones: (1) Hay un número fijo de ensayos,\(n\). (2) Solo hay dos resultados posibles, llamados “éxito” y, “fracaso”, para cada ensayo. La letra\(p\) denota la probabilidad de éxito en un ensayo, y\(q\) denota la probabilidad de un fracaso en un ensayo. (3) Los\(n\) ensayos son independientes y se repiten usando condiciones idénticas. | OpenStax | |||
| Distribución de probabilidad binomial | una variable aleatoria discreta (RV) que surge de los ensayos de Bernoulli; hay un número fijo,\(n\), de ensayos independientes. “Independiente” significa que el resultado de cualquier ensayo (por ejemplo, el ensayo uno) no afecta los resultados de los siguientes ensayos, y todos los ensayos se llevan a cabo en las mismas condiciones. En estas circunstancias, el RV binomial\(X\) se define como el número de éxitos en los\(n\) ensayos. La notación es:\(X ~ B(n, p)\). La media es\(\mu = np\) y la desviación estándar es\(\sigma = \sqrt{npq}\). La probabilidad de exactamente\(x\) éxitos en los\(n\) ensayos es\(P(X = x) = {n \choose x}p^{x}q^{n-x}\). | OpenStax | |||
| Cigador | no decirle a los participantes qué tratamiento está recibiendo un sujeto | OpenStax | |||
| Parcela de caja | un gráfico que da una imagen rápida del 50% medio de los datos | OpenStax | |||
| Variable categórica | variables que toman valores que son nombres o etiquetas | OpenStax | |||
| Teorema de Límite Central | Dada una variable aleatoria (RV) con media conocida\(\mu\) y desviación estándar conocida,\(\sigma\), estamos muestreando con tamaño\(n\), y estamos interesados en dos nuevas RV: la media de la muestra,\(\bar{X}\), y la suma de la muestra,\(\sum X\). Si el tamaño (\(n\)) de la muestra es suficientemente grande, entonces\(\bar{X} \sim N\left(\mu, \dfrac{\sigma}{\sqrt{n}}\right)\) y\(\sum X \sim N(n\mu, (\sqrt{n})(\sigma))\). Si el tamaño (\(n\)) de la muestra es suficientemente grande, entonces la distribución de las medias muestrales y la distribución de las sumas muestrales se aproximarán a distribuciones normales independientemente de la forma de la población. La media de las medias de la muestra será igual a la media de la población, y la media de las sumas de la muestra será igual a\(n\) veces la media de la población. La desviación estándar de la distribución de las medias muestrales\(\dfrac{\sigma}{\sqrt{n}}\),, se denomina error estándar de la media. | OpenStax | |||
| Teorema de Límite Central | Dada una variable aleatoria (RV) con media conocida\(\mu\) y desviación estándar conocida\(\sigma\). Estamos muestreando con tamaño\(n\) y estamos interesados en dos nuevas RV: la media muestral\(\bar{X}\), y la suma de la muestra,\(\sum X\). Si el tamaño\(n\) de la muestra es suficientemente grande, entonces\(\bar{X} - N\left(\mu, \frac{\sigma}{\sqrt{n}}\right)\) y\(\sum X - N \left(n\mu, \sqrt{n}\sigma\right)\). Si el tamaño n de la muestra es suficientemente grande, entonces la distribución de las medias muestrales y la distribución de las sumas muestrales se aproximarán a una distribución normal independientemente de la forma de la población. La media de las medias de la muestra será igual a la media de la población y la media de las sumas de la muestra será igual a\(n\) veces la media de la población. La desviación estándar de la distribución de las medias muestrales\(\frac{\sigma}{\sqrt{n}}\),, se denomina error estándar de la media. | OpenStax | |||
| Muestreo en raci | un método para seleccionar una muestra aleatoria y dividir la población en grupos (clusters); utilizar muestreo aleatorio simple para seleccionar un conjunto de clusters. En la muestra se incluye a cada individuo de los conglomerados elegidos. | OpenStax | |||
| Coeficiente de correlación | una medida desarrollada por Karl Pearson (principios del siglo XX) que da la fuerza de asociación entre la variable independiente y la variable dependiente; la fórmula es:\[r = \dfrac{n \sum xy - \left(\sum x\right) \left(\sum y\right)}{\sqrt{\left[n \sum x^{2} - \left(\sum x\right)^{2}\right] \left[n \sum y^{2} - \left(\sum y\right)^{2}\right]}}\] dónde\(n\) está el número de puntos de datos. El coeficiente no puede ser superior a 1 ni inferior a —1. Cuanto más cerca esté el coeficiente de ±1, más fuerte será la evidencia de una relación lineal significativa entre\(x\) y\(y\). | OpenStax | |||
