Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica Descriptiva
Estadistica Descriptiva
En este captulo hablaremos sobre: Tipos de Variables Mtodos grficos y numricos para describir variables cualitativas - Tablas de distribucin de frecuencias. - Grficos para variables cualitativas: Sectorial y de Barras. Mtodos grficos para describir variables cuantitativas - Grfico de Puntos. - Diagrama de Tallo y Hojas. - Histograma. Mtodos numricos para describir variables cuantitativas - Medidas de Tendencia Central: Promedio, Mediana, Moda. - Medidas de Dispersin: Rango, Desviacin Estndar, Rango entre Cuarteles. - Medidas de Posicin Relativa. Transformaciones lineales y estandarizacin
El padre del anlisis exploratorio de datos es John W. Tukey (1915-2000) Estados Unidos
Pgina 2 de 39
Tipos de variables La base de datos nmero 1, adjunta, contiene la informacin de 36 alumnos de un curso de Estadstica de la Universidad de Talca. Base de datos 1:
Nmero 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 Sexo M M M M M M M M M M M M F M M F F F M F F M F M F F F F F M F M F F F M Edad 22 20 20 22 25 22 21 24 21 21 20 21 20 22 20 20 22 20 20 20 22 19 19 19 20 21 20 21 22 19 22 20 19 20 19 20 Estatura 180 175 178 183 180 180 180 182 177 184 172 173 162 194 174 165 167 155 174 160 155 174 162 180 160 170 155 160 166 170 160 182 162 154 155 184 Peso 74 95 68 75 76 78 . 85 78 85 70 59 56 105 79 50 58 52 65 48 58 80 60 82 57 70 50 60 61 68 60 72 55 46 50 85 Ciudad de residencia SAN FERNANDO CHILLAN TALCA TALCA LINARES SANTIAGO TALCA TALCA CURICO SANTIAGO SAN FERNANDO IQUIQUE SANTIAGO LINARES SANTIAGO SAN JAVIER TALCA PUERTO MONTT LINARES SANTIAGO SANTIAGO SAN FELIPE MELIPILLA TALCA TALCA SANTIAGO SANTIAGO TALCA PUERTO IBAEZ RANCAGUA SANTIAGO TALCA RANCAGUA SANTIAGO RANCAGUA RANCAGUA Nmero de hermanos 7 2 2 7 3 1 1 1 1 0 3 4 0 4 1 1 1 2 2 2 1 1 1 3 1 2 1 1 1 3 1 1 2 3 2 5
En esta base de datos podemos notar que los alumnos tienen distintas caractersticas, por ejemplo, no todos vienen de la misma ciudad.
Pgina 3 de 39
Definiciones: Unidad es el objeto que observamos. Cuando el objeto es una persona, lo referimos como sujeto. Observacin es la informacin o caracterstica que registramos de cada unidad. Una caracterstica que puede variar de unidad en unidad es llamada variable. Una coleccin de observaciones con una o ms variables se llama base de datos.
Tipos de variables
Cualitativas
Cuantitativas
Nominales
Ordinales
Discretas
Continuas
Variables cualitativas son aquellas que clasifican las unidades en categoras. Las categoras pueden tener un orden natural (ordinales) o no (nominales). Las variables cualitativas tambin se llaman variables categricas. Con estas variables podemos contar nmero de casos, comparar entre categoras, pero no podemos realizar operaciones numricas. Variables cuantitativas tienen valores numricos que representan medidas (largo, peso, etc.) o frecuencias (nmero de). Tiene sentido realizar operaciones numricas con estas variables. Adems distinguimos dentro de las variables cuantitativas las discretas y las continuas. Una variable discreta es aquella en la cul se puede contar el nmero posible de valores. Una variable continua puede tomar cualquier valor en un intervalo dado.
Pgina 4 de 39
Ejemplo Nominal: est asociada a nombres. Ejemplo: Marca de auto, Sexo, Religin. Ordinal: tiene asociado un orden. Ejemplo: Nivel educacional, Estado nutricional, Nivel Socioeconmico. Discreta: slo puede tomar un nmero finito (o contable) de posible valores. Ejemplo: El nmero de respuestas correctas en una prueba de 5 preguntas de V o F.
Continua: puede tomar cualquier valor en un intervalo(s). Ejemplo: Cantidad de agua en un vaso de 50 ml.
0 50 ml 50
20 ml 0 ml
Ejemplo Tipo de Variable. Determine qu tipo son las siguientes variables. Si son variables cualitativas (nominal u ordinal) o cuantitativas (discretas o continuas). a) b) c) d) e) f) g) Marca de automvil. Duracin de un compacto (segundos). Nmero de temas de un compacto. Nivel educacional (bsica, media, universitaria). Temperatura al medioda en Talca (grados Celcius). Estado civil (soltero, casado, divorciado, viudo). Cantidad de lluvia en un ao en Talca (mm3).
Definicin: La distribucin de una variable nos da los valores posibles de la variable y cuantas veces ocurren. La distribucin de una variable nos muestra la forma en que vara la variable.
