1
00:00:00,000 --> 00:00:06,780
No es que sea difícil, pero que sí que es verdad que hay veces que los términos los tenemos que tener claros y tenemos que estar entendiendo.

2
00:00:06,940 --> 00:00:15,119
Entonces, lo que sí que os pido por favor hoy, vamos, a partir de ahora, sobre todo en esta unidad, es que me interrumpáis cuando no entendáis algo, ¿vale?

3
00:00:15,119 --> 00:00:25,199
Y también, bueno, yo os iré preguntando y plantearemos algún ejercicio para que lo penséis, lo hagáis vosotros mientras tanto y luego lo corrijamos,

4
00:00:25,199 --> 00:00:34,899
porque al final es que es la única manera de llevar esta unidad al día y enterrarnos todos bien.

5
00:00:35,679 --> 00:00:42,340
Entonces, bueno, vamos a ver el mapa conceptual, como hacemos siempre al principio de la lección, ¿vale?

6
00:00:43,060 --> 00:00:48,020
Entonces, bueno, para ver a qué nos vamos a enfrentar en esta unidad de trabajo, ¿vale?

7
00:00:48,020 --> 00:00:55,020
Bueno, lo que nos indica aquí es que nosotros en un laboratorio, al final nuestro trabajo es medir y comparar

8
00:00:55,200 --> 00:01:10,659
Es lo que hacemos básicamente, damos nuestros resultados de nuestros ensayos en función de lo que estemos analizando, lo que se nos haya solicitado y para ello tenemos que asegurar la calidad de nuestras medidas.

9
00:01:10,659 --> 00:01:27,640
¿Cómo hacemos eso? Cuando medimos obtenemos datos y los datos lo que hacemos es expresarlos con unas unidades y su incertidumbre asociada es el error con el que nosotros estamos midiendo.

10
00:01:27,640 --> 00:01:37,140
¿Qué quiere decir esto? Que nosotros cuando hacemos una medida, cuando estamos analizando en cualquier tipo de experimento que estemos realizando,

11
00:01:37,540 --> 00:01:43,260
siempre vamos a tener un error asociado porque no podemos decir al 100% que nuestro dato es el dato real.

12
00:01:43,599 --> 00:01:51,540
Entonces, lo que hacemos es expresar un intervalo, expresar un error asociado a ese dato para que nuestra información esté completa.

13
00:01:51,540 --> 00:02:08,520
¿Vale? Entonces tenemos distintos tipos de errores que iremos viendo, tenemos los sistemáticos y los aleatorios que a su vez se pueden clasificar en distintas categorías y en función del error que tengamos nos va a afectar a algunos de nuestros parámetros.

14
00:02:08,520 --> 00:02:25,300
Nos va a afectar a la exactitud, nos va a afectar a la precisión, que si os acordáis, esto lo repetiremos hasta la saciedad, son términos diferentes. La exactitud lo que nos indica es la diferencia que hay entre nuestro valor real y el valor que hemos medido.

15
00:02:25,300 --> 00:02:38,840
Nos da una idea, la exactitud es cómo de cerca está nuestra medición del valor considerado real. Y en cambio, la precisión lo que nos indica es cómo de cerca están las medidas.

16
00:02:38,840 --> 00:02:41,860
Elena, no estás compartiendo pantalla.

17
00:02:41,860 --> 00:02:44,300
No estoy compartiendo, Jolín. Voy a ello.

18
00:02:48,020 --> 00:02:53,599
Perdonadme. Ahora sí, ¿verdad?

19
00:02:57,219 --> 00:02:58,080
Ahora sí.

20
00:02:58,080 --> 00:03:16,560
Sí, disculpadme. Bueno, estaba con el mapa conceptual que tenemos en el aula virtual. Entonces, lo que os estaba comentando, la exactitud a lo que se refiere es cómo de cerca está nuestro valor del valor real.

21
00:03:16,560 --> 00:03:35,259
Si nosotros tenemos, lo que estuvimos viendo el otro día, nuestros materiales de referencia, nuestros patrones, nosotros sabemos cuál es el valor exacto, si nosotros hacemos una medición y obtenemos un valor diferente, cuanto más cerca esté ese valor del valor real, más exacta va a ser nuestra medida.

22
00:03:35,259 --> 00:03:46,219
En cambio, ¿qué era la precisión? La precisión lo que nos indica es cómo de dispersos están nuestros datos, cómo de cerca están nuestras distintas mediciones entre ellas.

23
00:03:47,580 --> 00:03:59,759
Esto lo más visual es el ejemplo que pusimos al principio de la diana, que es la exactitud, acertar en el centro de la diana, lo que consideramos el valor real al que tenemos que llegar.

24
00:03:59,759 --> 00:04:12,099
¿Qué es la precisión? Que todos nuestros dardos estén agrupados cerca, alrededor del centro. ¿Qué pasaría si yo tengo todos mis dardos muy juntos entre ellos, pero en una esquina de la diana?

25
00:04:12,379 --> 00:04:27,540
Que mi medida va a ser muy precisa, porque todos mis dardos están agrupados alrededor de un mismo valor, pero no va a ser exacta, porque el valor alrededor del que están agrupados no es el valor real, que sería en este caso que estamos poniendo el centro de la diana.

26
00:04:27,540 --> 00:04:39,319
Entonces, bueno, vamos a ver los tipos de errores que hay, cómo cuantificarlos y a qué magnitudes nos afectan, a cuáles de nuestros parámetros nos afectan.

27
00:04:41,000 --> 00:04:46,899
Luego vamos a utilizar parámetros analíticos, test estadísticos y ensayos de significancia.

28
00:04:46,899 --> 00:04:58,040
Vamos a ver, bueno, la estadística inferencial, que ahora veremos lo que es, realiza unas hipótesis y luego las prueba para ver si se pueden aceptar o no.

29
00:04:58,939 --> 00:05:11,180
Entonces, bueno, vamos a andar en cómo tenemos que hacer, por ejemplo, cuando estamos en el laboratorio y nosotros hemos tomado siete medidas y vemos que seis de ellas son muy parecidas.

30
00:05:11,180 --> 00:05:23,920
Imaginaos que estamos midiendo un pH y tenemos 7,1, 7,0, 7,2, 6,9, 7,2, 7,1 y de repente nos encontramos con una medida que es 5,4.

31
00:05:24,459 --> 00:05:36,000
Pues ahí empezamos a pensar y decimos, a lo mejor he cometido un error, a lo mejor ese resultado lo tengo que eliminar, pero ¿qué criterio utilizo?

32
00:05:36,000 --> 00:05:49,019
Entonces, vamos a estudiar los distintos métodos que hay para ver si ese resultado lo tendríamos que rechazar o no, por ejemplo, ¿vale? Y eso, para hacer todo esto, vamos a hacer uso todo el rato de la estadística, ¿vale?

33
00:05:51,060 --> 00:06:05,100
Vamos a hablar, que eso yo creo que vamos a hacerlo hoy porque es lo más básico, a ver si os acordáis o si lo tenéis claro, de las cifras significativas y el redondeo. ¿Alguno me sabe decir qué son las cifras significativas?

34
00:06:09,579 --> 00:06:11,240
Seguro que sí, pero no quiere hablar.

35
00:06:14,209 --> 00:06:19,569
Bueno, las cifras significativas son las cifras que tienen, como su propio nombre indica, un significado.

36
00:06:19,870 --> 00:06:21,069
¿Qué quiere decir esto?

37
00:06:21,370 --> 00:06:28,050
Que si yo te digo, por ejemplo, que tengo un valor de 3,7, esas dos cifras me están dando información.

38
00:06:28,370 --> 00:06:31,050
Tengo una cifra que es el 3 y una cifra que es el 7.

39
00:06:31,889 --> 00:06:39,069
En cambio, si yo te digo que tengo un valor de 0,0037, ¿ahí qué datos me están dando valor?

40
00:06:39,069 --> 00:06:46,329
Realmente hay dos cifras que me están dando una indicación del valor real que tengo, que son el 3 y el 7

41
00:06:46,329 --> 00:06:54,110
Porque lo otro es lo mismo que si yo colocase una potencia que pusiese 3,7 por 10 a la menos 2 o a la menos 3

42
00:06:54,110 --> 00:06:55,790
No sé cuántos ceros he dicho, ¿vale?

43
00:06:56,430 --> 00:06:58,310
Entonces, bueno, esto lo vamos a ver con ejemplos

44
00:06:58,310 --> 00:07:04,930
¿Qué pasa muchas veces? Que tenemos más cifras en nuestros resultados de las que realmente tenemos que poner

45
00:07:04,930 --> 00:07:18,470
En el ejemplo del pH que os he dicho, que nuestros pH eran 7,2, 7,3, 7,5, eran distintas cantidades con un número entero y un número decimal.

46
00:07:19,149 --> 00:07:29,310
Si yo hago la media y me sale que el pH es 7,83, estoy dando un número de cifras mayor de lo que yo sé realmente,

47
00:07:29,310 --> 00:07:39,370
porque yo sé que mi instrumento está midiendo con 2, entonces tendré que redondear ese 7,83 y en vez de dar esas tres cifras significativas, daré 2, diré 7,8.

48
00:07:40,230 --> 00:07:50,829
Entonces, vamos a ver un poco todas estas herramientas que utilizamos para controlar la calidad de nuestro proceso analítico, que al final esto es un curso de calidad

49
00:07:50,829 --> 00:07:58,990
y una de las herramientas más importantes, la que más vamos a utilizar, aparte de nuestra consulta de la normativa,

50
00:07:59,189 --> 00:08:05,029
donde se tienen estipulados ciertos parámetros, etc., va a ser herramientas estadísticas continuamente.

51
00:08:05,629 --> 00:08:12,350
Los que estáis en segundo ya lo sabéis, los que habéis hecho prácticas ya lo sabéis y los que estáis en primero, que es el primer año,

52
00:08:12,889 --> 00:08:19,709
os daréis cuenta que al final esto lo aplicáis a prácticamente todos los módulos porque cada vez que vamos al laboratorio

53
00:08:19,709 --> 00:08:25,069
y hacemos una serie de medidas, luego nosotros expresamos un resultado final

54
00:08:25,069 --> 00:08:31,050
y para expresar ese resultado final, después de todas las mediciones que nosotros hemos hecho,

55
00:08:31,730 --> 00:08:37,169
tenemos que expresarlo de una manera concreta, que es con su número de cifras significativas apropiado,

56
00:08:37,830 --> 00:08:43,049
si hemos hecho varias medidas, hacemos la media de todas ellas, que ahí estamos aplicando la estadística,

57
00:08:43,750 --> 00:08:48,350
tenemos que aplicar los criterios de redondeo, damos un intervalo de confianza

58
00:08:48,350 --> 00:09:02,049
que muchos ya lo sabéis, pero lo veremos detalladamente cómo se calcula, pero un intervalo de confianza que nos dice, es ese intervalo en el que nosotros aseguramos que está nuestro valor, ¿no?

59
00:09:02,049 --> 00:09:20,590
Por ejemplo, si yo os digo que mi resultado final del pH este que os he dicho es 7,8 más menos 0,1, yo estoy garantizando que mi resultado va a estar entre 7,8 menos 1 y 7,8 más 1.