| Probabilidad Condicional | la probabilidad de que ocurra un evento dado que ya se ha producido otro evento | OpenStax | |||
| Intervalo de confianza (CI) | una estimación de intervalo para un parámetro de población desconocido. Esto depende de: (1) El nivel de confianza deseado. (2) Información que se conoce sobre la distribución (por ejemplo, desviación estándar conocida). (3) La muestra y su tamaño. | OpenStax | |||
| Nivel de Confianza (CL) | la expresión porcentual para la probabilidad de que el intervalo de confianza contenga el parámetro de población verdadera; por ejemplo, si el\(CL = 90%\), entonces en 90 de cada 100 muestras la estimación del intervalo encerrará el parámetro de población verdadera. | OpenStax | |||
| tabla de contingencia | el método de mostrar una distribución de frecuencia como una tabla con filas y columnas para mostrar cómo dos variables pueden ser dependientes (contingentes) entre sí; la tabla proporciona una manera fácil de calcular probabilidades condicionales. | OpenStax | |||
| Variable aleatoria continua | una variable aleatoria (RV) cuyos resultados se miden; la altura de los árboles en el bosque es un RV continuo. | OpenStax | |||
| Grupo de control | un grupo en un experimento aleatorio que recibe un tratamiento inactivo pero que por lo demás se maneja exactamente como los otros grupos | OpenStax | |||
| Muestreo Conveniente | un método no aleatorio para seleccionar una muestra; este método selecciona individuos que son fácilmente accesibles y pueden resultar en datos sesgados. | OpenStax | |||
| Frecuencia Relativa Acumulada | El término se aplica a un conjunto ordenado de observaciones de menor a mayor. La frecuencia relativa acumulativa es la suma de las frecuencias relativas para todos los valores que son menores o iguales al valor dado. | OpenStax | |||
| Datos | un conjunto de observaciones (un conjunto de posibles resultados); la mayoría de los datos se pueden poner en dos grupos: cualitativo (un atributo cuyo valor está indicado por una etiqueta) o cuantitativo (un atributo cuyo valor está indicado por un número). Los datos cuantitativos se pueden separar en dos subgrupos: discretos y continuos. Los datos son discretos si es el resultado del conteo (como el número de alumnos de un determinado grupo étnico en una clase o el número de libros en una estantería). Los datos son continuos si son el resultado de la medición (como la distancia recorrida o el peso del equipaje) | OpenStax | |||
| parámetro decaimiento | El parámetro de decaimiento describe la velocidad a la que las probabilidades decaen a cero para valores crecientes de\(x\). Es el valor\(m\) en la función de densidad de probabilidad\(f(x) = me^{(-mx)}\) de una variable aleatoria exponencial. También es igual a\(m = \dfrac{1}{\mu}\), donde\(\mu\) está la media de la variable aleatoria. | OpenStax | |||
| Grados de Libertad (df) | el número de objetos en una muestra que son libres de variar. | OpenStax | |||
| Sucesos Dependientes | Si dos eventos NO son independientes, entonces decimos que son dependientes. | OpenStax | |||
| Variable aleatoria discreta | una variable aleatoria (RV) cuyos resultados se cuentan | OpenStax | |||
| Doble cegador | el acto de cegar tanto a los sujetos de un experimento como a los investigadores que trabajan con los sujetos | OpenStax | |||
| Igual de Probable | Cada resultado de un experimento tiene la misma probabilidad. | OpenStax | |||
| Límite de error para una media poblacional (MBE) | el margen de error; depende del nivel de confianza, tamaño de la muestra y desviación estándar de la población conocida o estimada. | OpenStax | |||
| Límite de error para una proporción de población (EBP) | el margen de error; depende del nivel de confianza, el tamaño de la muestra y la proporción estimada (a partir de la muestra) de éxitos. | OpenStax | |||
