Tipos de datos | Estadística y Probabilidad | Matemáticas | FuseSchool

CRÉDITOS Animación y diseño: Waldi Apollis Narración (versión inglesa): Lucy Billings Guión: Lucy Billings Haz clic aquí para ver más vídeos: https://alugha.com/FuseSchool Hola, soy Lucy y en este vídeo veremos los diferentes tipos de datos que existen y cómo se pueden clasificar. Empezando con la recopilación de datos.... Si los datos son recopilados por o para la empresa que los va a utilizar, se denominan datos primarios. Si los datos proceden de otro sitio, son datos secundarios. Los datos secundarios pueden tener muchos beneficios... como ahorrar tiempo y dinero, o proporcionar información sobre eventos pasados. Pero hay que ser cuidadoso con la fiabilidad y validez de la fuente. Esto sirve para todas las estadísticas. Cada vez que leo una estadística que me interesa, compruebo de dónde proceden los datos y quién los financia. Porque muy a menudo descubrirás que hay un motivo secundario oculto. De hecho, si hay una cosa que quiero que recuerdes, es mantener siempre una visión crítica sobre cualquier conjunto de datos y "hechos" que leas o veas. Revísalo todo, mira quién está publicando la información. ¿Cuál es su motivo? ¿Son neutrales o parciales? En fin, me desvié un poco del tema. Así que primero tenemos la recopilación de datos primarios y secundarios. Ahora vamos a los tipos de datos. Los datos pueden ser cualitativos o cuantitativos. Cosas como el género, el color favorito, la religión, las opiniones... todo lo que no sea numérico, es cualitativo. Se trata de información descriptiva. Mientras que las cosas numéricas, esas cosas que pueden ser cuantificadas o contadas, son datos cuantitativos. Los datos cuantitativos se dividen en discretos y continuos. Los discretos sólo pueden tomar ciertos valores, un ejemplo es el número de hermanos tienes. No puedes tener 2.63 hermanos. Mientras que los datos continuos pueden tomar cualquier valor. Pueden ser una medida, como tu altura. No tienes que medir 174cm ni 175cm. Puedes estar en algún punto intermedio. Lo último que nos falta por saber es la diferencia entre datos univariados y bivariados. El prefijo "uni" significa "uno" - como por ejemplo un unicornio con un cuerno, y un uniciclo con una rueda. Por lo tanto, los datos univariados son datos con una sola variable. Se pueden hacer cosas distintas con datos univariados y datos bivariados, pero lo veremos en otros vídeos. Y, en realidad, se pueden tener datos con más de dos variables. Entonces se trata de datos multivariados, pero no tenemos que preocuparnos por ellos ahora mismo. Hemos visto los distintos tipos de datos. La pregunta que nos hacemos determina cómo recolectamos datos y cómo los analizamos. Mira nuestros otros vídeos para conocer algunas de las diferentes herramientas estadísticas que podemos utilizar. VISÍTANOS en www.fuseschool.org, donde todos nuestros vídeos están cuidadosamente organizados por temas y órdenes específicas, y para ver qué más ofrecemos. Comenta, haz clic en Me Gusta y compártelo con otros estudiantes. Puedes hacer y responder preguntas, y los profesores se pondrán en contacto contigo. Estos vídeos se pueden utilizar en un modelo de clase invertida (Flipped Classroom) o como una ayuda para revisar la materia. Twitter: https://twitter.com/fuseSchool Accede a una experiencia de aprendizaje más profunda en la plataforma y aplicación de FuseSchool: www.fuseschool.org Este recurso educativo abierto es gratuito, bajo una licencia Creative Commons: Atribución No Comercial CC BY-NC (para ver la escritura de la licencia haz clic aquí: http://creativecommons.org/licenses/by-nc/4.0/). Está permitido descargar el vídeo para usos educativos sin fines de lucro. Si deseas modificar el vídeo, ponte en contacto con nosotros: info@fuseschool.org

LicenseCreative Commons Attribution-NonCommercial

More videos by this producer

Equation Of Parallel Lines | Graphs | Maths | FuseSchool

In this video, we are going to look at parallel lines. To find the equation of parallel lines, we still use the y=mx + c equation, and because they have the same gradient, we know straight away that the gradient ‘m’ will be the same. We then just need to find the missing y-intercept ‘c’ value. VISI