UNIVERSIDAD DE SONORA
|
|
- José Ignacio Rey Quintana
- hace 5 años
- Vistas:
Transcripción
1 UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Informátca Admnstratva. Fascículo II: Estadístca Descrptva Semestre Dr. Francsco Javer Tapa Moreno
2 Prólogo. Dr. Francsco Javer Tapa Moreno Este es el segundo fascículo que surge como fruto de las actvdades generadas en el proyecto Elaboracón de herramentas de aprendzaje de estadístca para dspostvos móvles que actualmente se encuentra en su cuarta etapa. Este fascículo está dseñado para que el alumno pueda consultarlos por medo de su teléfono celular, ya sea en línea o bajándolos desde m págna Web ( ), que conjuntamente, con otras herramentas de aprendzaje que se encuentran en la págna menconada tales como vdeos de menos de 10 mnutos, aplcacones tecnológcas para realzar cálculos estadístcos que se encuentran en la págna Web alterna le son útles para optmzar su proceso de aprendzaje de la matera arrba menconada Este es el segundo folleto correspondente al Tema II de Estadístca Aplcada a las Lcencaturas: Negocos y Comerco Internaconales, Admnstracón, Contaduría e Informátca Admnstratva que se ofrecen de la Unversdad de Sonora. Los temas presentados aquí son congruentes con el programa vgente de la matera de Estadístca I del área económco- admnstratvo. En el segundo tema del programa ttulado Estadístca descrptva, el alumno conocerá y utlzará adecuadamente las herramentas de la estadístca descrptva para recoplar, organzar y analzar adecuadamente la nformacón, construrá e nterpretará correctamente nformacón gráfca y tabular (ver seccones.1-.5). Calculará e nterpretará adecuadamente las meddas estadístcas de localzacón y dspersón; utlzará adecuadamente las meddas de tendenca central ante dversas stuacones presentadas; ntegrará las meddas de localzacón y dspersón en problemas relaconados con la toma de decsones; conocerá, utlzará e nterpretará un dagrama de dspersón y sobre la base del msmo, podrá decr s dos varables están correlaconadas o no (ver seccones.6-.8). Calculará el coefcente de correlacón lneal smple y la recta de regresón en varables correlaconadas e Interpretará, sobre la base del problema a analzar, el sgnfcado del análss efectuado (ver seccón.9). Nuestro propósto al elaborar este segundo folleto, es dotar al alumno de las herramentas necesaras, apegada al programa vgente, para que el alumno por sí msmo, recople, organce, represente de manera gráfca, analce e nterprete la nformacón recabada ya sea por medo de una muestra o de un censo, y la utlce para la realzacón de toma de decsones. Además, de estudar, explorar y cuantfcar la relacón entre varables cuanttatvas para desarrollar una ecuacón lneal smple con fnes predctvos. Este trabajo se stúa en el marco de un esfuerzo colectvo realzado por el Departamento de Matemátcas por dotar al alumno del materal ddáctco necesaro para que éste optmce su proceso de enseñanza/aprendzaje/formacón de las matemátcas. Hermosllo, Sonora, Méxco. Enero de 017. Departamento de Matemátcas Unversdad de Sonora. Tema II: Semestre 017-1
3 Tema Pag. Tema II. Estadístca Descrptva Introduccón. 5.. Clases de datos Agrupamento en ntervalos Descrpcón de datos de una varable Tabulacón y representacón gráfca. 7 Tablas de frecuencas. 7 Datos Agrupados Representacones Gráfcas 9 Dagramas de frecuenca medante puntos. 9 Gráfcas de línea. Dagrama de barras. 10 Hstogramas. 10 Polígono de frecuencas. 11 Dagramas de tallo y hojas. 1 Dagramas de pastel o crculares. 1 Otras dstrbucones de frecuencas y otros gráfcos. 13 Dstrbucones acumulatvas y polígonos acumulatvos. 13 Polígonos acumulatvos u Ojvas. 14 Dagramas de caja Meddas descrptvas de localzacón y dstrbucón Meddas de poscón o centralzacón. 16 La meda artmétca. 17 La medana. 18 Cuantles. 0 Cálculo de los cuartles 0 a) Para datos agrupados. 0 b) Para datos no agrupados. 1 Cálculo de Decles 1 a) Para datos agrupados. 1 b) Para datos no agrupados Cálculo de percentles. a) Para datos agrupados. b)para datos no agrupados La moda. Departamento de Matemátcas 3 Unversdad de Sonora. Tema II: Semestre 017-1
4 .6.. Relacón entre la Meda, la Medana y la moda Meddas de Dspersón. 5 Coefcente de varacón..8. Meddas de forma. 9 Coefcente de dsmetría de Pearson. 30 Coefcente de Asmetría de Fsher. 30 Curtoss o apuntamento. 31 Coefcente de curtoss de Fsher Análss de regresón y correlacón lneal smple Introduccón al análss de regresón y correlacón lneal. 33 Regresón lneal. Correlacón lneal..9.. Gráfcos de dspersón Coefcente de correlacón lneal Modelo de regresón lneal smple Ejerccos teórcos Ejerccos práctcos Lecturas recomendadas Bblografía recomendada para reforzar este tema Referencas. 43 Departamento de Matemátcas 4 Unversdad de Sonora. Tema II: Semestre 017-1
5 Tema II. Estadístca Descrptva..1. Introduccón. Habtualmente el propósto de la Estadístca Aplcada es el de sacar conclusones de una poblacón en estudo, examnando solamente una parte de ella denomnada muestra. Este proceso, denomnado Inferenca Estadístca, suele venr preceddo de otro, denomnado Estadístca Descrptva (ver el folleto 1), en el que los datos son ordenados, resumdos y clasfcados con objeto de tener una vsón más precsa y conjunta de las observacones, ntentando descubrr de esta manera posbles relacones entre los datos, vendo cuales toman valores parecdos, cuales dferen grandemente del resto, destacando hechos de posble nterés, etc. Al hablar de estadístca descrptva, uno se refere a cualquer tratamento de datos que esté dseñado para resumr o descrbr algunas de sus característcas más mportantes sn ntentar deducr nada que escape al alcance de los datos. Tambén, entre los objetvos de la Estadístca Descrptva, está el presentar los datos de tal modo que permtan sugerr o aventurar cuestones a analzar en mayor profunddad, así como estudar s pueden mantenerse algunas suposcones necesaras en determnadas nferencas como la de smetría, normaldad, homocedastcdad (propedad fundamental del modelo de regresón lneal), etc. El propósto de este tema es el de ofrecer los conceptos de la estadístca descrptva y explcar las técncas que permtan realzar ambos procesos a los cuales, de forma conjunta, se les suele denomnar Análss de Datos... Clases de datos. Como se menconó en el tema I (ver folleto 1), es habtual denomnar a los caracteres varables estadístcas o smplemente varables, calfcándolas de cualtatvas o cuanttatvas según sea el correspondente carácter, y hablar de los valores de la varable al referrnos a sus modaldades, aunque de hecho solamente tendremos verdaderos valores numércos cuando analcemos varables cuanttatvas. En ocasones, con objeto de facltar la toma de los datos, el nvestgador los agrupa en ntervalos. Así por ejemplo, resulta más sencllo averguar cuántos ndvduos hay en una muestra con una estatura, por ejemplo, entre 1.70 y 1.80 metros que medrlos a todos, en especal s tenemos marcas en la pared cada 10 cm. Note que sempre se producrá una pérdda de nformacón al agrupar los datos en ntervalos y, dado que hoy en día la utlzacón de la computadora suele ser de uso común, un agrupamento en ntervalos es en general no aconsejable. Sn embargo, por razones docentes admtremos esta posbldad, ya que precsamente el agrupamento en ntervalos traerá complcacones adconales en el cálculo de algunas meddas representatvas de los datos. En este tema consderaremos, por tanto, tres tpos posbles de datos: 1) Datos correspondentes a un carácter cualtatvo) Datos sn agrupar correspondentes a un carácter cuanttatvo y 3) Datos agrupados en ntervalos correspondentes a un carácter cuanttatvo. Departamento de Matemátcas 5 Unversdad de Sonora. Tema II: Semestre 017-1
6 .3. Agrupamento en ntervalos. S tenemos la opcón de poder agrupar los datos en ntervalos, lo prmero que debemos plantearnos (ndependentemente de lo que más arrba comentábamos) es la cuestón de cuántos y cuáles ntervalos elegr. Prevamente daremos algunas defncones mportantes. S los ntervalos que a menudo se le denomnan clases, son: x, x, x, x,, x, x,, x, j-1 j k-1 xk. Llamaremos ampltud del ntervalo j-ésmo a j -x j- 1 x, j 1,, k, hablando de ntervalos de ampltud constante o varable, según tengan o no todos la msma ampltud. Llamaremos extremos de la clase j-ésma a x j-1 y a x j, y por últmo, llamaremos centro o marca de clase correspondente al ntervalo j-ésmo al punto medo del ntervalo, es decr, a En todo este seccón, consderaremos que el dato c x x j j-1 j. x pertenece al ntervalo j 1, j 1,...,k - 1, sendo el j xk el k-ésmo dato. Hacemos notar tambén, que el prmer ntervalo y el últmo generalmente tenen, respectvamente, el extremo nferor y el extremo superor ndetermnados con el propósto de nclur observacones poco frecuentes. Respecto a la cuestón que nos planteábamos al comenzo de este apartado, podemos consderar como regla general la de construr, sempre que sea posble, ntervalos de ampltud constante o gual, sugrendo sobre el número k de ntervalos a consderar el propuesto por Sturges k log sendon el número total de datos. Una vez determnado el número k de ntervalos a consderar, y s es posble tomarlos de gual ampltud, esta será: n Ampltud X X ( n ) ( 1) k en donde x(n) es el dato mayor y x( 1 ) el menor..4. Descrpcón de datos de una varable. Durante el proceso de un expermento estadístco, por lo regular obtenemos una sucesón de observacones o datos (normalmente números) los cuales anotamos en el orden en que aparecen. Por ejemplo, las ventas realzadas por la tenda departamental Mazón los sábados y domngos durante el año pasado. Estos datos representan un ejemplo de una muestra tomada de una poblacón de los montos de todas las ventas realzadas durante el año. La muestra consste de 31 montos de ventas dferentes, llamados valores de la muestra, aunque el tamaño de la muestra es de n 104. Departamento de Matemátcas 6 Unversdad de Sonora. Tema II: Semestre 017-1
7 Antes de entrar en detalle, es mportante menconar que s en un expermento estadístco observamos al msmo tempo dos cantdades, por ejemplo las ventas realzadas durante el día y el número de personas que vstó la tenda durante ese día o, el peso y la estatura de las personas adultas, obtendremos una muestra en la que cada valor de la msma es una pareja ordenada de números. De la msma manera, s observamos o medmos tres cantdades, se obtendrán muestras que conssten de ternas ordenadas de números, generalzándose esta stuacón para más de tres cantdades. Cuando se tene un expermento estadístco donde exste una sola varable de nterés para ser observada, decmos que este expermento es un-varado. S en el expermento se tene nterés en observar más de una varable, decmos que el expermento es mult-varado. En esta seccón manejaremos sólo expermentos en donde se nvolucra una sola varable para ser observada Tabulacón y representacón gráfca. En esta seccón se dscuten algunos métodos para obtener representacones tabulares y gráfcas de una sere de datos. Se muestra como grandes cantdades de datos pueden ser organzados y presentados de manera más efcaz en formas de tablas y dagramas con el propósto de ntensfcar el análss e nterpretacón de los datos, aspectos claves en la toma de decsones. Además, se dan a conocer los conceptos de frecuencas absoluta, relatva y porcentual. Tablas de frecuencas. El prmer paso al recoplar los datos, es determnar el número de veces con que se presentan los valores en la muestra y, resumrlos en una tabla llamada tabla de frecuencas o dstrbucón de frecuencas de tal manera que podamos dentfcar su comportamento. Al número de veces que se presenta un valor recbe el nombre de frecuenca absoluta o, más brevemente frecuenca. Ejemplo.1 En una sucursal bancara de la localdad, se ha tomado el tempo de atencón en ventanlla a 0 clentes, durante sus operacones bancaras. Los regstros de los tempos y el número de clente en el orden en que éste llegó aparecen en la Tabla.1. TABLA.1.TIEMPOS DE ESPERA DE 0 CLIENTES EN UNA SUCURSAL BANCARIA. Clente Mnutos Podemos resumr los datos de la Tabla.1 como se muestran en la Tabla.. TABLA..DISTRIBUCIÓN DE FRECUENCIAS ABSOLUTAS. Mnutos Frecuenca S dvdmos la frecuenca entre el tamaño de la muestra n, obtenemos la frecuenca relatva para esta cantdad observada en la muestra. Obtener las frecuencas relatvas es muy útl cuando la cantdad de los datos observados es muy grande. Formalmente podemos defnr la frecuenca relatva de un valor dado, como la proporcón de ese valor. Ejemplo. En la Tabla.3 aparecen las frecuencas relatvas para cada uno de los valores observados del Ejemplo.1. Departamento de Matemátcas 7 Unversdad de Sonora. Tema II: Semestre 017-1