Tablas de distribucin de frecuencias. Lo primero que hacemos al querer describir variables cualitativas es contar cuntas unidades caen en cada categora de la variable. Esto lo presentamos en una tabla de distribucin de frecuencias de la forma: Valor o categora de la variable ... Total Ejemplo Tabla de distribucin de frecuencias del sexo de la base de datos 1 Sexo Femenino Masculino Total Nmero de alumnos 16 20 36 Porcentaje de alumnos 44,4 55,6 100,0
Frecuencia
Porcentaje
100
SEXO Vlidos
Frecuencia F M Total 16 20 36
La salida de SPSS tiene columnas que no aportan informacin, Usted deber editar estas tablas con la informacin que es relevante y borrar lo que no interesa.
Pgina 6 de 39 Grficos para variables cualitativas. Una vez que conocemos la distribucin de la variable, nos interesa presentarla de alguna manera grfica, uno de los grficos o diagramas ms usados en variables cualitativas son los diagramas sectoriales o de torta y los grficos de barra.
Un grfico sectorial (o de torta) muestra la distribucin de una variable cualitativa dividiendo un crculo en partes que corresponden a las categoras de la variable, tal que el tamao (ngulo) de cada pedazo es proporcional al porcentaje de tems en cada categora. Un grfico de barras muestra la distribucin de una variable cualitativa listando las categoras o valores de la variable en el eje X y dibujando una barra sobre cada categora. La altura de la barra es igual al porcentaje de tems en esa categora. Las barras deben tener el mismo ancho.
Grfico sectorial. Figura 1 (a): Diagrama sectorial con 1/4 de los tems que comparten alguna propiedad. Figura 1 (b): Diagrama sectorial con 7/8 de los tems que comparten alguna propiedad
12.5%
25.0%
75.0%
87.5%
F 44.4%
M 55.6%
Pgina 7 de 39 Grfico de barras Compare los siguientes grficos. Cules son las diferencias? Grfico de barras: Sexo en la base de datos 1.
60
50
40
30
20
Porcentaje
10
0 F M
Frecuencia
21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 F M
Sexo
Sexo
60 58
50
56 54
40
52
30
50 48
20
46
Porcentaje
10
Porcentaje
44 42 40 F M
0 F M
Sexo
Sexo
20
10
Porcentaje
0
U C A LC O TA AG TI N IER O V SA D JA AN N N R SA FE N IPE L SA FE A N U SA AG TT N C O M AN R TO EZ ER IBA PU TO ER A PU ILL IP EL M ES AR N E LI U IQ U N IQ LA IL O IC R H C
CIUDAD
Ejemplo Mtodos grficos y numricos para describir datos cualitativos Tabla: Distribucin de frecuencias de formas de hojas simples de una muestra de 39 hojas del parque de la Universidad de Talca, sector del edificio Prosperidad, I semestre 2001. Formas de hojas simples Aciculada Elptica Flagelada Lanceolada Lobulada Ovada Ovovada Palmada Total Nmero de hojas 4 9 2 5 3 5 3 8 39 Porcentaje de hojas 10,3 23,1 5,1 12,8 7,7 12,8 7,7 20,5 100
Pgina 9 de 39 Figura 1: Grfico de barras que muestra la frecuencia de formas de hojas simples.
10 9 8 7 6 5 4 3 2 1 0 Aciculada Elptica Flavelada Lanceolada Lobulada Ovada Ovovada Palmada
Frecuencia
Alternativamente podemos describir grficamente con un grfico circular como el de la figura 2. Figura 2: Grfico circular que muestra la frecuencia de formas de hojas simples.
Palmada 21%
Aciculada 10%
Ovada 13%
Pgina 10 de 39 Mtodos grficos para describir variables cuantitativas En esta seccin veremos de qu manera podemos describir grficamente las variables cuantitativas. Veremos 3 tipos de grficos: 1. Grfico de puntos. 2. Diagrama de Tallo y Hojas. 3. Histograma.
1. Grfico de Puntos. Ejemplo Cuntas llaves tiene en su bolsillo? Haga un grfico de frecuencias (de puntos) con el nmero de llaves que tienen los estudiantes que asisten hoy a clases. Describa la forma del grfico.
Formas de Distribuciones
Bimodal
Uniforme
Pgina 11 de 39 Los trminos usados para describir la forma de una distribucin son: Simtrica: La distribucin puede ser dividida en dos partes alrededor de un valor central y cada parte es el reflejo de la otra. Sesgada: Un lado de la distribucin se alarga ms que el otro. La direccin del sesgo es la direccin del lado ms largo. Unimodal: La distribucin tiene un nico mximo que muestra el o los valores ms comunes en los datos. Bimodal: La distribucin tiene dos mximos. proviene de dos poblaciones. Esto resulta a menudo cuando la muestra
BASE DE DATOS mdica = medidas en 20 individuos que fueron parte de un estudio mdico para reducir la presin sangunea. Nmero 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 Sexo M M F F F M M F M M M M F F M F M F M M Edad 45 41 51 46 47 42 43 50 39 32 41 44 47 49 45 42 41 40 45 37 N_tabletas 2 1 2 2 3 2 4 2 1 1 2 2 2 3 3 1 2 1 2 3 Presin_antes 100.2 98.5 100.8 101.1 100.0 99.0 100.7 100.3 100.6 99.9 101.0 100.9 97.4 98.8 100.9 101.1 100.7 97.8 100.0 101.5 Presin_despus 100.1 100.0 101.1 100.9 99.8 100.2 100.7 100.9 101.0 98.5 101.4 100.8 96.2 99.6 100.0 100.1 100.3 98.1 100.4 100.8
Pgina 12 de 39 2. Diagrama de Tallo y Hojas (Stem and Leaf). Los grficos o diagramas de tallo y hoja son una manera muy fcil de ordenar y mirar la distribucin de los datos.
