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

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

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. Salvo que la señal de entrada sea eléctrica. como los termopares. para no alterar la medida. Por tanto. Linealización . 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. . presentan una respuesta no lineal ante cambios lineales en los parámetros que están siendo medidos. y por tanto la información recibida se procesa para obtener una serie de señales de control. 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. suele ser una buena idea el hacer esta corrección mediante circuitería externa.variable con la temperatura) o bien por la configuración en que se conectan (como el caso de las galgas. el transductor debe tomar poca energía del sistema bajo observación. [editar]Ejemplo A veces el sistema de adquisición es parte de un sistema de control.Muchos transductores.

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

etc.8 GB. [editar]Un Ejemplo 1 Tenemos 300 señales a monitorizar. de 8 bytes cada una. gran capacidad de almacenamiento. se adquieren gran cantidad de datos para poder analizar. rápido acceso a la información y toma de decisión. la detección de fallas y el control de calidad entre otras aplicaciones.¿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. ¿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. esta capacidad la tendremos que multiplicar por dos y eso nos daría 75. Se utiliza en la industria. facilidad de automatización.Flexibilidad de procesamiento. la investigación científica. Todas ellas de 4 bytes y queremos guardar la información de todo el proceso cada segundo.8GB Tendríamos que tener una capacidad de 37. Pero teniendo en cuenta que siempre se tiene que tener una copia de seguridad. 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). el control de máquinas y de producción.7 GB.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.

Ramón: "Adquisición y Distribución de Señales". Loveday. Y para un universitario. es la información acerca del ausentismo. La palabra Estadística tiene varias acepciones para cada persona. desempeña un papel cada vez más importante en casi todas las áreas del quehacer humano. Para el director de una escuela. la psicología. el comercio. en la actualidad la influencia de la estadística se ha extendido a la agricultura. C. la biología. las calificaciones de los alumnos y los sueldos del profesorado. la medicina. Editorial Marcombo. la economía. la estadística son las calificaciones logradas entonos los problemas de un curso del semestre. 1997. la química. la educación. Hoy la estadística y el análisis estadístico están presentes en casi todas las . a lo que debe su nombre. I) INTRODUCCION La estadística o los métodos estadísticos. la comunicación.: "Diseño de Hardware Electrónico". 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. ref nº SLAA013. las ciencias políticas. 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. Aunque en un principio tenía que ver solamente con asuntos de Estado.  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". Editorial Paraninfo. la electrónica. G. la física.   Pallás Areny. la sociología y a muchos otros campos de la ciencia y de la ingeniería. como se llama algunas veces.

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

como X. es una variable discreta. O 65. dependiendo de la exactitud de las mediciones. Y.000 familias es un ejemplo de datos discretos. 2.8 pulg. Ejemplo 2 La altura H de un individuo.determinado en una fábrica es finita. El número de hijos en cada una de 1. Muestra. mientras que las alturas de 100 estudiantes universitarios son un ejemplo de datos continuos. Si no es así. pero no 2. se denomina variable discreta. que puede ser de 62 pulg. que puede tomar cualquiera de los valores de un conjunto predeterminado llamado dominio de la variable. mientras que las enumeraciones o los conteos dan lugar a datos discretos.Pequeña parte de la población en estudio. entonces a esta variable se le llama constante. REDONDEO DE DATOS . 5. 6. se le llama variable continua. H. 1. es una variable continua. En general. las mediciones dan lugar a datos continuos. A los datos que se pueden describir mediante una variable discreta o continua se les llama datos discretos o continuos.842. VARIABLES DISCRETAS Y CONTINUAS Una variable es un símbolo. teóricamente.. mientras que la población que consta de todos los resultados posibles (cara o cruz) en lanzamientos sucesivos de una moneda es infinita. Ejemplo 1 El número N de niños en una familia. toma cualquier valor entre dos valores dados.. que puede tomar cualquiera de los valores 0. respectivamente.5 o 3. Si la variable solo toma un valor. x o B.. A una variable que. 63.8341 pulg. . 3.