8 TABLA.3. DISTRIBUCIÓN DE FRECUENCIAS RELATIVAS. Mnutos Frecuenca Relatva S las frecuencas relatvas se multplcan por 100% se obtenen las frecuencas porcentuales para cada uno de los valores observados. Ejemplo.3 Las frecuencas porcentuales de los valores observados en el Ejemplo. aparecen en la Tabla.4. TABLA.4. DISTRIBUCIÓN DE FRECUENCIAS PORCENTUALES Mnutos Frecuenca 5% 15% 30% 15% 0% 10% 5% Porcentual Datos Agrupados. Cuando en una muestra se tenen demasados datos es recomendable juntarlos en grupos o clases. A los datos resultantes se les llama datos agrupados. Cada grupo recbe el nombre de clase o ntervalo de clase y la seleccón de estas clases es regularmente arbtrara además, su eleccón debe ajustarse a la exgenca de que no exstan clases vacías, de que cada observacón caga en una y sólo una clase y que su longtud o ampltud sea gual. Exsten fórmulas para determnar el número recomendable de clases el cual depende del tamaño de la muestra. Ejemplo.4. La Tabla.5 presenta la cantdad de dnero gastada en electrcdad durante el mes de julo de 010, de 30 famlas de bajos recursos de una colona stuada al sur de la cudad de Hermosllo. TABLA.5. CANTIDAD DE DINERO GASTADA EN ELECTRICIDAD ($) Utlzaremos estos datos para construr una tabla de frecuencas con clases o ntervalos adecuados. Como se tene una muestra con pocos datos podemos elegr pocas clases. Por ejemplo, 5. Podemos observar de la Tabla.5 que:1) el monto menor es de $8 y ) el monto mayor es de $13. S realzamos la dferenca entre estos dos montos obtenemos la ampltud o rango de los datos dados. Así, el rango = 13-8 = 131 pesos; como se desean 5 clases, dvdmos el rango entre 5 y obtenemos que la ampltud de cada clase debe 131 de ser de 6. 0 pesos. Podemos escoger clases de $7 de ampltud y elegr el valor mínmo de $80 5 con el propósto de que el valor menor, y el valor mayor observados, no queden en el extremo de su respectva clase. Así, las clases con sus respectvas frecuencas son las que se muestran en la Tabla.6. Departamento de Matemátcas 8 Unversdad de Sonora. Tema II: Semestre 017-1
9 Mnutos Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales TABLA.6. DISTRIBUCIÓN DE FRECUENCIAS PARA LOS DATOS DE LA TABLA.5. Clase o Intervalo de clase Marcas de clase Frecuenca Absoluta Frecuenca Relatva Frecuenca Porcentual De $80 a menos de % De107 a menos de % De 134 a menos de % De 161 a menos de % De 188 a menos de $ % TOTALES % Note que cada monto observado cae en una sola clase, y que las clases tenen la msma ampltud..5. Representacones Gráfcas Como se pudo observar en la seccón anteror, las tablas de frecuenca son útles para la presentacón de los datos. Las gráfcas que de ellas surgen lo son aún más, ya que en ellas es muy fácl observar la dstrbucón de la nformacón. Exsten varas formas de representar gráfcamente las muestras y es sufcente presentar estos métodos en térmnos de los ejemplos usados en la seccón.4. Dagramas de frecuenca medante puntos. La Fgura.1 presenta el dagrama de puntos para la tabla de frecuenca del Ejemplo.1. Este dagrama da una mejor dea del comportamento de los datos obtendos en la muestra. Tempo de atencón a clentes Número de clente Fgura.1 Dagrama de puntos de la muestra dada en la Tabla.1 Gráfcas de línea. La Fgura. presenta la gráfca de línea para los datos de la Tabla..Estos dos tpos de gráfcas nos srven para echar un vstazo rápdo a los datos, con el propósto de observar su tendenca. Cuando se requere una gráfca más detallada y formal uno echa mano de los dagramas de barras y de los hstogramas. Departamento de Matemátcas 9 Unversdad de Sonora. Tema II: Semestre 017-1
10 Mnutos de atencón Número de clentes Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales Tempo de atencón a clentes Mnutos de atencón Fgura.. Dagrama de línea de los datos de la Tabla. Dagrama de barras. En los dagramas de barras se utlzan rectángulos para representar gráfcamente los datos. La base de cada rectángulo del dagrama de barras representa una característca de los datos obtendos en la muestra y la altura del rectángulo sgnfca la frecuenca con que se do esta característca. Para dbujar un dagrama de barras, se marca en el eje horzontal las dstntas característcas que se encontraron en los datos obtendos y en el eje vertcal se marca la frecuenca con que se do esa observacón y se trazan rectángulos separados por cada valor con la altura correspondente a cada frecuenca. En el dagrama de la Fgura.3 podemos observar, por ejemplo, que un 0% de los clentes fueron atenddos en mnutos o menos, o que el 50% de los clentes realzaron sus operacones en 4 mnutos o más. Tempo de atencón a clentes % 5% 10% 15% 0% 5% 30% Porcentaje de clentes Fgura.3. Dagrama de barras para los datos de la Tabla.4. Hstogramas. Al gual que en los dagramas de barras, en un hstograma la base de cada rectángulo representa una clase o ntervalo de clase de los datos agrupados y la altura del rectángulo representa la frecuenca o número de datos agrupados en esa clase. La únca dferenca exstente entre estas dos gráfcas es que en el dagrama de barras los rectángulos están separados mentras que en el hstograma los rectángulos se unen. Los hstogramas son Departamento de Matemátcas 10 Unversdad de Sonora. Tema II: Semestre 017-1
11 Frecuencas relatvas Porcentaaje de famlas Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales usados frecuentemente cuando se trata de datos agrupados, y su presentacón puede varar un poco ya que el eje horzontal se puede marcar con los puntos extremos de cada una de las clases tal como se muestra en la Fgura.4 o ben con los puntos medos de cada una de las clases como se puede ver en la Fgura.5. Consumo de electrcdad $ $15 Cantdad de dnero en consumo Fgura.4. Hstograma para los datos de la Tabla.6. Note que tanto el hstograma con frecuencas absolutas como el de frecuencas relatvas tenen la msma forma, esto se debe a que las frecuencas relatvas son proporconales a las frecuencas absolutas y la eleccón de una u otra forma depende esencalmente del gusto personal. La dferenca entre gráfcas de barras e hstogramas se basa en dstngur entre varables cuanttatvas y cualtatvas menconadas en la seccón 3. del Folleto 1. Consumo de electrcdad $ $15 Cantdad de dnero en consumo Fgura.5. Hstograma con frecuencas relatvas para los datos de la Tabla.6. Polígono de frecuencas. Un polígono de frecuenca es el gráfco lneal de una tabla de frecuencas. Los ejes de este gráfco son smlares a los del hstograma excepto que el punto medo de cada clase se dentfca de manera característca a lo largo del eje horzontal (ver Tabla.6). El número de observacones o frecuenca de cada clase es representado por un punto arrba del punto medo de esa clase y estos puntos son undos por una sere de segmentos de línea para formar un polígono. En la Fgura.6 se muestra el polígono de frecuencas porcentuales para los datos dados en la Tabla.4. Departamento de Matemátcas 11 Unversdad de Sonora. Tema II: Semestre 017-1
12 Porcentaje de famlas Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales Consumo de electrcdad 30% 5% 0% 15% 10% 5% 0% Cantdad de dnero en consumo Fgura.6. Polígono de frecuencas porcentuales para los datos de la Tabla.6. Dagramas de tallo y hojas. Un dagrama de tallo y hojas es un ngenoso artfco el cual ofrece una representacón parecda a un hstograma. La ventaja de estos dagramas es que no sólo revelan las frecuencas, sno que contenen los datos reales. En la Fgura.7 aparece el dagrama de tallo y hojas para los datos de la Tabla.5. Tallo Hojas Fgura.7. Dagrama de tallo y hojas para los datos de la Tabla.5. Este dagrama podría hacerse un poco más claro s se ordenan los datos de menor a menor pero, cuando este mecansmo se hace a mano puede resultar demasado tedoso dependendo del tamaño de la muestra. Dagramas de pastel o crculares. Cuando en una tabla de frecuenca, los datos están separados en categorías o por cualdades, frecuentemente se utlza un dagrama crcular conocdo como dagrama de pastel el cual consste de un círculo dvddo en sectores que son proporconales en tamaño a las frecuencas o porcentajes correspondentes. Para construr un dagrama de pastel se utlzan las frecuencas porcentuales. La Fgura.6 muestra un dagrama de pastel para los datos de la Tabla.4. Departamento de Matemátcas 1 Unversdad de Sonora. Tema II: Semestre 017-1
13 6 mnutos, 10% 7 mnuto, 5% 1 mnuto, 5% mnutos, 15% 5 mnutos, 0% 4 mnutos, 15% 3 mnutos, 30% Tempo de atencón a clentes Fgura.7. Dagrama de pastel para los datos de la Tabla.4. Otras dstrbucones de frecuencas y otros gráfcos. Otros dos métodos útles para representar datos, los cuales facltan el análss y la nterpretacón, son las tablas de dstrbucón acumulatvas y los dagramas de polígonos acumulatvos mejor conocdos como ojvas. Estos gráfcos los podemos generar a partr de las tablas de dstrbucón de frecuencas:1) absolutas, ) relatvas,o3) porcentuales, menconadas en la seccón.4. Dstrbucones acumulatvas y polígonos acumulatvos. Para construr una tabla de dstrbucón de frecuenca acumulada, prmeramente decdmos s se desea construrla con frecuencas absolutas, o con proporcones, o ben con porcentajes. Después escogemos el tpo de dstrbucón acumulatva, ya sea la "menor que" o la dstrbucón acumulatva "mayor que" y por últmo, nos basamos en la tabla de frecuencas para r determnando la frecuenca acumulada de cada clase tal como lo ndca el Ejemplo.4. Ejemplo.4. En la Tabla.8 aparece la dstrbucón acumulada "menor que" con frecuencas relatvas usando los datos de la Tabla.6. TABLA.8.DISTRIBUCIÓN DE FRECUENCIAS RELATIVAS ACUMULATIVA "MENOR QUE" Clase o Frecuenca Frecuenca Relatva Operacón Intervalo Relatva Acumulada "menor que" efectuada menos de $ nnguna menos de menos de menos de menos de menos de Como se puede observar, esta tabla se construyó regstrando prmero los límtes nferores de cada clase a partr de la dstrbucón de frecuencas relatvas, luego se nsertó un límte extra al fnal. Se calcularon las Departamento de Matemátcas 13 Unversdad de Sonora. Tema II: Semestre 017-1
14 Frecuenca relatva acumulada Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales frecuencas relatvas acumulatvas en la columna "menor que" determnando la frecuenca relatva de observacones menores que de cada uno de los valores de los límtes establecdos. Es decr, tomamos en cuenta prmero sólo datos menores de $80, después sólo datos menores de $107 y así sucesvamente hasta llegar al últmo límte nferor. Ejemplo.5 Smlarmente se puede construr una tabla acumulatva "mayor que" determnando la frecuenca relatva de observacones mayores que de cada uno de los valores de los límtes nferores establecdos. Es decr, tomamos en cuenta prmero sólo datos mayores de $80, después sólo datos mayores que $107 y así sucesvamente hasta llegar al últmo límte nferor. Operando de esta forma obtenemos la tabla de dstrbucón acumulatva sguente. TABLA.9.DISTRIBUCIÓN DE FRECUENCIAS ACUMULATIVA PORCENTUAL "MAYOR QUE" DE LOS DATOS DE LA TABLA.4.6 Clase o Intervalo Frecuenca porcentual Frecuenca Acumulada "mayor que" Operacón efectuada mayor que $107 13% 100% Nnguna mayor que 134 3% 87% mayor que 161 3% 64% 100 (13 + 3) mayor que 188 7% 41% 100 ( ) mayor que 15 14% 14% 100 ( ) mayor que 4 0% 0% 100 ( ). Note que se nsertó el límte nferor de la séptma clase con el propósto de ndcar en la gráfca, la ausenca de observacones en esa clase y en las clases sguentes. Polígonos acumulatvos u Ojvas. Para construr un polígono acumulatvo u ojva se colocan los límtes nferores de clase en el eje horzontal y las frecuencas acumulatvas (absolutas, relatvas o porcentuales) en el eje vertcal. En la Fgura.8 aparece la ojva "menor que" basándose en los datos obtendos en la Tabla Consumo de electrcdad menor que $107 menor que 134 menor que 161 menor que 188 Cantdad de dnero en consumo menor que 15 menor que $4 Fgura.8. Ojva "menor que" de los datos de la Tabla.8. La ojva "mayor que" surgda a partr de los datos obtendos en la Tabla.9 se muestra en la Fgura.9. Departamento de Matemátcas 14 Unversdad de Sonora. Tema II: Semestre 017-1