Pasos para hacer un Tallo y Hoja: 1. Separar cada medida en un tallo y una hoja. Generalmente la hoja consiste en exactamente un dgito (el ltimo) y el tallo consiste en uno o ms dgitos. Ejemplo: 734 => tallo=73, hoja=4 2,345 => tallo=2,34, hoja=5.
A veces se deja fuera el decimal pero se agrega una nota de cmo leer el valor. Para 2,345 por ejemplo podremos decir que 234 | 5 se debe leer como 2,345. 2. Escribir los tallos en orden creciente de arriba abajo y dibujar una lnea a la derecha de los tallos. 3. Agregar las hojas a su respectivo tallo en orden creciente.
Ejemplo Diagrama bsico de Tallo y Hoja para la Edad de base de datos de un estudio mdico. Considere las edades de 20 sujetos de la base de datos mdica. 1. Separamos los nmeros en un tallo y una hoja: 45 41 41 44 51 47 46 49 47 45 42 42 43 41 50 40 39 45 32 37
9 1112234 556779 1
Note que el menor valor representado por 3 | 2 se lee 32 aos. As podemos visualizar mejor que la distribucin de las edades de los sujetos es aproximadamente simtrica, centrada en aproximadamente 43-44, sin valores extremos evidentes (observaciones que caen fuera del patrn general de datos). Ejemplo Puntajes de pruebas de dos estudiantes. Estudiante A: 80 52 86 94 76 48 92 69 79 45 Estudiante B: 73 87 81 75 78 82 84 74 80 76 Construya un grfico de tallo y hoja comparativo para los datos Puede decir a cul de los dos le ha ido mejor? Explique.
Pensemos
Qu est malo? Explique por qu los siguientes grficos de tallo y hojas no reflejan bien a la distribucin de los datos.
Tallo y hoja 1 27 32 33 34 35 | | | | | 9 0 1 0 1 Tallo y Hoja 2 2|112223445567789 3|022334678 4|011 Nota: 2 | 1 representa 21 Tallo y hoja 3 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 | | | | | | | | | | | | | | | | | | 1 0 128 0 7 5 2 0 1 2 7 6 0 0 8 3 5 29
1178 2259 34 1
Pgina 14 de 39
En SPSS Analizar > Estadsticos Descriptivos > Explorar > Grficos > Tallo y Hojas. TALLO1 Stem-and-Leaf Plot Frequency 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 3.00 2.00 3.00 2.00 3.00 0.00 2.00 Stem width: Each leaf: Stem 27 28 28 29 29 30 30 31 31 32 32 33 33 34 34 35 & Leaf . 9 . . . . . . . . . 011 . 78 . 122 . 59 . 034 . . 11
10 1 case(s)
TALLO2 Stem-and-Leaf Plot Frequency 2.00 4.00 4.00 3.00 2.00 1.00 2.00 Stem width: Each leaf: Stem 2 2 2 2 2 3 3 & . . . . . . . Leaf 11 2223 4455 677 89 0 22
10 1 case(s)
TALLO3 Stem-and-Leaf Plot Frequency 2.00 5.00 10.00 1.00 Stem width: Each leaf: Stem & 1 2 2 3 . . . . Leaf 89 11123 5566778889 0
100 1 case(s)
Pgina 15 de 39
En SPSS Analicemos ahora la salida que nos entrega el programa SPSS. Estos diagramas contienen datos de la estatura (en cms) y de edad de los alumnos de la base de datos de 36 alumnos de Estadstica: Diagrama 1 ESTATURA Stem-and-Leaf Plot Frequency 1.00 4.00 7.00 3.00 7.00 3.00 10.00 .00 1.00 Stem & Leaf Frequency 15 . 15 . 16 . 16 . 17 . 17 . 18 . 18 . 19 . 4 5555 0000222 567 0023444 578 0000022344 4 Stem width: Each leaf: 1 1 case(s) Stem & Leaf
6.00 19 . 000000 14.00 20 . 00000000000000 6.00 21 . 000000 8.00 22 . 00000000 .00 23 . 1.00 24 . 0 1.00 Extremes (>=25.0)
10 1 case(s)
3. Histograma Los histogramas son otra manera de mostrar la distribucin de una variable cuantitativa.
Pasos para hacer un histograma: 1. Dividir el rango de los datos (menor a mayor) en clases del mismo ancho. Las clases deben contener el rango posible de datos y no se deben superponer. Ej. Si los datos van de 0 a 29, comience en 0 hasta 30 de ancho 5. 2. Contar el nmero de observaciones (frecuencias) que caen en cada clase. 3. Dibujar en el eje horizontal y marcar las clases. 4. El eje vertical puede contener la frecuencia, la proporcin, o el porcentaje. 5. Dibujar un rectngulo (una barra vertical) en cada clase con la altura igual a la frecuencia, la proporcin, o el porcentaje.