| Evento | un subconjunto del conjunto de todos los resultados de un experimento; el conjunto de todos los resultados de un experimento se denomina espacio de muestra y generalmente se denota por\(S\). Un evento es un subconjunto arbitrario en\(S\). Puede contener un resultado, dos resultados, ningún resultado (subconjunto vacío), todo el espacio muestral y similares. Las notaciones estándar para eventos son letras mayúsculas como\(A, B, C\), y así sucesivamente. | OpenStax | |||
| Valor esperado | promedio aritmético esperado cuando un experimento se repite muchas veces; también llamado la media. Notaciones:\(\mu\). Para una variable aleatoria discreta (RV) con función de distribución de probabilidad\(P(x)\), la definición también se puede escribir en la forma\(\mu = \sum{xP(x)}\). | OpenStax | |||
| Experimento | una actividad planificada realizada en condiciones controladas | OpenStax | |||
| Unidad Experimental | cualquier individuo u objeto a medir | OpenStax | |||
| Variable explicativa | la variable independiente en un experimento; el valor controlado por los investigadores | OpenStax | |||
| Distribución Exponencial | una variable aleatoria continua (RV) que aparece cuando estamos interesados en los intervalos de tiempo entre algunos eventos aleatorios, por ejemplo, el tiempo entre llegadas de emergencia a un hospital; la notación es\(X \sim \text{Exp}(m)\). La media es\(\mu = \frac{1}{m}\) y la desviación estándar es\(\sigma = \frac{1}{m}\). La función de densidad de probabilidad es\(f(x) = me^{-mx}\),\(x \geq 0\) y la función de distribución acumulativa es\(P(X \leq x) = 1 − e^{mx}\). | OpenStax | |||
| Primer cuartil | el valor que es la mediana de la de la mitad inferior del conjunto de datos ordenado | OpenStax | |||
| Frecuencia | el número de veces que se produce un valor de los datos | OpenStax | |||
| Polígono de frecuencia | parece un gráfico de líneas pero usa intervalos para mostrar rangos de grandes cantidades de datos | OpenStax | |||
| Tabla de frecuencias | una representación de datos en la que se muestran los datos agrupados junto con las frecuencias correspondientes | OpenStax | |||
| Distribución Geométrica | una variable aleatoria discreta (RV) que surge de los ensayos de Bernoulli; los ensayos se repiten hasta el primer éxito. La variable geométrica\(X\) se define como el número de ensayos hasta el primer éxito. Notación:\(X \sim G(p)\). La media es\(\mu = \dfrac{1}{p}\) y la desviación estándar es\(\sigma = \sqrt{\dfrac{1}{p}\left(\dfrac{1}{p} - 1\right)}\). La probabilidad de\(x\) fracasos exactos antes del primer éxito viene dada por la fórmula:\(P(X = x) = p(1 –p)^{x-1}\). | OpenStax | |||
| Experimento Geométrico | un experimento estadístico con las siguientes propiedades: (1) Hay uno o más ensayos de Bernoulli con todos los fracasos excepto el último, lo cual es un éxito. (2) En teoría, el número de ensayos podría continuar para siempre. Debe haber al menos un juicio. (3) La probabilidad,\(p\), de un éxito y la probabilidad,\(q\), de un fracaso no cambian de un juicio a otro | OpenStax | |||
| Experimento Hipergeométrico | un experimento estadístico con las siguientes propiedades: (1) Se toman muestras de dos grupos. (2) Le preocupa un grupo de interés, llamado el primer grupo. (3) Usted toma muestras sin reemplazo de los grupos combinados. (4) Cada selección no es independiente, ya que el muestreo es sin reemplazo. (5) Usted es no tratar con Juicios de Bernoulli. | OpenStax | |||
| Probabilidad Hipergeométrica | una variable aleatoria discreta (RV) que se caracteriza por: (1) Un número fijo de ensayos. (2) La probabilidad de éxito no es la misma de un ensayo a otro. Tomamos muestras de dos grupos de artículos cuando estamos interesados en un solo grupo. \(X\)se define como el número de éxitos del número total de ítems elegidos. Notación:\(X \sim H(r, b, n)\), donde\(r =\) el número de ítems en el grupo de interés,\(b =\) el número de ítems en el grupo no de interés, y\(n =\) el número de ítems elegidos. | OpenStax | |||
| Hipótesis | una declaración sobre el valor de un parámetro de población, en caso de dos hipótesis, la afirmación que se supone que es verdadera se llama hipótesis nula (notación\(H_{0}\)) y la declaración contradictoria se denomina hipótesis alternativa (notación\(H_{a}\)). | OpenStax | |||