15 Frecuenca acumulada porcentual Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales 10% 100% Consumo de electrcdad 80% 60% 40% 0% 0% mayor que $107 mayor que 134 mayor que 161 mayor que 188 mayor que 15 Cantdad de dnero en consumo mayor que $4 Fgura.9. Ojva mayor que de los datos de la Tabla.9. Dagramas de caja. Los dagramas de caja es un medo muy útl para representar datos. En dcho dagrama, los valores mínmo y máxmo, los cuartles nferor (prmer 5%de todos los datos) y superor (tercer 5% de todos los datos (tambén llamados percentles 5 y 75) respectvamente, y la medana (prmer 50% de todos los datos o percentl 50) se representan en una caja rectangular alneada ya sea horzontal o vertcalmente. La caja se extende del cuartl nferor al superor, y es atravesada de un lado al otro por la medana. A partr de los extremos de la caja se extenden líneas ( bgotes ) hasta los valores mínmo y máxmo. Por ejemplo, un gerente de ventas está nteresado en comparar las ventas mensuales realzadas en el año 008 con las ventas mensuales realzadas en el año 009. El gerente ha recolectado las 1 observacones de cada año. Los datos aparecen en la Tabla.10 TABLA.10. VENTAS MENSUALES DE LOS AÑOS 008 Y 009. Mes Venta realzada en el año 008. (mles de pesos) Venta realzada en el año 009 (mles de pesos) Enero Febrero Marzo Abrl Mayo Juno Julo Agosto Septembre Octubre Novembre Dcembre La medana de las ventas realzadas en el año 008 es mentras que los percentles 5 y 75 son respectvamente y 18.. La medana de las ventas realzadas en el año 009 es Departamento de Matemátcas 15 Unversdad de Sonora. Tema II: Semestre 017-1
16 y los percentles 5 y 75 son 15.0 y 18.5 respectvamente. La venta mínma mensual en el año 008 fue de 1.15 mles de pesos y la máxma de 0.5, mentras que la venta mensual mínma realzada en el año 009 fue de mles de pesos y la venta mensual máxma fue de 19.9 mles de pesos. En la Fgura.10 se muestran los dagramas de caja para las ventas realzadas en los dos años. V e n t a s e n m l e s $ Año Año Fgura.10. Dagramas de caja para las ventas mensuales de los años 008 y 009. La representacón de la Fgura.10 revela claramente la dferenca en las ventas entre los dos años. Tambén ndca que ambos años producen dstrbucones razonablemente smétrcas de ventas mensuales con smlar varabldad o dspersón..6. Meddas descrptvas de localzacón y dstrbucón. En la seccón anteror, los datos en bruto se recoplaron y se resumeron en forma apropada en tablas y gráfcas. En esta seccón se desarrollará una ampla varedad de meddas de resumen descrptvas, las cuales son útles para analzar e nterpretar datos cuanttatvos, ya sea recolectados en forma bruta (datos no agrupados) o resumdos en dstrbucones de frecuenca (datos agrupados). Para ambos casos, se desarrollarán fórmulas smlares para obtener estas meddas de resumen descrptvas y cuando sea posble se mostrará un planteamento gráfco utlzando las gráfcas construdas en las seccones anterores. En orden descendente de mportanca, las tres propedades o característcas mayores que descrben un conjunto de datos pertenecentes a alguna varable numérca o a un fenómeno de nterés son: 1) Poscón, ) Dspersón y 3) Forma. En cualquer análss o nterpretacón de datos numércos, se puede utlzar una gran varedad de meddas descrptvas que representan las propedades de poscón, dspersón y forma, para esquematzar y resumr las característcas salentes del conjunto de datos. S estas meddas de resumen descrptvas se calculan con una muestra de datos se llaman estadístcos; s estas meddas descrptvas se calculan a partr de toda la poblacón de datos se llaman parámetros..6.1 Meddas de poscón o centralzacón. La característca más mportante que descrbe o resume un grupo de datos es su poscón. La mayor parte de los datos muestran una tendenca defnda a reunrse en torno de un certo punto. Exsten tres meddas Departamento de Matemátcas 16 Unversdad de Sonora. Tema II: Semestre 017-1
17 prmaras de poscón o de tendenca central estas son en orden de mportanca, la meda artmétca, la medana y la moda. La meda artmétca. La meda artmétca mejor conocda como promedo es la medda de tendenca central más conocda y de mayor uso. Esta medda es muy fácl de calcular a partr de los datos ya sea recoplados en forma bruta o dstrbudos en una tabla. Esta medda de tendenca central se ndca medante el símbolo X y se calcula sumando todos los datos de la muestra y, se dvden entre el número total de datos recoplados en la muestra. Así, s X1, X, X 3, X n son los datos recoplados en la muestra, entonces, X X 1 X X n 3 X En donde: X es la meda artmétca o promedo de la muestra, n es el tamaño de la muestra, X es el dato número de la muestra tomada, n n 1 n X.(.1) Ejemplo.6. La meda artmétca para los datos de la Tabla.4.1 es: X mnutos. 0 0 S los datos se encuentran resumdos como los de la Tabla. entonces utlzamos la fórmula (.) f X 1 X 1 f X f f 1 f f 3 3 X 3 f f En donde: X es la meda artmétca o promedo de la muestra, X es el dato número de la muestra tomada, f es la frecuenca con que se repte el dato X. k es el número de datos dferentes que aparecen en la muestra. k k X k k 1 k f 1 f X. (.) Ejemplo.7. La meda artmétca para los datos de la Tabla. es: X (1)(1) (3)() (6)(3) (3)(4) (4)(5) ()(6) (1)(7) mnutos Como se puede observar en los ejerccos anterores el número 3.8 obtendo, no pertenece a la muestra pero, podemos observar que en la muestra exsten 10 valores menores que 3.8 y 10 valores mayores que 3.8. Por lo tanto, la meda actúa como un punto de equlbro o como una balanza, de tal manera que las observacones que son mayores equlbran a las que son menores. De una manera smlar se puede calcular la meda artmétca para los datos que aparecen en las Tablas.3 y.4.s los datos de la muestra fueron agrupados en una tabla de dstrbucón, para calcular la meda utlzamos la fórmula (.3). Departamento de Matemátcas 17 Unversdad de Sonora. Tema II: Semestre 017-1
18 X f1m1 f m f3m3 f k mk f f f f 1 3 k k 1 k 1 fm.(.3) En donde: X es la meda artmétca o promedo de la muestra, m es el punto medo o marca de clase de la clase de la dstrbucón de frecuenca, f es la frecuenca de la clase de la dstrbucón k es el número de marcas de clase en la dstrbucón. sgnfca aproxmadamente gual. f Ejemplo.8. Para calcular la meda artmétca de los datos de la Tabla.4.6, prmeramente debemos calcular los puntos medos o marcas de clase de la dstrbucón, colocarlos en una tabla (ver tabla.11.) acompañados con sus respectvas frecuencas y se aplca la fórmula (.3). TABLA.11. TABLA PARA CALCULAR LA MEDIA A PARTIR DE UNA TABLA DATOS AGRUPADOS Puntos Medos Frecuencas absolutas X (4)(93.5) (7)(10.5) (7)(147.5) (8)(174.5) (4)(01.5) $ La meda artmétca para los datos no agrupados de la Tabla.5 es X observe la smltud 30 del valor calculado para los datos agrupados. Además, en los datos no agrupados, exsten 15 datos de la muestra que son menores que la meda calculada y 15 valores mayores que la meda. S el valor calculado de la meda para los datos agrupados lo marcamos en el hstograma o en el polígono de frecuencas, este valor será el centro de gravedad de estos gráfcos. Es decr, un eje que pase por el valor representatvo de la meda artmétca dvdrá al hstograma o al polígono de frecuencas en dos partes, cada una contenendo aproxmadamente el msmo número de observacones. La medana. La medana es la segunda medda de tendenca central en mportanca después de la meda artmétca y es utlzada cuando el (o los) valor(es) extremo(s) en un conjunto de datos afecta tanto a la meda artmétca que ésta no es una buena medda de tendenca central en esas crcunstancas. Por eso cuando uno de los valores extremos (o ambos) afecta consderablemente, es más apropado utlzar la medana como medda de tendenca central, la medana no se afecta con cualquera valores extremos en un conjunto de datos. La medana es una medda de tendenca central que aparece en el medo de la sere de datos ordenada. Es decr, la mtad de las observacones en el conjunto de datos son menores que ella y la otra mtad son mayores que ella. Para calcular la medana de un conjunto de datos los cuales se encuentran en su forma bruta, prmeramente los ordenamos ya sea de menor a mayor o ben de mayor a menor. S el número de observacones es mpar se toma el valor que esté en la mtad de los datos ordenados. S el número de datos es par, se toma la meda artmétca de los dos datos ntermedos. Departamento de Matemátcas 18 Unversdad de Sonora. Tema II: Semestre 017-1
19 Ejemplo.9. Para calcular la medana de los datos que aparecen en la Tabla.5, prmeramente los ordenamos en forma crecente (pueden ordenarse tambén en forma decrecente) tal como se muestra en la Tabla.1. TABLA.1. DATOS ORDENADOS DE MENOR A MAYOR DE LA TABLA Como el número de datos es par, n 30, localzamos las dos observacones ntermedas, en este caso las observacones que se encuentran en el lugar 15 y 16. Esto es, la últma observacón de la prmera mtad y la prmera observacón de la segunda mtad en los datos ordenados. Así, Medana = $ S los datos observados en la muestra están resumdos en una tabla de dstrbucón, el valor aproxmado de la medana se puede calcular medante la fórmula (.4). En donde, f M f B M Medana B M n f f M B M (. 4 ) B M fronteranferor delntervalodeclasequecontenea la medana. número de observacones en elntervalo de claseque contenea la medana. número total de observacones antes anchodelntervalodeclasequecontenea la medana. n observacón medana. del ntervalo de clase que contene a la medana. Ejemplo.10. Para los datos resumdos en la Tabla.5, se tene que el ntervalo de clase que contene a la n 30 medana es el ntervalo de clase que contene al dato número 15. Este ntervalo es "De 134 a menos de 161", su frontera nferor es 134, el número de observacones que tene este ntervalo son 7, el número de observacones antes de este ntervalo son 11 y el ancho de este ntervalo es = 7. Así, se tene que: B 134; f 7; 11; M M f 7 Susttuyendo estos valores en la fórmula (.4) obtenemos: B M n 30 y 15 Medana B M n f f M B M Departamento de Matemátcas 19 Unversdad de Sonora. Tema II: Semestre 017-1
20 Se puede conclur que 15 de las 30 famlas muestreadas tuveron montos menores de $ y las otras 15 famlas tuveron montos mayores que $ Cuantles. Los cuantles son meddas de poscón que se determnan medante un método que determna la ubcacón de los valores que dvden un conjunto de observacones en partes guales. Cuando se trata de datos agrupados en una dstrbucón de frecuencas, los cuantles son los valores de la dstrbucón que la dvden en partes guales, es decr, en ntervalos que comprenden el msmo número de valores. Cuando la dstrbucón contene un número alto de ntervalos o de marcas y se requere obtener un promedo de una parte de ella, se puede dvdr la dstrbucón en cuatro, en dez o en cen partes guales. Los cuantles más usados son los cuartles, cuando dvden la dstrbucón en cuatro partes; los decles, cuando dvden la dstrbucón en dez partes y los percentles o porcentles, cuando dvden la dstrbucón en cen partes. Los cuartles, como los decles y los percentles, son en certa forma una extensón de la medana. Cálculo de los cuartles a) Para datos agrupados. Para calcular los Cuartles Q 1, Q, Q 3 y Q 4 desde una tabla de dstrbucón de frecuencas, se aplca la fórmula (.5). Q k = ( k n 4 F Q k f Qk ) w + L Qk (.5) Donde, Q k =k-ésmo cuartl de la muestra, k = 1,, 3, 4 n = tamaño de la muestra F Qk = suma de todas las frecuencas de clase hasta, pero sn nclur la clase del k-ésmo cuartl. f Qk =frecuenca de la clase que contene al k-esmo cuartl. w = ancho del ntervalo de clase. L Qk =límte nferor del ntervalo de la clase que contene al k-esmo cuartl. b) Para datos no agrupados. S se tenen una sere de valores X 1, X, X 3,...,X n, los cuartles se localzan medante las fórmulas(.6)y(.7), dependendo de s el número de datos, n, es par o mpar, respectvamente. Q k = Q k = k n 4 k (n + 1) 4 Sendo k el número del cuartl deseado; (k = 1,, 3, 4). (.6) (.7) Nota mportante: El resultado que se obtene al aplcar la fórmula (.6) o (.7), nos ndca el número de dato en la tabla de datos ordenados, donde se encuentra el cuartl deseado. Por lo tanto, una vez aplcada una de las fórmulas, debemos dentfcar al dato que representa a dcho cuartl. S el resultado que se obtene al aplcar Departamento de Matemátcas 0 Unversdad de Sonora. Tema II: Semestre 017-1