Pgina 16 de 39 Ejemplo Histograma de Edad Veamos nuevamente las edades de la base de datos mdica. El rango va de 32 a 51, entonces podemos crear clases que comiencen en 30 con incrementos de 5 hasta 55. Puede intentar diferentes clases con distinto ancho hasta obtener una buena representacin. Para empezar es necesario construir una tabla de distribucin de frecuencias:
Nmero de observaciones 1 3 10 5 1
Porcentaje 1/20 = 0.05 => 5% 3/20 = 0.15 => 15% 10/20 = 0.50 => 50% 5/20 = 0.25 => 25% 1/20 = 0.05 => 5%
Pgina 17 de 39
8
20
Frecuencia
10
0
18 19 18 17 16 15 16 15 1 2 6 5 9 3 4 8 -1 -1 -1 -1 -1 -1 -1 -1
Frecuencia
0 19 - 21 21 - 23 23 - 25 25 - 27
98
92
81
75
ESTATURA
58
69
64
86
EDAD
Nmero de hermanos Stem-and-Leaf Plot Frequency Stem & Leaf 2.00 0 16.00 1 8.00 2 5.00 3 2.00 4 1.00 5 2.00 Extremes . . . . . . 00 0000000000000000 00000000 00000 00 0 (>=7.0)
10
Frecuencia
0 0 1 2 3 4 5 6 7
Nmero de hermanos
1 1 case(s)
Frecuencia
4 2 0
Gua para grficos, figuras o diagramas: Hay ciertos errores comunes que aparecen en grficos que pueden hacer que se mal interprete la informacin. Cuando construya grficos: Pngale un ttulo apropiado. Incluya la fuente de los datos o cualquier informacin relevante. Escriba el nombre de la variable que se describe en los ejes. Incluya las unidades de medida de las variables. Verifique si el eje de la frecuencia, proporcin o porcentaje comienza en cero. Verifique si los ejes mantienen una escala constante
Ejemplo Histograma del Peso al nacer de los recin nacidos en 1993 en Chile.
% 40
30
20
10
260
893
1526 2159
2792 3425 4058 4691 5324 5957 6590 Peso de Nacimiento en gramos
Pgina 19 de 39 Mtodos numricos para describir variables cuantitativas En este captulo, empezamos a organizar y resumir los datos, primero tratamos las variables cualitativas, luego la descripcin grfica de variables cuantitativas, ahora estudiaremos cmo obtener buen resumen numrico de los datos. Especficamente estudiaremos medidas de resumen o medidas descriptivas numricas que son de tres tipos: - las que ayudan a encontrar el centro de la distribucin, llamadas medidas de tendencia central. - las que miden la dispersin, llamadas medidas de dispersin. - las que describen la posicin relativa de una observacin dentro del conjunto de datos, llamadas medidas de posicin relativa. 1. Medidas de Tendencia Central. Las medidas de tendencia central son valores numricos que quieren mostrar el centro de un conjunto de datos, nos interesan especialmente dos medidas: la media y la mediana. Si los datos son una muestra, el promedio y la mediana se llamarn estadsticas. Si los datos son una poblacin entonces estas medidas de tendencia central se llamarn parmetros.
Una Estadstica es una medida descriptiva numrica calculada a partir de datos de una muestra. Un Parmetro es una medida descriptiva numrica que usa la totalidad de las unidades de una poblacin.
a) Promedio.
El promedio de un conjunto de n observaciones es simplemente la suma de las observaciones dividida por el nmero de observaciones, n.
Promedio de edad de los 20 sujetos en el estudio mdico: Sume las 20 edades y divida por 20:
45 + 41 + 51 + 46 + 47 + L + 45 + 37 = 43,35 aos 20
Notacin: Si
x =
x
i =1
x1 + x 2 + L + x n n
Si se tiene TODOS los valores de una poblacin, el promedio de la poblacin es la suma de todos los valores dividida por cuntos son.
Pueden revisar la notacin de sumatorias en Hopkins, K. Hopkins, B. Glass, G. (1997) Estadstica bsica para las ciencias sociales y del comportamiento. Tercera edicin. Prentice Hall.
Pgina 20 de 39
x
i =1
Ejemplo Nmero promedio de nios por hogar. Los datos siguientes son el nmero de nios en una muestra aleatoria de 10 casas en un vecindario: 2, 3, 0, 2, 1, 0, 3, 0, 1, 4. El promedio de estas 10 observaciones es: 1,6 El resultado es 1,6 aunque no sea posible observar 1,6 nios en una casa. El promedio es 1,6 Supongamos que una observacin en la ltima casa se anot como 40 en vez de 4, Qu le pasar al promedio? Notar que 9 de las 10 observaciones son menores que el promedio. El promedio es sensible a las observaciones extremas. La mayora de los mtodos grficos nos ayudarn de detectar observaciones extremas. Ejemplo Un promedio NO es siempre representativo. Las notas en varias pruebas de Juanita son 1,0 Juanita. Ejemplo Combinando Promedios. El promedio de 3 estudiantes es 5,4 y el promedio de otros 4 estudiantes es 6,7, Cul es el promedio de los 7 estudiantes? 6,9 2,0 1,8 1,3, calcule el promedio de
El promedio tambin se define como el punto de equilibrio, el punto donde distribucin se balancea.
