Adquisición de datos

La adquisición de datos o adquisición de señales, consiste en la toma de muestras del mundo real (sistema analógico) para generar datos que puedan ser manipulados por un ordenador u otras electrónicas (sistema digital). Consiste, en tomar un conjunto de señales físicas, convertirlas en tensiones eléctricas y digitalizarlas de manera que se puedan procesar en una computadora o PAC. Se requiere una etapa de acondicionamiento, que adecua la señal a niveles compatibles con el elemento que hace la transformación a señal digital. El elemento que hace dicha transformación es el módulo de digitalización o tarjeta de Adquisición de Datos (DAQ).
Contenido
[ocultar]

1 Proceso de adquisición de datos 2 ¿Cómo se adquieren los datos? 3 Tiempo de conversión 4 La etapa de acondicionamiento de la señal 5 Ejemplo 6 Ventajas 7 Un tipo de ejercicio de adquisición 8 Véase también 9 Bibliografía 10 Enlaces externos

[editar]Proceso Definiciones

de adquisición de datos

Dato: Representación simbólica (numérica, alfabética...), atributo o característica de un valor. No tiene sentido en sí mismo, pero convenientemente tratado (procesado) se puede utilizar en la relación de cálculos o toma de decisiones. Adquisición: Recogida de un conjunto de variables físicas, conversión en voltaje y digitalización de manera que se puedan procesar en un ordenador. Sistema: Conjunto organizado de dispositivos que interactúan entre sí ofreciendo prestaciones más completas y de más alto nivel. Una vez que las señales eléctricas se transformaron en digitales, se envían a través del bus de datos a la memoria del PC. Una vez los datos están en

memoria pueden procesarse con una aplicación adecuada, archivarlas en el disco duro, visualizarlas en la pantalla, etc... Bit de resolución: Número de bits que el convertidor analógico a digital (ADC) utiliza para representar una señal. Rango: Valores máximo y mínimo entre los que el sensor, instrumento o dispositivo funcionan bajo unas especificaciones. Teorema de Nyquist: Al muestrear una señal, la frecuencia de muestreo debe ser mayor que dos veces el ancho de banda de la señal de entrada, para poder reconstruir la señal original de forma exacta a partir de sus muestras. En caso contrario, aparecerá el fenómeno del aliasing que se produce al infra-muestrear. Si la señal sufre aliasing, es imposible recuperar el original. Velocidad de muestreo recomendada: ±2*frecuencia mayor (medida de frecuencia) ±10*frecuencia mayor (detalle de la forma de onda) Los componentes de los sistemas de adquisición de datos, poseen sensores adecuados que convierten cualquier parámetro de medición de una señal eléctrica, que se adquiriere por el hardware de adquisición de datos. Los datos adquiridos se visualizan, analizan, y almacenan en un ordenador, ya sea utilizando el proveedor de software suministrado u otro software. Los controles y visualizaciones se pueden desarrollar utilizando varios lenguajes de programación de propósito general como VisualBASIC, C++, Fortran, Java, Lisp, Pascal. Los lenguajes especializados de programación utilizados para la adquisición de datos incluyen EPICS, utilizada en la construcción de grandes sistemas de adquisición de datos, LabVIEW, que ofrece un entorno gráfico de programación optimizado para la adquisición de datos, y MATLAB. Estos entornos de adquisición proporcionan un lenguaje de programación además de bibliotecas y herramientas para la adquisición de datos y posterior análisis. De la misma manera que se toma una señal eléctrica y se transforma en una digital para enviarla al ordenador, se puede también tomar una señal digital o binaria y convertirla en una eléctrica. En este caso el elemento que hace la transformación es una tarjeta o módulo de Adquisición de Datos de salida, o tarjeta de control. La señal dentro de la memoria del PC la genera un programa adecuado a las aplicaciones que quiere el usuario y, luego de procesarla, es recibida por mecanismos que ejecutan movimientos mecánicos, a través de servomecanismos, que también son del tipo transductores.

Un sistema típico de adquisición utiliza sensores, transductores, amplificadores, convertidores analógico - digital (A/D) y digital - analógico (D/A), para procesar información acerca de un sistema físico de forma digitalizada. [editar]¿Cómo

se adquieren los datos?

La adquisición de datos se inicia con el fenómeno físico o la propiedad física de un objeto (objeto de la investigación) que se desea medir. Esta propiedad física o fenómeno podría ser el cambio de temperatura o la temperatura de una habitación, la intensidad o intensidad del cambio de una fuente de luz, la presión dentro de una cámara, la fuerza aplicada a un objeto, o muchas otras cosas. Un eficaz sistema de adquisición de datos pueden medir todos estos diferentes propiedades o fenómenos. Un sensor es un dispositivo que convierte una propiedad física o fenómeno en una señal eléctrica correspondiente medible, tal como tensión, corriente, el cambio en los valores de resistencia o condensador, etc. La capacidad de un sistema de adquisición de datos para medir los distintos fenómenos depende de los transductores para convertir las señales de los fenómenos físicos mensurables en la adquisición de datos por hardware. Transductores son sinónimo de sensores en sistemas de DAQ. Hay transductores específicos para diferentes aplicaciones, como la medición de la temperatura, la presión, o flujo de fluidos. DAQ también despliega diversas técnicas de acondicionamiento de Señales para modificar adecuadamente diferentes señales eléctricas en tensión, que luego pueden ser digitalizados usando CED. Las señales pueden ser digitales (también llamada señales de la lógica) o analógicas en función del transductor utilizado. El acondicionamiento de señales suele ser necesario si la señal desde el transductor no es adecuado para la DAQ hardware que se utiliza. La señal puede ser amplificada o desamplificada, o puede requerir de filtrado, o un cierre patronal, en el amplificador se incluye para realizardemodulación. Varios otros ejemplos de acondicionamiento de señales podría ser el puente de conclusión, la prestación actual de tensión o excitación al sensor, el aislamiento, linealización, etc. Este pretratamiento del señal normalmente lo realiza un pequeño módulo acoplado al transductor. DAQ hardware son por lo general las interfaces entre la señal y un PC. Podría ser en forma de módulos que pueden ser conectados a la computadora de los puertos (paralelo, serie, USB, etc...) o ranuras de las tarjetas conectadas a (PCI, ISA) en la placa madre. Por lo general, el espacio en la parte posterior de una tarjeta PCI es demasiado pequeño para todas las conexiones necesarias, de modo que una ruptura de caja externa es obligatorio. El cable entre este recuadro y el PC es

cara debido a los numerosos cables y el blindaje necesario y porque es exótico. Las tarjetas DAQ a menudo contienen múltiples componentes (multiplexores, ADC, DAC, TTL-IO, temporizadores de alta velocidad, memoria RAM). Estos son accesibles a través de un bus por un micro controlador, que puede ejecutar pequeños programas. El controlador es más flexible que una unidad lógica dura cableada, pero más barato que una CPU de modo que es correcto para bloquear con simples bucles de preguntas. Driver software normalmente viene con el hardware DAQ o de otros proveedores, y permite que el sistema operativo pueda reconocer el hardware DAQ y dar así a los programas acceso a las señales de lectura por el hardware DAQ. Un buen conductor ofrece un alto y bajo nivel de acceso. Ejemplos de Sistemas de Adquisición y control: · DAQ para recoger datos(datalogger) medioambientales (energías renovables e ingeniería verde). · DAQ para audio y vibraciones (mantenimiento, test). · DAQ + control de movimiento(corte con laser). · DAQ + control de movimiento+ visión artificial (robots modernos). [editar]Tiempo

de conversión

Es el tiempo que tarda en realizar una medida el convertidor en concreto, y dependerá de la tecnología de medida empleada. Evidentemente nos da una cota máxima de la frecuencia de la señal a medir. Este tiempo se mide como el transcurrido desde que el convertidor recibe una señal de inicio de "conversión" (normalmente llamada SOC, Start of Conversión) hasta que en la salida aparece un dato válido. Para que tengamos constancia de un dato válido tenemos dos caminos:   Esperar el tiempo de conversión máximo que aparece en la hoja de características. Esperar a que el convertidor nos envíe una señal de fin de conversión.