| Prueba de Hipótesis | Con base en pruebas de muestra, un procedimiento para determinar si la hipótesis planteada es una afirmación razonable y no debe ser rechazada, o es irrazonable y debe ser rechazada. | OpenStax | |||
| Eventos Independientes | La ocurrencia de un evento no tiene efecto sobre la probabilidad de que ocurra otro evento. Eventos\(\text{A}\) y\(\text{B}\) son independientes si alguna de las siguientes es cierta: (1)\(P(\text{A|B}) = P(\text{A})\), (2)\(P(\text{B|A}) = P(\text{B})\), (3)\(P(\text{A AND B}) = P(\text{A})P(\text{B})\) | OpenStax | |||
| Estadísticas Inferenciales | también llamada inferencia estadística o estadística inductiva; esta faceta de la estadística se ocupa de estimar un parámetro poblacional a partir de una estadística de muestra. Por ejemplo, si cuatro de las 100 calculadoras muestreadas son defectuosas podríamos inferir que el cuatro por ciento de la producción es defectuosa. | OpenStax | |||
| Consentimiento Informado | Cualquier sujeto humano en un estudio de investigación debe ser consciente de cualquier riesgo o costo asociado con el estudio. El sujeto tiene derecho a conocer la naturaleza de los tratamientos incluidos en el estudio, sus riesgos potenciales y sus beneficios potenciales. El consentimiento debe ser dado libremente por un participante informado y apto. | OpenStax | |||
| Junta de Revisión Institucional | un comité encargado de la supervisión de programas de investigación que involucran a sujetos humanos | OpenStax | |||
| Intervalo | también llamado intervalo de clase; un intervalo representa un rango de datos y se usa cuando se muestran conjuntos de datos grandes | OpenStax | |||
| Nivel de significancia de la prueba | probabilidad de un error Tipo I (rechazar la hipótesis nula cuando es verdadera). Notación:\(\alpha\). En las pruebas de hipótesis, el Nivel de Importancia se llama el preconcebido\(\alpha\) o el preestablecido\(\alpha\). | OpenStax | |||
| Variable al acecho | una variable que tiene un efecto en un estudio aunque no sea ni una variable explicativa ni una variable de respuesta | OpenStax | |||
| Media | un número que mide la tendencia central; un nombre común para la media es “promedio”. El término “media” es una forma abreviada de “media aritmética”. Por definición, la media para una muestra (denotada por\(\bar{x}\)) es\(\bar{x} = \dfrac{\text{Sum of all values in the sample}}{\text{Number of values in the sample}}\), y la media para una población (denotada por\(\mu\)) es\(\mu = \dfrac{\text{Sum of all values in the population}}{\text{Number of values in the population}}\). | OpenStax | |||
| Media de una distribución de probabilidad | el promedio a largo plazo de muchos ensayos de un experimento estadístico | OpenStax | |||
| Mediana | un número que separa los datos ordenados en mitades; la mitad de los valores son el mismo número o menores que la mediana y la mitad de los valores son el mismo número o mayores que la mediana. La mediana puede o no ser parte de los datos. | OpenStax | |||
| propiedad sin memoria | Para una variable aleatoria exponencial\(X\), la propiedad sin memoria es la afirmación de que el conocimiento de lo ocurrido en el pasado no tiene ningún efecto sobre las probabilidades futuras. Esto quiere decir que la probabilidad que\(X\) supera\(x + k\), dado que ha superado\(x\), es la misma que la probabilidad que\(X\) superaría\(k\) si no tuviéramos conocimiento al respecto. En símbolos decimos que\(P(X > x + k | X > x) = P(X > k)\) | OpenStax | |||
| Punto medio | la media de un intervalo en una tabla de frecuencias | OpenStax | |||
| Modo | el valor que aparece con mayor frecuencia en un conjunto de datos | OpenStax | |||
| Mutuamente Exclusivos | Dos eventos son mutuamente excluyentes si la probabilidad de que ambos sucedan al mismo tiempo es cero. Si los eventos\(\text{A}\) y\(\text{B}\) son mutuamente excluyentes, entonces\(P(\text{A AND B}) = 0\). | OpenStax | |||