1 2
3
Si la distribucin es simtrica, el promedio ser exactamente el centro de la distribucin.
Mean =2
Pgina 21 de 39
Mean =2.5
1 2 Mean =4
11
Si la distribucin es sesgada, vamos a querer usar una medida que sea ms resistente para mostrar el centro. La medida de tendencia central que es ms resistente a los valores extremos es la mediana. b) Mediana.
Definicin: La mediana de un conjunto de n observaciones, ordenadas de menor a mayor, es un valor tal que la mitad de las observaciones son menores o iguales que tal valor y la mitad de las observaciones son mayores o iguales que ese valor.
Pasos para encontrar la mediana: 1. Ordenar los datos de menor a mayor; 2. Calcular la posicin de la mediana: (n+1)/2, donde n es el nmero de observaciones 3. a) Si el nmero de observaciones es impar, la mediana es un nico trmino central. b) Si el nmero de observaciones es par, la mediana es el promedio de los dos trminos centrales.
Ejemplo Edades de n=20 sujetos... Calculamos (n+1)/2 obtenemos (20+1)/2 = 10,5. Entonces los trminos centrales son la dcima y undcima observaciones, es decir 43 y 44. La mediana es el promedio de estos dos trminos, (43+44)/2=43,5 aos. 32 37 39 40 41 41 41 42 42 43 44 45 45 45 46 47 47 49 50 51
Pgina 22 de 39 Ejemplo Mediana del nmero de nios por hogar. Encuentre la mediana del nmero de nios por hogar en la muestra de 10 hogares. Nmero de Nios: 2, 3, 0, 1, 4, 0, 3, 0, 1, 2. a) Ordenar las observaciones de menor a mayor: b) Calcular (n+1)/2 = _________________ c) Mediana = ______________ d) Qu le pasa a la mediana si la quinta observacin en la lista se anota incorrectamente como 40 en vez de 4? e) Qu le pasa a la mediana si la tercera observacin en la lista se anota incorrectamente como 20 en vez de 0? Nota: La mediana es resistente (robusta), es decir, no cambia o cambia muy poco con observaciones extremas.
c) Moda.
0, 2,
0, 3,
0,
1,
1,
2,
2,
3,
4 } es 0. (bimodal). 1, 2, 4, 5, 8 }.
4 } dos modas, 0 y 2
La Moda no se usa a menudo como medida de tendencia central para datos cuantitativos. Sin embargo la Moda es LA medida de tendencia central que puede ser calculada en datos cualitativos.
Pgina 23 de 39
Frecuencia
2 0
Ejemplo Diferentes medidas pueden dar diferentes impresiones. El famoso tro - promedio, mediana y moda representan tres mtodos diferentes para encontrar EL valor del centro. Estos tres valores pueden ser un mismo valor pero a menudo son distintos. Cuando son distintos, pueden servir para diferentes interpretaciones de los datos que queremos resumir. Considere el ingreso mensual de cinco familias en un barrio: $120 000 $120 000 $300 000 $900 000 $1 000 000
Cul es el ingreso tpico de este grupo? El ingreso mensual promedio es: La mediana del ingreso mensual es: La moda del ingreso mensual es: Si Usted est tratando de promover el barrio, Qu medida usara? Si Usted est tratando que bajen las contribuciones, Qu medida usara?
A LC O TA IAG NT ER O I SA AV ND J A N RN SA E F N PE A LI S FE A N U T SA A G NT NC MO Z RA TO E A ER IB PU TO ER A PU ILL IP EL M ES R A N LI UE Q UI IQ AN L IL CH O IC R CU
Bimodal
50%
mean=median=mode
Sesgada a la derecha
50%
Pensemos
Suponga que calcula el promedio, mediana y moda de una lista de nmeros, Cul medida es siempre un nmero en la lista? Si la distribucin es simtrica, Cul medida de tendencia central calculara: el promedio o la mediana?, Por qu?
Ejemplo Una distribucin diferente. En la figura se muestra la distribucin de una variable: a) Es esta distribucin simtrica? b) Su mediana es menor, igual o mayor a 4? c) Su promedio es menor, igual o mayor a 4?
1/4
Pgina 25 de 39
Ejemplo Buenas o malas medidas. Para los siguientes grficos describa qu tan buenas o malas son las tres medidas de tendencia central como descripcin del centro de la distribucin:
2. Medidas de Dispersin. Las medidas de tendencia central son tiles pero nos dan una interpretacin parcial de los datos. Considere los dos siguientes conjuntos de datos:
Datos 1: 55, 56, 57, 58, 59, 60, 60, 60, 61, 62, 63, 64, 65 X X XXXXXXXXXXX 55 60 65
. 70 75 80 85
35
40
45
50
Datos 2: 35, 40, 45, 50, 55, 60, 60, 60, 65, 70, 75, 80, 85 X X X 60
X 35
X 40
X 45
X 50
X 55
X 65
X 70
X 75
X 80
X . 85
a) Rango. Es la medida de variabilidad o dispersin ms simple. Se calcula tomando la diferencia entre el valor mximo y el mnimo observado. Rango = Mximo Mnimo. X X X X 25
X X X 20
X X X X X X X X X X X X 21 22 23 24 25 26 27 28
X X X 29
X X X 30
X X X X X X X X 20 21 22 23 24
X X X X X X X X 26 27 28 29 30
Analice cules podran ser las ventajas y desventajas del rango como medida de variabilidad.