Utilizar los datos referentes al pasado para tomar decisiones sobre el futuro. 183. el departamento de personal habrá de determinar si ese fenómeno se dio .8146 está más cerca de 72.81.46 que de 72. ya que 72. 7. Colección de Datos Representar a todos los grupos. por tanto. los hospitales tienen expedientes con el número de pacientes que usan los servicios de rayos X. Para determinar el mercado potencial de un nuevo producto.8 a la unidad mas cercana. De manera semejante. Esta práctica es especialmente útil para minimizar errores de redondeo acumulados cuando se tiene un gran número de operaciones.El resultado de redondear un número. por ejemplo 72. puesto que 72. En estos casos se acostumbra redondear al entero par anterior al 5.465 está exactamente igual de lejos de 72. REPRESENTACION TABULAR Para que los datos sean útiles. Los datos ayudan a los encargados de la toma de decisiones a hacer conjeturas bien fundamentadas acerca de las causas y. Los estadísticos seleccionan sus observaciones de manera que todos los grupos relevantes estén representados en los datos.8 está mas cerca de 73 que de 72. Y deben cerciorarse de que el grupo contenga una gran diversidad de personas que representen variables como nivel de ingresos. escolaridad y barrio.47.465 se redondea a 72. pues esta información ayuda a preparar los informes de los médicos y a hacer la facturación. Ejemplo.575 se redondea a 183.58. De manera que 72.465 a la centésima más cercana se tiene un dilema. los analistas podrían estudiar a 100 consumidores que viven en cierta zona geográfica.81 que de 72.46. Obtener datos de observaciones o registros. hemos de organizar nuestras observaciones de manera que podamos seleccionar tendencias y llegar a conclusiones lógicas. y 116 500 000 redondeado al millón mas cercano es 116 000 000. si los expedientes del hospital indican que más pacientes usaron los servicios de rayos X en Junio que en Enero. ya que 72. Los datos provienen de observaciones reales o de documentos que se conservan para usos ordinarios. Al redondear 72. sobre los efectos probables de ciertas características en algunas situaciones. es 73. raza. 72.82. Por ejemplo.8146 redondeado a la centésima más cercana (o a dos decimales) es 72.

albañiles ó electricistas) que se necesitan en los sitios de construcción. las tendencias notorias. Buscamos cosas como el intervalo (los valores máximos y mínimos). 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. aquello en torno a lo cual los datos tienden a agruparse. La finalidad de organizar los datos es permitirnos ver rápidamente todas las características posibles de los datos que hemos recabado. Podemos simplemente reunirlos y conservarlos en orden. habrá de ajustar su programa de contrataciones y vacaciones para tenerla en cuenta. ¡Entra basura. que valores aparecen con mayor frecuencia y otros aspectos. necesitaremos organizarlos de modo diferente. Cuando los datos se organizan en forma compacta y útil. Para poder confiar en la interpretación de unos datos cualesquiera. En la actualidad las computadoras permiten a los estadísticos reunir enormes volúmenes de observaciones y condensarlas instantáneamente en tablas. los encargados de la toma de decisiones consiguen información confiable del ambiente y se valen de ella para llegar a decisiones inteligentes. Pero si los datos son trabajadores calificados (digamos carpinteros. ¿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.sólo en el presente año o si es una indicación de una tendencia constante. Se trata de formas compactas y utilizables. De ser así. sale basura! . 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. pero cabe preguntar. Cuanto mas abundante sea la información de este tipo que obtengamos de la muestra. gráficas y números. Si las observaciones se miden en números. Tendremos que representar los puntos graficados (observaciones) de datos por orden alfabético o por algún otro principio organizador. mejor conoceremos la población de donde proviene y mejores serán las decisiones que tomemos. 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.

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

5) es la frontera inferior de clase y el número mayor (62.| |Total 100 | La primera clase (o categoría). Como hay cinco estudiantes en esta clase. A los números 60 y 62 se les conoce como límites de clase. mientras que el número más grande (62) es el límite superior de clase. CONSTRUCCION DE UNA DISTRIBUCION DE FRECUENCIA a) Intervalos de Clase y Límites de Clase El símbolo que define una clase. por ejemplo. el número menor (59. En la práctica. además de que se obtienen relaciones evidentes. las fronteras de clase se obtienen promediando los límites superior e inferior de un intervalo de clase. b) Fronteras de Clase Si se miden estaturas con exactitud de 1 pulg. c) Tamaño o Amplitud de un Intervalo de Clase . el número más pequeño (60) es el límite inferior de clase. como en la anterior distribución de frecuencias. Se acostumbra usar los términos clase e intervalo de clase indistintamente. se llama intervalo de clase. indicados brevemente por los números exactos 59. como el 60-62 de la tabla 2-1.5000.5 se llaman fronteras de clase o límites verdaderos de clase.5). la frontera superior de clase. 3. es muy ventajosa pues proporciona una visión amplia y clara. en teoría el intervalo de clase 60-62 incluye todas las medidas desde 59. A los datos así organizados y reunidos en clases.5000 hasta 62. se les llama datos agrupados. la correspondiente frecuencia de clase es 5. comprende las estaturas entre 60 y 62 pulg y se indica en el rango 60-62.5 y 62. Aunque el proceso de agrupamiento generalmente quita detalles originales de los datos. Estos números. aunque el intervalo de clase es en realidad un símbolo de la clase.