60
00:09:20,590 --> 00:09:40,590
Lo que quiero decir es que yo estoy diciendo que mi resultado está entre 7,7 y 7,9. A eso se le llama intervalo de confianza. Y eso lo veis representado siempre con la medida de vuestra magnitud, un más menos y esa incertidumbre social, ese intervalo de confianza.

61
00:09:40,590 --> 00:10:01,610
¿Vale? Ese intervalo de confianza y luego, bueno, nuestra unidad, ¿no? Si yo, el pH es adimensional, pero si yo os estoy hablando, por ejemplo, de lo que estoy midiendo en una balanza, yo os daré que mi masa es 3,5 más menos 0,3 gramos, por ejemplo.

62
00:10:01,610 --> 00:10:16,090
¿Vale? Datos inventados totalmente. Entonces, bueno, este es a lo que nos vamos a enfrentar y como ya os he comentado varias veces, es la unidad más extensa y vamos a estar con ella hasta bien entrado el año 2025.

63
00:10:16,090 --> 00:10:24,090
Ahora en diciembre las tres clases que nos quedan y estaremos todo enero y probablemente parte de febrero.

64
00:10:25,070 --> 00:10:33,889
Y así dejamos marzo para la siguiente unidad, abril para la última que nos quedaría y mayo para hacer repasos, simulacros, ejercicios, etc.

65
00:10:34,350 --> 00:10:36,690
Entonces, bueno, esto es lo que vamos a hacer.

66
00:10:37,289 --> 00:10:41,370
Y ahora vamos a comenzar por el principio, por qué es la estadística.

67
00:10:41,370 --> 00:11:00,850
¿Vale? Entonces, ¿qué es la estadística? Pues la estadística es una herramienta matemática que utilizamos para ordenar valores, para ordenarlos, para clasificarlos, para hacer representación, utilizamos representando gráficamente para verlo de manera más visual, ¿vale?

68
00:11:00,850 --> 00:11:20,990
Entonces, bueno, como hemos dicho, estamos en un curso de calidad y sabemos que nuestro objetivo es conseguir la calidad total, el total quality management y lo que queremos es integrar la calidad en todos los procesos de nuestra organización, ¿vale?

69
00:11:20,990 --> 00:11:36,110
nosotros como estamos trabajando en un laboratorio de análisis y control de calidad, es nuestro campo específico, pues bueno, vamos a querer llevar este objetivo de la calidad total a todas las fases de nuestro proceso analítico.

70
00:11:36,110 --> 00:11:51,590
¿Cómo hacemos eso? Pues mediante una serie de herramientas, algunas son unas herramientas de control, de planificación, en la que gestionamos cómo vamos a realizar nuestros procesos y mediante herramientas estadísticas.

71
00:11:51,590 --> 00:12:06,509
¿Qué es el proceso analítico? El proceso analítico es el conjunto de operaciones analíticas que nosotros realizamos entre que tenemos una muestra y proporcionamos un resultado.

72
00:12:06,509 --> 00:12:24,570
¿Vale? El proceso analítico es todo ese proceso que está entre medias. ¿Cómo empieza el proceso analítico? ¿Qué es lo que hacemos siempre ante cualquier problema, entre cualquier solución que queramos proponer?

73
00:12:24,570 --> 00:12:47,990
Pues bueno, identificamos el problema, elegimos el método mediante el cual vamos a realizar nuestro análisis, hacemos el muestreo, que es el muestreo, la toma de la muestra, vamos a obtener una muestra representativa para luego poder procesarla y realizar sobre ella los estudios que sean necesarios para determinarla, ¿vale?

74
00:12:47,990 --> 00:13:01,470
Vamos a determinarla con el método que hayamos seleccionado previamente y después vamos a evaluar los resultados haciendo uso de estas herramientas estadísticas y a redactar el informe, ¿vale?

75
00:13:01,470 --> 00:13:25,190
Entonces, el concepto de calidad total lo que nos dice es que vamos a incluir estas herramientas en todas las etapas del proceso, ¿no? Pues bueno, en mayor o menor medida, pero en el muestreo ya comenzamos eligiendo una muestra que sea representativa, eso ya es una característica.

76
00:13:25,190 --> 00:13:35,190
Bueno, hacemos uso de herramientas estadísticas, que eso ya lo veréis mucho más en profundidad en muestreo.

77
00:13:37,070 --> 00:13:49,210
Y bueno, lo que intentamos básicamente cuando empezamos con nuestra etapa analítica, una vez que hemos identificado el problema, es que nuestra muestra sea representativa.

78
00:13:49,210 --> 00:14:17,269
No tiene sentido que si yo, por ejemplo, lo que estoy analizando es el porcentaje, los PPM que hay de la concentración de un metal, de plomo, en un suelo, de donde sea, no tendría sentido que yo no tome una muestra de la zona en la que yo quiero hacer ese análisis o que no abarque toda la extensión, que no sea de toda la profundidad que pueda contener ese plomo.

79
00:14:17,269 --> 00:14:32,950
El muestreo tiene que ser representativo del problema que nosotros tenemos. Entonces, lo que estoy comentándoos ahora es que la estadística influye en muchas de las etapas del proceso analítico.

80
00:14:32,950 --> 00:14:48,789
En el muestreo, que nosotros lo que buscamos es esa representatividad. Luego, cuando hacemos una medida que incluye la comparación de patrones, estamos aplicando las herramientas que tenemos para saber cómo de certera son nuestras medidas.

81
00:14:48,789 --> 00:15:08,490
Y luego, cuando evaluamos los resultados, que nosotros estamos expresando nuestro resultado con su intervalo de confianza, estamos garantizando con un cierto nivel de probabilidad, que ya veremos cómo se evalúa, que nuestro resultado es el que es y está dentro de unos parámetros.

82
00:15:09,429 --> 00:15:17,250
Vamos a hablar también, vamos a evaluar con los resultados, los resultados que sean dudosos, si los rechazamos o no.

83
00:15:17,529 --> 00:15:24,610
El ejemplo que os he puesto al principio de si estamos haciendo medidas de pH y de repente una es muy distinta de las demás,

84
00:15:24,789 --> 00:15:29,690
tendremos que evaluar si realmente esa medida yo la tengo que considerar o no.

85
00:15:31,470 --> 00:15:37,870
Entonces, para todas estas decisiones, para todas estas etapas, vamos a hacer uso de la estadística.

86
00:15:37,870 --> 00:16:02,289
Que no es más que una sección, una parte de las matemáticas que lo que se encarga es eso, de organizar grandes cantidades de datos y hacerlos representar patrones, representar lo más característico, lo más representativo, de una manera más visual y más fácil de interpretar.

87
00:16:02,289 --> 00:16:15,129
Si nosotros tenemos una tabla con 100 datos, no podemos saber exactamente, no podemos hacernos una idea de ante qué nos estamos enfrentando, pero si nos dan la media de esos 100 datos, ya sí.

88
00:16:15,809 --> 00:16:22,370
Entonces, es una herramienta que a priori es compleja, pero lo que hace es simplificar los procesos y los resultados.

89
00:16:24,049 --> 00:16:30,230
Entonces, muy importante dos conceptos, el concepto de muestra y el concepto de población.

90
00:16:31,230 --> 00:16:40,909
Con muestra, tenemos dos acepciones en nuestro mundo, porque nosotros cuando hablamos de muestra, normalmente lo que estamos hablando es de lo que vamos a analizar.

91
00:16:41,289 --> 00:16:54,090
Tenemos un número de muestras que nosotros analizamos en el laboratorio. Tenemos una muestra de suelo, una muestra de cualquier disolución que tiene un analito o lo que sea.

92
00:16:54,090 --> 00:17:06,210
Pero estadísticamente hablando, muestra tiene una acepción diferente. Vamos a hablar ahora mismo de muestra y población referidos puramente a la estadística.

93
00:17:06,470 --> 00:17:15,950
Los conceptos estadísticos de muestra y población. ¿Qué es la población? La población es la totalidad del sistema que es objeto de estudio.

94
00:17:15,950 --> 00:17:29,289
O sea, de lo que nosotros vamos a hacer un análisis, vamos a hacer un estudio, la población es el todo. ¿Y qué es la muestra? En este caso, la muestra es una porción que es representativa de la población.

95
00:17:29,289 --> 00:17:58,089
¿Vale? Tenéis aquí un dibujo que no sé si se ve bien, pero bueno, tenemos un grupo de personas dibujadas de distintos colores, que están mezcladas a su vez, entonces nosotros tenemos que lo que está dentro de este círculo grande sería nuestra población total, o sea, el sistema completo, y nosotros para analizarlo vamos a coger una muestra de esta población y ¿qué requisitos tiene que cumplir?

96
00:17:58,089 --> 00:18:10,170
Que sea representativa. Si os dais cuenta aquí, en este círculo pequeño, que es la muestra que hemos elegido, tenemos, pues, hombrecitos de estos de distintos colores, ¿vale?

97
00:18:10,950 --> 00:18:20,069
Si yo tengo esta población y como muestra cojo solo todos los muñequitos verdes, no tengo una muestra representativa, ¿no?

98
00:18:20,109 --> 00:18:24,970
No tengo una porción que me esté representando la población total, ¿vale?

99
00:18:24,970 --> 00:18:28,910
me estará representando una cosa diferente, pero la población total desde luego que no.

100
00:18:28,910 --> 00:18:34,890
Si yo cojo solamente los muñequitos verdes y hago mis análisis sobre los muñequitos verdes,

101
00:18:35,210 --> 00:18:38,930
yo luego no sé cómo es esa población, yo sé cómo son los muñequitos verdes,

102
00:18:39,009 --> 00:18:42,829
pero la población no lo sé porque no he elegido una muestra representativa.

103
00:18:43,089 --> 00:18:47,809
Entonces, estadísticamente, muestra es esa porción representativa de la población.

104
00:18:49,670 --> 00:18:54,910
Y esto es un concepto que os tiene que quedar muy claro.

105
00:18:54,970 --> 00:19:05,730
Que bueno, no es difícil, pero bueno, que lo sepáis, una muestra es la porción representativa de la población sobre la que nosotros hacemos nuestros estudios, ¿vale?

106
00:19:07,470 --> 00:19:21,730
Ejemplos, estamos estudiando, por ejemplo, la contaminación de agua en un río. Pues, ¿qué sería mi población en una región? Pues, todos los ríos en una región afectados por la contaminación.

107
00:19:21,730 --> 00:19:41,490
Por ejemplo, yo estoy estudiando la contaminación con mercurio en los ríos de la Comunidad de Madrid, ¿vale? ¿Cuál es la población? Los ríos de la Comunidad de Madrid, ¿vale? ¿Cuál sería mi muestra? Pues sería un grupo de muestras de agua que yo tomo en puntos diferentes de estos ríos, ¿vale?

108
00:19:41,490 --> 00:19:58,069
¿Vale? ¿Es todo claro? ¿Si nadie dice lo contrario? Vale. Entonces, población y muestra. La población, la totalidad del sistema objeto de estudio y la muestra, la porción representativa de la población.

109
00:19:58,069 --> 00:20:12,849
¿Vale? Entonces, ya que sabemos lo que es población y lo que es muestra, vamos a definir las dos vertientes que tiene la estadística, ¿vale? Así de manera general.

110
00:20:13,309 --> 00:20:20,349
Entonces, tenemos la estadística descriptiva y la estadística inferencial. Las dos las vamos a utilizarlas, ¿vale?