Si no respetamos el tiempo de conversión, en la salida tendremos un valor, que dependiendo de la constitución del convertidor será:   Un valor aleatorio, como consecuencia de la conversión en curso El resultado de la última conversión

[editar]La

etapa de acondicionamiento de la señal

Con más detalle, en una etapa de acondicionamiento podemos encontrar estas etapas, aunque no todas están siempre presentes:  Amplificación

     Excitación Filtrado Multiplexado Aislamiento Linealización Amplificación Es el tipo más común de acondicionamiento. de modo que con un sólo convertidor podemos medir los datos de diferentes canales de entrada. Excitación . Filtrado . que puede devolver resultados erróneos. ya que de esta manera no molestará a los aislantes que podamos tener. Para conseguir la mayor precisión posible la señal de entrada debe ser amplificada de modo que su máximo nivel coincida con la máxima tensión que el convertidor pueda leer. Por ejemplo. necesitan un tipo distinto de filtro.El fin del filtro es eliminar las señales no deseadas de la señal que estamos observando. incluidos los 50/60 Hz de la red eléctrica. conocido como filtro antialiasing. tales como la vibración. ya que se si no se eliminasen aparecerían superpuestas a la señal medida. apareciendo un "bucle de masa". Las señales alternas. en las señales cuasi-continuas. "termistores" o "RTD". Cuando el sistema de adquisición y la señal a medir están ambas referidas a masa pueden aparecer problemas si hay una diferencia de potencial entre ambas masas.El multiplexado es la conmutación de las entradas del convertidor. su frecuencia máxima de conversión será la original dividida por el número de canales muestreados. (como el termistor. Se aconseja que los multiplexores se utilizen antes del conversor y después del condicionamiento del señal. que elimina totalmente las señales de mayor frecuencia que la máxima a medir. que eliminará interferencias. para proteger al mismo de transitorios de alta tensión que puedan dañarlo. que necesitan de la misma. Multiplexado .La etapa de acondicionamiento de señal a veces genera excitación para algunos transductores. bien por su constitución interna. que es una resistencia . que es un filtro pasabajo pero con un corte muy brusco. como por ejemplos las galgas "extesométricas".Otra aplicación habitual en el acondicionamiento de la señal es el aislamiento eléctrico entre el transductor y el ordenador. Aislamiento . Puesto que el mismo convertidor está midiendo diferentes canales. (como la temperatura) se usa un filtro de ruido de unos 4 Hz. con el consiguiente error. Un motivo adicional para usar aislamiento es el garantizar que las lecturas del convertidor no son afectadas por diferencias en el potencial de masa o por tensiones en modo común.

. podemos decir que el transductor es un elemento que convierte energía de un tipo en otro. Aunque la linealización puede realizarse mediante métodos numéricos en el sistema de adquisición de datos. que se suelen montar en un puente de Wheatstone). En este diagrama podemos ver los bloques que componen nuestro sistema de adquisición de datos: Como vemos. y por tanto la información recibida se procesa para obtener una serie de señales de control. como los termopares.Muchos transductores.variable con la temperatura) o bien por la configuración en que se conectan (como el caso de las galgas. Linealización . [editar]Ejemplo A veces el sistema de adquisición es parte de un sistema de control. suele ser una buena idea el hacer esta corrección mediante circuitería externa. el transductor debe tomar poca energía del sistema bajo observación. para no alterar la medida. los bloques principales son estos:     Transductor El acondicionamiento de señal El convertidor analógico-digital La etapa de salida (interfaz con la lógica) El transductor es un elemento que convierte la magnitud física que vamos a medir en una señal de salida (normalmente tensión o corriente) que puede ser procesada por nuestro sistema. Por tanto. Salvo que la señal de entrada sea eléctrica. presentan una respuesta no lineal ante cambios lineales en los parámetros que están siendo medidos.

Por otro lado. de modo que las etapas posteriores al convertidor puedan leer estos datos adecuadamente. Esta adaptación suele ser doble y se encarga de:  Adaptar el rango de salida del transductor al rango de entrada del convertidor. que normalmente no puede excitar la entrada de un convertidor. en el caso de sistemas de adquisición de datos comerciales. de modo que la máxima señal de entrada debe coincidir con la máxima que el convertidor (pero no con la máxima tensión admisible. El convertidor analógico/digital es un sistema que presenta en su salida una señal digital a partir de una señal analógica de entrada. [editar]Ventajas . La codificación es el paso por el cual la señal digital se ofrece según un determinado código binario. La etapa de salida es el conjunto de elementos que permiten conectar el s. ya que puede hacer que obtengamos datos erróneos.d con el resto del equipo. y puede ser desde una serie de buffers digitales incluidos en el circuito convertidor. hasta una interfaz RS-232. de modo que para infinitos valores de la entrada la salida sólo puede presentar una serie determinada de valores. La adaptación entre los rangos de salida del convertidor y el de entrada del convertidor tiene como objetivo el aprovechar el margen dinámico del convertidor. Por tanto la cuantificación implica una pérdida de información que no podemos olvidar. Este paso hay que tenerlo siempre en cuenta. la adaptación de impedancias es imprescindible ya que los transductores presentan una salida de alta impedancia.a. cuya impedancia típica suele estar entre 1 y 10 k.  Acoplar la impedancia de salida de uno con la impedancia de entrada del otro. sobre todo cuando el sistema admite señales positivas y negativas con respecto a masa. (normalmente de tensión) realizando las funciones de cuantificación y codificación. ya que para ésta entran en funcionamiento las redes de protección que el convertidor lleva integrada). momento en el cual la salida binaria del convertidor nos da tanto la magnitud como el signo de la tensión que ha sido medida.El acondicionamiento de señal es la etapa encargada de filtrar y adaptar la señal proveniente del transductor a la entrada del convertidor analógico / digital.(Normalmente en tensión). RS-485 o Ethernet para conectar a un ordenador o estación de trabajo. La cuantificación implica la división del rango continuo de entrada en una serie de pasos.

la detección de fallas y el control de calidad entre otras aplicaciones. Todas ellas de 4 bytes y queremos guardar la información de todo el proceso cada segundo. posibilidad de emular una gran cantidad de dispositivos de medición y activar varios instrumentos al mismo tiempo. posibilidad de realizar las tareas en tiempo real o en análisis posteriores (a fin de analizar los posibles errores). [editar]Un Ejemplo 1 Tenemos 300 señales a monitorizar. facilidad de automatización. etc. ¿qué capacidad ha de tener el disco duro del PC servidor para tener un histórico de todo un mes? 210segundo * 8bytes = 1680bytes * segundo 3600 * 24 * 30 = 2592000 1680 * 2592000 = 4.Flexibilidad de procesamiento. el control de máquinas y de producción.8 GB. la investigación científica.35gigabytes [editar]Véase tipo de ejercicio de adquisición también    Procesamiento de señales Análisis de datos Dispositivos de entrada:  Escáner 3D . Ejemplo 2 En un sistema de adquisición de datos entran 210 señales por segundo.¿qué capacidad ha de tener el disco duro del PC servidor para tener un histórico de todo un año? 300segundos * 4bytes = 1200bytes * segundo 3600 * 24 * 365 = 31536000 1200 * 31536000 = 37. rápido acceso a la información y toma de decisión.8GB Tendríamos que tener una capacidad de 37.7 GB. se adquieren gran cantidad de datos para poder analizar. gran capacidad de almacenamiento. Pero teniendo en cuenta que siempre se tiene que tener una copia de seguridad. esta capacidad la tendremos que multiplicar por dos y eso nos daría 75. Se utiliza en la industria. de 8 bytes cada una.

la estadística son las calificaciones logradas entonos los problemas de un curso del semestre. Todas estas personas están empleando correctamente el término estadística y sin embrago cada una le da un significado ligeramente diferente y la usa para un propósito un poco distinto. la educación. La palabra Estadística tiene varias acepciones para cada persona. la biología. la estadística puede ser la información sobre la cantidad de contaminantes que están siendo emitidos hacia la atmósfera. Así para el gerente de de una central de energía eléctrica. G. la medicina. en la actualidad la influencia de la estadística se ha extendido a la agricultura. como se llama algunas veces. Loveday. Editorial Marcombo. ref nº SLAA013. la comunicación. las ciencias políticas. Ramón: "Adquisición y Distribución de Señales". la psicología.: "Diseño de Hardware Electrónico". las calificaciones de los alumnos y los sueldos del profesorado. es la información acerca del ausentismo. la electrónica. Para el director de una escuela. la física.  Conversión analógica-digital Hardware:  PXI  Software:     LabVIEW Measurement Studio para Visual Studio LabWindows/CVI para Lenguaje C MATLAB [editar]Bibliografía  Texas Instruments: "Understanding Data Converters Application Report". la sociología y a muchos otros campos de la ciencia y de la ingeniería. Hoy la estadística y el análisis estadístico están presentes en casi todas las . el comercio. C.   Pallás Areny. 1997. I) INTRODUCCION La estadística o los métodos estadísticos. desempeña un papel cada vez más importante en casi todas las áreas del quehacer humano. la economía. Editorial Paraninfo. Aunque en un principio tenía que ver solamente con asuntos de Estado. la química. Y para un universitario. a lo que debe su nombre.