21 la fórmula contene decmales, debemos calcular la parte proporconal usando la dferenca entre los dos números enteros consecutvos de la tabla de datos ordenados y sumársela al dato menor. Ver ejemplo.1. Cálculo de Decles a) Para datos agrupados. Para calcular los DeclesD 1, D, D 3,, D 10 desde una tabla de dstrbucón de frecuencas, se aplca la fórmula (.8). D k = ( k n 10 F D k f Dk ) w + L Dk (.8) Donde, D k =k-ésmodecl de la muestra, k = 1,, 3, 4,, 10 n = tamaño de la muestra F Dk = suma de todas las frecuencas de clase hasta, pero sn nclur la clase del k-ésmodecl. f Dk =frecuenca de la clase que contene al k-ésmodecl. w = ancho del ntervalo de clase. L Dk =límte nferor del ntervalo de la clase que contene al k-ésmodecl. b) Para datos no agrupados S se tenen una muestrax 1, X, X 3...,X nde valores, los decles pueden ser localzadosusando las fórmulas(.9)y(.10), dependendo de s el número de datos de la muestra, n, es par o mpar, respectvamente. D k = D k = k n 10 k (n + 1) 10 Dondek el número del decl deseado; (k = 1,,, 10). (.9) (.10) Nota mportante: El resultado que se obtene al aplcar la fórmula (.6) o (.7), nos ndca el número de dato en la tabla de datos ordenados, donde se encuentra el decl deseado. Por lo tanto, una vez aplcada una de las fórmulas, debemos dentfcar al dato que representa a dcho decl. S el resultado que se obtene al aplcar la fórmula contene decmales, debemos calcular la parte proporconal usando la dferenca entre los dos números enteros consecutvos de la tabla de datos ordenados y sumársela al dato menor. Ver ejemplo.1. Cálculo de percentles. a) Para datos agrupados. Para calcular los percentles P 1, P,, P 100 desde una tabla de dstrbucón de frecuencas, se aplca la fórmula (.11). k n 100 P k = ( F P k ) w + L f Pk (.11) Pk Donde, P k =k-ésmo percentl de la muestra, k = 1,, 3, 4,, 100. Departamento de Matemátcas 1 Unversdad de Sonora. Tema II: Semestre 017-1
22 n = tamaño de la muestra F Pk = suma de todas las frecuencas de clase hasta, pero sn nclur la clase del k-ésmo percentl. f Pk =frecuenca de la clase que contene al k-esmo percentl. w = ancho del ntervalo de clase. L Pk =límte nferor del ntervalo de la clase que contene al k-esmo percentl. b) Para datos no agrupados S se tenen una muestra de valores X 1, X,...,X n, los percentles pueden ser calculados por medo de las (.1)y(.13), dependendo de s el número de datos de la muestra, n, es par o mpar, respectvamente. P k = P k = k n 100 k (n + 1) 100 donde k el número del percentl deseado; (k = 1,,, 100). (.1) (.13) Nota mportante: El resultado que se obtene al aplcar la fórmula (.6) o (.7), nos ndca el número de dato en la tabla de datos ordenados, donde se encuentra el percentl deseado. Por lo tanto, una vez aplcada una de las fórmulas, debemos dentfcar al dato que representa a dcho percentl. S el resultado que se obtene al aplcar la fórmula contene decmales, debemos calcular la parte proporconal usando la dferenca entre los dos números enteros consecutvos de la tabla de datos ordenados y sumársela al dato menor. Ver ejemplo.1. Es fácl observar que: el prmer cuartl concde con el percentl 5; el segundo cuartl con el decl 5; el percentl 50 y el tercer cuartl con el percentl 75. Ejemplo.11. Para los datos agrupados de la Tabla.6, el tercer cuartl se calcula usando la fórmula (.5), donde k = 3; n = 30; puesto que el 75% de los datos de la muestra se encuentra en la cuarta clase, F Qk = = 18; f Qk = 8;w = ( ) = 7 y L Qk = 161. Susttuyendo estos valores en la fórmula menconada arrba se tene que: Q 3 = ( (3 30) (18) 4 ) = Para calcular los cuantles de datos no agrupados, prmero debemos ordenar los datos de la muestra de menor a mayor y después aplcar las fórmulas (.6) o (.7); (.9) o (.10); (.1) o (.13) para cuartles, decles y percentles respectvamente, según sea el caso del tamaño de la muestra (par o mpar). Ejemplo.1. Para los datos no agrupados y ordenados de menor a mayor de la Tabla.1, el séptmo decl se calcula usando la fórmula (.9) ya que n es par, con k = 7. Así: Departamento de Matemátcas Unversdad de Sonora. Tema II: Semestre 017-1
23 D 7 = (7) (30) 10 El resultado obtendo desde la fórmula (.9) nos ndca que el decl 7 se encuentra en el dato 168. Smlarmente, para calcular el percentl 85 usamos la fórmula (.1) ya que n es par, con k = 65. Así, P 85 = (85) (30) 100 = 1 = 5.5 El resultado obtendo desde la fórmula, nos ndca que el percentl 85 se encuentra en la mtad de los datos5 y 6 de la Tabla.1. Los datos requerdos para realzar la ponderacón son respectvamente, 178 y 185. Ahora calculamos la parte proporconal de la dferenca entre estos dos números(es decr, la parte decmal del resultado obtendo en la fórmula). Esto es: (0.5) ( ) = 3.5 Por lo tanto, el percentl 85 es = La moda. La moda es la tercera medda de centralzacón en mportanca, es el valor que ocurre con más frecuenca en un conjunto de observacones. S en una muestra de valores exste un solo valor que se repte un número determnado de veces, se dce que esa muestra es unmodal. Cuando dos valores no adjuntos son cas guales al tener frecuencas máxmas asocadas a ellos, la dstrbucón se descrbe como bmodal. Las dstrbucones de medcones con varas modas se denomnan multmodales. S en una muestra pequeña no se repten valores observados, no hay moda. Ejemplo.13. Para los datos que aparecen en la Tabla.1 se observa que esta muestra es unmodal y que su moda es 3 ya que el 3 es el número que aparece con mayor frecuenca en la muestra tomada. Esto sgnfca que regularmente, el mayor número de personas que sean atenddas en las ventanllas de ese banco tendrán un tempo de atencón de 3 mnutos. Para los datos agrupados en una dstrbucón de frecuencas con ntervalos de clase guales, prmeramente se determna la clase que contene a la moda, dentfcando la clase con el número mayor de observacones. En algunos textos desgnan la moda como el punto medo de la clase modal. Sn embargo en la mayor parte de los textos se realza una nterpolacón dentro de la clase modal basándose en la fórmula (.14). En donde B M d Moda 1 B M d1 d frontera nferor de la clase que contene a la moda. (.14) d 1 dferencaentre la frecuencaen la clase modal y la frecuenca en la clase anteror. d dferenca entre la frecuencaen la clase modal y la frecuenca en la clase sguente. tamaño delntervalo de clase. Ejemplo.14. Refréndose a la dstrbucón de frecuenca de la Tabla.6. La clase modal es la clase con límtes de clase $161 a menos de $188 debdo a que de todas las clases en la dstrbucón, ésta es la que tene mayor frecuenca. Así, Departamento de Matemátcas 3 Unversdad de Sonora. Tema II: Semestre 017-1
24 Frecuenca Frecuenca Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales B M 161; d 8 7 1; d 8 4 4; y, 1 Moda El valor encontrado de es el valor representatvo que ofrece la fórmula y puede ser propuesto como el dato que ocurrrá con mayor frecuenca. Es evdente que este dato no se encuentra en la muestra obtenda pero sería una buena aproxmacón en caso de que los datos tuveran una moda. Por {ultmo, s marcamos el valor encontrado de la moda en el hstograma o en el polígono de frecuencas, este valor ndcará la cantdad que aparece con mayor frecuenca. Una dstrbucón de frecuencas puede carecer de moda o ben tener varas modas..6.. Relacón entre la Meda, la Medana y la moda. Las dferentes meddas de centralzacón, tenen ventajas y desventajas una con respecto de las otras, depende mucho de la forma en que estén dstrbudos los datos y el propósto de la nformacón que se obtenga. El únco caso en que se puede asegurar que las tres meddas concden es cuando la moda exste y es únca y, además, los valores de la muestra están dstrbudos smétrcamente alrededor de un punto como lo muestra la Fgura.11. X X Fgura.11. Una dstrbucón smétrca donde las meddas de centralzacón son guales. Fgura.1. Una dstrbucón smétrca donde las meddas de centralzacón son dferentes. Puede darse el caso en que la dstrbucón sea smétrca con respecto a un punto y las meddas de centralzacón sean dstntas como se puede observar en la Fgura.1. En esta dstrbucón, se da el caso en que la Meda y la Medana son guales pero exsten o más Modas. La stuacón más común se presenta cuando la dstrbucón de valores de la muestra es asmétrca o dsmétrca. Puede presentarse una dstrbucón que sea dsmétrca postva o dsmétrca negatva tales como las que se pueden observar en la Fguras.13. a) y.13. b). Departamento de Matemátcas 4 Unversdad de Sonora. Tema II: Semestre 017-1
25 Frecuenca Frecuenca Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales X X a) Dstrbucón Asmétrca Postva b) Dstrbucón Asmétrca Negatva. Fgura.13. Dstrbucones asmétrcas o dsmétrcas. Basándose en las meddas de centralzacón Meda, Medana y Moda,podemos saber el tpo de dstrbucón de frecuencas de acuerdo a las relacones que aparecen la Tabla.13. TABLA.13. RELACIÓN ENTRE LA MEDIA, MEDIANA Y MODA. Condcones Tpo de dstrbucón S Meda = Medana = Moda Smétrca S Meda Medana Moda Dsmétrca negatva S Moda Medana Meda Dsmétrca postva.7. Meddas de Dspersón. Como se menconó en la seccón.6, la segunda característca que descrbe un conjunto de datos es la dspersón. La dspersón es la cantdad de varacón o de dsemnacón de los datos. Exsten varas formas para medr el grado de dspersón en los conjuntos de datos. En esta seccón se descrben las más mportantes, éstas son la Varanza, la Desvacón estándar y el Coefcente de Varacón. Varanza y Desvacón Estándar. Dos meddas que tenen en cuenta cómo se dstrbuyen todas las observacones en los datos, son la varanza y la raíz cuadrada postva de ésta, llamada desvacón estándar. Su cálculo varía dependendo de s se trata de la poblacón o de una muestra de ésta. Para una poblacón, la varanza se representa por la letra grega mnúscula la cual se lee "sgma cuadrado", la fórmula para su cálculo es: N X 1 (.15) N en donde es la meda poblaconal, N es el tamaño y X es cada uno de las observacones de la poblacón. Cuando se calcula la varanza para una muestra, resulta que regularmente no es exactamente equvalente a la varanza para la poblacón de donde se tomó la muestra, esto se debe a factores de sesgo, lo cual se explcará en seccones posterores. Para el cálculo de la varanza de la muestra, se ncluye un factor de correccón ya Departamento de Matemátcas 5 Unversdad de Sonora. Tema II: Semestre 017-1
26 que la varanza de la muestra, es un estmador no sesgado de la varanza de la poblacón. La varanza de la muestra se representa por s, su fórmula es: N s 1 X X n 1 (.16) en donde X es la meda, n es el tamaño y X es cada uno de las observacones de la muestra. Interpretar el sgnfcado del valor de la varanza, resulta regularmente dfícl porque las undades en que se expresa no son las msmas de las observacones del conjunto de datos. Por este motvo, la raíz cuadrada de la varanza, la cual se representa por la letra grega o por s s se trata de una muestra y, llamada desvacón estándar, se utlza con mayor frecuenca y las fórmulas para calcularla son: para la poblacón y, N X 1 (.17) N para la muestra. s n 1 X X n 1 (.18) Esta desvacón estándar será partcularmente muy útl para el desarrollo del tema de dstrbucones de probabldad. Ejemplo.15. Para los datos no agrupados de la Tabla.1, la meda artmétca resultó ser 3.8 mnutos (ver ejemplo.6). Consderando que estos datos fueron extraídos de una poblacón nfnta, la desvacón estándar se calcula medante la fórmula (.18). Los cálculos aparecen en la Tabla.14: TABLA.14. TABLA PARA CALCULAR DE LA DESVIACIÓN ESTÁNDAR DE DATOS NO AGRUPADOS. X X X ( X X ) Total 47. Departamento de Matemátcas 6 Unversdad de Sonora. Tema II: Semestre 017-1
27 Así, s n 1 X X n mnutos. Este resultado ndca el promedo de las dstancas entre los datos dados en la Tabla.1 y la meda de estos datos. Para calcular la varanza y desvacón estándar para datos agrupados, se toma el punto medo de cada clase para representar todas las observacones ncludas en esa clase. De acuerdo con lo anteror, las fórmulas para la poblacón agrupada y para los datos obtendos de una muestra son: Para la varanza de la poblacón: N f m 1 (.19) N Para la varanza de la muestra: s n 1 f n 1 m X (.0) Para la desvacón estándar de la poblacón: Para la desvacón estándar de la muestra: N f m 1 (.1) N s n 1 f n 1 m X (.) Ejemplo.16. Para los datos agrupados de la Tabla.6, la meda fue (ver ejemplo.8) podemos realzar los cálculos en una tabla de la manera sguente: TABLA.15. TABLA PARA CALCULAR LA DESVIACIÓN ESTANDAR DE DATOS AGRUPADOS. Clase o ntervalo de clase Punto Medo de clase (m ) Frecuenca m X ( m X ) f ( m X ) De 80 a menos de ,05 1,100 De107a menos de ,488 De 134a menos de De 161a menos de ,408 De 188a menos de $ ,809 11,36 Departamento de Matemátcas 7 Unversdad de Sonora. Tema II: Semestre 017-1