111
00:20:20,349 --> 00:20:34,109
Entonces, ¿qué es la estadística descriptiva? Pues como su propio nombre indica, es la estadística, es la parte de la estadística, las herramientas estadísticas que utilizamos para describir los datos que tenemos.

112
00:20:34,109 --> 00:21:00,230
Por ejemplo, yo os digo que quiero describir cómo es España, cómo hacen en sociología, quiero decir cómo sería la edad, si tengo que elegir a una persona y dar todas las características, cuántos años tendría, qué estudios tendría, qué género tendría, etc.

113
00:21:00,230 --> 00:21:19,269
Entonces, lo que hago es, con mis valores, los describo. Por ejemplo, si yo quiero ahora con la media de nuestra clase, que no sé cuántos estamos ahora conectados, estamos conectados 10 personas conmigo.

114
00:21:19,269 --> 00:21:37,109
¿Vale? Pues imaginaos que yo digo, vale, quiero explicar esta clase a una persona externa, pues diría, vale, somos 10, la media de edad la podría expresar y yo describo con los datos que yo tengo una población o una muestra.

115
00:21:37,109 --> 00:21:50,849
Con una población yo hago un muestreo y lo describo. ¿Qué es la estadística inferencial? Es un poco hacer el proceso contrario. A partir de una muestra, inferir cómo sería toda una población.

116
00:21:50,849 --> 00:22:09,109
O sea, yo tengo una población de la que extraigo una muestra y la realizo. Y eso es a lo que se dedica la estadística descriptiva. Yo tengo unos datos que he obtenido y decido extrapolarlos para expresar cómo es toda una población.

117
00:22:09,789 --> 00:22:13,009
Esto es un poco ambiguo, se entiende mucho mejor con ejemplos.

118
00:22:13,009 --> 00:22:26,089
Lo único que sepáis es que tenemos dos vertientes, la estadística descriptiva es la que hemos visto toda la vida, la que hemos estudiado en todos los niveles y además la que se escucha en la calle.

119
00:22:26,089 --> 00:22:40,349
Cuando dan datos del paro, de los salarios, de la edad media de una población, etc., estamos hablando de estadística descriptiva.

120
00:22:40,549 --> 00:22:47,910
Estamos utilizando los datos que tenemos para sacar unas estadísticas y la estadística inferencial es la que os he comentado,

121
00:22:47,910 --> 00:22:56,390
que se basa en hipótesis y que es la que utilizaremos, por ejemplo, para ver si nuestro resultado dudoso lo tenemos que aceptar o no,

122
00:22:57,210 --> 00:23:03,230
para ver si nuestras medidas son iguales o son significativamente diferentes.

123
00:23:05,170 --> 00:23:12,170
Esto es lo que nombro para que sepáis que hay dos vertientes, pero las iremos viendo con detalles que se entienden mucho mejor.

124
00:23:12,170 --> 00:23:29,170
¿Vale? Entonces, bueno, aquí tenéis una definición que la estadística descriptiva se encarga de analizar, organizar y presentar los datos que ya tenemos, que ya hemos recolectado y lo que hacemos es organizarlos y presentarlos de una manera clara y comprensible.

125
00:23:29,170 --> 00:23:39,990
Entonces, el objetivo de la estadística descriptiva es resumir la información disponible para que podamos identificar patrones y características de los datos.

126
00:23:39,990 --> 00:23:54,089
Lo que os he dicho antes de si tenemos un listado con 100 medidas, hacemos una media de esas 100 medidas y lo que hacemos es resumir esa información y podemos analizarla de una manera más sencilla.

127
00:23:54,089 --> 00:24:11,930
Y la inferencial, lo que os digo, va más allá de describir los datos que tenemos y lo que queremos es hacer predicciones, generalizaciones a través de hipótesis sobre una población más amplia, ¿vale? A partir de una muestra. Y esto lo hacemos, pues eso, estimando parámetros, realizando pruebas, etc.

128
00:24:11,930 --> 00:24:35,650
Cuando utilizamos estadística diferencial, la mayoría de las veces necesitamos hacer uso de tablas que están ya establecidas, ¿vale? Son tablas que, por ejemplo, en el examen o para hacer ejercicios las vais a tener disponibles y vamos a tener que buscar ahí información para poder hacer estos contrastes de hipótesis, ¿vale?

129
00:24:35,650 --> 00:24:59,650
Entonces, ¿qué es lo que hacemos? Nosotros tenemos nuestras herramientas estadísticas y tenemos que definir otro término que son las variables. ¿Qué son las variables? Las variables son cada una de las propiedades o cualidades que poseen los individuos que forman una población y que pueden adoptar diferentes valores, objetos de medida u observación.

130
00:25:00,450 --> 00:25:07,609
¿Esto qué quiere decir? Que son los distintos parámetros que yo puedo utilizar para realizar mi estadística.

131
00:25:09,109 --> 00:25:15,509
Una variable, hay de dos tipos, que ahora vemos ejemplos, las cualitativas y las cuantitativas.

132
00:25:16,130 --> 00:25:24,430
Pero, por ejemplo, lo que os he dicho antes de la descripción de la población de la Comunidad de Madrid o de España o de lo que sea,

133
00:25:24,849 --> 00:25:29,150
pues una de las variables, ¿cuál sería? Por ejemplo, la edad.

134
00:25:29,650 --> 00:25:48,230
Estoy utilizando la edad para describirlo, es una de mis variables. Otra cual puede ser el género, por ejemplo. Otra cual puede ser el nivel de estudios, el color de ojos, la masa, lo que me dé la gana.

135
00:25:48,230 --> 00:26:02,230
Son las variables sobre las cuales yo puedo realizar mi estadística. Son las propiedades o cualidades que poseen los individuos y cuando pone individuos se refiere a cada una de las partes de la población estadística.

136
00:26:02,230 --> 00:26:16,609
No hay individuos como personas. Por ejemplo, si yo estoy trabajando en el laboratorio, aquí cuando se refiere a individuos es cada una de mis muestras que yo estoy analizando, cada uno de mis ensayos.

137
00:26:18,230 --> 00:26:32,690
Muestras en la acepción química, tengo una muestra y la analizo. Cada una de ellas tiene unas propiedades que son las que yo puedo adoptar distintos valores y son las que yo puedo medir, observar y, por tanto, analizar.

138
00:26:33,710 --> 00:26:41,930
Y las podemos clasificar según el tipo de valores que pueden tener. Pueden ser o cualitativas con L o cuantitativas.

139
00:26:41,930 --> 00:27:01,289
¿Qué diferencia hay entre unas y otras? Pues cualitativas, como su propio nombre indica, es una cualidad. Son las variables que se basan en una cualidad de nuestra población, de nuestro objeto de estudio.

140
00:27:01,289 --> 00:27:20,809
Y las cuantitativas son, por el contrario, las que se pueden cuantificar, ¿vale? Las que se pueden representar numéricamente, ¿vale? Entonces, darle una pensada ahora, a ver si se os ocurren algunas, pero bueno, veremos ejemplos ahora a continuación, ¿vale?

141
00:27:20,809 --> 00:27:36,670
Entonces, las variables cualitativas, que acordaos de lo de cualidad, ¿vale? Cualidad, no cantidad. Las cualitativas, que también se llaman variables categóricas o atributos, son las variables que no se pueden expresar en forma de números, ¿vale?

142
00:27:36,670 --> 00:27:48,349
Se pueden expresar en forma de categorías. Luego, tenemos dentro de estas variables cualitativas, tenemos dos tipos.

143
00:27:48,690 --> 00:27:55,730
Unas son las que se pueden ordenar, las que dentro de que son una cualidad tienen un cierto orden y otras son las que no, ¿vale?

144
00:27:56,049 --> 00:28:02,509
Entonces, cuando se pueden ordenar las llamamos ordinales y cuando no las llamamos nominales, ¿vale?

145
00:28:02,509 --> 00:28:22,210
Un ejemplo, vamos a decir lo primero, una variable cualitativa. Si os digo una variable cualitativa, por ejemplo, se me ocurre el color de ojos. Yo puedo clasificar a mi población de la Comunidad de Madrid por los que tienen ojos verdes, los que tienen ojos marrones y los que tienen ojos azules.

146
00:28:22,210 --> 00:28:42,049
Yo puedo hacer mi estadística y decir cuántos hay de cada uno, puede ser mi variable que yo utilice, ¿no? ¿Lo puedo expresar como un número? No, ¿no? O sea, yo puedo hacer la media, puedo sumar azul con verde y dividirlo entre dos, no, son variables que son cualitativas, no se pueden cambiar por un número, ¿vale?

147
00:28:42,970 --> 00:28:50,609
Otra variable cualitativa, por ejemplo, si yo estoy dividiendo la población por el nivel más alto de estudios acabados, ¿no?

148
00:28:51,029 --> 00:29:05,990
Imagínate, doctor, licenciado, FP superior, FP grado medio, bachillerato, no sé, me ocurre más eso y primaria.

149
00:29:06,150 --> 00:29:07,930
Imaginaos que yo lo clasifico así.

150
00:29:07,930 --> 00:29:28,490
Eso tiene un orden. Quiero decir, ¿yo puedo ordenar eso de una manera lógica? Sí, ¿no? No puedo ordenar ojos azules, ojos verdes y ojos marrones porque no hay uno que esté por encima del otro, no hay uno que sea mejor, digamos, uno que tú puedas clasificar con un orden lógico.

151
00:29:28,490 --> 00:29:48,809
En cambio, si yo quiero clasificar, quiero comparar la gente que tiene primaria con la gente que tiene una licenciatura o con FP, yo puedo hacer un orden, ¿no? Puedo hacer un orden concreto de esos atributos. Entonces, a ese tipo de variables se las llama cualitativas ordinales, ¿vale? Porque tienen un orden, ¿ok?

152
00:29:48,809 --> 00:30:05,410
Entonces, tenemos para recapitular dos tipos de variables, cualitativa y cuantitativa. Y dentro de la cualitativa, que también se llama categórica o atributo, son sinónimos, dentro de la cualitativa tengo ordinales y nominales.

153
00:30:05,849 --> 00:30:07,650
Ordinales, si tienen un orden lógico.

154
00:30:08,329 --> 00:30:12,269
Calidad del aire, que si te dicen que es buena, mala o regular,

155
00:30:12,549 --> 00:30:13,950
eso no lo puedes cambiar por un número,

156
00:30:14,170 --> 00:30:17,869
pero tú sabes que está primero la buena, luego la regular y luego la mala.

157
00:30:18,069 --> 00:30:19,029
Tiene un orden lógico.

158
00:30:19,190 --> 00:30:22,470
Eso sería una variable cualitativa ordinal.

159
00:30:23,309 --> 00:30:31,089
Si te dicen color de un indicador pH y uno es rojo,

160
00:30:31,170 --> 00:30:32,789
otro es verde, otro azul y otro amarillo,

161
00:30:32,789 --> 00:30:34,269
no tienes un orden lógico.

162
00:30:34,269 --> 00:30:43,750
Son cualidades, tú puedes clasificar por colores, pero no tienes un orden, no puedes poner el verde, luego el azul, luego el amarillo y luego el rojo en un orden lógico.

163
00:30:44,369 --> 00:30:47,190
Es como que ninguno está por encima del otro.