organizar.También llamada Estadística Deductiva. en especial para los gerentes. DEFINICION ESTADISTICA Se ocupa de los métodos científicos para recolectar. ESTADISTICA DESCRIPTIVA. será también de gran valor como referencia para todos aquellos que estén aplicando la estadística en su campo de investigación particular. es la que busca únicamente describir y analizar un grupo determinado. ESTADISTICA INDUCTIVA.También llamado universo. presentar y analizar datos. 1. El propósito de este curso es presentar una introducción a los principios generales de la estadística. sin sacar conclusiones o inferencias acerca de un grupo mas grande. las alturas y los pesos de los estudiantes de una universidad o la cantidad de piezas defectuosas y no defectuosas producidas en una fábrica un día determinado. 4.profesiones. por ejemplo. que le será útil a todos los individuos sin importar su campo de especialización. la población que comprende todas las piezas producidas en un día . debido a que tales inferencias no llegan a ser precisas por completo. resumir. Por ejemplo. 3. así como de sacar conclusiones válidas y tomar decisiones con base en este análisis.. para sacar conclusiones se usa el lenguaje de Probabilidad.. La población puede ser finita ó infinita. POBLACION Y MUESTRA Población.Ó Estadística Inferencial. 2.. se refiere a un grupo de individuos u objetos. Se han convertido. es aquella que a partir de una muestra representativa de una población se pueden inferir conclusiones importantes. en una herramienta de suma utilidad.

2. las mediciones dan lugar a datos continuos. x o B.Pequeña parte de la población en estudio.842. toma cualquier valor entre dos valores dados. es una variable discreta. Si la variable solo toma un valor. 1. es una variable continua.. como X. 6. se denomina variable discreta. se le llama variable continua. mientras que las enumeraciones o los conteos dan lugar a datos discretos.5 o 3.8341 pulg. dependiendo de la exactitud de las mediciones.8 pulg.. El número de hijos en cada una de 1. A los datos que se pueden describir mediante una variable discreta o continua se les llama datos discretos o continuos. VARIABLES DISCRETAS Y CONTINUAS Una variable es un símbolo. . O 65.000 familias es un ejemplo de datos discretos. A una variable que. 3. H. Si no es así.determinado en una fábrica es finita. pero no 2. Y. En general. Ejemplo 2 La altura H de un individuo. 5. entonces a esta variable se le llama constante. mientras que la población que consta de todos los resultados posibles (cara o cruz) en lanzamientos sucesivos de una moneda es infinita. Muestra. 63. REDONDEO DE DATOS .. Ejemplo 1 El número N de niños en una familia. teóricamente. respectivamente. que puede tomar cualquiera de los valores 0. que puede tomar cualquiera de los valores de un conjunto predeterminado llamado dominio de la variable. que puede ser de 62 pulg. mientras que las alturas de 100 estudiantes universitarios son un ejemplo de datos continuos.

Colección de Datos Representar a todos los grupos. y 116 500 000 redondeado al millón mas cercano es 116 000 000.46. Obtener datos de observaciones o registros.575 se redondea a 183. ya que 72. hemos de organizar nuestras observaciones de manera que podamos seleccionar tendencias y llegar a conclusiones lógicas. Los datos provienen de observaciones reales o de documentos que se conservan para usos ordinarios.82.8 está mas cerca de 73 que de 72. escolaridad y barrio. puesto que 72.8 a la unidad mas cercana. Y deben cerciorarse de que el grupo contenga una gran diversidad de personas que representen variables como nivel de ingresos. Al redondear 72. Los estadísticos seleccionan sus observaciones de manera que todos los grupos relevantes estén representados en los datos. es 73. pues esta información ayuda a preparar los informes de los médicos y a hacer la facturación. 72. REPRESENTACION TABULAR Para que los datos sean útiles. Utilizar los datos referentes al pasado para tomar decisiones sobre el futuro.81 que de 72. los analistas podrían estudiar a 100 consumidores que viven en cierta zona geográfica.47.El resultado de redondear un número. Ejemplo. En estos casos se acostumbra redondear al entero par anterior al 5. 183. por tanto. por ejemplo 72. Los datos ayudan a los encargados de la toma de decisiones a hacer conjeturas bien fundamentadas acerca de las causas y.8146 redondeado a la centésima más cercana (o a dos decimales) es 72.81.465 se redondea a 72. De manera que 72. los hospitales tienen expedientes con el número de pacientes que usan los servicios de rayos X. el departamento de personal habrá de determinar si ese fenómeno se dio . Por ejemplo. 7. si los expedientes del hospital indican que más pacientes usaron los servicios de rayos X en Junio que en Enero.465 a la centésima más cercana se tiene un dilema.46 que de 72.465 está exactamente igual de lejos de 72.58. Para determinar el mercado potencial de un nuevo producto. ya que 72.8146 está más cerca de 72. De manera semejante. sobre los efectos probables de ciertas características en algunas situaciones. raza. Esta práctica es especialmente útil para minimizar errores de redondeo acumulados cuando se tiene un gran número de operaciones.

las tendencias notorias. Pero si los datos son trabajadores calificados (digamos carpinteros. Para poder confiar en la interpretación de unos datos cualesquiera. mejor conoceremos la población de donde proviene y mejores serán las decisiones que tomemos. La finalidad de organizar los datos es permitirnos ver rápidamente todas las características posibles de los datos que hemos recabado. Este método da origen a una distribución de frecuencia y se explica mas adelante. también podemos listar los puntos de datos por orden ascendente de valor numérico. gráficas y números. habrá de ajustar su programa de contrataciones y vacaciones para tenerla en cuenta. ¡Entra basura. sale basura! . Cuanto mas abundante sea la información de este tipo que obtengamos de la muestra. Se trata de formas compactas y utilizables. Tendremos que representar los puntos graficados (observaciones) de datos por orden alfabético o por algún otro principio organizador. Cuando los datos se organizan en forma compacta y útil.sólo en el presente año o si es una indicación de una tendencia constante. Podemos simplemente reunirlos y conservarlos en orden. los encargados de la toma de decisiones consiguen información confiable del ambiente y se valen de ella para llegar a decisiones inteligentes. Si las observaciones se miden en números. que valores aparecen con mayor frecuencia y otros aspectos. albañiles ó electricistas) que se necesitan en los sitios de construcción. Buscamos cosas como el intervalo (los valores máximos y mínimos). . pero cabe preguntar. ¿son confiables? No olvide que la exactitud de los datos que salen de la computadora depende de los que entran en ella. si son diferentes tipos de automóviles fabricados por todas las empresas automotrices o si son los diversos colores de abrigos fabricados por determinada compañía. necesitaremos organizarlos de modo diferente. aquello en torno a lo cual los datos tienden a agruparse. En la actualidad las computadoras permiten a los estadísticos reunir enormes volúmenes de observaciones y condensarlas instantáneamente en tablas. antes se prueban formulando las siguientes preguntas: ¿De dónde proceden los datos? ¿Apoyan o contradicen los datos la otra evidencia con que se cuenta? ¿Existen datos que ignoramos y que nos harían llegar a una conclusión diferente? ¿Cuántas observaciones tenemos? ¿Es lógica la conclusión? Hay muchas maneras de clasificar los datos. De ser así. Una forma útil de hacerlo consiste en dividir los datos en categorías o clases similares y luego contar el número de observaciones que caen dentro de cada categoría.

con sus correspondientes frecuencias de clase. Una ordenación es un conjunto de datos numéricos en orden creciente o decreciente de magnitud. se le conoce como distribución de frecuencias o tabla de frecuencias.. el rango es 74-60= 14 pulg. obtenidas del registro universitario. 2. A una disposición tabular de los datos por clases.II) DISTRIBUCIONES DE FRECUENCIA 1. Por ejemplo. Ordenación. DEFINICION Datos Sueltos. A la diferencia entre el número mayor y el menor se le conoce como rango de los datos. ORDENAMIENTO DE DATOS Si se reúnen grandes cantidades de datos sueltos es útil distribuirlos en clases o categorías. y determinar el número de individuos que pertenecen a cada categoría. a lo que se le llama frecuencia de clase. si la estatura mayor de los 100 estudiantes es 74 pulg y la menor es 60. Ejemplo. Se les llama Datos Sueltos a los datos que no han sido organizados numéricamente.Tabla 2-1 Estaturas de 100 estudiantes hombres de la universidad XYZ |Estatura |(pulg) |60-62 |63-65 |66-68 |69-71 |72-74 |Número de |Estudiantes |5 |18 |42 |27 |8 | | | | | | | . que está ordenado en forma alfabética. Un ejemplo es el conjunto de estaturas de 100 estudiantes hombres.