28 Total 34,39 Así, s n 1 f n 1 m X 34,39 $ Este resultado ndca el promedo de las dstancas entre las marcas de clase de los datos dados en la Tabla.6 y la meda de los datos de la Tabla antes menconada. La desvacón estándar es la medda de dspersón más mportante debdo a que se utlza junto con una cantdad de métodos de nferenca estadístca, algunos de ellos se analzan en folletos posterores y otros quedan fuera del propósto de este curso. Sn embargo, como ejemplo del uso de la desvacón estándar, consderemos una dstrbucón smétrca como la de la Fgura.11, en el análss estadístco, una curva de frecuenca de ese tpo se le llama curva normal. Para una dstrbucón que está normalmente dstrbuda, se sabe que: Aproxmadamente el 68% de los datos observados se encuentran stuadas dentro de una desvacón estándar alrededor de la meda. Esto sgnfca que este conjunto de datos se encuentra contendo en el ntervalo Cas el 95% de las medcones se encuentran contendas dentro de dos desvacones estándar alrededor de la meda. Es decr, se encuentra dentro del ntervalo Cerca del 99% de los datos observados se encuentran stuadas dentro de tres desvacones estándar alrededor de la meda. Esto es, se encuentra dentro del ntervalo 3 Además, sn mportar como se dstrbuyan los datos con respecto a la meda, el porcentaje de observacones que están contendas dentro de k desvacones estándar alrededor de la meda deben ser por lo menos, % k Esto lo aseguraron los matemátcos Benaymé y Chebyshev, al realzar estudos por separado de esta propedad el sglo XVIII [1]. Así, los datos de polígonos que adoptan cualquer forma, cuando menos un 75% de las observacones caerán dentro del ntervalo 88.89% de las medcones estarán contendas dentro del ntervalo % de los datos observados estarán dentro del ntervalo 4 Coefcente de varacón. A dferenca de la varanza y de la desvacón estándar, el coefcente de varacón es una meda relatva, es decr, se expresa como un porcentaje en lugar de en térmnos de las undades de los datos observados. Es de gran utldad al comparar la varabldad de dos o más conjuntos de datos o dstrbucones que se expresan en dferentes undades de medda. Por ejemplo, un nvestgador podría estar nteresado en medr la varabldad exstente en las ventas daras de dferentes compañías. No obstante, de que se podría tratar de la venta de Departamento de Matemátcas 8 Unversdad de Sonora. Tema II: Semestre 017-1
29 dferentes productos y de dferentes volúmenes de ventas, es posble medr la varabldad de estas dos compañías y hacer las comparacones. El coefcente de varacón denotado por V, ndca la magntud relatva de la desvacón estándar comparada con la meda de la dstrbucón de las observacones. Las fórmulas para calcular el coefcente de varacón son: para la poblacón y, V 100% (.3) para una muestra. s V 100% (.4) X Para nterpretar el coefcente de varacón, podemos usar las aprecacones de la Tabla.16, de acuerdo al resultado obtendo en el cálculo del coefcente de varacón. TABLA.16. INTERPRETACIÓN DEL COEFICIENTE DE VARIACIÓN Coefcente de Varacón Aprecacón 6% o más Muy Heterogéneo Del 16% a menos del 6% Heterogéneo Del 11% a menos del 16% Homogéneo 0% a menos del 11% Muy Homogéneo Ejemplo.17. Usando los resultados obtendos en los ejemplos.8 y.16, se tene que: V %.75% Este resultado ndca que exste una varabldad del.75% entre los montos muestreados de consumo de electrcdad y, por lo tanto podemos asegurar que la dstrbucón de datos dados en la Tabla. es heterogéneo o dverso..8. Meddas de forma. La tercera característca de las menconadas en la seccón. es la forma que presenta el polígono de una dstrbucón de datos. En esta seccón estudaremos meddas de asmetría y curtoss las cuales comparan la forma que tene la representacón gráfca, ben sea el hstograma o el dagrama de barras de la dstrbucón, con la dstrbucón normal. Como se menconó en la seccón.6.,la dstrbucón de los datos puede ser smétrca, dsmétrca postva o dsmétrca negatva. S la dstrbucón de datos no es smétrca, se dce que es una dstrbucón sesgada. Los coefcentes de asmetría de Pearson y de Fsher mden qué tan sesgada (a la derecha o a la zquerda), está la dstrbucón con respecto a la dstrbucón normal la cual es smétrca. El coefcente de la curtoss o apuntamento de Fsher mde la mayor o menor cantdad de datos que se agrupan en torno a la moda y su pretensón es compararla curva de una dstrbucón con la curva de la varable normal, en funcón de la cantdad de valores extremos en la dstrbucón. Las meddas de asmetría, sobre todo el coefcente de asmetría de Fsher, junto con las meddas de apuntamento o curtoss son muy mportantes ya que se usan para contrastar s se puede aceptar que una Departamento de Matemátcas 9 Unversdad de Sonora. Tema II: Semestre 017-1
30 dstrbucón estadístca sgue la dstrbucón normal. Esto es necesaro para realzar numerosos contrastes estadístcos en la teoría de nferenca estadístca. Coefcente de dsmetría de Pearson. Una manera de medr la asmetría o dsmetría de una dstrbucón es medante el coefcente de Pearson. Este coefcente mde el alejamento de la smetría expresando la dferenca entre la Meda y la Medana en relacón con la desvacón estándar del conjunto de datos. Las fórmulas para su cálculo son: 3( Medana ) Asmetría de la poblacón (.5) Asmetría de la muestra 3 (X Medana ) (.6) s Para una dstrbucón smétrca, el valor del coefcente de dsmetría será sempre cero, ya que la meda y la medana son guales en valor. Para una dstrbucón sesgada a la derecha, el coefcente sempre será postvo, mentras que para una dstrbucón sesgada a la zquerda el coefcente será sempre negatvo. La nterpretacón del coefcente de Pearson se resume en la Tabla.17 TABLA.17. INTERPRETACIÓN DEL COEFICIENTE DE PEARSON. Sgno del coefcente de Pearson Tpo de Dstrbucón Sn sgno (gual a cero o muy cercano a cero) Smétrca Postvo Asmétrca a la derecha Negatvo Asmétrca a la zquerda Ejemplo.18. Para los datos de la Tabla.1 de los tempos de espera de atencón a clentes en ventanllas, se tene que 3( ) Asmetría de la muestra Por lo tanto, podemos conclur que la dstrbucón de frecuencas de los datos de los tempos de espera de atencón a clentes de la Tabla.1 está lgeramente sesgada a la derecha. Coefcente de Asmetría de Fsher. Para calcular el coefcente de asmetría de Fsher usamos la fórmula (.7) s se trata de una poblacón A f k 1 ( X ) 3 N 3 f (.7) Donde A f representa el coefcente de asmetría de Fsher, X cada uno de los valores, (µ) la meda de la poblacón, σ la desvacón estándar de la poblacón, y (f ) la frecuenca de cada valor. S se trata de una muestra entonces usamos la fórmula (.8). Departamento de Matemátcas 30 Unversdad de Sonora. Tema II: Semestre 017-1
31 A f k 1 ( X X ) n S 3 3 f (.8) Donde A f representa el coefcente de asmetría de Fsher, X cada uno de los valores en la muestra, X la meda de la muestra, S la desvacón estándar de la muestra, y (f ) la frecuenca de cada valor. La nterpretacón del coefcente de asmetría de Fsher es la msma que la del coefcente de asmetría Pearson como lo ndca la Tabla.18. TABLA.18. INTERPRETACIÓN DEL COEFICIENTE DE FISHER. Sgno del coefcente de Fsher Tpo de Dstrbucón Sn sgno (gual a cero o muy cercano a cero) Smétrca Postvo Sesgada a la derecha Negatvo Sesgada a la zquerda Ejemplo.19. El coefcente de Asmetría de Fsher para la dstrbucón de la Tabla.6, podemos calcularlo elaborando una tabla smlar a la Tabla.19 y usando la fórmula (.8) y los resultados obtendos para la meda y desvacón estándar en los ejemplos.8 y.16 respectvamente. TABLA.19. TABLA PARA CALCULAR EL COEFICIENTE DE ASIMETRIA DE FISHER. Marcas Frecuenca de clase Absoluta 3 ( X 148.5) f X f , , ,191, ,048,000 Total 30,419,845 Así, A f,419,845 30(33.783) 3.09 Con este resultado conclumos que debdo a que el coefcente de asmetría de Fsher el postvo, la dstrbucón de los datos de la Tabla.6 es asmétrca postva. Curtoss o apuntamento. El concepto de curtoss o apuntamento de una dstrbucón surgó al comparar la forma de una dstrbucón con la forma de la dstrbucón normal. De esta forma, se clasfcan las dstrbucones según sean más omenos pcudas o apuntadas que la dstrbucón Normal.Se defnen 3 tpos de dstrbucones según su grado de curtoss: 1) Dstrbucón mesocúrtca: presenta un grado de concentracón promedo alrededor de los valores centrales de la varable (el msmo que presenta una dstrbucón normal). En ese caso, el coefcente de curtoss es cero. Ver Fgura.14 b). Departamento de Matemátcas 31 Unversdad de Sonora. Tema II: Semestre 017-1
32 ) Dstrbucón leptocúrtca: presenta un grado elevado de concentracón alrededor de los valores centrales de la varable. Es decr, está más apuntada que la Normal. En este caso, su coefcente de curtoss será postvo. Ver Fgura.14 a). 3) Dstrbucón platcúrtca: presenta un reducdo grado de concentracón alrededor de los valores centrales de la varable. Es decr, la dstrbucón está menos apuntada que la normal. En este caso el coefcente de Fsher es negatvo. Ver Fgura.14 c). a) Leptocúrtca b) Mesocúrtca c) Platcúrtca Fgura.14. Tpos de dstrbucones de acuerdo a su curtoss*. *Fuente: Coefcente de curtoss de Fsher. El Coefcente de Curtosspara la poblacón, se calcula usando la fórmula.9. C f k 1 ( X ) 4 N 4 f 3 (.9) Donde (C f) representa el coefcente de curtossde Fsher, (X ) cada uno de los valores, (µ) la meda de la poblacón, σ la desvacón estándar de la poblacón, y (f ) la frecuenca de cada valor. Para la muestra se usa la fórmula (.30), C f k 1 ( X X ) n S 4 4 f 3 (.30) Donde (C f) representa el coefcente de curtossde Fsher, (X ) cada uno de los valores, (X ) la meda de la muestra, S la desvacón estándar de la muestra, y (f ) la frecuenca de cada valor.de acuerdo al resultado obtendo,las dstrbucones pueden categorzarse como se ndca en la Tabla.0. TABLA.0. CATEGORIZACIÓN DE LAS DISTRIBUCIONES DE ACUERDO AL COEFICIENTE DE FISHER. Sgno del coefcente de Fsher Tpo de dstrbucón Sn sgno ( C = 0) Mesocúrtca Postvo ( C > 0) Negatvo ( C < 0) f f f Leptocúrtca Platcúrtca Departamento de Matemátcas 3 Unversdad de Sonora. Tema II: Semestre 017-1
33 Ejemplo.0.El coefcente de curtoss o apuntamento de Fsher para la dstrbucón de la Tabla.6, podemos calcularlo elaborando una tabla smlar a la Tabla.1 y usando la fórmula (.30) y los resultados obtendos para la meda y desvacón estándar en los ejemplos.8 y.16 respectvamente. TABLA.1. TABLA PARA CALCULAR EL COEFICIENTE DE CURTOSIS DE FISHER. Marcas Frecuenca de clase Absoluta 4 ( X 148.5) f X f ,60, ,30, ,13, ,840,000 Total 30 67,868,947 C f 67,868, (33.783) En consecuenca, podemos deducr que debdo a que el coefcente de curtoss de Fsher es postvo, la dstrbucón de la Tabla.6 es leptocúrtca. Es decr, es más pcuda que la dstrbucón normal..9. Análss de regresón y correlacón lneal smple. El análss de regresón lneal es una técnca estadístca utlzada para estudar la relacón entre varables cuanttatvas. Tanto en el caso de dos varables (regresón smple) como en el de más de dos varables (regresón múltple). El análss regresón lneal puede utlzarse para explorar y cuantfcar la relacón entre una varable llamada dependente (de respuesta o predctora) ndcada por Y, y una o más varables llamadas ndependentes (explcatvas o regresoras) denotadas por X 1, X,, X k, así como para desarrollar una ecuacón lneal con fnes predctvos. En esta seccón sólo estudaremos la regresón, correlacón lneal smple y calcularemos el modelo lneal smple. Es decr, analzaremos la relacón exstente entre una varable ndependente (X) y una varable dependente (Y), obtendremos un modelo lneal de una varable ndependente para predecr o pronostcar la varable dependente Introduccón al análss de regresón y correlacón lneal. Las técncas de regresón (repercusón) y correlacón (afndad o correspondenca) cuantfcan la asocacón estadístca entre dos o más varables. La regresón lneal smple expresa la relacón entre una varable dependente Y, y una varable ndependente X, en térmnos de la pendente y la nterseccón de la línea con el eje Y que mejor se ajuste a las varables. La correlacón smple expresa el grado de la correspondenca o relacón entre las dos varables en térmnos de un coefcente de correlacón (r) que proporcona una medda ndrecta de la varabldad de los puntos alrededor de la mejor línea de ajuste. De nnguna manera, la regresón n la correlacón dan pruebas de relacones causa efecto [] Departamento de Matemátcas 33 Unversdad de Sonora. Tema II: Semestre 017-1
