¿Qué es el sesgo?
Si bien preferiríamos que los números no mientan, la verdad es que las estadísticas a menudo pueden ser bastante engañosas. Por esa razón, es muy importante observar el sesgo de una estadística. Parcialidades la distancia que tiene una estadística que describe una muestra dada de la realidad de la población de la que se extrajo la muestra. Ahora, esa puede parecer una definición bastante técnica, así que déjame explicártela en un lenguaje sencillo. Si fuera a verificar las alturas promedio de una escuela secundaria observando una muestra de 15 estudiantes, no solo llamaría a los miembros del equipo de baloncesto. Esa muestra no reflejaría la altura de todos en la escuela porque los jugadores de baloncesto tienden a ser altos. En esta lección, veremos la diferencia entre sesgado e imparcial al intentar hacer estimaciones basadas en estadísticas, así como dos ejemplos diferentes de sesgo.
Diferencia entre sesgado e imparcial
Como puede haber imaginado, a los estadísticos les gusta evitar los prejuicios cuando pueden. De hecho, a menudo prefieren trabajar con datos no sesgados , es decir, una muestra que finalmente corresponda a la verdadera naturaleza del tamaño de la población. En términos sencillos, si la altura promedio real para una escuela secundaria es 5’5 », entonces un estadístico quiere una muestra que le dé una altura promedio muestral de alrededor de 5’5 ». Sin embargo, eso no significa que imparcial sea siempre mejor que sesgado. De hecho, cuando no podemos encontrar una muestra imparcial aleatoria y perfectamente precisa, una muestra sesgada puede resultar bastante útil. Sin embargo, hay una trampa. Para que podamos obtener un uso real de una muestra sesgada, es mejor que sepamos cómo está sesgada y qué grado de sesgo existe. Para ver cómo se ve esto, vamos
Ejemplo conceptual
El primer ejemplo que quiero darles es completamente conceptual, lo que significa que no usaremos números para demostrarlo. Supongamos que está listo para batear durante un juego de béisbol. Eres diestro, pero tienes un problema. ¡Has golpeado tres bolas de foul seguidas! Sin embargo, el desempeño de esas bolas de foul puede considerarse sesgado: cada uno aterriza justo en el campo izquierdo. Sabes que si puedes enderezar tu swing podrás conectar un jonrón, pero ¿cómo puedes usar la información que tienes para hacerlo? Si comprende el béisbol y la idea de una actuación sesgada, es simple.
En caso de que no entiendas el béisbol, te diré esto. Golpear una falta a la izquierda es una señal de que está haciendo el swing demasiado pronto. Debido a que los tres últimos golpes terminaron con bolas de foul que fallaron en el jardín izquierdo, es seguro asumir que lo está haciendo demasiado pronto. Con la capacidad de usar el conocimiento de una actuación sesgada a su favor, ¡ahora puede golpear esa pelota fuera del parque!
Ejemplo matemático
Pero, ¿podemos respaldar eso con matemáticas? ¡Absolutamente! Digamos que al día siguiente estás en clase de química calculando la temperatura de varias sustancias. Tienes dos termómetros a tu disposición. El primero te está dando algunas lecturas extrañas. Lo mantienes en hielo y obtienes 4 grados Celsius, aunque sabes que el agua se congela a 0 grados Celsius. Mientras tanto, cuando lo mantiene en agua hirviendo, que debería darle una lectura de 100 grados Celsius, obtiene 105 grados Celsius. Frustrado, prueba el otro termómetro. Obtienes una respuesta de -6 grados del hielo, ¡que está incluso más lejos que el primero! Sin embargo, cuando mide la temperatura del agua hirviendo, sale a 94 grados. Nuevamente, es una diferencia mayor que antes, pero si yo fuera usted, usaría el segundo termómetro. Claro, el primero no No tengo un sesgo, porque simplemente es inexacto. Sin embargo, el segundo termómetro tiene un sesgo constante de mostrar la temperatura 6 grados más fría de lo que debería ser.
Grupos Acilo y Alquilo: Definición, estructura y diferencias
Resumen de la lección
En esta lección, aprendimos sobre estimadores sesgados e insesgados. Descubrimos que los estimadores sesgados proporcionan resultados sesgados al tener una muestra que era sustancialmente diferente a la población objetivo. Mientras tanto, los estimadores no sesgados no tuvieron un resultado tan diferente al de la población objetivo. Sin embargo, eso no quiere decir que imparcial sea siempre mejor que sesgado, ya que ninguno de los dos es siempre exacto. Vimos esto en nuestro ejemplo de matemáticas, donde era mejor usar el termómetro más sesgado a pesar de que dio más resultados incorrectos porque el sesgo era bastante fácil de separar de la verdad.
Explora más sobre este tema
Selecciona un tema y sigue aprendiendo...