Es una medida de la dispersin de las observaciones a la media. Es un promedio de la distancia de las observaciones a la media. Ejemplo
4 mean=4
Observacin Desviacin
x
0 5 7 Promedio = 4
xx
04=-4 54= 1 74= 3 Suma = 0
La varianza muestral est definida como la suma de las desviaciones al cuadrado divididas por el tamao muestral menos 1, es decir, dividas por n 1 .
varianza muestral =
16 + 1 + 9 26 = = 13 2 2
Ejemplo Desviacin estndar para el nmero de nios por hogar. Recordemos los datos del nmero de nios por hogar en una muestra de 10 casas de un barrio: 2, 3, 0, 2, 1, 0, 3, 0, 1, 4 Use su calculadora cientfica y compruebe es siguiente resultado: "Los hogares tienen, en promedio 1,6 nios con una variacin de alrededor de 1,43 nios".
En Resumen Pensemos la desviacin estndar como aproximadamente un promedio de las distancias de las observaciones a la media. Si todas las observaciones son iguales, entonces la desviacin estndar es cero. La desviacin estndar es positiva y mientras ms alejados estn los valores del promedio, mayor ser la desviacin estndar.
Pgina 27 de 39
Si x1, x2 ,..., xn denota una muestra de n observaciones, la varianza muestral se denota por:
(x =
.
x)
n 1
(x1 x )2 + (x2 x )2 + L + (x n x )2
n 1
s=
s2
La desviacin estndar poblacional, se denota por la letra Griega cuadrada de la varianza poblacional y se calcula como:
(sigma), es la raz
=
Notas: -
(x
La varianza y la desviacin estndar no son medidas de variabilidad distintas, debido a que la ltima no puede determinarse a menos que se conozca la primera. A menudo se prefiere la desviacin estndar en relacin con la varianza, porque se expresa en las mismas unidades fsicas de las observaciones. As como el promedio es una medida de tendencia central que no es resistente a las observaciones extremas, la desviacin estndar, que usa el promedio en su definicin, tampoco es una medida de dispersin resistente a valores extremos. Tenemos argumentos estadsticos para demostrar por qu dividimos por n 1 en vez de n en el denominador de la varianza muestral.
Cuartiles
La mediana de una distribucin divide los datos en dos partes iguales: Datos ordenados en orden creciente: 50% Mnimo Mediana 50% Mximo
Tambin es posible dividir los datos en ms de dos partes. Cuando se dividen un conjunto ordenado de datos en cuatro partes iguales, los puntos de divisin se conocen como cuartiles y los representamos por Q1, Q2 y Q3. Datos ordenados en orden creciente: 25% Mnimo Q1 25% Q2 25% Q3 25% Mximo
Pgina 28 de 39 c)
Rango entre cuartiles.
La diferencia entre el tercer cuartil y el primer cuartil se llama rango entre cuartiles, denotado por RQ=Q3-Q1. El rango entre cuartiles mide la variabilidad de la mitad central de los datos.
1. Encontrar la mediana de todas las observaciones. 2. Encontrar el primer cuartil = Q1 = mediana de las observaciones que son menores a la mediana. 3. Encontrar el tercer cuartil = Q3 = mediana de las observaciones que son mayores a la mediana.
Notas: - Cuando el nmero de observaciones es impar, la observacin del medio es la mediana. Esta observacin no se incluye luego en los clculos de Q1 y Q3. - Pueden encontrar diferentes frmulas en libros, calculadoras o computadores, pero todas estas frmulas se basan en el mismo concepto. - Si la distribucin es simtrica, los cuartiles deben estar a la misma distancia de la mediana.
Ejemplo Cuartiles para la Edad. Lista ordenada de las edades de los 20 sujetos en el estudio mdico:
32 37 39 40 41 41 41 42 42 43 44 45 45 45 46 47 47 49 50 51
median = 43.5 Q1 = 41
Count
8
Q3 = 46.5
Podemos ver que la distribucin de la edad es aproximadamente simtrica y que los cuartiles estn casi a la misma distancia de la mediana.
30
35
40
45
50
55
Pgina 29 de 39
Ejemplo
Qu es Variabilidad?
6 4
Distribution I
6 4 2
Distribution II
1 2 3 4 5 6 Distribution III
Distribution IV 6 4 2
6
4 4 4 4 4 4 5
4 2
II
III
IV
Algunas personas asocian variabilidad con rango mientras que otras asocian variabilidad con cmo difieren los valores de la media. Hay muchas medidas de variabilidad, y la desviacin estndar es la ms usada. Pero recuerden que una distribucin con la menor desviacin estndar no es necesariamente la distribucin que es menos variable con respecto a otras definiciones de variabilidad2.
Pgina 30 de 39
En Resumen Cuando queremos describir una variable usamos alguna medida de posicin central y una medida de dispersin. El par de medidas ms comnmente usado es el promedio y la desviacin estndar. Pero vimos que cuando la distribucin de las observaciones es sesgada, el promedio no es una buena medida de posicin central y preferimos la mediana. La mediana en general va acompaada del rango como medida de dispersin. Pero cuando observamos valores extraos (extremos) el rango se ve muy afectado, por lo que preferimos usar el rango entre cuartiles.