34 Regresón lneal. Se defne como un procedmento medante el cual se trata de determnar s exste o no relacón de dependenca entre dos o más varables. Es decr, conocendo los valores de una varable ndependente, se trata de estmar los valores, de una o más varables dependentes. Por otro lado, la regresón en forma gráfca, trata de lograr que una dspersón de las frecuencas sea ajustada a una línea recta o a una curva. Por lo tanto, la regresón puede ser lneal y curvlínea (o no lneal). Como se menconó antes, en este curso sólo estamos nteresados en aprender la regresón lneal smple. Este tpo regresón se usa con mucha frecuenca en las cencas económcas, y sus dscplnas tecnológcas ya que cualquer funcón no lneal, es lnealzada para su estudo y efectos práctcos. La regresón lneal smple es útl para: 1) determnar la relacón de dependenca que tene una varable respecto a otra, ) ajustar la dstrbucón de frecuencas de ambas varables (dependente e ndependente)a una línea recta, es decr, determnar la ecuacón de la línea recta de regresón. 3) Predecr un dato desconocdo de una varable partendo de los datos conocdos de otra varable. Medante el coefcente de correlacón de Pearson (ver seccón.9.3) podemos determnar s la asocacón o relacón que exste entre la varable dependente y la ndependente es fuerte o débl. En aquellos casos en que el coefcente de correlacón (denotado por r) sea cercano a +1 o a 1, tendrá sentdo consderar la ecuacón de la recta que mejor se ajuste a la nube de puntos (conocda como recta de los mínmos cuadrados). Como ya se menconó anterormente, uno de los prncpales usos de dcha recta será el de predecr o estmar los valores de Y que obtendríamos para dstntos valores de X. Estos conceptos quedarán representados en lo que llamamos dagrama de dspersón (ver seccón.9.) [3]. Con el coefcente de determnacón (ver seccón.9.3), se logra calcular el porcentaje de la varabldad en las undades de varable dependente (pronóstco) que no puede ser explcada por las undades de la varable ndependente en la predccón, debdo a factores ajenos o externos de las undades utlzadas en la varable ndependente. El coefcente de determnacones denotado por r y oscla entre 1 y +1. Entre más cercano a +1 o a 1 se tendrá un menor porcentaje de la varabldad que no puede ser explcada entre las undades de ambas varables. Correlacón lneal. En ocasones nos puede nteresar saber s exste o no algún tpo de relacón entre dos varables aleatoras. Por ejemplo, entre el número daro de vstas realzadas por los clentes a un establecmento comercal y el gasto daro realzado en publcdad por dcho establecmento. Una prmera aproxmacón al problema consste en dbujar en el plano cartesano (R ) un punto por cada día muestreado: la prmera coordenada (o abscsa) de cada punto sería el número de vstas de los clentes al establecmento, mentras que la segunda coordenada (u ordenada) sería la cantdad de dnero gastada en publcdad ese día. Así, obtendríamos una nube de puntos la cual podría ndcarnos vsualmente la exstenca o no de algún tpo de relacón lneal, o no lneal entre ambas varables. Otro ejemplo smlar, consstría en analzar la facturacón de una empresa en un perodo de tempo dado y de cómo nfluyen los gastos de promocón y publcdad en dcha facturacón. S consderamos un perodo de tempo de 10meses, una posble representacón sería stuar un punto por cada mes de forma que la abscsa de cada punto sería la cantdad en pesos nvertdos en publcdad y/o promocón, mentras que la ordenada sería la cantdad en pesos obtendos de su facturacón. De esta manera, obtendríamos una nube de puntos que nos ndcaría el tpo de relacón exstente entre ambas varables. En partcular, nos nteresa cuantfcar la ntensdad de la relacón lneal entre las dos varables (abscsas y ordenadas). El parámetro que nos da tal cuantfcacón es el coefcente de correlacón lneal de Pearson r (ver la seccón.9.3), cuyo valor oscla entre 1 y +1. En contraste, el análss de regresón se usa en la predccón, mentras que el análss de correlacón se utlza para medr la fuerza de la asocacón entre las varables [4]. Departamento de Matemátcas 34 Unversdad de Sonora. Tema II: Semestre 017-1
35 .9.. Gráfcos de dspersón. Un gráfco de dspersón muestra una sere de datos como un conjunto de puntos representados en un plano cartesano (ver Fgura.15). Los valores se representan medante la poscón de los puntos en el gráfco. Las categorías se representan medante dstntos marcadores en el gráfco. Los gráfcos de dspersón suelen usarse para comparar datos agregados de las categorías. Uno de los aspectos más poderosos de un gráfco de dspersón, es su capacdad para mostrar las relacones lneales o no lneales entre las varables. Además, s los datos son representados por un modelo de mezcla de relacones smples, estas relacones son vsualmente evdentes como patrones superpuestos. El dagrama de dspersón es una de las herramentas báscas en control de caldad. Fuerte correlacón lneal postva. Correlacón lneal postva ntermeda. Fuerte correlacón lneal negatva. Nnguna correlacón lneal. Correlacón no lneal ntermeda. Fuerte correlacón no lneal. Fgura.15 Dagramas de dspersón para la explcacón del coefcente de correlacón. En la Fgura.15 podemos observar dstntos dagramas de dspersón los cuales explcarían el valor obtendo en coefcente de correlacón (r) de Pearson. Ejemplo.1.El gerente general de una empresa desea saber s exste relacón entre la rentabldad de la empresa y la nversón en publcdad y promocón realzada por ésta. El gerente cuenta con los datos del volumen de ventas y del gasto en publcdad y promocón que se realzaron en los últmos 1 meses expresados en mllones de pesos. Los datos recoplados aparecen en la Tabla.. Para ello, construye el dagrama de dspersón que aparece en la Fgura.16. TABLA.. MONTOS MENSUALES DE LAS VENTAS Y GASTOS EN PUBLICIDAD Y PROMOCIÓN. Año 009 Año 010 Mes Jul Ago Sept Oct Nov Dc Ene Feb Mar Abr May Jun Monto de las ventas Gasto en publcdad y promocón Departamento de Matemátcas 35 Unversdad de Sonora. Tema II: Semestre 017-1
36 Gasto en publcdad y promocón (en mllones de pesos) Estadístca I Aplcada a la Admnstracón, Contaduría, Informátca Admnstratva, Economía, Negoco y Comerco Internaconales Monto de las ventas mensuales (en mllones de pesos) Fgura.16. Dagrama de dspersón del monto de las ventas y los gastos en publcdad y promocón. Con el dagrama de la Fgura.16 el gerente pudo observar que exste una relacón crecente entre las dos varables nvolucradas, y que ambas varables son drectamente proporconales. Es decr, s una varable sube la otra tambén y vceversa. Tambén, el gerente se do cuenta que la relacón exstente entre las dos varables se comporta como una línea recta con pendente postva y que dcha relacón entre ambas varables parece ser muy fuerte. Para verfcar esta aseveracón, el gerente debe calcular el coefcente de correlacón (ver la seccón sguente). Para realzar un pronóstco, el gerente debe determnar la ecuacón del modelo lneal que nvolucra a estas dos varables (ver seccón.9.4) Coefcente de correlacón lneal. El coefcente de correlacón, r, nos ndca qué tan cerca están los datos de la línea de ajuste (ver la seccón.9.4). La fórmula para calcularlo es: n XY X Y X X ny Y r (.9) n La fórmula del coefcente de correlacón, desarrollada por Karl Pearson, está dseñada para que 1 r 1, con un valor de r cercano a 1sgnfca que las dos varables crecerán o decrecerán juntas, y exstrá una fuerte relacón matemátca entre ellas. Como se menconó al nco del de la seccón.9.1, esto no necesaramente sgnfca que una de las varables tene efecto drecto sobre la otra. Por ejemplo, el hecho de exstr una gran correlacón entre el crecmento del número de escuelas en una certa área de la cudad y el aumento en la venta de lcor en esta área, no necesaramente quere decr que los estudantes y maestros están tomando el lcor; ambos crecmentos reflejan un crecmento en la poblacón de esta área. Por otro lado, un coefcente de correlacón cercano a 1 ndca que hay una fuerte correlacón negatva; esto es, una varable tenderá a decrecer mentras que la otra crecerá. Está generalmente convendo que la correlacón entre 0. y 0. ndca una relacón no sgnfcatva entre las varables. Departamento de Matemátcas 36 Unversdad de Sonora. Tema II: Semestre 017-1
37 Ejemplo.. En referenca al ejemplo.1, el gerente decde calcular el coefcente de regresón de Pearson para determnar qué tan fuerte es la relacón entre las varables nvolucradas. Para facltar el cálculo del valor de r, el gerente elaboró la Tabla.3. TABLA.3. TABLA PARA CALCULAR EL COEFICIENTE DE CORRELACIÓN. Mes X Y XY X Y Jul Ago Sept Oct Nov Dc , Ene ,500 5 Feb ,5 36 Mar , Abr ,65 49 May , Jun , Totales ,4 35, En el renglón de totales de la Tabla.19 tenemos calculados respectvamente, X, Y, XY, X Y. Por lo tanto, sólo se necesta susttur estos valores con n 1 en la fórmula de r. Así, y r 1 13, , , , ,139 10, Con el resultado obtendo de r, podemos conclur que la relacón exstente entre las dos varables nvolucradas (ventas y gasto en publcdad y promocón) es muy fuerte y que podemos utlzar el modelo de regresón lneal para predecr una de las varables conocendo la otra. Coefcente de determnacón de Pearson. El coefcente de determnacón r mde la proporcón de varabldad total de la varable dependente Y respecto a su meda que es explcada por el modelo de regresón. En otras palabras, r mde la proporcón de la varacón total en la varable dependente Y que está explcada por la varable ndependente X, o que se debe a la varacón de la varable ndependente X. Es usual expresar esta medda en tanto por cento, multplcándola por 100%. La fórmula para calcular el coefcente de determnacón de Pearson es: n XY X Y X X n Y Y r 100% (.30) n Departamento de Matemátcas 37 Unversdad de Sonora. Tema II: Semestre 017-1
38 Ejemplo.3.S el gerente desea calcular el coefcente de determnacón de Pearson, sólo tene que elevar al cuadrado el resultado obtendo en el ejercco.. Esto es, r = ( ) 100% =99.173% Este resultado mplca que sólo el % de las varacones en Y no pueden ser explcadas por la varable ndependente de las ventas mensuales generadas por la empresa. Un % de los casos las varacones en el gasto mensual en publcdad y promocón pueden ser explcadas por las ventas mensuales realzadas por la empresa Modelo de regresón lneal smple. El modelo de regresón lneal smple toma la forma Y = a + b*x, (.31) Donde Y = varable dependente; X = varable ndependente. Los valores de la pendente (b) y la nterseccón con el eje Y (a), se obtenen usando las ecuacones normales escrtas en la forma convenente. X Y n X Y b (.3) X nx a Y bx (.33) Ejemplo.1. En relacón al ejemplo.19, el gerente general puede determnar el modelo de regresón lneal smple (.31), basándose en los resultados obtendos en la Tabla.1 y usando las fórmulas (.3) y (.33) de la manera sguente: 3,41 ( ) ( ) b (35,000) (1) ( ) Una vez calculado el valor de la pendente (b), ya podemos determnar el valor de la nterseccón con el eje Y usando la fórmula (.33). Esto es, a ( ) ( ) ( ) Por lo tanto, el modelo de regresón lneal para los datos de la Tabla.0 es: Y = X (.34) En donde X representa el monto de las ventas mensuales y Y el gasto mensual en publcdad y promocón. Ejemplo.. En relacón al Ejemplo.0, para el mes de septembre de 010, la empresa desea realzar ventas por 100 mllones de pesos. El gerente general usa el modelo de regresón lneal smple calculado en el Departamento de Matemátcas 38 Unversdad de Sonora. Tema II: Semestre 017-1
39 Ejemplo.1. Para determnar el gasto que debe hacerse ese mes en publcdad y promocón de la empresa, como sgue: Y = (100) = Esto es, para lograr las ventas deseadas en el mes de septembre de 010, la empresa debe realzar un gasto aproxmado de 9 mllones de pesos en publcdad y promocón. Ejemplo.3.En referenca al problema anteror, para el mes de octubre la gerenca de publcdad y promocón de la empresa cuenta con un presupuesto de 11.5 mllones de pesos. El gerente general pronostca las ventas esperadas para el mes de octubre usando el modelo de regresón smple (.34), de la manera sguente: Despejando el valor de X se tene que: 11.5 = X X = = Con el resultado obtendo el gerente general espera que las ventas de octubre serán aproxmadamente del orden de los 18.6 mllones de pesos..14. Ejerccos práctcos. 1. En el Departamento de Personal de una fábrca se ha realzado un estudo estadístco en relacón a los salaros mensuales percbdos por los trabajadores en mles de pesos. El resultado de una muestra de 60 empleados arrojó los sguentes datos: Con base en la nformacón de la muestra, a) Construye el dagrama de tallo y hojas para los datos dados. b) Obtén la dstrbucón de frecuencas para los datos no agrupados de la muestra. c) Calcula la meda, medana y moda para la dstrbucón de frecuencas del ncso b). d) Construye una dstrbucón de frecuencas de datos agrupados de cnco ntervalos gualmente espacados. e) Calcula la meda, moda y medana para los datos agrupados y compara los resultados obtendos en el caso c). Qué puedes argumentar al respecto? f) Con la dstrbucón de frecuencas del ncso d), construye los gráfcos sguentes; 1) El hstograma. ) El polígono de frecuencas. 3) La ojva menor qué 4) La ojva mayor qué g) Construye los dagramas de caja para con los datos obtendos en los ncsos c) y e) y compáralos. Qué puedes decr al respecto?. Para la empresa SAMID y Asocados, la cantdad dara producda (en mles de undades) está dada por la sguente dstrbucón de frecuencas: Departamento de Matemátcas 39 Unversdad de Sonora. Tema II: Semestre 017-1