En la práctica. comprende las estaturas entre 60 y 62 pulg y se indica en el rango 60-62. por ejemplo. CONSTRUCCION DE UNA DISTRIBUCION DE FRECUENCIA a) Intervalos de Clase y Límites de Clase El símbolo que define una clase.5) es la frontera inferior de clase y el número mayor (62.5 y 62.5 se llaman fronteras de clase o límites verdaderos de clase.5000. Como hay cinco estudiantes en esta clase. además de que se obtienen relaciones evidentes. las fronteras de clase se obtienen promediando los límites superior e inferior de un intervalo de clase. A los datos así organizados y reunidos en clases.5). A los números 60 y 62 se les conoce como límites de clase. como el 60-62 de la tabla 2-1. mientras que el número más grande (62) es el límite superior de clase. 3. la correspondiente frecuencia de clase es 5. en teoría el intervalo de clase 60-62 incluye todas las medidas desde 59.5000 hasta 62. el número menor (59. Aunque el proceso de agrupamiento generalmente quita detalles originales de los datos. se les llama datos agrupados. b) Fronteras de Clase Si se miden estaturas con exactitud de 1 pulg. el número más pequeño (60) es el límite inferior de clase. la frontera superior de clase. Estos números. se llama intervalo de clase. aunque el intervalo de clase es en realidad un símbolo de la clase. como en la anterior distribución de frecuencias. es muy ventajosa pues proporciona una visión amplia y clara. Se acostumbra usar los términos clase e intervalo de clase indistintamente.| |Total 100 | La primera clase (o categoría). indicados brevemente por los números exactos 59. c) Tamaño o Amplitud de un Intervalo de Clase .

4. que es el punto medio del intervalo de clase. Dividir el rango en un número adecuado de intervalos de clase del mismo tamaño. En tal caso. hallar las frecuencias de clase.5-59. d) Marca de Clase La marca de clase. se obtiene promediando los límites inferior y superior de clase. tamaño o longitud de clase. DISTRIBUCION DE FRECUENCIA RELATIVA La frecuencia relativa de una clase es su frecuencia dividida entre la frecuencia total de todas las clases y se expresa generalmente como un porcentaje. Por ejemplo. A la marca de clase también se le denomina punto medio de la clase. la frecuencia relativa de la clase 66-68 de la tabla 2-1 es 42/100=42%.5=3. según los datos. c es igual a la diferencia entre dos límites inferiores (o superiores) de clases sucesivas. Si todos los intervalos de una distribución de frecuencia son de la misma amplitud. De este modo. la amplitud del intervalo de clase es c=62. la marca de clase del intervalo 60-62 es (60+62)/2=61.5-62. Para los datos de la tabla 2-1.5=65. . Se suelen tomar entre 5 y 20 intervalos de clase. Si esto no es posible. Reglas Generales para Construir Distribuciones de Frecuencia Determinar el número mayor y el menor en los datos sueltos con el fin de especificar el rango (la diferencia entre ambos).El tamaño o la amplitud de un intervalo de clase es la diferencia entre las fronteras de clase inferior y superior y se le conoce como amplitud. usar intervalos de clase de distintos tamaños o intervalos de clase abiertos. a esta amplitud común se le denota por c. Los intervalos de clase se eligen también de modo tal que las marcas de clase (o puntos medios) coincidan con los datos realmente observados. es decir. Determinar el número de observaciones que corresponden a cada intervalo de clase. por ejemplo.

REPRESENTACION GRAFICA DE DISTRIBUCION DE FRECUENCIA a) Construcción de Histogramas Los histogramas y los polígonos de frecuencias son dos representaciones gráficas de las distribuciones de frecuencias. inclusive. es 5+18+42=65. Puede obtenerse uniendo los puntos medios de las partes superiores de los rectángulos del histograma. b) Construcción de Polígonos de Frecuencia Un polígono de frecuencia es una gráfica de línea de las frecuencias de clase dibujada con respecto a la marca de clase. 6. distribución de frecuencias o tabla de frecuencias relativas.5 pulg. brevemente. 5. lo que significa que 65 estudiantes tienen estaturas por debajo de 68. las alturas de los rectángulos son proporcionales a las frecuencias de clase. tabla de frecuencias acumuladas o. y b) áreas proporcionales a las frecuencias de clase. . una distribución acumulada.Si se sustituyen las frecuencias de la tabla 2-1 por las correspondientes frecuencias relativas. Un histograma o histograma de de frecuencias consiste en un conjunto de rectángulos que tienen a) sus bases en el eje X horizontal. a la tabla resultante se le llama distribución de frecuencias relativas. Una tabla que presenta tales frecuencias acumuladas se llama distribución de frecuencias acumuladas. la frecuencia acumulada. DISTRIBUCION DE FRECUENCIA ACUMULADA La frecuencia total de todos los valores menores que la frontera de clase superior de un intervalo de clase dado se conoce como frecuencia acumulada hasta ese intervalo de clase. Si todos los intervalos de clase son del mismo tamaño. incluyendo hasta el intervalo de clase 66-68 de la tabla 2-1. sus centros en las marcas de clase y longitudes iguales a los tamaños de los intervalos de clase. Por ejemplo.

de 62.[pic] Figura 2-1 c) Ojivas y Ojivas Porcentuales Una gráfica que recoja las frecuencias acumuladas por debajo de cualquiera de las fronteras de clase superiores respecto de dicha frontera es denominada un polígono de frecuencias acumuladas u ojiva. sin especificar el tipo. OTROS GRAFICOS a) De Pastel [pic] . Las correspondientes ojivas se conocen. Siempre que se hable de distribuciones acumuladas u ojivas. Para ciertos propósitos. se le suele conocer como una distribución acumulada o mas . [pic] Figura 2-2 7. es deseable considerar una distribución de frecuencias acumuladas de todos los valores mayores o iguales que la frontera de clase inferior de cada intervalo de clase.5 pulg o más. mientras que la antes considerada es una distribución acumulada menor que . etcétera. Como de este modo se obtienen estaturas de 59.5 pulg o más. se estará mencionando el caso menor que . entonces. en la figura 2-2 se ilustra esta gráfica para la distribución de estaturas de los estudiantes de la tabla 2-1. como ojivas o más y menores que .

la cola de la curva a un lado del máximo es mas larga que al otro lado.b) Piramidal [pic] c) Tipos de Curvas de Frecuencia Las curvas de frecuencia que aparecen. CONSTRUCCION DE GRAFICAS POR COMPUTADORA Remitirse al archivo Graficación. III) MEDIDAS DE TENDENCIA CENTRAL 1. Una curva de frecuencia en forma de U tiene máximos en ambos extremos. Interpretación de Tendencia Central .ppt. como se ilustra en la figura 2-3. Una curva de frecuencias bimodal tiene dos máximos. Una curva de frecuencias multimodal tiene más de dos máximos 8. en la práctica adoptan ciertas formas características. En las curvas de frecuencia moderadamente asimétricas. o sesgadas. En una curva en forma de J o de J invertida hay un máximo en un extremo. [pic] Las curvas de frecuencia simétricas o en forma de campana se caracterizan porque las observaciones equidistantes del máximo central tienen la misma frecuencia.

¿Pero que sucedería si necesitáramos medidas mas exactas de un conjunto de datos? En ese caso. ó simplemente media. Notación de sumatoria El símbolo [pic]denota la suma de todos los [pic] desde j=1 hasta j=N. Las Representaciones resultantes de las distribuciones de frecuencia nos permitieron discernir las tendencias y patrones de los datos. 2. Media Aritmética La media aritmética. que puede valer 1. Notación de índices Denotemos por [pic] (léase X sub j ) cualquiera de los [pic] valores [pic] que toma una variable [pic]. 3. por definición. podríamos servirnos de números individuales. las medidas de tendencia central nos indican el punto medio o típico de datos que cabe esperar. ya que no tendremos necesidad de consultar nuestras observaciones iniciales. para describir ciertas características de dicho conjunto.En el capítulo anterior aprendimos a construir tablas y gráficas donde se usaban datos brutos. A partir de ellos lograremos una comprensión mas precisa de los datos de la que podríamos conseguir con nuestras tablas y gráficas. También reciben el nombre de medidas de localización. se denotará esa suma simplemente con [pic] 2. llamados estadísticos resumidos. N se llama subíndice. La letra j en [pic]. Igual que los promedios. de un conjunto de N números [pic] se denota por [pic] (léase X barra ) y se define por [pic] (1) . Y estos números nos permitirán tomar decisiones más rápidas y satisfactorias. [pic] Cuando no ocasione confusión.