164
00:30:48,049 --> 00:30:51,269
Entonces, eso son cualitativas, ordinales y nominales.

165
00:30:53,930 --> 00:30:54,410
Ejemplos.

166
00:30:55,970 --> 00:30:56,910
Calidad del aire.

167
00:30:56,910 --> 00:31:04,089
Pues es una variable cualitativa, categórica, que es lo mismo, ordinal.

168
00:31:04,269 --> 00:31:30,730
¿Vale? Calidad del aire, las que ponen en los centros de medición, por ejemplo, de estos que hay uno en la Casa de Campo, hay otro en el centro, hay distintos puntos para medir la calidad del aire y en función de la calidad del aire, bueno, pues se mandan avisos a la población, en la página de la EMED y del Tiempo siempre tienes la calidad del aire de tu localidad.

169
00:31:30,730 --> 00:31:47,269
Cuando la calidad del aire supera un cierto umbral, pues empieza a haber restricciones, etc. ¿Vale? Entonces, calidad del aire, muy mala, mala, regular, buena, muy buena. ¿Cómo es?

170
00:31:47,269 --> 00:31:50,230
Entonces, primero pensamos, ¿cuantitativa o cualitativa?

171
00:31:50,869 --> 00:31:55,589
Cualitativa. Yo no puedo sumar muy mala más mala y dividirlo entre dos. No se puede.

172
00:31:56,109 --> 00:32:00,710
¿Es cualitativa y es ordinal? Sí, porque realmente hay un orden.

173
00:32:00,829 --> 00:32:04,490
Yo puedo clasificar muy mala, mala, regular, buena, muy buena. Tiene un sentido.

174
00:32:05,069 --> 00:32:13,289
Otro ejemplo, el tipo de ecosistema. Tenemos un desierto, un bosque, la tundra, la selva, ecosistema urbano, todos los que queramos.

175
00:32:13,289 --> 00:32:29,529
Es una variable que podemos utilizar, es algo con lo que podemos hacer una clasificación, pero es cualitativa claramente, no se puede cambiar por un número, pero no es ordinal, es nominal porque no tiene un orden concreto.

176
00:32:29,529 --> 00:32:43,349
¿Vale? No podemos poner por encima desierto de bosque, por ejemplo, ¿vale? No hay un orden natural, no tiene un sentido ordenarlo, ¿vale? Entonces, esa es la diferencia.

177
00:32:43,349 --> 00:32:59,650
Y luego, aparte de las variables cualitativas, que son las que hemos visto, tenemos las variables cuantitativas, ¿vale? Cuantitativa de cantidad. Acordaos cuando, si alguien se lía, cuali de cualidad, quanti de cantidad.

178
00:33:00,589 --> 00:33:11,509
Entonces, ¿cuáles son las cuantitativas? Las que sí que se les puede asignar un valor en forma numérica, ¿vale? Que puede ser un número dentro de un intervalo.

179
00:33:11,509 --> 00:33:26,509
Estas son las que nos van a interesar a nosotros, porque en un laboratorio de análisis lo que nosotros estamos es cuantificando, estamos dando resultados que la mayoría de las veces son solo variables cuantitativas.

180
00:33:26,509 --> 00:33:46,190
Entonces, en un laboratorio de análisis tienen mayor interés las cuantitativas que las cualitativas. Entonces, igual que las cualitativas las podíamos separar en nominales y ordinales, en ordinales y no ordinales, las cuantitativas las podemos separar en discretas y continuas.

181
00:33:46,190 --> 00:33:58,430
¿Vale? ¿Qué son cada una de ellas? Las discretas son aquellas que solo pueden tomar un valor, un número, perdón, finito de valores entre dos valores.

182
00:33:58,910 --> 00:34:06,430
Y las continuas, las variables que pueden tomar un número infinito de valores entre dos números. ¿Vale? Más fácil.

183
00:34:06,910 --> 00:34:13,409
Vamos a empezar por las continuas que son las más sencillas de entender. Una variable continua es aquella que puede tener cualquier valor.

184
00:34:13,409 --> 00:34:33,489
Vale. Yo, si me voy a pesar o voy a pesar una muestra, ¿qué masa voy a obtener? ¿Puedo obtener cualquier valor o valores concretos? Puedo obtener cualquiera, ¿no? Yo puedo pesar algo que mida un gramo o un kilo y también puede pesar dos kilos.

185
00:34:33,489 --> 00:34:39,750
Y entre medias puede pesar un kilo y medio, y entre medias de eso un kilo 550, 5, 5, 5.

186
00:34:39,750 --> 00:34:42,610
Os puedo poner todos los decimales que yo quiera en el medio.

187
00:34:43,329 --> 00:34:48,590
Otra cosa es que yo no tenga el instrumento para medir con tanta precisión.

188
00:34:48,949 --> 00:34:54,429
Pero tú realmente, por ejemplo, una masa puede tener cualquier valor, no está limitado, cualquier valor positivo.

189
00:34:55,610 --> 00:34:57,510
Por eso decimos dentro de un intervalo.

190
00:34:57,510 --> 00:35:04,269
Entonces, si yo pregunto cuánto pesas, tú me puedes dar cualquier valor.

191
00:35:04,570 --> 00:35:08,429
No hay ningún valor que esté restringido, ¿vale? Cualquier valor positivo.

192
00:35:08,989 --> 00:35:13,190
En cambio, las discretas solo pueden tomar un número concreto de valores.

193
00:35:13,469 --> 00:35:18,329
¿Esto qué quiere decir? Que igual que yo te he preguntado cuánto pesas y tú me puedes dar cualquier número,

194
00:35:18,329 --> 00:35:23,570
si yo te digo que cuántos hermanos tienes, no me puedes decir que tienes 1,87.

195
00:35:23,570 --> 00:35:30,409
tendrás uno o tendrás dos pero no puedes tener cualquier número son números que están cerrados

196
00:35:30,409 --> 00:35:36,349
vale entonces si te pregunto que cuántos hermanos tienes me puedes contestar que cero que uno que

197
00:35:36,349 --> 00:35:44,510
dos que tres que cuatro que cinco y si así hasta el número que alguien tenga hermanos vale pero

198
00:35:44,510 --> 00:35:49,429
nunca me vas a decir que me vas a poder decir que tienes uno y medio vale esto queda claro la

199
00:35:49,429 --> 00:35:55,289
diferencia entre discreta y continua? Porque es muy importante también, ¿vale? Luego para

200
00:35:55,289 --> 00:36:01,789
entender los demás conceptos. Entonces, discretas, las que solo pueden tomar un número finito

201
00:36:01,789 --> 00:36:09,449
de valores y las continuas las que pueden tomar cualquiera, ¿vale? Entonces, ejemplos

202
00:36:09,449 --> 00:36:16,550
de variables discretas. Número de partículas contaminantes en una muestra de aire. Si yo

203
00:36:16,550 --> 00:36:21,570
tengo una muestra de aire y estoy analizando el número, no la concentración, el número

204
00:36:21,570 --> 00:36:27,670
de partículas que hay, yo podré tener una partícula, dos, tres, diez mil, cien mil,

205
00:36:27,809 --> 00:36:34,269
un millón, pero no podré tener tres partículas y media, o tengo dos, o sea, o tengo tres

206
00:36:34,269 --> 00:36:40,210
o tengo cuatro, pero es una entidad que no se puede dividir, ¿vale? Entonces, una variable

207
00:36:40,210 --> 00:36:46,010
discreta sería este número de partículas, ¿vale? Tengo que tener números enteros en

208
00:36:46,010 --> 00:36:52,769
este caso. No puedo tener un número decimal, ¿vale? Número de productos químicos que utilizo en una

209
00:36:52,769 --> 00:36:57,789
planta de tratamiento de aguas. Lo mismo, esto no es una variable tan científica, ¿no? Porque no es

210
00:36:57,789 --> 00:37:03,190
algo que cuantifiquemos así de, pues en esta planta utilizo siete productos, pero lo mismo. Tú puedes

211
00:37:03,190 --> 00:37:08,590
utilizar siete productos. No utilizas siete con cinco ni siete con tres. Utilizas siete, utilizas

212
00:37:08,590 --> 00:37:35,949
Pero no puedes utilizar medio producto, medio tipo de producto. Esos serían ejemplos de variables discretas. Con el COVID, por ejemplo, cuando nos daban los datos públicos continuamente en 2020-2021 del número de casos de COVID que se habían diagnosticado en un día o en una semana.

213
00:37:35,949 --> 00:37:51,909
Nunca te decían, se han diagnosticado 7.825,4, porque no es verdad, porque tú o diagnosticas a 7.825 personas o a 7.826, pero nunca vas a poder diagnosticar a 0,4 personas porque no existe, ¿vale? No existe comunidad.

214
00:37:52,949 --> 00:38:01,070
Entonces, el número de casos de enfermedades respiratorias en una población, variable discreta, ¿vale? Estas clarísimas.

215
00:38:01,929 --> 00:38:23,730
Ahora, variables continuas, las que pueden tomar cualquier valor, cualquier valor dentro de un rango, ¿no? Por ejemplo, si yo hablo de temperatura, realmente la temperatura puede tener cualquier valor, ¿no? Yo puedo tener de fiebre 37 o 38 o 37,5 o 37,55 o 37,58, 3, 4, 9 y así hasta el infinito, ¿vale?

216
00:38:23,730 --> 00:38:43,210
Lo que digo, puede haber, pues la limitación es que no voy a tener un termómetro que me dé exactamente esa precisión, pero técnicamente, teóricamente, yo puedo tener cualquier valor de temperatura, no está limitado, ¿vale? Cualquier valor de temperatura mayor del cero absoluto, porque si no, no existe.

217
00:38:43,210 --> 00:38:50,070
Por eso hablamos de un intervalo, ¿no? Yo no puedo tener menos de 0 grados Kelvin de temperatura, por ejemplo.

218
00:38:50,469 --> 00:38:57,110
Pero a partir de ahí, a partir de los 0 Kelvin, cualquier valor, cualquiera, cualquiera, cualquiera es válido, ¿vale?

219
00:38:57,550 --> 00:39:03,449
Entonces, por ejemplo, hemos hablado antes del número de partículas contaminantes, teníamos un número, ¿no?

220
00:39:03,449 --> 00:39:11,469
Teníamos 10 partículas, 11, 12, 250.000 y era un número entero, no podíamos tener 7 partículas y media.

221
00:39:11,469 --> 00:39:29,570
En cambio, si hacemos un análisis también de un contaminante en el aire, pero estamos hablando de su concentración, pues por ejemplo, en miligramos metro cúbico, unidad de masa entre unidad de volumen, eso es una variable continua porque puede adoptar cualquier valor.

222
00:39:29,570 --> 00:39:52,010
O sea, un contaminante puede ser cualquier masa en cualquier volumen, no hay una restricción, ¿vale? De los datos que teóricamente pueden entrar ahí. La masa es una variable continua totalmente, el volumen es una variable continua también, la temperatura continua, ¿vale?

223
00:39:52,010 --> 00:40:04,269
¿Vale? Esto, decidme que sí, para que me quede tranquila, esto lo estamos entendiendo todos, ¿no? ¿No hay ninguna duda de esto? ¿Estáis ahí?

224
00:40:05,889 --> 00:40:07,250
Por mi parte, bien.