40 Cantdad dara producda (en mles) Frecuenca Absoluta De 5 a menos de De 15 a menos de 5 x De 5 a menos de 35 y De 35 a menos de 45 8 De 45 a menos de 55 7 El gerente de produccón ha perddo dos datos, pero asegura que la suma de las cantdades faltantes es el doble del promedo de la produccón dara. A partr de la nformacón de la tabla y de lo que asegura el gerente, se desea saber: a) El valor de x y de y, s se sabe que la cantdad promedo de la produccón dara es de 6 ml undades. b) Los valores de medana, moda, varanza y desvacón estándar para la produccón dara. c) El tercer cuartl, el noveno decl y el percentl número 15. d) El coefcente de varacón, el coefcente de asmetría de Pearson, y los coefcentes de asmetría y curtoss de Fsher. e) Conforme a la comparacón de las meddas centrales (promedo, medana y moda) obtendas en el ncso b), la dstrbucón de las cantdades daras de produccón es: ) Asmétrca a la derecha, ) Asmétrca a la zquerda, ) Smétrca o v) Unforme. f) De acuerdo al coefcente de varacón obtendo en el ncso d), las cantdades daras de produccón son: ) Heterogéneos, ) Homogéneos, ) Muy heterogéneos o v) Muy Homogéneos. g) Conforme al coefcente de asmetría de Pearson obtendo en el ncso d), la forma de la dstrbucón de los datos dados en la tabla es ) Dsmétrca negatva, ) Unforme, ) Dsmétrca postva o v) Smétrca. h) De acuerdo al coefcente de Asmetría de Fsher obtendo en el ncso d), la dstrbucón de las cantdades daras de produccón está: ) Sesgada a la Izquerda, ) Sesgada a la derecha, ) Insesgada o v) Invarante. ) De acuerdo al coefcente de curtoss de Fsher obtendos en d), la forma de la dstrbucón de las cantdades daras de produccón es: ) Leptocúrtca, ) Mesocúrtca, ) Cuascúrtca o v) Platcúrtca. 3. Una empresa se dedca a la fabrcacón de barras de acero, para ello usa una máquna, cuyas característcas hacen que la longtud de éstas no pueda ser mayor de 50 cm. Se realzó una muestra de la produccón de la máquna en una determnada hora de funconamento, las longtudes de las barras producdas fueron las sguentes: Longtud (en cm.) Cantdad de barras Menos de10 3 De 10 a menos de 0 1 De 0 a menos de 5 7 De 5 a menos de De 30 a menos de a menos de 45 5 a) Con los datos de la tabla, determna, para esa hora específca, los valores para la longtud de esas barras de la 1) meda, ) medana, 3) moda, 4) varanza, 5) percentl número 35, 6) segundo decl,7) prmer cuartl, 8) coefcente de varacón, 9) coefcente de asmetría de Pearson, 10) coefcente de asmetría de Fsher y 11) coefcente de curtoss. b) Conforme a la comparacón de las meddas centrales (promedo, medana y moda) obtendas en los puntos 1, y 3 del ncso a), la dstrbucón de la longtud de las barras es: ) Asmétrca a la derecha, ) Asmétrca a la zquerda, ) Smétrca o v) Unforme. c) De acuerdo al coefcente de varacón obtendo en el apartado 8) del ncso a), las longtudes de las barras son: ) Heterogéneos, ) Homogéneos, ) Muy heterogéneos o v) Muy Homogéneos. Departamento de Matemátcas 40 Unversdad de Sonora. Tema II: Semestre 017-1
41 d) Conforme al coefcente de asmetría de Pearson obtendo en el apartado 9) del ncso a), la forma de la dstrbucón de los datos es ) Dsmétrca negatva, ) Unforme, ) Dsmétrca postva o v) Smétrca. e) De acuerdo al coefcente de Asmetría de Fsher obtendo en el apartado 10) del ncso a), la dstrbucón de la longtud de las barras está: ) Sesgada a la Izquerda, ) Sesgada a la derecha, ) Insesgada o v) Invarante. f) De acuerdo al coefcente de curtoss de Fsher obtendos en el apartado 11) del ncso a), la forma de la dstrbucón de la longtud delas barras es: ) Leptocúrtca,) Mesocúrtca, ) Cuascúrtca o v) Platcúrtca. 4. En una muestra realzada en las dos sucursales de una empresa determnada, se obtuveron las sguentes dstrbucones de frecuencas de los montos de las ventas daras realzadas en mles de pesos. Sucursal A Sucursal B Monto de las ventas (mles de pesos) Número de días Monto de las ventas (mles de pesos) Número de días Menos de 90 7 Menos de 70 5 De 90 a menos de De 70 a menos de 00 8 De 150 a menos de De 00 a menos de De 300 a menos de De 350 a menos de De 600 a menos de De 700 a menos de Total 100 Total 100 a) Con los datos de la tablas, determna, para cada sucursal, los valores para el monto de las ventas de la 1) meda, ) medana, 3) moda, 4) varanza, 5) percentl número 35, 6) segundo decl, 7) prmer cuartl, 8) coefcente de varacón, 9) coefcente de asmetría de Pearson, 10) coefcente de asmetría de Fsher y 11) coefcente de curtoss. b) Conforme a la comparacón de las meddas centrales (promedo, medana y moda) obtendas en los puntos 1, y 3 del ncso a), la dstrbucón de las ventas de cada sucursal es: ) Asmétrca a la derecha, ) Asmétrca a la zquerda, ) Smétrca o v) Unforme. c) De acuerdo al coefcente de varacón obtendo en el apartado 8) del ncso a), los montos de las ventas de cada sucursal son: ) Heterogéneos, ) Homogéneos, ) Muy heterogéneos o v) Muy Homogéneos. d) Conforme al coefcente de asmetría de Pearson obtendo en el ncso 9, la forma de la dstrbucón de los datos para cada sucursal es ) Dsmétrca negatva, ) Unforme, ) Dsmétrca postva o v) Smétrca. e) De acuerdo al coefcente de Asmetría de Fsher obtendo en el apartado 10) del ncso a), la dstrbucón de los montos de las ventas de cada sucursal está: ) Sesgada a la Izquerda, ) Sesgada a la derecha, ) Insesgada o v) Invarante. f) De acuerdo al coefcente de curtoss de Fsher obtendos en el apartado 11) del ncso a), la forma de la dstrbucón de los montos de las ventas de cada una de las sucursales es: ) Leptocúrtca, ) Mesocúrtca, ) Cuascúrtca o v) Platcúrtca. g) En base a ambas dstrbucones, responde a las sguentes preguntas: 1) Cuál de las dos tene menor dspersón? ) Para qué empresa resulta más representatvo el monto de ventas promedo? 3) Cuál de las dos empresas se encuentra con una dstrbucón de las ventas más equlbrada o con menos varabldad? 5. La dureza de los árboles es dfícl de medr drectamente, sn embargo la densdad s es relatvamente fácl de medr. Por ello es de gran nterés dsponer de un modelo que permta predecr la dureza de un árbol a partr de su densdad. Por este motvo se ha tomado una muestra de 36 eucalptos y se les mdó su densdad (X) y su dureza (Y ). Los resultados obtendos son los de la tabla adjunta. Departamento de Matemátcas 41 Unversdad de Sonora. Tema II: Semestre 017-1
42 Densdad Dureza Densdad Dureza Densdad Dureza Con los datos dados en la tabla, a) Construye un dagrama de dspersón y comenta s exste algún tpo de relacón entre las dos varables nvolucradas, la relacón es lneal o no lneal? b) Determne el coefcente de correlacón e nterpreta el resultado encontrado. c) Calcula el coefcente de determnacón y en base al resultado obtendo determna s se puede explcar el consumo de dureza del árbol por una relacón lneal con su densdad. d) Determne el modelo de regresón lneal smple. e) Usando el modelo hallado en el ncso anteror, predga la dureza de un árbol de densdad 0 y 60 undades respectvamente f) Usando el modelo del ncso d), predga la densdad de un árbol de dureza 300 y 4000 respectvamente. 6. En qunce casas de la cudad de Mlton Keynes se observó durante un período de tempo la dferenca de temperatura promedo (en grados centígrados) entre la temperatura en la calle y la temperatura en casa, y el consumo de gas daro en kwh. Dferenca de Dferenca de Dferenca de Consumo Consumo Temperatura. Temperatura. Temperatura. Consumo Con los datos anterores, a) Construye un dagrama de dspersón. Exste relacón entre estas dos varables? b) Construye un dagrama de dspersón y comenta el tpo de correlacón exstente entre las dos varables nvolucradas, la relacón es lneal o no lneal? c) Determne el coefcente de correlacón e nterprete el resultado. d) Calcule el coefcente de determnacón Se puede explcar la dferenca de la temperatura medante la relacón lneal con el consumo de gas? e) Determne el modelo de regresón lneal smple. f) Usando el modelo hallado en el ncso anteror, predga el consumo de energía s la dferenca es de 0 y 60 grados respectvamente. g) Usando el modelo del ncso d), predga la dferenca en la temperatura s el consumo de energía es de 85 y 90 undades. Departamento de Matemátcas 4 Unversdad de Sonora. Tema II: Semestre 017-1
43 7. La Tabla de abajo presenta una muestra del número de horas trabajadas (X) en una fábrca, y las undades producdas (Y) de artículos. Horas (X) Produccón (Y) Con los datos dados en la Tabla, a) Construye un dagrama de dspersón y comenta s exste algún tpo de relacón entre las dos varables nvolucradas, la relacón es lneal o no lneal? b) Determne el coefcente de correlacón e nterprete el resultado. c) Calcule el coefcente de determnacón e nterprete el resultado d) Determne el modelo de regresón lneal smple. e) Usando el modelo hallado en el ncso anteror, predga la cantdad de undades que se espera producr s se trabajan 10 horas. f) Usando el modelo del ncso d), predga las posbles horas trabajo, s las undades producdas fueron de Se ha solctado a un grupo de 50 ndvduos nformacón sobre el número de horas que dedcan daramente a dormr y ver la televsón. La clasfcacón de las respuestas ha permtdo elaborar la tabla sguente: Nº de hrs dormdas (X) Nº de hrs de TV (Y) Nº de hrs dormdas (X) Nº de hrs de TV (Y) Nº de Hrs dormdas (X) Nº de Hrs de TV (Y) Nº de Hrs dormdas (X) Nº de Hrs de TV (Y) Con los datos dados en la tabla, a) Construye un dagrama de dspersón y comenta s exste algún tpo de relacón entre las dos varables nvolucradas, la relacón es lneal o no lneal? b) Determne el coefcente de correlacón e nterprete el resultado. c) Calcule el coefcente de determnacón e nterprete el resultado d) Determne el modelo de regresón lneal smple. e) Usando el modelo hallado en el ncso anteror, predga la cantdad de undades que se espera duerma una persona que ve la TV durante 1.5 horas. f) Usando el modelo del ncso d), predga las posbles horas que una persona ve TV, s las horas que duerme son de 8.5 hrs. Nota: Los datos utlzados en los problemas 5 y 6, han sdo tomados del lbro Ahandbook of small data sets, edtado por D.J. Hand, F. Daly, A.D. Lunn, K.J. McConway y E Ostrowsky. Chapman& Hall. Departamento de Matemátcas 43 Unversdad de Sonora. Tema II: Semestre 017-1
44 .15. Lecturas recomendadas. 1) Santago Fernández Fernández, José María Cordero Sánchez, Alejandro Córdoba Largo. Estadístca descrptva. page&q=estadstca%0descrptva&f=false ) Ma. Vctora Alea Rera. Estadístca descrptva: aplcacones práctcas &cd=#v=onepage&q=estadstca%0descrptva&f=false.16. Bblografía recomendada para reforzar este tema. 1) Joan BaróLlnàs. Estadstca descrptva: aplcacones económco-empresarales. Paramón, 1987 Segunda Edcón. ) Hanke.Estadístca para negocos. Edtoral Irwn ) Jorge Galbat Resco. Regresón Lneal Smple.Colomba. Enero de Referencas. [1] Yadolah DodgeThe concse encyclopeda of statstcs - Págna 4, Sprnger, 008. []Danel A. Robles Fabán.Regresón múltple Lma Perú [3]Alca Vla; Máxmo Sedano; Ana López; Ángel A. Correlacón Lneal y Análss de Regresón.Proyecto e- Math.UOC [4] Berenson, Levne. Estadístca Básca en Admnstracón. Concepto y Aplcacones. Edtoral Pearson Departamento de Matemátcas 44 Unversdad de Sonora. Tema II: Semestre 017-1
45 Oe0QC&prntsec=frontcover&dq=berenson+y+levne&source=gbs_smlarbooks_s&cad=1#v=onepage&q=berenson% 0y%0levne&f=false Departamento de Matemátcas 45 Unversdad de Sonora. Tema II: Semestre 017-1
Estadística Aplicada a las Licenciaturas: Administración, Contaduría e Informática Administrativa. Tema II.