6 y 2 ocurren con frecuencias 3. 12 y 10 es [pic] Si los números [pic] ocurren [pic] veces. 2. el número total de casos).Ejemplo 1 La media aritmética de los números 8. en ese orden. 4 y 1. con frecuencias [pic]). todos los valores que caen dentro de un intervalo de clase dado se consideran iguales a la marca de clase. 3. 3. o punto medio del intervalo. la media aritmética es [pic] (2) donde [pic] es la frecuencia total (es decir. su media aritmética es [pic] Cuando los datos se presentan en una distribución de frecuencias. respectivamente (es decir. Media Geométrica La media geométrica G de un conjunto de N números positivos [pic] es la raíz N-ésima del producto de esos números: [pic] . 5. 8. Ejemplo 2 Si 5.

8. 12. 15 y 18 tiene mediana [pic] Para datos agrupados. 5. la mediana obtenida por interpolación. la frecuencia total) . 11. Ejemplo 4 El conjunto de números 3. 5. 4. 7. 8 y 10 tiene mediana 6 Ejemplo 5 El conjunto de números 5. 4 y 8 es [pic] 4. está dada por [pic] donde: |[pic] |frontera inferior de la clase de la mediana (es decir. 8. Mediana y Moda para datos agrupados La Mediana La mediana de un conjunto de números ordenados en magnitud es el valor central o la media de los dos valores centrales. 6. 9. la clase que contiene a la mediana) | |[pic] | |número de datos (es decir.Ejemplo 3 La media geométrica de los números 2.

7. 9. 12. que corresponde a la recta vertical que divide un histograma en dos partes de área igual. 5. En el caso de datos agrupados donde se haya construido una curva de frecuencias. Ese valor de X suele denotarse por [pic] La Moda La moda de un conjunto de números es el valor que ocurre con mayor frecuencia. 3. 10. la mediana es el valor X (abscisa). 4.|[pic] | |[pic] |[pic] | |suma de las frecuencias de las clases inferiores a la clase de la mediana |frecuencia de la clase de la mediana |tamaño del intervalo de clase de la mediana | Geométricamente. 10. 4 y 7. 5. La distribución con una sola moda se llama unimodal. 10. Ejemplo 7 El conjunto 3. 7. 12 y 18 tiene moda 9. 9. la moda será(n) el (los) valor(es) de X correspondiente(s) al(os) máximo(s) de la curva. La moda llega a obtenerse de una distribución de frecuencias o de un histograma a partir de la fórmula: . 4. 5. 15 y 16 carece de moda. para ajustar los datos. 2. y se le conoce como bimodal. es decir. el valor más frecuente. 9. 11. Ejemplo 6 El conjunto 2. 7. y 9 cuenta con dos modas. Ejemplo 8 El conjunto 2. 7. Ese valor de X se denota por [pic]. 5. 8. La moda puede no existir e incluso no ser única. 4.

es posible considerar los valores que dividen al conjunto en cuatro partes iguales. El quinto decil y el 50º percentil coinciden con la mediana. Extendiendo esta idea. se denominan como primero.[pic] donde: |[pic] | |[pic] | |[pic] | |[pic] |Frontera inferior de la clase de la clase modal (clase que contiene a la moda) |Diferencia de la frecuencia modal con la frecuencia de la clase inferior inmediata |Diferencia de la frecuencia modal con la frecuencia de la clase superior inmediata |tamaño del intervalo de la clase modal | 5. Deciles y Percentiles Si un conjunto de datos se ordena de acuerdo con su magnitud. denotados por [pic]y [pic]. el valor central (o la media aritmética de los dos valores centrales) que divide al conjunto en dos partes iguales es la mediana. Dispersión o Variación La dispersión o variación de los datos es el grado en que los datos numéricos tienden a esparcirse alrededor de un valor promedio. De forma similar los valores que dividen los datos en 10 partes iguales son llamados deciles. IV) MEDIDAS DE DISPERSION 1. segundo y tercer cuartiles respectivamente. los cuales se denotan por [pic]. Estos valores. . donde [pic] es igual a la mediana. Cuartiles. mientras que los valores que dividen a los datos en 100 partes iguales se conocen como percentiles y se indican con [pic].

5. 8. 10. 5. Ejemplo 2 Calcule la desviación media del conjunto 2. [pic]. [pic] y [pic]). así [pic]. 5. 11. 3. (El valor absoluto de un número es el número sin el signo asociado y se indica con dos líneas verticales colocadas a los lados del número. El Rango El rango de un conjunto de números es la diferencia entre el número mayor y el menor del conjunto.2. 3. 6. 8. 3. 12 es 12-2=10 3. La Desviación Media La desviación media o la desviación promedio de un conjunto de N números [pic] se abrevia DM y se define como: [pic] (1) donde [pic] es la media aritmética de los números y [pic] es el valor absoluto de la desviación de [pic] respecto de [pic]. Ejemplo1 El rango del conjunto 2. Media aritmética [pic] [pic] .

la desviación media puede expresarse [pic] (2) donde [pic]. Esta forma es útil para datos agrupados. Rango entre Percentiles 10-90 El rango percentilar de un conjunto de datos se define como Rango Percentilar [pic] (4) . aunque el rango semiintercuartilar es más común como medida de dispersión.Si [pic] ocurren con frecuencias [pic] respectivamente. Algunas veces se usa el rango intercuartilar [pic]. 4. En ocasiones la desviación media se define en términos de desviaciones absolutas con respecto a la mediana u otro promedio. Desviación Cuartílica El rango semiintercuartilar o desviación intercuartilar de un conjunto de datos se denota por [pic] y se define como [pic] (3) donde [pic] y [pic] son el primer y el tercer cuartiles de los datos. donde las [pic] representan las marcas de clase y las [pic] son las frecuencias de clase correspondientes. 5. la desviación media con referencia a la mediana es mínima). en lugar de hacerlo en relación con la media. Una propiedad interesante de la suma [pic] radica en que es mínima cuando [pic] es mínima (es decir.

prácticamente no existe diferencia entre las dos definiciones. Además cuando se necesita el mejor estimado. se usarán las formas (5) y (6). ya que el valor resultante representa un mejor estimado de la desviación estándar de la población original. Por lo tanto [pic] es la media cuadrática de las desviaciones en relación con la media o. De esta forma. La Desviación Estándar La desviación estándar o típica de un conjunto de N números [pic] se denota por [pic] y se define como: [pic] (5) donde [pic] representa las desviaciones de cada uno de los números [pic].Donde [pic] y [pic] son los percentiles 10º y 90º de los datos. Algunas veces la desviación estándar de los datos de una muestra se define con (N-1). reemplazando N en los denominadores de las expresiones de las ecuaciones (5) y (6). 6. respecto de la [pic]. Para los valores grandes de N (de modo preciso N>30). por [pic]. La Varianza . desviación de la media cuadrática. siempre podemos obtenerlo multiplicando la desviación estándar. Por lo tanto. la desviación estándar suele expresarse [pic] (6) donde [pic]. como se le llama en forma común. Si [pic] ocurren con frecuencias [pic] respectivamente. es útil para datos agrupados. 7. calculada de acuerdo con la primera definición.

Si [pic] son las desviaciones de [pic] con respecto a una constante arbitraria [pic]. Por lo tanto [pic] y [pic] representan la varianza de una muestra y la varianza de una población. Cuando es necesario distinguir la desviación estándar de una población de la desviación estándar de una muestra obtenida de dicha población. con frecuencia se utiliza el símbolo [pic] para esta última y [pic] (sigma griega minúscula) para la primera. mientras que [pic] denota el cuadrado de la media de los distintos valores de [pic]. respectivamente. respectivamente en [pic] (9) [pic] (10) Cuando los datos se encuentran agrupados en una distribución de frecuencias. los resultados de (7) y (8) se convierten. se tiene [pic] o [pic] y el resultado (10) se convierte en [pic] (11) . se representa como [pic] en las ecuaciones (5) y (6). respectivamente. cuyos intervalos de clase son del mismo tamaño c. en las formas equivalentes: [pic] (7) [pic] (8) donde [pic] denota la media de los cuadrados de los distintos valores de [pic]. por lo tanto. Métodos Cortos para Calcular la Desviación Estándar Las ecuaciones (5) y (6) pueden expresarse.La varianza de un conjunto de datos se define como el cuadrado de la desviación estándar.