| Error de no muestreo | un problema que afecta la confiabilidad de los datos de muestreo distintos de la variación natural; incluye una variedad de errores humanos, incluyendo un diseño deficiente del estudio, métodos de muestreo sesgados, información inexacta proporcionada por los participantes del estudio, errores de entrada de datos y análisis deficientes. | OpenStax | |||
| Distribución Normal | una variable aleatoria continua (RV) con pdf\(f(x) = \dfrac{1}{\sigma \sqrt{2 \pi}}e^{\dfrac{-(x-\mu)^{2}}{2 \sigma^{2}}}\), donde\(\mu\) es la media de la distribución y\(\sigma\) es la desviación estándar; notación:\(X \sim N(\mu, \sigma)\). Si\(\mu = 0\) y\(\sigma = 1\), el RV se denomina distribución normal estándar. | OpenStax | |||
| Variable numérica | variables que toman valores que están indicados por números | OpenStax | |||
| ANOVA de una vía | un método para probar si las medias de tres o más poblaciones son iguales o no; el método es aplicable si: (1) todas las poblaciones de interés se distribuyen normalmente. (2) las poblaciones tienen desviaciones estándar iguales. (3) las muestras (no necesariamente del mismo tamaño) se seleccionan al azar e independientemente de cada población. (4) El estadístico de prueba para el análisis de varianza es el\(F\) -ratio. | OpenStax | |||
| Resultado | un resultado particular de un experimento | OpenStax | |||
| Valor atípico | una observación que no se ajusta al resto de los datos | OpenStax | |||
| valor p | la probabilidad de que un evento ocurra puramente por casualidad asumiendo que la hipótesis nula es verdadera. Cuanto menor es el\(p\) -valor, más fuerte es la evidencia contra la hipótesis nula. | OpenStax | |||
| Conjunto de datos emparejados | dos conjuntos de datos que tienen una relación uno a uno de manera que: (1) ambos conjuntos de datos tienen el mismo tamaño, y (2) cada punto de datos en un conjunto de datos coincide exactamente con un punto del otro conjunto. | OpenStax | |||
| Parámetro | un número que se utiliza para representar una característica poblacional y que generalmente no se puede determinar fácilmente | OpenStax | |||
| Parámetro | una característica numérica de una población | OpenStax | |||
| Placebo | un tratamiento inactivo que no tiene ningún efecto real sobre la variable explicativa | OpenStax | |||
| Estimación de puntos | un solo número calculado a partir de una muestra y utilizado para estimar un parámetro de población | OpenStax | |||
| Distribución de Poisson | Si hay un promedio conocido de\(\lambda\) eventos que ocurren por unidad de tiempo, y estos eventos son independientes entre sí, entonces el número de eventos\(X\) que ocurren en una unidad de tiempo tiene la distribución de Poisson. La probabilidad de que k eventos ocurran en una unidad de tiempo es igual a\(P(X = k) = \dfrac{\lambda^{k}e^{-\lambda}}{k!}\). | OpenStax | |||
| Distribución de probabilidad de Poisson | una variable aleatoria discreta (RV) que cuenta el número de veces que ocurrirá un determinado evento en un intervalo específico; características de la variable: (1) La probabilidad de que el evento ocurra en un intervalo dado es la misma para todos los intervalos. (2) Los eventos ocurren con una media conocida e independientemente del tiempo desde el último evento. La distribución se define por la media\(\mu\) del evento en el intervalo. Notación:\(X \sim P(\mu)\). La media es\(\mu = np\). La desviación estándar es\(\sigma = \sqrt{\mu}\). La probabilidad de tener exactamente\(x\) éxitos en los\(r\) ensayos es\(P(X = x) = \left(e^{-\mu}\right)\frac{\mu^{x}}{x!}\). La distribución de Poisson se suele utilizar para aproximar la distribución binomial, cuando\(n\) es “grande” y\(p\) “pequeña” (una regla general es que\(n\) debe ser mayor o igual a 20 y\(p\) debe ser menor o igual a 0.05). | OpenStax | |||
| Proporción agrupada | estimación del valor común de\(p_{1}\) y\(p_{2}\). | OpenStax | |||
| Población | todos los individuos, objetos o medidas cuyas propiedades están siendo estudiadas | OpenStax | |||
| Probabilidad | un número entre cero y uno, inclusive, que da la probabilidad de que ocurra un evento específico | OpenStax | |||