Notas de Estadístca Aplcada a la Admnstracón, Contaduría e Inormátca Admnstratva I. Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Inormátca Admnstratva. Tema II. Por Dr. Francsco Javer
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Inormátca Admnstratva. Fascículo II: Estadístca Descrptva
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Inormátca Admnstratva. Fascículo II: Estadístca Descrptva
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca I Aplcada a la Admnstracón, Contaduría, Inormátca Admnstratva, Economía, Negoco y Comerco Internaconales
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Inormátca Admnstratva. Fascículo II: Estadístca Descrptva
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesPrueba de Evaluación Continua
Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detalles5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.
5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. Para organzar los datos a medda que el número de observacones crece, es necesaro condensar más los datos en tablas apropadas, a fn de presentar, analzar e nterpretar
Más detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesEstadística Unidimensional: SOLUCIONES
4ª SesónFecha: Estadístca Undmensonal: SOLUCIOES Varables estadístca dscreta 1 Con los datos del ejercco de Pág 19 nº 3 determna: a) Tabla de Frecuencas b) Dagrama de barras Gráfco acumulado c) Meddas
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES
Más detallesUniversidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Unversdad de onora Departamento de Matemátcas Área Económco Admnstratva Matera: Estadístca I Maestro: Dr. Francsco Javer Tapa Moreno emestre: 016-1 Hermosllo, onora, a 17 de 016. Introduccón En la clase
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 2) CAPÍTULO II.-ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA.- DISTRIBUCIONES DE FRECUENCIAS DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA . DISTRIBUCIÓN
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. 1 Págna 0 PRACTICA Meda y desvacón típca 1 Las edades de los estudantes de un curso de nformátca son: 17 17 18 19 18 0 0 17 18 18 19 19 1 0 1 19 18 18 19 1 0 18 17 17 1 0 0 19 0 18 a) Haz una tabla
Más detallesI.E.S. Historiador Chabás -1- Juan Bragado Rodríguez
Problema La sguente tabla epresa la estatura en cm. de soldados: Talla 5 56 60 6 68 6 80 8 88 Soldados 6 86 50 8 95 860 85 6 9 a) Haz un hstograma que represente la estatura en metros de los soldados.
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesMEDIDAS DESCRIPTIVAS
Tema 2: MEDIDAS DESCRIPTIVAS DE LOS DATOS 1. MEDIDAS DE CETRALIZACIÓ: Meda Medana Moda Cuantles Otras 2. MEDIDAS DE DISPERSIÓ: Desvacón típca Varanza Rango Otras 3. MEDIDAS DE FORMA: Asmetría Apuntamento
Más detalles1. Notación y tabulación
Tema 2: Descrpcón Unvarante. otacón y tabulacón 2. Descrpcón gráfca 3. Descrpcón numérca. Momentos estadístcos. Meddas de poscón. Meddas de dspersón v. Varable tpfcada v. Meddas de forma v. Meddas de concentracón
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detalles4º DE ESO MATEMÁTICAS-B CURSO UNIDAD 14: ESTADÍSTICA
UNIDAD 14: ESTADÍSTICA INTRODUCCIÓN La presenca de la Estadístca es habtual en multtud de contextos de la vda real: encuestas electorales, sondeos de opnón, etc. La mportanca de la Estadístca en la socedad
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesTEMA 1.- CONCEPTOS BÁSICOS
TEMA 1.- CONCEPTOS BÁSICOS 1.1.- Cuestones tpo test 1.- En las encuestas personales puede codfcarse, por ejemplo, con un cero las que son contestadas por una mujer y con un uno las que lo son por un varón.
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesDEPARTAMENTO DE MATEMÁTICAS
. INTRODUCCIÓN En la socedad de la nformacón en la que vvmos resulta mprescndble dsponer de técncas y conceptos que permtan extraer, de manera fable y senclla, nformacón relevante de dferentes conjuntos
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesGUÍA DE APOYO AL APRENDIZAJE N 1
GUÍA DE APOYO AL APRENDIZAJE N 1 1.- Dencones de conceptos báscos. Estadístca: la estadístca es un conjunto de métodos y procedmentos que srven para recolectar, organzar y presentar los datos obtendos,
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctco de Boestadístca Con Herramentas De Excel Fabrzo Marcllo Morla MBA barcllo@gmal.com (593-9) 419439 Otras Publcacones del msmo autor en Repostoro ESPOL Fabrzo Marcllo Morla Guayaqul, 1966.
Más detalles14 EJERCICIOS RESUELTOS ESTADÍSTICA
1 EJERCICIOS RESUELTOS ESTADÍSTICA Pág. 1 Meda y desvacón típca 1 El número de faltas de ortografía que cometeron un grupo de estudantes en un dctado fue: 0 1 0 1 0 0 1 1 5 1 5 0 1 0 0 0 0 1 1 0 0 0 5
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesPara construir un diagrama de tallo y hoja seguimos los siguientes pasos:
UNIDAD 2: Gráfcos estadístcos Los gráfcos muestran vsualmente y de forma rápda la dstrbucón de los datos y sus prncpales característcas, consttuyen un mportante complemento en la presentacón de la nformacón.
Más detallesGUÍA DE APOYO AL APRENDIZAJE N 2
GUÍA E APOYO AL APREIZAJE Meddas de Tendenca Central ó de Resumen Las meddas de resumen son valores de la varable que permten resumr la normacón que hay en una tabla undamentalmente estas meddas se usan
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesESTADÍSTICA. x es el cociente entre la frecuencia absoluta del valor
el blog de mate de ada: ESTADÍSTICA pág. 1 ESTADÍSTICA La estadístca es la cenca que permte acer estudos de grandes poblacones escogendo sólo un pequeño grupo de ndvduos, lo que aorra tempo y dnero. Poblacón
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesTema 1 Descripción de datos: Estadística descriptiva unidimensional Estadística descriptiva
Descrpcón de datos: Estadístca descrptva undmensonal Estadístca descrptva Objetvos: Ordenar, clasfcar, resumr grandes conjuntos de datos de modo que puedan ser fáclmente nterpretables Defncones báscas:
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesTema 9: Estadística Unidimensional.
Tema 9: Estadístca Undmensonal..- Introduccón.- Conceptos Báscos 3.- Tablas estadístcas.- Parámetros Estadístcos De centralzacón. De poscón De dspersón. 5.- Grácos Estadístcos 6.- Ejerccos Resueltos 7.-
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana.
Matemátcas Aplcadas a las Cencas Socales I ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL 1) Se ha meddo la temperatura en grados centígrados la presón atmosférca en mm en una cudad durante una semana obtenéndose
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objetos de nuestro estudio.
TEMA 8 - ESTADÍSTICA 8. NOCIONES GENERALES DE ESTADÍSTICA 8.. INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco de un conjunto de datos empírcos (recogdos
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesUNIDAD 1: Tablas de frecuencias
UIDAD : Tablas de recuencas Cuando sobre una poblacón hemos realzado una encuesta o cualquer regstro para conocer los valores que toman las varables, nos encontramos ante una gran cantdad de datos que
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO PLANTEL IGNACIO RAMÍREZ C. DE LA ESCUELA PREPARATORIA
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO PLANTEL IGNACIO RAMÍREZ C. DE LA ESCUELA PREPARATORIA PROBLEMARIO DE ESTADÍSTICA MÓDULO I. REPRESENTACIÓN DE DATOS MÓDULO II. MEDIDAS DE TENDENCIA CENTRAL ELABORADO
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detalles4) Ahora elaboremos la tabla de distribución de frecuencias: TABLA DE DISTRIBUCIÓN DE FRECUENCIAS DE LOS PESOS DE LOS ESTUDIANTES MERU CALIDAD.
APELLIDOS Y NOMBRES:... EJERCICIO: Se han regstrado dferentes pesos de los alumnos del segundo grado de una Insttucón Educatva en klogramos. 40 41 42 50 40 48 41 43 39 40 47 46 49 49 50 39 50 48 42 45
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesPráctica 3. Media, mediana y moda.
Práctca 3. Meda, ana y moda. La presente práctca, te permtrá estudar las das de tendenca central menconadas, a partr de los sguentes datos que corresponden a la estatura de estudantes, ncaremos la práctca.
Más detallesEstadística Descriptiva
Estadístca Descrptva ÍDICE ESTADÍSTICA DESCRIPTIVA. Poblacón y Muestra 4. Varables estadístcas 4 3. Frecuencas 5 4. Dstrbucones 7 5. Representacón gráfca 5. De caracteres cuanttatvos 5.. De varables estadístcas
Más detallesLECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 4: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION. DEFINICION Las meddas estadístcas son meddas de resumen
Más detallesE.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
E.U.I.T.I. Blbao Asgnatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Blbao Asgnatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA TEMA 2: ESTADÍSTICA DESCRIPTIVA 1. RESUMEN Métodos para resumr y descrbr
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesLECTURA 03: DISTRIBUCIONES DE FRECUENCIAS (PARTE II)
LECTURA 03 DISTRIBUCIONES DE FRECUENCIAS (PARTE II) DISTRIBUCIONES DE FRECUENCIAS EN INTERVALOS DE CLASE Y DISTRIBUCIONES DE FRECUENCIAS POR ATRIBUTOS O CATEGORÍAS TEMA 6 DISTRIBUCIÓN DE FRECUENCIAS EN
Más detallesUNIDAD 12: Distribuciones bidimensionales. Correlación y regresión
Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma
Más detallesDATOS AGRUPADOS POR INTERVALOS DE CLASE
3. Datos agrupados por ntervalo (Varable contnua) Generalmente los datos se agrupan por medo de ntervalos de clase, los cálculos son una aproxmacón a la realdad, se faclta los cálculos. En la agrupacón
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesUNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN PREPARATORIA No. 3
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN PREPARATORIA No. 3 PROBABILIDAD Y ESTADISTICA LABORATORIO PARA EXAMENES EXTRAORDINARIOS INSTRUCCIONES.- CONTESTE CADA UNO DE LOS SIGUIENTES PROBLEMAS COMPROBANDO SU RESPUESTA
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detalles