Medida de tendencia central Promedio Medida de dispersin Uso en Distribuciones
Ventajas
Desventajas
Simtricas
Mediana
Mediana
Buenas propiedades, muy usados. Mediana robusta a valores extremos. Rango muy conocido, fcil de entender. Medidas robustas a valores extremos.
3. Medidas de posicin relativa. Los cuartiles dividen un conjunto ordenado de datos, en cuatro partes iguales: Datos ordenados en orden creciente: 25% Mnimo Q1 25% Q2 25% Q3 25% Mximo
Tambin podemos dividir conjuntos de datos en 100 partes iguales y los puntos de divisin se conocen como percentiles. Datos ordenados en orden creciente: 1% Mn P1 1% P2 1% P3 1% . 1% . 1% . 1% .
...
1% .
1% .
1%
1%
1% P98
1%
P97
P99 Mx
Es as como los cuartiles son en realidad los percentiles 25, 50 y 75, respectivamente. En general, el k-simo percentil es un valor tal que el k% de los datos son menores o iguales que l, y el (100-k)% restante son mayores o iguales que l. Datos ordenados en orden creciente: k% Mnimo Pk (100-k)% Mximo
Pgina 31 de 39 Por ejemplo, el 25-simo percentil o percentil 25 (P25) es un valor tal que el 25% de los datos son menores o iguales que l, y el (100-25) = 75% restante son mayores o iguales que l.
Definicin:
Las medidas de posicin relativa son medidas que describen la posicin que tiene un valor especfico en relacin con el resto de los datos.
Ejemplo Si su nota estuvo en el percentil 84, entonces el 84% de las notas fueron inferiores a la suya y el 16% superiores. Adems existen los quintiles y los deciles, Cules sern? Usos de medidas de posicin relativa en: - Calificaciones de exmenes. - Puntajes en tests Psicolgicos. - Curvas de crecimiento en salud (http://www.cdc.gov/growthcharts/)
Definicin Valores extremos (outliers): son valores que se alejan del conjunto de datos.
Vamos a definir una observacin xi como extrema si: xi < Q1 1,5 * (Q3-Q1) o xi > Q3 + 1,5 * (Q3-Q1)
donde xi sern las primeras y ltimas observaciones en la serie ordenada de los datos.
Ejemplo Tiene valores extremos, la variable edad de los 20 sujetos en el estudio mdico?
32 37 39 40 41 41 41 42 42 43 44 45 45 45 46 47 47 49 50 51
Pgina 32 de 39
Diagramas de caja (boxplot):
El diagrama de caja se construye de la siguiente manera: 1. Dibujar la caja que empieza en el primer cuartil y termina en el tercer cuartil. 2. Dibujar la mediana con una lnea dentro de la caja. 3. Por ltimo se extienden las lneas, llamadas bigotes, saliendo de la caja hasta el mnimo y el mximo (salvo en la presencia de valores extremos).
Ejemplo Grfico de caja para la EDAD min = 32 Q1 = 41 mediana = 43,5 Q3= 46,5 max = 51
Min
Q1 Median Q3
Max
IQR 30 32 34 36 38 40 42 44 46 48 50 52 54 56
En la presencia de valores extremos, los "bigotes" se extienden hasta el valor observado anterior al valor extremo.
Pgina 33 de 39
EDAD
10
30
35
40
45
50
55
La distancia entre la mediana y los cuartiles es aproximadamente la misma, lo que nos hace pensar que la distribucin de los datos es ms o menos simtrica como vimos antes en el histograma y en el tallo y hoja. Los grficos de caja son muy tiles para comparar distribuciones de dos o ms grupos. ejemplo, comparar los grupos de fumadores y no fumadores (ver ejercicios propuestos).
80
Por
70
60
50
40
30
Minutos
20 10
N= 12 14
Fumadores
No fumadores
Grupo
Pgina 34 de 39
Ejemplo En diciembre de 2004, SERNAC realiz un estudio acerca del precio de las bicicletas en Santiago. En el siguiente grfico de caja se presentan los precios de 5 bicicletas Bianchi Modelo Goliat 12:
56
54
52
50
48
46
44
N= 5
Bianchi Goliat 12
a) Cul es el rango aproximado del precio de las bicicletas? b) Cul es el valor aproximado del 25% de las bicicletas ms caras?
25
24
23
22
21
20
19 18
6.00 19 14.00 20 6.00 21 8.00 22 .00 23 1.00 24 1.00 Extremes Stem width: Each leaf:
1 1 case(s)
Mnimo = _________
Q1 = ______________
Mediana = _________
Q3 = ______________
Mximo = _________
Valores extremos?
Pgina 35 de 39
Pensemos
Si el grfico de caja es simtrico, Podemos concluir que la distribucin de los datos es simtrica?