| Probabilidad | un número entre cero y uno, inclusive, que da la probabilidad de que ocurra un evento específico; la base de la estadística viene dada por los siguientes 3 axiomas (por A.N. Kolmogorov, 1930's): Vamos a\(S\) denotar el espacio muestral\(A\) y y\(B\) son dos eventos en S. Entonces: (1)\(0 \leq P(\text{A}) \leq 1\), (2) Si\(\text{A}\) y\(\text{B}\) son cualesquiera dos eventos mutuamente excluyentes, entonces\(\text{P}(\text{A OR B}) = P(\text{A}) + P(\text{B})\) y (3)\(P(\text{S}) = 1\). | OpenStax | |||
| Función de distribución de probabilidad (PDF) | una descripción matemática de una variable aleatoria discreta (RV), dada ya sea en forma de ecuación (fórmula) o en forma de tabla que enumera todos los resultados posibles de un experimento y la probabilidad asociada a cada resultado. | OpenStax | |||
| Proporción | el número de éxitos dividido por el número total en la muestra | OpenStax | |||
| Datos Cualitativos | Ver Datos. | OpenStax | |||
| Datos Cuantitativos | Ver Datos. | OpenStax | |||
| Asignación Aleatoria | el acto de organizar unidades experimentales en grupos de tratamiento mediante métodos aleatorios | OpenStax | |||
| Muestreo Aleatorio | un método de selección de una muestra que da a cada miembro de la población la misma oportunidad de ser seleccionado. | OpenStax | |||
| Variable aleatoria (RV) | una característica de interés en una población en estudio; la notación común para las variables son letras latinas mayúsculas\(X, Y, Z\),...; notación común para un valor específico del dominio (conjunto de todos los valores posibles de una variable) son letras latinas minúsculas\(x\),\(y\), y\(z\). Por ejemplo, si\(X\) es el número de hijos en una familia, entonces\(x\) representa un entero específico 0, 1, 2, 3,... Las variables en estadística difieren de las variables en álgebra intermedia en las dos formas siguientes. (1) El dominio de la variable aleatoria (RV) no es necesariamente un conjunto numérico; el dominio puede expresarse en palabras; por ejemplo, si el color\(X =\) del cabello entonces el dominio es {negro, rubio, gris, verde, naranja}. (2) Podemos decir qué valor específico\(X\) toma\(x\) la variable aleatoria solo después de realizar el experimento | OpenStax | |||
| Frecuencia relativa | la relación entre el número de veces que se produce un valor de los datos en el conjunto de todos los resultados con respecto al número de todos los resultados y el número total de resultados | OpenStax | |||
| Muestra Representativa | un subconjunto de la población que tiene las mismas características que la población | OpenStax | |||
| Variable de respuesta | la variable dependiente en un experimento; el valor que se mide para el cambio al final de un experimento | OpenStax | |||
| Muestra | un subconjunto de la población estudiada | OpenStax | |||
| Espacio de muestra | el conjunto de todos los resultados posibles de un experimento | OpenStax | |||
| Sesgo de muestreo | no todos los miembros de la población tienen la misma probabilidad de ser seleccionados | OpenStax | |||
| Distribución de Muestreo | Dadas muestras aleatorias simples\(n\) de tamaño de una población dada con una característica medida como media, proporción o desviación estándar para cada muestra, la distribución de probabilidad de todas las características medidas se denomina distribución muestral. | OpenStax | |||
| Error de Muestreo | la variación natural que resulta de seleccionar una muestra para representar una población mayor; esta variación disminuye a medida que aumenta el tamaño de la muestra, por lo que seleccionar muestras más grandes reduce el error de muestreo. | OpenStax | |||
| Muestreo con Repuesto | Una vez seleccionado a un miembro de la población para su inclusión en una muestra, ese miembro es devuelto a la población para la selección del siguiente individuo. | OpenStax | |||
| Muestreo sin Repuesto | Un miembro de la población podrá ser elegido para su inclusión en una muestra solo una vez. Si se elige, el miembro no es devuelto a la población antes de la siguiente selección. | OpenStax | |||
| Muestreo aleatorio simple | un método sencillo para seleccionar una muestra aleatoria; dar un número a cada miembro de la población. Utilice un generador de números aleatorios para seleccionar un conjunto de etiquetas. Estas etiquetas seleccionadas al azar identifican a los miembros de su muestra. | OpenStax | |||