Suponga que dos conjuntos con [pic] y [pic] números (o dos distribuciones de frecuencia con frecuencias totales [pic] y [pic]) tiene varianzas dadas por [pic] y [pic].73% de los casos están incluidos entre [pic] y [pic] (es decir. respectivamente. De todas las desviaciones estándar.Esta fórmula ofrece un método muy breve para calcular la desviación estándar y debe utilizarse siempre para datos agrupados cuando el tamaño de los intervalos de clase sea igual. B.45% de los casos están incluidos entre [pic] y [pic] (es decir. y la misma media [pic]. Entonces la varianza combinada de ambos conjuntos (o dos distribuciones de frecuencias) estará dada por [pic] . la mínima es aquella en que [pic]. En distribuciones normales: a) 68. La desviación estándar puede definirse como [pic] donde [pic] es un promedio cercano a la media aritmética. esta propiedad proporciona una razón importante para definir la desviación estándar como se hizo antes.27% de los casos están incluidos entre [pic] y [pic] (es decir. Propiedades de la Desviación Estándar A. dos desviaciones estándar a cada lado de la media) c) 99. una desviación estándar a cada lado de la media) b) 95. tres desviaciones estándar a cada lado de la media) [pic] C.

al medir una distancia de 1. 8. entonces la dispersión relativa se denomina coeficiente de variación o coeficiente de dispersión. V) MOMENTO SESGO Y CURTOSIS 1.Obsérvese que se trata de una media aritmética ponderada de las varianzas. se define la cantidad . El resultado puede generalizarse a tres o más conjuntos. Dispersión Absoluta y relativa La variación real o dispersión. una variación (o dispersión) de 10 pulg. Una medida de este efecto es sustituida por la dispersión relativa. Obsérvese que el coeficiente de variación es independiente de las unidades usadas. Una desventaja del coeficiente de variación es que no sirve cuando la media es cercana a cero. Por este motivo es útil para comparar distribuciones con unidades diferentes. que se define como [pic] si la dispersión absoluta es la desviación estándar [pic] y el promedio es la media [pic]. la misma se denota por [pic] y está dada por Coeficiente de variación [pic] que por lo general se expresa en forma de porcentaje. Sin embargo. Momentos Si [pic] son los [pic] valores de la variable [pic]. se denomina dispersión absoluta.000 pies. determinada a partir de la desviación estándar u otra medida de dispersión. tiene un efecto muy diferente si la misma variación de 10 pulg se presenta en una distancia de 20 pies.

El r-ésimo momento respecto de cualquier origen A se define como: [pic] (3) donde [pic] son las desviaciones de [pic] respecto de [pic]. los momentos anteriores están dados por [pic] (4) [pic] (5) [pic] (6) . El primer momento con [pic] es la media aritmética [pic]. entonces [pic] es la varianza. se define como: [pic] (2) Si [pic] entonces [pic]. Por eso la ecuación (1) se le llama el r-ésimo momento con respecto a cero. si [pic]. Si [pic]. Momentos para Datos Agrupados Si [pic] ocurren con las frecuencias [pic].[pic] (1) llamada el r-ésimo momento. la ecuación (3) se reduce a la ecuación (1). respectivamente. El r-ésimo momento respecto de la media [pic]. 2.

Si la curva de frecuencias de una distribución tiene una cola mas larga hacia la derecha del máximo central. lo que lleva a la definición [pic] 4. Si sucede lo contrario se considera que está sesgada hacia la izquierda o que es de asimetría negativa. Las fórmulas son adecuadas para calcular momentos a partir de datos agrupados. mientras que la curva que es achatada. [pic] Una medida de la curtosis utiliza el cuarto momento con respecto a la media. Por lo tanto una mediada de la asimetría está dada por la diferencia: media-moda. 3. recibe el nombre de platocúrtica. comparada con una distribución normal. En las distribuciones asimétricas. la media tiende a caer en el mismo lado de la moda y en el de la cola más larga. La distribución normal que no es muy picuda ni muy achatada. Una distribución con un pico relativamente alto. se dice que está sesgada hacia la derecha o que es de asimetría positiva. se denomina leptocúrtica. Esta puede hacerse adimensional si se divide entre una medida de dispersión tal como la desviación estándar. expresado en forma adimensional y está dado por Coeficiente momento de curtosis [pic] .donde [pic]. que hacia la izquierda. se define como mesocúrtica. por lo general. Asimetría La asimetría es el sesgo o la distorsión de la simetría de una distribución. Curtosis La curtosis mide que tan puntiaguda es una distribución.

Para la distribución normal. Así. si las medidas de asimetría y curtosis de la muestra se denotan por [pic] y [pic]. [pic]. ----------------------Sesgada a la derecha (sesgo positivo) Sesgada a la izquierda (sesgo negativo) En forma de J En forma de J invertida En forma de U Bimodal Simétrica o en forma de campana . De manera similar. Cuando se requiere distinguir los momentos. Por esto. para determinada población. se define a la curtosis como [pic]. negativa en una distribución platocúrtica e igual a cero en la distribución normal.que con frecuencia se denota como [pic]. si los momentos se denotan como [pic] y [pic]. con frecuencia se acostumbra usar símbolos latinos para las muestras y símbolos griegos para las poblaciones. respectivamente. Los subíndices siempre son símbolos latinos. entonces la asimetría y la curtosis de la población serían [pic] y [pic]. las medidas de asimetría y las medidas de curtosis de una muestra. los símbolos griegos correspondientes serían [pic] y [pic]. que es positiva en una distribución leptocúrtica.

73% a) Mesocúrtica a) Platocúrtica a) Leptocúrtica .27% [pic] [pic] [pic] [pic] 95.45% [pic] [pic] 99.Multimodal 68.

cada sector se rellena con un color diferente. los extremos supe Para una variable continua.REPRESENTACIÓN GRÁFICA DE DATOS Las tablas estadísticas representan toda la información de modo esquemático y están preparadas para los cálcu estadísticos nos transmiten esa información de modo más expresivo. con un sólo golpe de v observar sus caracteícticas más importantes. Los gráficos estadísticos son muy útiles para comparar distintas tablas de frecuencia. Se utiliza para la representación de variables cuantitativas continuas. cada valor de la variable se representa p él se dibuja una barra de longitud igual o proporcinal a su frecuencia absoluta. Las escalas utilizadas para representar los polígonos de frecuencias influyen mucho por el impacto visual de lo DIAGRAMA DE SECTORES. Se utilizan para variables estadísticas cuantitativas. cuantitativa o cualitativa. Los gráficos estadísticos más usuales son: DIAGRAMA DE BARRAS. Si la frecuencia absoluta que se diagrama de barras que se obtiene es: diagrama de barras acumulativo HISTOGRAMA. Se utiliza para la representación de variables cuantitativas discretas. Se utiliza para todo tipo de variable estadística. Si se utilizarán rectángulos de amplitud diferente. si se utiliza la frecuencia absoluta acumu POLÍGONO DE FRECUENCIAS. discretas o continuas. El cálculo de la amplitud en grados sexagesimales del sector correspondiente se realiza así: ángulo = frecuenc . incluso sacar alguna conclusión sobre el comportamiento de la m estudio. el área del rectángulo es la que tendría qu absoluta correspondiente a ese intervalo. Histograma acumulativo. Como los intervalo quedan adosados. el poligono de fecuencias se obtiene uniendo por una poligonal los puntos medios del histograma. nos van a permitir. cada intervalo se representa sobre el ej rectángulo que se dibuja sobre él con altura igual o proporcional a su frecuencia absoluta. el polígono de frecuencias se obtiene uniendo por una poligonal. Consiste en dibujar sectores sobre sectores proporcional a su frecuencia absoluta. Para una variable discreta.