225
00:40:07,250 --> 00:40:25,269
Entonces, concentración de un contaminante, variable continua. Concentración de metales pesados, de cualquier analito que estemos analizando. Una concentración partes por millón, lo mismo, estamos hablando de una masa en una masa o una masa en un volumen, continua.

226
00:40:25,269 --> 00:40:36,889
Puede adoptar cualquier valor. Temperatura, del aire o del agua, cualquier temperatura. Puede adoptar cualquier valor. Lo que os digo, siempre que sea mayor de 0 Kelvin, o sea, cualquier valor en un intervalo.

227
00:40:37,289 --> 00:40:46,030
Nosotros podemos tener cualquier temperatura. No tenemos que tener 7, 8, 9 o 10. Podemos tener 7, lo que sea y con todos los decimales que queramos, ¿vale?

228
00:40:46,030 --> 00:41:05,010
Entonces, estas son las variables estadísticas que vamos a recapitular otra vez. Tenemos dos tipos, las cualitativas que nos expresan una cualidad, un atributo de nuestra población y las cuantitativas que se pueden expresar con forma de un número.

229
00:41:05,889 --> 00:41:14,369
Dentro de las cualitativas con L podemos tener las ordinales, que tengan un sentido lógico o no, que entonces son nominales.

230
00:41:14,369 --> 00:41:26,469
Y dentro de las cuantitativas con N podemos tener las continuas, que pueden adoptar cualquier valor, por ejemplo, la masa, el volumen, la concentración, la temperatura, etc.

231
00:41:27,309 --> 00:41:31,750
Y luego tenemos las discretas, que solo pueden tener valores concretos.

232
00:41:31,750 --> 00:41:43,210
¿Vale? Por ejemplo, otro ejemplo estúpido que estoy aquí en clase. ¿Cuántas mesas hay en mi clase? Pues habrá las que haya, habrá 20, pero no va a haber 20 y media.

233
00:41:43,429 --> 00:41:52,070
¿Vale? Eso sería una variable discreta. O ¿cuántos bolis tienes en el estuche? ¿Cuántos perros tienes en casa? ¿Vale? Esas son variables discretas.

234
00:41:52,070 --> 00:41:58,389
Tu respuesta solo puede tener unos valores predeterminados, el 0, el 1, el 2, el 3 y así hasta donde sea, hasta el infinito.

235
00:41:58,829 --> 00:42:04,769
Pero tú no puedes decir un valor que está entre medias del 0 y el 1, porque no existe, no tienes medio perro.

236
00:42:06,969 --> 00:42:13,030
Entonces, dicho esto, tenemos nuestras variables estadísticas.

237
00:42:13,510 --> 00:42:17,389
Lo que queremos hacer con ellas es poder expresarlas de una manera que nos sean útiles.

238
00:42:17,389 --> 00:42:32,829
Lo que hemos dicho al principio, que la estadística, la función que tiene es presentarnos y organizarnos la información de manera que la podamos utilizar de una manera más intuitiva y más sencilla y más útil al fin y al cabo.

239
00:42:33,769 --> 00:42:38,869
Entonces, la estadística descriptiva, acordaos que lo único que hace es describir nuestros datos.

240
00:42:39,170 --> 00:42:49,409
Nosotros tenemos unos datos y mediante la estadística descriptiva vamos a poder hablar, dar valores que nos representen a esos datos.

241
00:42:50,909 --> 00:42:56,690
Entonces, así, grosso modo, tenemos dos tipos de medidas en la estadística descriptiva.

242
00:42:56,690 --> 00:43:01,690
Una son las medidas de centralización y otra son las medidas de dispersión.

243
00:43:02,829 --> 00:43:18,670
¿Qué son las medidas de centralización? Como su propio nombre indica, nos quieren dar un valor central, un valor representativo. Nos permiten expresar todos los datos correspondientes a una variable mediante un solo número.

244
00:43:18,670 --> 00:43:37,610
Y ese número nos va a servir como representante de los mismos, ¿vale? Antes de seguir con esto, me estoy acordando, os voy a dejar un par de minutos para que le echéis un ojo a esto y me digáis si son discretas o continuas y nominales u ordinales, ¿vale?

245
00:43:37,610 --> 00:43:47,030
Os dejo tres minutillos para que las leáis y ahora lo corregimos en alto, antes de cambiar al siguiente tercio, ¿vale?

246
00:43:53,239 --> 00:44:01,940
Que además está en el cambio de hora y como hay ruido, así en los dos minutillos que se meten en clase lo vais mirando y ahora lo corregimos.

247
00:44:01,940 --> 00:45:37,530
Vale, le hemos hecho un ojo ya

248
00:45:37,530 --> 00:45:43,050
Entonces, clasifica las siguientes variables según su tipo

249
00:45:43,050 --> 00:45:45,929
Cuantitativa, discreto o continuo

250
00:45:45,929 --> 00:45:48,110
Y cualitativa, nominal u ordinal

251
00:45:48,110 --> 00:45:51,530
La primera, masa de un reactivo químico en microgramos

252
00:45:51,530 --> 00:45:53,550
Medida en un laboratorio con su incertidumbre

253
00:45:53,550 --> 00:45:59,289
Esta sería, os digo yo la respuesta, si nadie dice nada

254
00:45:59,289 --> 00:46:02,789
Esta sería cuantitativa, se puede cuantificar

255
00:46:02,789 --> 00:46:03,989
Y sería continua

256
00:46:03,989 --> 00:46:07,809
Estoy midiendo mi reactivo y la masa puede adoptar cualquier valor.

257
00:46:08,530 --> 00:46:14,090
La B, nombre del compuesto presente en una muestra ambiental, por ejemplo, dióxido de carbono, metano, etc.

258
00:46:16,690 --> 00:46:17,329
Cualitativa.

259
00:46:17,570 --> 00:46:19,250
Cualitativa, nominal u ordinal.

260
00:46:20,809 --> 00:46:22,130
Ahí sí, no sé.

261
00:46:22,789 --> 00:46:27,949
¿Tú crees que hay un orden que puedes ordenar metano mejor que dióxido de carbono, por ejemplo?

262
00:46:30,670 --> 00:46:31,269
No.

263
00:46:31,269 --> 00:46:38,550
No tiene un orden lógico, no es como si fuese bueno o malo. Entonces, en este caso es nominal, ¿vale? No hay un orden.

264
00:46:39,409 --> 00:46:39,650
Vale.

265
00:46:40,269 --> 00:46:48,050
Genial. El siguiente, grado de contaminación de un río clasificado como bajo, moderado, alto y muy alto. Está así, ¿no?

266
00:46:49,630 --> 00:46:55,190
Aquí tenemos que es cualitativa, es una cualidad la que estamos evaluando, pero sí que tiene un orden.

267
00:46:55,190 --> 00:47:14,409
Tú puedes hacer una escala, ¿no? Pues puedes poner en una tabla y sabrías cuál poner debajo de otro, cuál sigue al siguiente, ¿no? Estaría claramente primero el bajo, luego el moderado, luego el alto y luego el muy alto. Entonces, sería cualitativa y ordinar. Sí que tiene un orden, ¿vale?

268
00:47:14,869 --> 00:47:20,969
Esta, ¿número de colonias bacterianas formadas en una placa de Petri después de un ensayo de 24 horas?

269
00:47:20,969 --> 00:47:24,530
Cuanti

270
00:47:24,530 --> 00:47:26,250
Cuantitativa, perdón

271
00:47:26,250 --> 00:47:27,849
Cuanti con N, ¿no?

272
00:47:28,230 --> 00:47:28,510
¿Vale?

273
00:47:28,730 --> 00:47:28,949
Sí

274
00:47:28,949 --> 00:47:30,769
¿Y ahora discreto o continua?

275
00:47:34,989 --> 00:47:35,409
Discreta

276
00:47:35,409 --> 00:47:37,650
Discreta, muy bien, justo

277
00:47:37,650 --> 00:47:39,809
Esta a veces hay mucha confusión

278
00:47:39,809 --> 00:47:41,170
Es el número de colonias

279
00:47:41,170 --> 00:47:44,750
Tú puedes tener una colonia, puedes tener dos, puedes tener diez, puedes tener diez mil

280
00:47:44,750 --> 00:47:46,889
Pero no puedes tener 1,5, ¿vale?

281
00:47:47,329 --> 00:47:50,030
Perfecto, entonces esta sería cuantitativa

282
00:47:50,030 --> 00:47:52,269
Porque se puede cuantificar, pero discreta

283
00:47:52,269 --> 00:47:53,570
Solo ciertos valores

284
00:47:53,570 --> 00:48:01,809
Ok. Longitud de onda de absorción máxima de un compuesto medida en espectrofotometría en nanómetros.

285
00:48:05,750 --> 00:48:07,230
Esta sería una cuanticontinua.

286
00:48:08,510 --> 00:48:14,519
Justo, perfecto. Cuantitativa porque se puede cambiar por un número y continua porque puede...

287
00:48:14,519 --> 00:48:18,599
Clasificación de muestras según su fuente, industrial, doméstica o agrícola.

288
00:48:25,360 --> 00:48:31,579
Esta sería cualitativa, ¿no? Está dándonos un atributo que no se puede...

289
00:48:31,579 --> 00:48:32,460
¿Y discreta?

290
00:48:32,460 --> 00:48:38,440
No, discreta es sólo si es cuantitativa. Si es cuantitativa, que se puede cuantificar.

291
00:48:38,559 --> 00:48:39,619
Nominal, perdón.

292
00:48:39,659 --> 00:48:51,179
Eso sí, nominal. Si es cuantitativa, es discreto o continua. Y si es cualitativa, nominal u ordinal. Y esta nominal, muy bien, porque no tenemos un orden entre industrial, doméstica, agrícola, hospitalaria, ¿vale?

293
00:48:52,179 --> 00:48:58,460
Luego, tiempo que tarda un equipo en completar una medición. En segundos.

294
00:48:59,860 --> 00:49:03,039
¿Cuantitativa discreta?

295
00:49:04,019 --> 00:49:06,519
¿El tiempo que tarda un equipo?

296
00:49:06,599 --> 00:49:07,079
Continua.

297
00:49:07,340 --> 00:49:10,400
Continua, porque puede adoptar cualquier valor.

298
00:49:10,539 --> 00:49:15,980
Puede tardar un segundo, pero puede tardar 1,3, 1,35, 1,3, 8, 5, 7, 8, 9,

299
00:49:16,199 --> 00:49:19,300
si tenemos el instrumento lo suficientemente preciso.

300
00:49:20,119 --> 00:49:24,340
Y la última, cantidad de nitrógeno total detectado en una muestra de suelo

301
00:49:24,340 --> 00:49:26,260
expresada en miligramos partido por kilo.

302
00:49:32,420 --> 00:49:37,059
Esta claramente es cuanti, porque lo podemos expresar con un número, 17 miligramos.

303
00:49:37,340 --> 00:49:38,599
¿Y continua también?

304
00:49:38,599 --> 00:49:52,139
Y continua también, porque la masa es continua. Entonces, tenemos masa arriba y masa abajo, continua y continua, continua. Perfecto. Ahora os planteo una que siempre hay mucha reflexión y mucha polémica. ¿El dinero, que es discreto o continuo?

305
00:49:56,949 --> 00:49:58,030
Continuo también, ¿no?