| sesgado | utilizado para describir datos que no son simétricos; cuando el lado derecho de una gráfica se ve “recortado” comparado con el lado izquierdo, decimos que está “sesgado a la izquierda”. Cuando el lado izquierdo de la gráfica se ve “picado” en comparación con el lado derecho, decimos que los datos están “sesgados hacia la derecha”. Alternativamente: cuando los valores más bajos de los datos están más dispersos, decimos que los datos están sesgados hacia la izquierda. Cuando los valores mayores están más dispersos, los datos están sesgados hacia la derecha. | OpenStax | |||
| Desviación estándar | un número que es igual a la raíz cuadrada de la varianza y mide qué tan lejos están los valores de los datos de su media; notación: s para la desviación estándar de la muestra y σ para la desviación estándar de la población. | OpenStax | |||
| Desviación estándar de una distribución de probabilidad | un número que mide hasta qué punto están los resultados de un experimento estadístico de la media de la distribución | OpenStax | |||
| Error estándar de la media | la desviación estándar de la distribución de las medias de la muestra, o\(\dfrac{\sigma}{\sqrt{n}}\). | OpenStax | |||
| Distribución Normal Estándar | una variable aleatoria continua (RV)\(X \sim N(0, 1)\); cuando\(X\) sigue la distribución normal estándar, a menudo se anota como\ (Z\ sim N (0, 1)\. | OpenStax | |||
| Estadística | una característica numérica de la muestra; un estadístico estima el parámetro poblacional correspondiente. | OpenStax | |||
| Muestreo estratificado | un método para seleccionar una muestra aleatoria utilizada para asegurar que los subgrupos de la población estén representados adecuadamente; dividir la población en grupos (estratos). Utilice un muestreo aleatorio simple para identificar un número proporcional de individuos de cada estrato. | OpenStax | |||
| T -Distribución de Student | investigado y reportado por William S. Gossett en 1908 y publicado bajo el seudónimo de Student. Las principales características de la variable aleatoria (RV) son: (1) Es continua y asume cualquier valor real. (2) El pdf es simétrico sobre su media de cero. Sin embargo, está más extendido y más plano en el ápice que en la distribución normal. (3) Se acerca a la distribución normal estándar a medida que\(n\) se hace más grande. (4) Hay una “familia” de\(t\) distribuciones: cada representante de la familia está completamente definido por el número de grados de libertad que es uno menos que el número de elementos de datos. | OpenStax | |||
| Muestreo sistemático | un método para seleccionar una muestra aleatoria; enumerar los miembros de la población. Utilice un muestreo aleatorio simple para seleccionar un punto de partida en la población. Dejar k = (número de individuos en la población)/(número de individuos necesarios en la muestra). Elija cada késimo individuo de la lista comenzando por el que se seleccionó aleatoriamente. Si es necesario, regresa al inicio del listado poblacional para completar tu muestra. | OpenStax | |||
| El evento AND | Un resultado es en el evento\(\text{A AND B}\) si el resultado es en ambos\(\text{A AND B}\) al mismo tiempo. | OpenStax | |||
| El Evento Complemento | El complemento del evento\(\text{A}\) consiste en todos los resultados que NO están en\(\text{A}\). | OpenStax | |||
| La probabilidad condicional de A DADO B | \(P(\text{A|B})\)es la probabilidad de que\(\text{A}\) ocurra el evento dado que el evento ya se\(\text{B}\) ha producido. | OpenStax | |||
| La probabilidad condicional de un evento dado otro evento | P (A | B) es la probabilidad de que ocurra el evento A dado que el evento B ya ocurrió. | OpenStax | |||
| La Ley de los Grandes Números | A medida que aumenta el número de ensayos en un experimento de probabilidad, la diferencia entre la probabilidad teórica de un evento y la probabilidad de frecuencia relativa se acerca a cero. | OpenStax | |||