. 36) 34 [36 . los resultados obtenidos se reflejan en la siguiente tabla: Intervalo marca clase (xi) [20 . absoluta (ni) 3 6 10 8 3 30 . absoluta (ni) 1 2 4 7 1 1 3 1 20 Realiza en tu cuaderno el diagrama de barras. Con el pulsador de "gráfico" puedes..Ejemplo 2. 24) 22 [24 .Hemos preguntado a 20 personas por el número medio de días que practican deporte a la seman respuestas: Nº días (xi) 0 1 2 3 4 5 6 7 Total fr. 40) 38 Total fr. uno de los datos que se han tomado ha uno. el poligono de frecuencias y el diagrama de sectores correspond resultados. 28) 26 [28 . al variar su valor. 32) 30 [32 .En un preconocimiento médico realizado a 30 niños. Puedes cambiar los valores de las frecuencias absolutas y observar su imfluencia en el correspondiente gráf Ejemplo 3. elegir diferente representación gráfica: 1 para dia de frecuencia y 3 para el diaframa de sectores.

. 40 " Entre 80 y 90 Km................ 30 vehículos Entre 70 y 80 Km... 90 " Entre 90 y 100 Km........ Con el pulsador de "gráfico" puedes............................/h .. 60K " estadística" de infracciones.................Realiza en tu cuaderno el Histograma...../h ............ el poligono de frecuencias y el diagrama de sectores correspondi resultados.. 60 " Entre 110 y 120 Km.............Utilizando la encuesta que has realizado en la actividad 2. elegir diferente representación gráfica: 1 para His frecuencia y 3 para el diaframa de sectores........................ Diagrama de barras . pa considerado. 1.. Diagrama de sectores Fig./h .... Complexo Hospitalario Universitario de A Coruña (España) Cad Aten Primaria (Pendiente de publicación) Actualizada el 02/04/2001...... Tabla de contenidos: Imprimir documento [¿Problemas con PDF?] Tablas y Figuras Análisis descriptivo Comparación de dos o más Fig............. al variar su valor. Unidad de Epidemiología Clínica y Bioestadística............ y representa la correspondiente tabla de frecuencias......./h ./h ....Un aparato de radar instalado a la entrada de una población (velocidad máxima permitida............................../h .. Pita Fernández S..... De más de 60 a 70 Km...... construye la tabla de frecuencias.. en el gráfico más adecuado....... Actividad 5............ Representación gráfica en el Análisis de Datos Autores: Pértega Díaz S.. 10 " Dibuja un Histograma que refleje estos valores. 80 " Entre 100 y 110 Km.... 2.... Puedes cambiar los valores de las frecuencias absolutas y observar su imfluencia en el correspondiente gráfic Actividad 4.......................

. Curvas ROC La realización de los estudios clínico-epidemiológicos implica finalmente emitir unos resultados cuantificables de dicho estudio o experimento. Los diagramas de barras son similares a los gráficos de sectores. son varias las publicaciones que podemos consultar1. estadio TNM.). Gráfico de líneas Fig. el tipo de gráfico más utilizado es el histograma. Estos mismos gráficos pueden utilizarse también para describir variables numéricas discretas que toman pocos valores (número de hijos. Distribución de frecuencias: edad en 100 pacientes Fig. Diagrama de dispersión Fig. número de recidivas. se divide el rango de valores de la variable en intervalos de igual amplitud. Si el número de categorías es excesivamente grande. 10. Para variables categóricas3. Diagrama de barras de error Fig. En losgráficos de sectores. representando sobre cada intervalo un rectángulo que tiene a este segmento como base. Polígono de frecuencias Fig. se divide un círculo en tantas porciones como clases tenga la variable. 4. la información que se debe mostrar en cada sector hace referencia al número de casos dentro de cada categoría y al porcentaje del total que estos representan. 8. En este caso se pueden apreciar con claridad dichos subgrupos. Se representan tantas barras como categorías tiene la variable. como el sexo. El criterio para calcular la altura de cada rectángulo es el de mantener la proporcionalidad entre las frecuencias absolutas (o relativas) de . 11. Aunque se aconseja que la presentación de datos numéricos se haga habitualmente por medio de tablas. profesión. 12. La claridad de dicha presentación es de vital importancia para la comprensión de los resultados y la interpretación de los mismos. la tensión arterial o el índice de masa corporal. Como se puede observar. 7. del tipo de variables que estemos manejando2.grupos Relación entre dos variables numéricas Otros gráficos Bibliografía Tabla I. Para variables numéricas continuas. Para construir un gráfico de este tipo. Un ejemplo se muestra en la Figura 1. Se describirán los distintos tipos de gráficos que podemos utilizar y su correspondencia con las distintas etapas del proceso de análisis. Cuando se dispone de datos de una población. 9. Diagrama de caja Fig. 6. en ocasiones un diagrama o un gráfico pueden ayudarnos a representar de un modo más eficiente nuestros datos. Gráfico P-P Fig. un primer paso consiste en presentar esa información de forma que ésta se pueda visualizar de una manera más sistemática y resumida. en cada caso. la imagen proporcionada por el gráfico de sectores no es lo suficientemente clara y por lo tanto la situación ideal es cuando hay alrededor de tres categorías. tales como la edad. A la hora de representar los resultados de un análisis estadístico de un modo adecuado. Una forma muy sencilla de representar gráficamente estos resultados es mediante diagramas de barras o diagramas de sectores. Diagrama de barras agrupadas Fig. constatando su utilidad en el proceso de análisis estadístico y la presentación de datos. etc. 3. 13. de modo que a cada clase le corresponde un arco de círculo proporcional a su frecuencia absoluta o relativa. Análisis descriptivo. Diagramas de líneas superpuestos Fig. de modo que la altura de cada una de ellas sea proporcional a la frecuencia o porcentaje de casos en cada clase (Figura 2). también conocidos como diagramas de "tartas". y antes de abordar análisis estadísticos más complejos. En este artículo se abordará la representación gráfica de los resultados de un estudio. se quiere conocer la frecuencia y el porcentaje del total de casos que "caen" en cada categoría. Los datos que nos interesan dependen. etc. 5. Diagrama de dispersión (regresión logística) Fig. Histograma Fig.

Se suelen también representar aquellas observaciones que caen fuera de este rango (outliers o valores extremos). dos grupos de barras: uno para los sujetos con antecedentes cardiacos familiares y otro para los que no tienen este tipo de antecedentes. Un ejemplo. entre los que se encuentra el 4/100=4% del total. Otro modo habitual. ya que en otro caso el gráfico podría resultar engañoso. junto con su 95% intervalo de confianza. que la distribución de la variable se aleja de la normalidad. esta vez representando los cuantiles de distribución de la variable respecto a los cuantiles de la distribución normal. Sus extremos son. pero sí nos puede servir para valorar la magnitud de la misma. Dicha figura pretende mostrar. se construye el histograma que se muestra en la Figura 3. los puntos se concentran en torno a una línea recta. LaFigura 5 muestra un gráfico de cajas correspondiente a los datos de la Tabla I. es conveniente utilizar las frecuencias relativas.los datos en cada intervalo y el área de los rectángulos. se confrontan las proporciones acumuladas de una variable con las de una distribución normal. de resumir una variable de tipo numérico es utilizando el concepto de percentiles. Los extremos de los "bigotes" que salen de la caja son los valores que delimitan el 95% central de los datos. Comparación de dos o más grupos. por lo tanto. no implica necesariamente que la diferencia entre ambos grupos pueda ser estadísticamente significativa. Conviene recordar que el hecho de que dichos intervalos no se solapen. se obtiene una imagen que se llama polígono de frecuencias. Procediendo así sucesivamente. Si se divide este rango en intervalos de dos años. Cuando se trabaja con dos variables cualitativas podemos seguir empleando gráficos de barras o de sectores. En este caso resulta muy útil undiagrama de barras de error. el primer tramo está comprendido entre los 18 y 19 años. Así . los diagramas de cajas resultan más apropiados para representar variables que presenten una gran desviación de la distribución normal. Podemos querer determinar. Por otro lado. valorar su desviación de la normalidad. la comparación de variables continuas en dos o más grupos se realiza habitualmente en términos de su valor medio. y muy útil. la simetría y el "apuntamiento" de la distribución de una variable y. por medio del test t de Student. Por lo tanto. posibles errores en nuestros datos. En la Figura 6se muestra el gráfico P-P correspondientes a los datos de la Tabla I que sugiere. el 1er y 3er cuartil de la distribución. la frecuencia de sujetos que padecen una enfermedad coronaria es más frecuente en aquellos que tienen algún familiar con antecedentes cardiacos. Si la variable seleccionada coincide con la distribución de prueba. Cuando se quieren comparar las observaciones tomadas en dos o más grupos de individuos una vez más el método estadístico a utilizar. Un diagrama de cajas o un histograma son gráficos sencillos que permiten comprobar. No se debe olvidar que cuando los tamaños de las dos poblaciones son diferentes. dicha línea se encontrará en el centro de la caja. así como los gráficos apropiados para visualizar esa relación. por lo tanto. la Tabla I muestra la distribución de frecuencias de la edad de 100 pacientes. para posteriores análisis. Por último. en qué rangos se encuentra la mayor parte de los datos. como son los gráficos P-P o Q-Q. como en la Figura 8. la primera barra tendrá altura proporcional a 4. utilizando los datos anteriores. comprendida entre los 18 y 42 años. A partir de dicha muestra podemos representar.5. En los primeros. comprobar la normalidad de alguna de las variables numéricas de las que se dispone. análisis de la varianza o métodos no paramétricos equivalentes. se dibujan dos barras representando el porcentaje de pacientes que tienen o no alguna enfermedad coronaria. Para cada grupo. De este modo. mediante diagramas de cajas4. Esto resulta especialmente útil para comprobar. Existen otros métodos gráficos específicos para este propósito. de la forma más simple. dependen del tipo de variables que estemos manejando. En general. por ejemplo. suele ser necesario. si en una muestra dada. En cada grupo. Como se verá más adelante. se presenta en la Figura 4. si la variable es simétrica. de un modo puramente visual. se representa su valor medio. En él se compara el índice de masa corporal en una muestra de hombres y mujeres. Los gráficos Q-Q se obtienen de modo análogo. La línea central en la caja es la mediana. Uniendo los puntos medios del extremo superior de las barras del histograma. y así se ha de reflejar en el tipo de gráfico utilizado. La caja central indica el rango en el que se concentra el 50% central de los datos. como se hace en la Figura 7. al igual que el correspondiente histograma y el diagrama de cajas. resultan además de gran ayuda cuando se dispone de datos en distintos grupos de sujetos. gráficamente. aunque en ocasiones coinciden con los valores extremos de la distribución. Como ejemplo. y en lo que respecta a la descripción de los datos.