306
00:50:00,349 --> 00:50:10,190
Continuo. Es que aquí están las dos vertientes y no hay ninguna que sea correcta. Vale, ¿tú puedes decir quién ha dicho que es continuo?

307
00:50:10,190 --> 00:50:12,469
Yo

308
00:50:12,469 --> 00:50:14,329
Vale, pues el continuo

309
00:50:14,329 --> 00:50:16,750
Tú lo que estás diciendo es que tú puedes tener cualquier cantidad de dinero

310
00:50:16,750 --> 00:50:17,670
¿No? Por ejemplo

311
00:50:17,670 --> 00:50:19,730
Y con los céntimos también

312
00:50:19,730 --> 00:50:21,329
Claro, pero tú puedes tener

313
00:50:21,329 --> 00:50:24,849
17 euros

314
00:50:24,849 --> 00:50:26,789
Con

315
00:50:26,789 --> 00:50:28,510
Espérate, a ver cómo lo digo

316
00:50:28,510 --> 00:50:29,409
Puedes tener un euro

317
00:50:29,409 --> 00:50:34,269
Con 25,3 céntimos

318
00:50:34,269 --> 00:50:37,539
No, no, porque el céntimo

319
00:50:37,539 --> 00:50:39,880
No se puede dividir más, porque no existe la moneda

320
00:50:39,880 --> 00:50:57,960
Pero esto lo hemos discutido muchas veces en clase y técnicamente el dinero es totalmente continuo, porque tú en el banco puedes tener cualquier valor. Otra cosa es que no haya una moneda que represente ese valor, porque si hablamos del dinero que tenemos físico, sí que es una magnitud, una variable que es discreta.

321
00:50:58,780 --> 00:51:16,059
Entonces, por ejemplo, un compañero vuestro de presencial decía que, claro, que en la gasolinera tú cuando vas a echar gasolina no te pone que te cueste un euro, te pone 1,6358 a lo mejor, que no tenemos ni siquiera nosotros esos decimales, ¿vale?

322
00:51:16,599 --> 00:51:24,699
Entonces, por eso ahí estaba siempre, lo he preguntado por curiosidad para ver qué salía y me habéis dicho una discreta y otra continua, así que como siempre.

323
00:51:25,360 --> 00:51:35,639
El dinero técnicamente sería una variable continua, podemos tener cualquier cantidad de dinero en el banco, pero si lo queremos sacar es discreta,

324
00:51:35,739 --> 00:51:41,219
porque nosotros vamos a poder tener de un céntimo en un céntimo, no podemos tener una cantidad más pequeña en mano.

325
00:51:41,860 --> 00:51:51,780
Y también surge un poco esta misma discusión, este mismo pensamiento cuando hablamos de la edad, que la edad es discreta o continua.

326
00:51:51,780 --> 00:52:14,480
La edad es continua, ¿no? Porque nosotros simplificamos y a ti te preguntan ¿cuántos años tienes? Y tú dices pues yo tengo 25 años, simplificas, tienes 25 años, pero tú realmente tendrías que decir tengo 25 años, 7 meses, 5 días, 4 horas, 3 minutos, 8 segundos, no sé cuántos milisegundos y tú ahí hasta el infinito, ¿no?

327
00:52:14,480 --> 00:52:38,800
O sea, realmente es una variable que es continua, pero nosotros lo que hacemos es discretizarla cuando queremos hacer estudios y demás. Si tú te hacen una encuesta por la calle, tú no vas a decir que tienes tantos años, tantos meses, tantos días, ¿no? Dices los años que tienes, pero realmente la edad sería una magnitud, o sea, los años que tenemos, el tiempo que tenemos vivos, al final es tiempo, que es continuo, ¿vale?

328
00:52:38,800 --> 00:52:59,039
Espero no haberos liado más con esto, pero bueno, para que veáis que casi cualquier variable con la que trabajemos o con la que podamos utilizar en el día a día la podemos clasificar como discreta, como continua o si es cualitativa, como nominal o como ordinal, ¿vale?

329
00:52:59,039 --> 00:53:16,659
Pues lo que hemos dicho, pensad siempre en, cuando no tengáis muy claro si es cuantitativa o cualitativa, si la puedes cambiar por un número y para discreta continua, pues eso, número de hermanos, número de gatos que tengo o número de hijos, nunca vas a poder tener medio, ¿vale?

330
00:53:16,659 --> 00:53:38,360
¿Vale? Entonces, visto lo de las variables, vamos a retomar aquí con lo que os estaba diciendo, que las medidas de centralización lo que nos hacen es representarnos, expresarnos los datos que tenemos mediante un valor que nos sirve de representante de estos datos, ¿vale?

331
00:53:38,699 --> 00:53:44,659
¿Cuáles son las medidas de centralización? Pues la media, la moda y la mediana, ¿vale?

332
00:53:45,179 --> 00:53:54,159
La que más escuchamos continuamente y la que más utilizamos nosotros como químicos, como técnicos en un laboratorio, es la media, ¿no?

333
00:53:54,159 --> 00:54:01,840
Vosotros hacéis una serie de experimentos, os da unos valores de concentración y luego sumáis todos los valores que os han dado,

334
00:54:01,840 --> 00:54:07,019
lo dividís entre el número total de mediciones y expresáis vuestra media, ¿no? Es lo más habitual.

335
00:54:07,019 --> 00:54:20,659
Pero tenemos distintos tipos de medidas de centralización que cada una tiene unas características, ¿vale? Entonces, ¿qué es la media? Pues lo que hemos dicho al final, no lo tengo aquí explicado, bueno.

336
00:54:20,659 --> 00:54:43,039
La media es la medida que nosotros utilizamos de manera más habitual, es el parámetro más utilizado para estimar el valor medio verdadero y lo que hacemos con la media, que no tenemos aquí la fórmula, es sumar todas nuestras medidas y dividirlas entre el número total de medidas.

337
00:54:43,039 --> 00:55:08,239
La media, normalmente, lo habréis visto muchas veces que se expresa como la X, que es nuestra variable, con una barra encima, con esta barra de aquí. Esa es la media muestral, que nosotros, como trabajadores en un laboratorio con problemas analíticos con los que vamos a trabajar, siempre, la mayoría de las veces, trabajamos con muestras, no trabajamos con poblaciones enteras.

338
00:55:08,239 --> 00:55:17,699
Entonces, la media es esta de aquí, ¿vale? La representación, me refiero a la graficación, es nuestra X con la barrita encima.

339
00:55:18,519 --> 00:55:24,960
Cuando estamos hablando de una media poblacional, de toda la población, la representamos con la letra mu, ¿vale?

340
00:55:25,139 --> 00:55:31,159
Que es lo mismo, es una ponderación, un promedio de todos nuestros valores, ¿vale?

341
00:55:31,320 --> 00:55:35,519
Dividido entre el número total de los datos que tenga nuestra población, ¿vale?

342
00:55:35,519 --> 00:55:46,320
Para que lo sepáis, porque algunas veces veremos la mu, que es la media poblacional, y otras veces veremos la inmensa mayoría, nuestra x con la barra arriba, que es nuestra media muestral.

343
00:55:46,780 --> 00:55:55,300
Entonces, ¿cómo se calcula la media? Como hemos hecho toda la vida. Si tenemos cinco valores, sumamos esos cinco valores y lo dividimos entre cinco.

344
00:55:55,480 --> 00:55:59,840
Si tenemos más, más. Hacemos un promedio de todos nuestros valores.

345
00:55:59,840 --> 00:56:20,380
¿Vale? Otro parámetro que tenemos, la mediana, también es una medida de centralización, nos está buscando el punto intermedio, un valor central, un valor que represente a todos de la manera más precisa, con la mayor inteligencia posible.

346
00:56:20,380 --> 00:56:36,460
No quiero decir preciso y exacto para no liar. Entonces, ¿qué es la mediana? Es el valor central de un conjunto de valores. Es distinto de la media. Por ejemplo, voy a abrir una hoja de cálculo y os pongo aquí datos.

347
00:56:36,460 --> 00:57:03,099
Si yo tengo estos valores, el 5, el 6, el 7, el 8, el 12, el 14 y el 16, ¿vale? Mi media, ¿qué será? Mi media es este valor, el 5, más el 6, más el 7, ¿no? Sumo todos mis valores y con el resultado que me dé, ¿vale? Lo voy a hacer así, pero el próximo día lo hago con papel para que os resulte más claro.

348
00:57:03,099 --> 00:57:18,179
pero bueno, mi media va a ser la suma de todo esto, que me da 68, y lo voy a dividir entre el número de valores que tengo, que son 1, 2, 3, 4, 5, 6 y 7, ¿vale?

349
00:57:18,980 --> 00:57:30,639
Entonces, mi media va a ser 9,71, aproximadamente, ¿no? Mi media va a estar por aquí. Es la suma de todos estos valores divididos entre el número de valores.

350
00:57:30,639 --> 00:57:45,639
¿Qué es mi mediana? Mi mediana es el valor que está en el medio, ¿vale? En el medio cuando los ordeno de mayor a menor o de menor a mayor, da exactamente lo mismo. Aquí los tengo ya ordenados directamente, lo he hecho a posta, ¿vale? Entonces, ¿cuál sería mi mediana aquí?

351
00:57:45,639 --> 00:58:10,500
Yo aquí tengo estos tres valores por encima, estos tres valores por debajo, el que está en el medio es este de aquí, mi mediana es 8, ¿vale? Esto es mi media que me ha dado 9,71 o lo que sea, porque he sumado todos estos valores y los he dividido entre 7, pero mi mediana es el valor que está en el medio, ¿vale?

352
00:58:10,500 --> 00:58:36,559
Muy importante para calcular la mediana, mis datos tienen que estar ordenados, ¿no? Si yo tengo aquí el 4, 27, 5, 8, 12, 48, aquí mi mediana no va a ser el valor, 48, 3, no va a ser este valor de aquí que esté en el medio porque no están ordenados.

353
00:58:36,559 --> 00:58:57,320
Primero los tendría que colocar en orden, ¿no? Colocaría primero el 3, luego el 4, luego el 5, luego el 8, va a dar la casualidad de que es el mismo, pero por casualidades de la vida, 3, 4, 5, 8, 12, 27 y 48, ¿no?

354
00:58:57,320 --> 00:59:11,159
Ahora ya sí que los tengo ordenados, ahora tengo 3 por encima, tengo 3 por debajo y mi mediana es este valor de aquí, ¿vale? Aquí ha dado la casualidad de que justo estaban así, ¿vale?

355
00:59:11,159 --> 00:59:17,719
Pero bueno, entendedme que si esto en vez de un 3 es un 50, ya no saldría, ¿vale?

356
00:59:18,059 --> 00:59:24,400
Porque tendría este número aquí abajo y este no lo tendría.

357
00:59:25,219 --> 00:59:29,420
Entonces, ahora mismo mi mediana sería este de aquí, que es el que está entre medios, ¿vale?

358
00:59:31,579 --> 00:59:34,480
Entonces, los tengo ordenados y busco el valor que hay en el medio.

359
00:59:34,980 --> 00:59:40,119
¿Qué pasaría si yo tengo, en vez de esto, tengo, por ejemplo, esto de aquí?