| El evento O | Un resultado es en el evento\(\text{A OR B}\) si el resultado está en\(\text{A}\) o está en\(\text{B}\) o está en ambos\(\text{A}\) y\(\text{B}\). | OpenStax | |||
| El OR de dos eventos | Un resultado es en el evento A O B si el resultado está en A, está en B, o está tanto en A como en B. | OpenStax | |||
| Tratamientos | diferentes valores o componentes de la variable explicativa aplicada en un experimento | OpenStax | |||
| Diagrama de árbol | la representación visual útil de un espacio muestral y eventos en forma de “árbol” con ramas marcadas por posibles resultados junto con probabilidades asociadas (frecuencias, frecuencias relativas) | OpenStax | |||
| Error de tipo 1 | La decisión es rechazar la hipótesis nula cuando, de hecho, la hipótesis nula es cierta. | OpenStax | |||
| Error de tipo 2 | La decisión es no rechazar la hipótesis nula cuando, de hecho, la hipótesis nula es falsa. | OpenStax | |||
| Distribución Uniforme | una variable aleatoria continua (RV) que tiene resultados igualmente probables sobre el dominio,\(a < x < b\); a menudo se le conoce como la distribución rectangular porque la gráfica del pdf tiene la forma de un rectángulo. Notación:\(X \sim U(a,b)\). La media es\(\mu = \frac{a+b}{2}\) y la desviación estándar es\(\sigma = \sqrt{\frac{(b-a)^{2}}{12}}\). La función de densidad de probabilidad es\(f(x) = \frac{1}{b-a}\) para\(a < x < b\) o\(a \leq x \leq b\). La distribución acumulativa es\(P(X \leq x) = \frac{x-a}{b-a}\). | OpenStax | |||
| Distribución Uniforme | una variable aleatoria continua (RV) que tiene resultados igualmente probables sobre el dominio,\(a < x < b\); a menudo referida como la Distribución Rectangular porque la gráfica del pdf tiene la forma de un rectángulo. Notación:\(X \sim U(a, b)\). La media es\(\mu = \dfrac{a+b}{2}\) y la desviación estándar es\(\sigma = \sqrt{\dfrac{(b-a)^{2}}{12}}\). La función de densidad de probabilidad es\(f(x) = \dfrac{a+b}{2}\) para\(a < x < b\) o\(a \leq x \leq b\). La distribución acumulativa es\(P(X \leq x) = \dfrac{x-a}{b-a}\). | OpenStax | |||
| Variable | una característica de interés para cada persona u objeto en una población | OpenStax | |||
| Variable (Variable aleatoria) | una característica de interés en una población en estudio. La notación común para las variables son letras latinas mayúsculas\(X, Y, Z,\)... Notación común para un valor específico del dominio (conjunto de todos los valores posibles de una variable) son letras latinas minúsculas\(x, y, z,\)... Por ejemplo, si\(X\) es el número de hijos en una familia, entonces\(x\) representa un entero específico 0, 1, 2, 3,... Las variables en estadística difieren de las variables en álgebra intermedia en las dos formas siguientes. (1) El dominio de la variable aleatoria (RV) no es necesariamente un conjunto numérico; el dominio puede expresarse en palabras; por ejemplo, si el color\(X =\) del cabello, entonces el dominio es {negro, rubio, gris, verde, naranja}. (2) Podemos decir qué valor específico x de la variable aleatoria\(X\) toma solo después de realizar el experimento. | OpenStax | |||
| Varianza | media de las desviaciones cuadradas de la media; el cuadrado de la desviación estándar. Para un conjunto de datos, una desviación se puede representar como\(x - \bar{x}\) donde\(x\) es un valor de los datos y\(\bar{x}\) es la media de la muestra. La varianza muestral es igual a la suma de los cuadrados de las desviaciones dividida por la diferencia del tamaño de la muestra y uno. | OpenStax | |||
| Diagrama de Venn | la representación visual de un espacio muestral y eventos en forma de círculos u óvalos mostrando sus intersecciones | OpenStax | |||
| puntuación z | la transformación lineal de la forma\(z = \dfrac{x-\mu}{\sigma}\); si esta transformación se aplica a cualquier distribución normal\(X \sim N(\mu, \sigma\) el resultado es la distribución normal estándar\(Z \sim N(0,1)\). Si esta transformación se aplica a algún valor específico\(x\) del RV con media\(\mu\) y desviación estándar\(\sigma\), el resultado se denomina\(z\) -score de\(x\). El\(z\) -score nos permite comparar datos que normalmente se distribuyen pero que se escalan de manera diferente. | OpenStax |