incluso tridimensionales. . EGRET. No son más que una serie de puntos conectados entre sí mediante rectas. Distribución de una muestra de pacientes según el hábito de fumar. No obstante. Otros gráficos. donde se confronta. incluso para representar los resultados obtenidos por métodos de análisis más complicados. el valor máximo en cada grupo.. podemos construir el diagrama de dispersión de laFigura 10. Podemos utilizar. por lo tanto. dos diagramas de líneas superpuestos para visualizar los resultados de un análisis de la varianza con dos factores (Figura 11). es difícil precisar cuándo es más apropiado utilizar un gráfico que una tabla. Estos diagramas son especialmente útiles aquí: no sólo permiten ver si existe o no diferencia entre los grupos. representando aquí como altura de cada barra el valor medio de la variable de interés. Los coeficientes de correlación (Pearson. el método de análisis adecuado es el estudio de la correlación. etc). No olvidemos que las hipótesis de normalidad y homocedasticidad son condiciones necesarias para aplicar algunos de los procedimientos de análisis paramétricos. Los gráficos de líneas pueden resultar también especialmente interesantes.. la elaboración de curvas ROC (Figura 13) y el cálculo del área bajo la curva constituyen el método más apropiado para valorar la exactitud de una prueba diagnóstica. En él puede observarse claramente como existe una relación directa entre ambas variables. Cuando se dispone de todos los datos.. uno para cada grupo. La mayoría de los paquetes estadísticos (SPSS. La mayoría de los textos estadísticos y epidemiológicos4 hacen hincapié en los distintos tipos de gráficos que se pueden crear. S-PLUS. gráficamente. Partiendo de una muestra arbitraria. Un ejemplo sencillo de variables altamente correlacionados es la relación entre el peso y la talla de un sujeto. el valor de una variable y en el eje vertical el valor de la otra. La creciente utilización de distintos programas informáticos hace especialmente sencillo la obtención de las mismas. Relación entre dos variables numéricas. Spearman. Cuando lo que interesa es estudiar la relación entre dos variables continuas. porcentaje de casos en una categoría. es posible elaborar otros gráficos. Existen incluso algunos análisis concretos que están basados completamente en la representación gráfica. como una herramienta imprescindible en la presentación de resultados y el proceso de análisis estadístico. Figura 1. sino que además nos permiten comprobar la normalidad y la variabilidad de cada una de las distribuciones.) valoran hasta qué punto el valor de una de las variables aumenta o disminuye cuando crece el valor de la otra. es mediante diagramas de dispersión. Hemos visto. Además de los gráficos vistos. En particular. Un diagrama de dispersión es el método adecuado para valorar el resultado de un modelo de regresión logística (Figura 12). Los tipos de gráficos mostrados hasta aquí son los más sencillos que podemos manejar. como la importancia y utilidad que las representaciones gráficas pueden alcanzar en el proceso de análisis de datos. Más bien podremos considerarlos dos modos distintos pero complementarios de visualizar los mismos datos. por lo tanto. permitiendo grandes cambios en su apariencia y facilidad de exportación a otros programas para presentar finalmente los resultados del estudio. señalar que también en esta situación pueden utilizarse los ya conocidos gráficos de barras. por ejemplo. y valorar hasta qué punto dicha relación puede modelizarse por la ecuación de una recta. donde cada punto puede representar distintas cosas según lo que nos interese en cada momento (el valor medio de una variable. si existe una correlación alta. etc.) ofrecen grandes posibilidades en este sentido. especialmente útiles en la etapa de selección de variables cuando se ajusta un modelo de regresión lineal. en el eje horizontal.mismo. STATGRAPHICS. Por último. un modo sencillo de comprobar. Ejemplo de gráfico de sectores. sobre todo cuando interesa estudiar tendencias a lo largo del tiempo (Figura 9). Este tipo de gráficos son. para visualizar este tipo de asociaciones. pero ofrecen grandes posibilidades para la representación de datos y pueden ser utilizados en múltiples situaciones. pueden utilizarse dos diagramas de cajas.

Ejemplo de gráfico de barras. Estadio TNM en el cáncer gástrico.Figura 2. .

Edad 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 41 42 Nº de pacientes 1 3 4 7 5 8 10 8 9 6 6 4 3 4 5 3 2 3 1 2 3 1 1 1 Figura 3. . Ejemplo de un histograma correspondiente a los datos de la Tabla I.Tabla I. Distribución de frecuencias de la edad en 100 pacientes.

Ejemplo de un diagrama de caja correspondiente a lo datos en la Tabla I. Figura 5.Figura 4. . Polígono de frecuencias para los datos de la Tabla I.

. Gráfico P-P de normalidad para los datos de la Tabla I.Figura 6.

Figura 8.Figura 7. Variación en el índice de masa corporal según el sexo. Barras de error. Relación entre la presencia de alguna enfermedad coronaria y los antecedentes cardiacos familiares en una muestra. Diagrama de barras agrupadas. .

Número de pacientes trasplantados renales en el Complexo Hospitalario "Juan Canalejo" durante el periodo 1981-1997. Gráfico de líneas. .Figura 9.

Dos diagramas de líneas superpuestos. Diagrama de dispersión entre la talla y el peso de una muestra de individuos. Figura 11. .Figura 10. Variación en el peso medio de una muestra de recién nacidos según el control ginecológico del embarazo y el hábito de fumar de la madre.

Diagrama de dispersión (regresión logística). .Figura 12. según un modelo de regresión logística ajustando por el % de protrombina y el presentar o no hepatomegalia. Probabilidad de padecer cirrosis hepática.

How to report statistics in medicine. Practical statistics for medical research. Parker RA. London: Chapman & Hall. [Medline] Simpson RJ. Feinstein AR. 3. Secic M.. and reviewers. 1th ed. Bland JM. BMJ 1996. The box-plot: an exploratory analysis for biomedical publications. Editors. Annotated Guidelines for authors. 1997. [Medline] Altman DA. 1997. The box plot: a simple visual method to interpret data. Philadelphia: Port City Press. repr. Graphical display of categorical data. 6. Amara IA. Bibliografía 1. 46(3): 231-6. Lang TA. 2. 116 (6 Part 1): 1663-5. [Medline] Williamson DF. 1997. J Clin Epidemiol 1993. Ann Intern Med 1989. Statistics Notes: Presentation of numerical data. 110 (11): 916-21. 5. 312: 572. Curva ROC para el porcentaje de protrombina en la predicción de cirrosis. Johnson TA. Altman DG. Kendrick JS. Am Heart J 1988.Figura 13. . 4. [Medline] [Texto completo] Singer PA.

Sign up to vote on this title
UsefulNot useful