360
00:59:40,119 --> 00:59:50,739
Y ahora los sigo teniendo ordenados, ¿vale? De menor a mayor, el 3, el 4, el 5, el 8, 12, 27, 48 y 50.

361
00:59:51,139 --> 01:00:00,659
¿Aquí cuál sería mi mediana? Vale, pues tengo 4 valores por aquí, o sea, 3 valores por aquí, 3 por aquí, pero es que no tengo un valor medio.

362
01:00:00,659 --> 01:00:16,159
Si yo tengo aquí 4, aquí 4. Entonces, ¿qué hago? Cogerme la media de estos dos valores. Haría 12 más 8 y lo dividiría entre 2. O sea, 12 y 8, 20. Mi mediana en este caso sería 10.

363
01:00:16,159 --> 01:00:24,719
Entonces, ¿cómo se calcula la mediana? Pues si mi número de valores es impar, es el que está en el medio

364
01:00:24,719 --> 01:00:33,579
y si mi número de valores es par, como no hay ninguno en medio, sería esto de aquí, lo que hago es la media entre los dos valores centrales

365
01:00:33,579 --> 01:00:40,320
Si selecciono estos dos, veis que tengo tres por arriba, tres por abajo, pues hago la media de estos dos, ¿vale?

366
01:00:40,320 --> 01:00:57,500
Y con eso tengo mi mediana. Entonces, ya he definido lo que es mi media y lo que es mi mediana, ¿vale? Ahora, ¿qué es mi moda? La moda, lo sabéis también, estar a la moda, lo que más se lleva, lo que más se repite, ¿vale?

367
01:00:57,500 --> 01:01:16,699
La moda es el valor que más se repite en una distribución. En este caso, no tengo ninguna moda, tengo todos los valores una vez, ¿vale? Si mis datos fuesen, pues ahora tengo aquí un 12, ahora mismo la moda de mi serie de valores es el 12, porque está dos veces, ¿no?

368
01:01:16,699 --> 01:01:36,000
Lo tengo aquí y lo tengo aquí y el resto de los valores solo los tengo una vez. Entonces, en este caso, mi moda es 12. ¿Qué pasa si tengo estos datos? Que tengo un 3, un 12, un 5, un 8, un 12 otra vez, un 27, un 5 otra vez.

369
01:01:36,000 --> 01:01:52,260
Pues que tengo dos modas, es bimodal. Mi moda es el 12 y mi moda es el 5, porque ambas se repiten dos veces. Aquí tengo 5, 5, 12, 12.

370
01:01:52,260 --> 01:02:07,420
En este caso, mis datos tienen dos modas. Es bimodal. Hemos visto los tres tipos de medidas de centralización que vamos a utilizar. La moda no la vamos a utilizar prácticamente nunca.

371
01:02:07,420 --> 01:02:19,300
La tenemos que conocer, pero a nivel científico, a nivel analítico, a nuestro nivel como químicos, no es algo que nos aporte una información muy valiosa.

372
01:02:19,980 --> 01:02:30,199
Tenemos que saber lo que es, tenemos que saber calcularlo, pero nosotros vamos a utilizar la mayor parte de las veces la moda y la mediana puede tener sentido.

373
01:02:30,199 --> 01:02:39,960
La mediana, esto que os pone aquí es muy importante, es más robusta que la media ya que no se ve afectada por valores extremos anómalos.

374
01:02:40,199 --> 01:02:43,239
¿Os acordáis de lo que es que algo sea robusto, que un método sea robusto?

375
01:02:44,340 --> 01:02:58,329
Un método robusto, una medida robusta, es aquella que varía poco cuando hay modificaciones, que se aguanta firme ante los cambios.

376
01:02:58,329 --> 01:03:00,289
digamos, pensar en un árbol gordo

377
01:03:00,289 --> 01:03:02,389
es muy robusto, si sopla el viento no se cae

378
01:03:02,389 --> 01:03:04,150
uno fino es poco robusto, se cae

379
01:03:04,150 --> 01:03:06,929
cuando hay una modificación, cuando hay un cambio

380
01:03:06,929 --> 01:03:09,210
un método que es robusto

381
01:03:09,210 --> 01:03:10,710
no se ve tan afectado

382
01:03:10,710 --> 01:03:12,309
como uno que no es tan robusto

383
01:03:12,309 --> 01:03:14,030
entonces, ¿qué quiere decir?

384
01:03:14,190 --> 01:03:16,909
que la mediana es más robusta que la media

385
01:03:16,909 --> 01:03:18,650
ya que no se ve afectada

386
01:03:18,650 --> 01:03:20,710
por valores extremos anómalos

387
01:03:21,250 --> 01:03:24,489
¿os cuadra esto?

388
01:03:24,630 --> 01:03:25,789
¿le veis lógica?

389
01:03:25,789 --> 01:03:41,010
Sí, ¿no? Vamos a pensar, creo que tengo aquí el dato. Vale, los salarios de un país, por ejemplo, en España, los ingresos están distribuidos de una manera que no es muy desigual, ¿no?

390
01:03:41,010 --> 01:03:47,050
Hay poca gente que gana mucho, mucho dinero y luego hay mucha gente que gana poco dinero, ¿no?

391
01:03:47,050 --> 01:03:59,670
Está repartido de una manera que no es una distribución equitativa en el sentido de que no es regular, ¿no?

392
01:03:59,670 --> 01:04:10,889
Que no es como un espejo, que no la podemos ver, que hay la misma cantidad de gente que gana mucho dinero que la misma cantidad de gente que gana poco, ¿no?

393
01:04:10,889 --> 01:04:20,949
tampoco está desplazado esta campana hacia que hay mucha más gente que gana menos dinero que la poca gente que gana mucho, ¿vale?

394
01:04:21,250 --> 01:04:28,530
Pues, por ejemplo, hay mucha más gente ganando 1.000 euros que lo que está ganando, yo que sé, un futbolista que gana 15 millones de euros al año, ¿vale?

395
01:04:29,090 --> 01:04:36,489
Es a lo que voy con lo de que no está como distribución, no como algo social, como distribución estadística, no es regular, ¿no?

396
01:04:36,489 --> 01:04:39,349
Está distribuida de una manera homogénea, ¿vale?

397
01:04:39,829 --> 01:04:47,510
Entonces, por ejemplo, en España, estos son datos reales del INE, del Instituto Nacional de Estadística, del año 2021.

398
01:04:47,510 --> 01:05:00,929
Nos dice que la media del salario en España es 28.400 euros y nos dice que la mediana son 20.300.

399
01:05:00,929 --> 01:05:30,429
¿Cuál es más representativa en este caso? ¿Cuál creéis que tiene más… que lo que buscamos con las medidas de centralización es que nos representen, bueno, pues toda nuestra población, que nos la representen en un número, ¿no?

400
01:05:33,199 --> 01:05:57,059
Bueno, nadie contesta, pero el salario mediano en este caso es mucho más representativo. ¿Alguien iba a decir algo? ¿Qué he escuchado ahí? Bueno, ¿por qué? Porque la media puede ser alta porque los ingresos que son muy, muy, muy altos, imagínate, pues eso, todos los futbolistas que ganan, me invento los datos, que ganan 50 millones de euros al año.

401
01:05:57,920 --> 01:06:03,059
Cuando hacemos la media, esos 50 millones de euros están entrando como un valor del numerador

402
01:06:03,059 --> 01:06:08,539
y entran exactamente igual que el valor de los que ganan normal y los que ganan, pues eso,

403
01:06:08,639 --> 01:06:12,400
1.000 euros, 1.500, 2.000, 800 euros, lo que sea.

404
01:06:13,159 --> 01:06:15,199
Entran en el mismo saco.

405
01:06:15,199 --> 01:06:21,420
Entonces, cuando dividimos, están aportando también toda su contribución, contribuyen de la misma manera.

406
01:06:22,500 --> 01:06:24,400
En cambio, ¿qué pasa con la mediana?

407
01:06:24,400 --> 01:06:33,440
que la mediana lo que nos está dando son los valores centrales. Entonces, los datos que son muy extremos, o sea, el que gana 50 millones de euros por un lado

408
01:06:33,440 --> 01:06:44,219
y el que gana 10 euros por el otro, no están afectando. Aquí te digo al cambiar los 50 millones por 1.000 millones porque ese valor no va a afectar a la mediana.

409
01:06:44,219 --> 01:07:00,099
La mediana va a seguir siendo el valor que está en el medio, ¿vale? Por ejemplo, en el caso que hemos hecho al principio, voy a poner aquí, esto lo voy a borrar para que no sea un lío, voy a quitarle el color, ¿vale?

410
01:07:00,760 --> 01:07:10,039
Imaginad que tenemos estos datos, ¿no? Yo he hecho, bueno, vamos a hablar de edad, la edad media de la gente que estudia este módulo, ¿no?

411
01:07:10,900 --> 01:07:20,019
Este ciclo, perdón, o bueno, este módulo en concreto. Entonces, tenemos a alguien que tiene 17 años, otro que tiene 18, otro también que tiene 17,

412
01:07:20,019 --> 01:07:28,280
otro que tiene 19, otro que tiene 23, otro que tiene 40, otro que tiene 38 y otro que tiene 18 otra vez, ¿vale?

413
01:07:28,900 --> 01:07:32,440
Imaginaos que esta es mi muestra, esto es lo que tengo yo, ¿vale?

414
01:07:32,880 --> 01:07:42,619
¿Cuánto es mi media de edad? Mi media, la voy a escribir aquí, mi media es la suma de todos estos,

415
01:07:42,619 --> 01:08:10,659
Es 17 más 18 más 17 más 19 más 23 más 40 más 38 más 18 y lo divido entre el número de valores que tenemos, que son 1, 2, 3, 4, 5, 6, 7 y 8.

416
01:08:10,659 --> 01:08:32,119
¿No? Entre 8. Y tenemos que la edad media de la gente que estudia este ciclo son 23,75 años. ¿Vale? Ahora, voy a calcular la mediana. Pues los ordeno, ¿vale? Voy a ordenar los datos de menor a mayor y me voy a buscar el valor que esté en el medio.

417
01:08:32,119 --> 01:08:52,819
¿Vale? Este, este, este, este, pues bueno, mi valor en el medio, tengo cuatro por abajo, ¿no? Como son siete, son ocho, tres, cuatro, cinco, seis, siete y ocho, son ocho valores que he puesto, he puesto siete, ah, no, he puesto ocho, perdonadme, ¿vale?

418
01:08:52,819 --> 01:09:14,899
Entonces tengo estos cuatro, estos cuatro, mi mediana va a ser la media de los dos valores centrales, ¿no? Dejo tres por arriba, tres por abajo. Como es número par, entonces mi mediana será la media de estos dos. Mi mediana es 18 más 19 dividido entre 2, ¿no?

419
01:09:14,899 --> 01:09:36,350
Y me da que mi mediana es 18,5. Tengo mis datos de mi media y mis datos de mi mediana. Ahora, imaginaos que se matricula una persona que tiene 103 años. ¿Cómo cambia mi media y cómo cambia mi mediana?

420
01:09:36,350 --> 01:09:58,550
Mi media es lo mismo que tenía antes, la suma de todo esto dividido entre 9, ¿no? Porque ahora tengo una persona más. La suma de todos estos valores dividido entre 9, ¿vale?