I
-1 1 2 2 3 3 3 4 4 4 4 5 5 5 6 6 7 9 Mnimo = -1 Q1 = 3 Mediana = 4 Q3 = 5 Mximo = 9
II
1 1 1 1 1 1 3 3 4 6 7 7 9 9 9 9 9 9 Mnimo = 1 Q1 = 1 Mediana = 5 Q3 = 9 Mximo = 9
III
IV
Pgina 36 de 39 Ejemplo Diseo muestral. Los grficos representan las notas en dos cursos de Estadstica de los 3 ltimos aos que se dictan para la Facultad de Ciencias de la Salud y la Facultad de Ciencias Econmicas.
Ao 2002
Fc Cs Salud FACE
Ao 2003
Fc Cs Salud FACE
Ao 2004
Fc Cs Salud FACE
Considere tres diseos muestrales para estimar la verdadera media poblacional de las notas: i) muestreo aleatorio simple. ii) muestreo aleatorio estratificado tomando muestras del mismo tamao en cada estrato. iii) muestreo aleatorio estratificado tomando ms unidades de un estrato que de otro. Asuma que el tamao muestral total es igual en todos los diseos. a) Para qu poblacin (2002, 2003 o 2004) los diseos (i) y (ii) son igualmente efectivos? b) Para qu poblacin (2002, 2003 o 2004) el diseo (ii) ser el mejor? c) Para qu poblacin (2002, 2003 o 2004) el diseo (iii) ser el mejor?, De cul Facultad se debe obtener una muestra de mayor tamao?
Pgina 37 de 39
Anexo: Transformaciones lineales y estandarizacin.
Ejemplo Una transformacin. Se tiene datos del nmero de nios por hogar de 10 viviendas de un barrio: 2, 3, 2, 2, 1, 0, 3, 2, 1, 4 El promedio es 2,0 y desviacin estndar = 1,1547 nios a) Suponga que queremos describir el nmero de personas en cada vivienda y suponga que en cada vivienda hay 2 adultos: 4, 5, 4, 4, 3, 2, 5, 4, 3, 6 - Encuentre el promedio y la desviacin estndar de esta nueva variable y compare con las observaciones originales. - Cmo cambia el promedio? Cmo cambia la desviacin estndar? - Describa como afecta al promedio y la desviacin estndar el sumar una constante a cada observacin. b) Suponga que cada nio recibe una mesada semanal de $500. Describa ahora el gasto en mesadas de cada vivienda. - Encuentre el promedio y la desviacin estndar y compare con los obtenidos de las observaciones originales. - Cmo cambia el promedio?, Cmo cambia la desviacin estndar? - Describa cmo afecta al promedio y la desviacin estndar el multiplicar una constante a cada observacin.
Si X representa una variable, x su promedio y sx su desviacin estndar. Sea Y=aX+b, una transformacin lineal de X, entonces: El promedio de Y es: y = ax + b y la desviacin estndar: sY = a sX NOTA: |a| es el valor absoluto o mdulo de la constante a, donde a es cualquier valor positivo o negativo y su mdulo es siempre positivo.
Ejemplo La temperatura mnima en Talca la semana del 14 al 20 de Mayo de 2001 fue de:
Lunes 38 Martes Mircoles Jueves 46 38 50 Viernes 45 Sbado 34 Domingo 43
X= t F
Pgina 38 de 39 Sea Y = la temperatura en escala de grados Celsius, Y est relacionada con X = la 5 temperatura en grados Fahrenheit, por la siguiente transformacin lineal: C = (F 32) , o 9 en trminos de Y y X: Y =
5 160 X . 9 9
z=
xx sX
Una variable est estandarizada si la variable tiene media cero y desviacin estndar uno.
xx sX
xx 1 = s sX X
x 1 con a = s x + s X X
x . , y b = s X
Ejemplo Se tienen datos sobre la emisin de monxido de Carbono de 46 vehculos del mismo tipo (Monoxido.sav).
EN 1 2 3 . . . 44 45 46 HC 0,5 0,65 0,46 . . . 0,46 0,47 0,55 CO 5,01 14,67 8,6 . . . 3,99 5,22 7,47 NOX 1,28 0,72 1,17 . . . 2,01 1,12 1,39
A los investigadores les interesa calcular la media del monxido de Carbono. Si analizamos el histograma adjunto, vemos que la distribucin del monxido de Carbono es sesgada a la derecha, por lo que la media no ser un buen estimador del centro de la distribucin. Como solucin podemos transformar la variable usando el logaritmo natural y calculamos el
3
Lectura complementaria Captulo 6 de Pea, D. Romo, J. (1999) Introduccin a la Estadstica para las Ciencias Sociales. McGraw Hill.
Pgina 39 de 39 promedio de la nueva variable. Pero al investigador le interesa conocer el valor de la media en las unidades originales de la variable, para eso convertimos a la unidad original de CO
= 2,2705 ). Esta media de la variable transformada se conoce con exponencial ( e como media geomtrica.
25
0,82
Histograma
22
24
20
12,5
Nmero de Vehculos
10,0
15
7,5
10
5,0
5
2,5 Media =7,88 Desviacin tpica =5,163 N =48 0,0 0,00 5,00 10,00 15,00 20,00 25,00
Monxido de Carbono
Monxido de Carbono
Media = 7,88.
Histograma
1,25
10
1,00
8
Nmero de Vehculos
0,75
0,50
2 Media =0,82 Desviacin tpica =0,26 N =48 0 0,25 0,50 0,75 1,00 1,25
0,25
Media = 2,2705.