421
01:09:58,550 --> 01:10:05,789
y me ha subido la media, ¿no? De 23,75 que tenía me ha subido a 32,55,

422
01:10:05,930 --> 01:10:07,789
pues se ha metido una persona de 103 años.

423
01:10:08,270 --> 01:10:09,649
Ahora, ¿qué pasa con la mediana?

424
01:10:10,970 --> 01:10:16,850
Ahora tengo estos valores por encima, estos valores por debajo, mi mediana son 19 años.

425
01:10:17,970 --> 01:10:20,090
Mi mediana prácticamente no se ha modificado.

426
01:10:20,090 --> 01:10:25,409
Aunque yo haya metido aquí una persona de 103 años, mi mediana está prácticamente igual

427
01:10:25,409 --> 01:10:28,890
porque no le afectan los valores extremos de la misma manera que a la media.

428
01:10:29,470 --> 01:10:38,109
Imagínate que mi persona de 103 años es una persona, es una cosa rarísima de la naturaleza y tiene 180 años.

429
01:10:38,649 --> 01:10:42,750
Mi media son 41,1, pero mi mediana siguen siendo 19, a mí me da igual.

430
01:10:43,149 --> 01:10:50,590
Y si mi persona tiene 1800 años, la media de edad de mi clase son 221, pero mi mediana son 19.

431
01:10:50,590 --> 01:11:07,369
Es que mi mediana no se ve afectada por los valores extremos. Igual que si esta persona tiene cero años, mi media va a cambiar, pero mi mediana se queda invariable. ¿Esto qué quiere decir? Esto es lo que quería deciros con lo de que la mediana es más robusta.

432
01:11:07,369 --> 01:11:16,250
Pero en nuestro caso, para lo que nosotros utilizamos nuestras medidas de descentralización, la media es mucho más representativa.

433
01:11:16,250 --> 01:11:25,609
Es el valor que vamos a utilizar nosotros como medida de descentralización, es la media, claramente. No hay otro que se le compare.

434
01:11:25,609 --> 01:11:38,510
Entonces, ¿qué pasa? Que como en España, en todos los países, en la mayoría de los lugares, la distribución de los ingresos no sigue un patrón regular,

435
01:11:38,510 --> 01:11:47,270
hay gente que gana mucho, otro grupo de gente más abundante que gana normal y otro grupo muy grande de gente que gana poco, etc.

436
01:11:48,010 --> 01:11:54,970
Sería mucho más representativa la mediana que la media, porque los valores extremos estos que tenemos, porque no es algo que sea homogéneo,

437
01:11:54,970 --> 01:12:06,729
van a afectar mucho menos. Esto como ejemplo para que penséis en que media y mediana no tienen por qué ser iguales salvo que tengamos una distribución normal, que ya veremos lo que es.

438
01:12:07,189 --> 01:12:19,630
Y los dos lo que nos dan es una representación cada una con unas fortalezas y unas debilidades de cómo sería nuestro valor central si tenemos un número de valores distintos.

439
01:12:19,630 --> 01:12:45,729
Hemos tomado una muestra de la población y lo hemos analizado. Lo que hacemos es, para calcular la media, sumamos todos los valores y lo dividimos entre el número total de medidas, que lo llamamos n, la letra n, y para hacer la mediana ordenamos de menor a mayor nuestros datos y cogemos el valor central.

440
01:12:45,729 --> 01:13:02,430
Si son números pares, no hay un valor central, ¿no? Tenemos dos valores centrales y nos quedan la misma cantidad de números por arriba que por abajo. Pues hacemos la media de esos dos números, o sea, los sumamos y dividimos entre dos y tenemos la mediana, ¿vale?

441
01:13:02,430 --> 01:13:20,090
¿Vale? Entonces, lo que os he dicho, la mediana. ¿Qué es lo que nos hace la mediana? Nos divide nuestros datos, los datos que tengamos, en dos mitades. Vamos a tener la mitad por arriba y la mitad por abajo. ¿Vale?

442
01:13:20,090 --> 01:13:34,470
La moda, ¿qué nos va a dar? El dato que más se repita, el dato que más veces tengamos. Y la media nos va a dar un compendio, un promedio de la suma de todas nuestras medidas dividida entre el número total de medidas que llamamos n.

443
01:13:34,470 --> 01:13:37,810
Y estas son las medidas de centralización.

444
01:13:41,510 --> 01:13:52,510
Os he hablado de la mediana, que os he dicho que es tener la mitad de los valores por encima y la mitad de los valores por abajo.

445
01:13:52,970 --> 01:14:00,369
La mediana, si dividimos nuestra muestra completa en dos, sería el punto que está en el medio.

446
01:14:00,369 --> 01:14:06,970
Imaginaos que tenemos esta barra de aquí, roja, que están todos nuestros valores ordenados.

447
01:14:07,350 --> 01:14:09,869
Pues nuestra mediana es la que lo parte en dos, ¿vale?

448
01:14:10,149 --> 01:14:13,229
¿Qué pasa? Que podemos hacerlo también de distintas maneras.

449
01:14:13,229 --> 01:14:21,970
Igual que nuestra muestra la partimos en dos para calcular la mediana, la podemos partir en cuatro y lo que tenemos son los cuartiles.

450
01:14:22,590 --> 01:14:28,529
El cuartil dos será la mediana, que nos separa la mitad de los datos por debajo, la mitad por arriba.

451
01:14:28,529 --> 01:14:37,189
pero el 1 que nos separa el 25% de los datos están por debajo, el 25% de los datos están por arriba, ¿vale?

452
01:14:37,189 --> 01:14:41,029
Esos serían los cuartiles, en vez de dividir entre 2, dividir entre 4.

453
01:14:43,369 --> 01:14:49,189
Y tenemos también los percentiles, que esto os lo comento, no es algo que vayamos a utilizar nosotros de manera habitual

454
01:14:49,189 --> 01:14:55,829
pero porque seguramente lo hayáis escuchado en un montón de ocasiones en distintos casos, ¿no?

455
01:14:55,829 --> 01:15:03,909
Por ejemplo, cuando los niños, cuando los bebés nacen y demás, se dice, no, está en el percentil 80.

456
01:15:04,729 --> 01:15:06,289
¿Qué significa el percentil 80?

457
01:15:06,729 --> 01:15:11,050
Significa que hemos dividido toda nuestra muestra, todo el rango que tenemos,

458
01:15:11,170 --> 01:15:16,310
desde el más bajo hasta el más alto, en 100, y partimos en el 80.

459
01:15:16,310 --> 01:15:17,189
¿Eso qué quiere decir?

460
01:15:17,449 --> 01:15:23,770
Que solamente el 20% de los valores están por encima y el 80% de los valores están por debajo.

461
01:15:24,710 --> 01:15:29,289
Cuando dicen, no, el niño este es muy alto, es altísimo, está en el percentil 96.

462
01:15:29,909 --> 01:15:36,810
¿Eso qué significa? Que el 96% de los niños son más bajitos que él y el 4% son más altos.

463
01:15:37,010 --> 01:15:41,350
Entonces, si te dicen que estás en el percentil 50, estás en la mediana.

464
01:15:41,789 --> 01:15:45,810
¿Qué es lo que quiere decir? Que la mitad de los niños son más altos y la mitad de los niños son más bajos.

465
01:15:45,810 --> 01:15:47,210
Este es el significado.

466
01:15:47,210 --> 01:16:13,409
Entonces, igual que tenemos la mediana que nos separa 50-50, podemos tener, porque hemos separado en dos nuestra muestra, podemos tener nuestros cuartiles, que es cuando los separamos en cuatro, el 0, 25, 50, 75, 100, sería hacer esas divisiones, y podemos tener los percentiles, si lo que hacemos es dividirlo en mil.

467
01:16:13,409 --> 01:16:25,529
Aquí, no sé si lo veréis más claro, el rango, que esto es una medida de dispersión, que son las que vamos a ver ya el próximo día, para no daros hoy mucha más información.

468
01:16:26,609 --> 01:16:32,710
Entonces, aquí tenemos, del valor más bajo al valor más alto son todos los valores que tenemos nosotros, ¿no? El rango.

469
01:16:33,510 --> 01:16:41,350
Entonces, tenemos aquí nuestra mediana, que lo que hace es separarnos, la mitad de los datos están por debajo y la mitad están por encima.

470
01:16:41,350 --> 01:16:54,750
Y luego tenemos los cuartiles, que lo que nos dicen es, este de aquí, por ejemplo, nos dice que todos los datos que estén por debajo de aquí van a ser un 25% y todo lo demás va a estar por encima.

471
01:16:54,850 --> 01:17:00,649
Van a ser un 75% los que están por encima. Es exactamente el mismo concepto que con la mediana.

472
01:17:00,649 --> 01:17:12,270
Entonces, reitero que nosotros vamos a utilizar la media en nuestros estudios, en nuestros análisis del laboratorio, etc.

473
01:17:12,550 --> 01:17:21,130
Pero tenemos que saber que también son medidas de centralización la mediana y la moda y que la mediana es más robusta que la media.

474
01:17:21,850 --> 01:17:26,989
¿Qué pasa? Que nosotros normalmente, por ejemplo, hacemos un análisis y ¿qué resultados nos salen?

475
01:17:26,989 --> 01:17:33,029
nos salen resultados que tienen mucha precisión, ¿no? Son muy parecidos entre ellos porque es lo que nosotros estamos buscando conseguir.

476
01:17:33,569 --> 01:17:39,810
Nuestra medida por excelencia va a ser la media, que lo que nos va a hacer es, vale, yo he conseguido en uno de mis ensayos,

477
01:17:39,930 --> 01:17:50,149
mi resultado es que tengo una concentración de 0,87 molar, en otra tengo de 0,88 y en otra tengo de 0,89.

478
01:17:50,850 --> 01:17:56,850
¿Qué valor doy yo como valor final? Pues la media de esos tres valores, ¿no? Sumo los tres y los divido entre tres.

479
01:17:56,989 --> 01:18:10,069
Y no se nos ocurre dar la mediana y no se nos ocurre dar la moda tampoco. Entonces, a nivel laboratorio, la media va a ser nuestra medida de centralización por excelencia.

480
01:18:10,689 --> 01:18:17,890
Que lo que digo, que tampoco a los que ya estáis en segundo y habéis hecho prácticas no os cuento nada nuevo y a los demás yo creo que tampoco porque bueno,

481
01:18:17,890 --> 01:18:34,359
estas son las medidas que más utilizamos para todo, ¿no? Sacar la media de los valores que sean para poder analizarlo, para poder hacernos una idea con ese único número de cómo es una población total.

482
01:18:34,359 --> 01:18:49,140
Hemos visto toda la introducción a la estadística, lo que es población y muestra, los tipos de variables que tenemos

483
01:18:49,140 --> 01:18:58,140
y nos vamos a quedar aquí para que no sea mucho más en las medidas que utilizamos en estadística descriptiva de centralización

484
01:18:58,739 --> 01:19:02,000
para dar un solo resultado que nos represente todos los valores

485
01:19:02,000 --> 01:19:31,039
Y el próximo día, que no es festivo ni nada, el 12, el jueves 12, vamos a comenzar con las medidas de dispersión, que son la otra serie de medidas que realizamos en estadística descriptiva para que nuestros datos no solo nos representen qué valor es, sino cómo de preciso es ese valor, cómo de cerca están los datos entre ellos.