5-62. la frecuencia relativa de la clase 66-68 de la tabla 2-1 es 42/100=42%. usar intervalos de clase de distintos tamaños o intervalos de clase abiertos. la amplitud del intervalo de clase es c=62. Se suelen tomar entre 5 y 20 intervalos de clase. 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). se obtiene promediando los límites inferior y superior de clase.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. 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.5=65. a esta amplitud común se le denota por c. 4. por ejemplo. En tal caso. d) Marca de Clase La marca de clase. Para los datos de la tabla 2-1. Si esto no es posible.5=3. la marca de clase del intervalo 60-62 es (60+62)/2=61. Dividir el rango en un número adecuado de intervalos de clase del mismo tamaño. que es el punto medio del intervalo de clase. c es igual a la diferencia entre dos límites inferiores (o superiores) de clases sucesivas. tamaño o longitud de clase.5-59. Por ejemplo. Los intervalos de clase se eligen también de modo tal que las marcas de clase (o puntos medios) coincidan con los datos realmente observados. . según los datos. hallar las frecuencias de clase. A la marca de clase también se le denomina punto medio de la clase. Determinar el número de observaciones que corresponden a cada intervalo de clase. De este modo. Si todos los intervalos de una distribución de frecuencia son de la misma amplitud. es decir.

Un histograma o histograma de de frecuencias consiste en un conjunto de rectángulos que tienen a) sus bases en el eje X horizontal. distribución de frecuencias o tabla de frecuencias relativas. Si todos los intervalos de clase son del mismo tamaño. lo que significa que 65 estudiantes tienen estaturas por debajo de 68. 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.5 pulg. la frecuencia acumulada. Puede obtenerse uniendo los puntos medios de las partes superiores de los rectángulos del histograma. brevemente. Por ejemplo.Si se sustituyen las frecuencias de la tabla 2-1 por las correspondientes frecuencias relativas. sus centros en las marcas de clase y longitudes iguales a los tamaños de los intervalos de clase. una distribución acumulada. a la tabla resultante se le llama distribución de frecuencias relativas. Una tabla que presenta tales frecuencias acumuladas se llama distribución de frecuencias acumuladas. y b) áreas proporcionales a las frecuencias de clase. las alturas de los rectángulos son proporcionales a las frecuencias de clase. inclusive. tabla de frecuencias acumuladas o. 5. . 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. es 5+18+42=65. 6. incluyendo hasta el intervalo de clase 66-68 de la tabla 2-1. 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.

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. [pic] Figura 2-2 7. Las correspondientes ojivas se conocen.5 pulg o más. etcétera. mientras que la antes considerada es una distribución acumulada menor que . Como de este modo se obtienen estaturas de 59. se le suele conocer como una distribución acumulada o mas . como ojivas o más y menores que . se estará mencionando el caso menor que .5 pulg o más. sin especificar el tipo. en la figura 2-2 se ilustra esta gráfica para la distribución de estaturas de los estudiantes de la tabla 2-1.[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. Siempre que se hable de distribuciones acumuladas u ojivas. de 62. entonces. OTROS GRAFICOS a) De Pastel [pic] . Para ciertos propósitos.

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

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

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

8 y 10 tiene mediana 6 Ejemplo 5 El conjunto de números 5. 5. 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. la clase que contiene a la mediana) | |[pic] | |número de datos (es decir. está dada por [pic] donde: |[pic] |frontera inferior de la clase de la mediana (es decir. Ejemplo 4 El conjunto de números 3.Ejemplo 3 La media geométrica de los números 2. 4. la mediana obtenida por interpolación. 7. 9. 6. 12. 15 y 18 tiene mediana [pic] Para datos agrupados. 4 y 8 es [pic] 4. 11. la frecuencia total) . 8. 8. 5.

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

Cuartiles. Deciles y Percentiles Si un conjunto de datos se ordena de acuerdo con su magnitud. . 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. IV) MEDIDAS DE DISPERSION 1. 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. mientras que los valores que dividen a los datos en 100 partes iguales se conocen como percentiles y se indican con [pic]. segundo y tercer cuartiles respectivamente. De forma similar los valores que dividen los datos en 10 partes iguales son llamados deciles. el valor central (o la media aritmética de los dos valores centrales) que divide al conjunto en dos partes iguales es la mediana. denotados por [pic]y [pic]. los cuales se denotan por [pic]. es posible considerar los valores que dividen al conjunto en cuatro partes iguales. donde [pic] es igual a la mediana. Estos valores. El quinto decil y el 50º percentil coinciden con la mediana. Extendiendo esta idea.

así [pic]. 3. [pic]. Ejemplo1 El rango del conjunto 2. 8. 11. 8. 5. Media aritmética [pic] [pic] . El Rango El rango de un conjunto de números es la diferencia entre el número mayor y el menor del conjunto. [pic] y [pic]). 12 es 12-2=10 3. 5. 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]. (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. 10.2. 3. 6. Ejemplo 2 Calcule la desviación media del conjunto 2. 5. 3.

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

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

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

Entonces la varianza combinada de ambos conjuntos (o dos distribuciones de frecuencias) estará dada por [pic] . dos desviaciones estándar a cada lado de la media) c) 99. tres desviaciones estándar a cada lado de la media) [pic] C.27% de los casos están incluidos entre [pic] y [pic] (es decir. De todas las desviaciones estándar. y la misma media [pic]. una desviación estándar a cada lado de la media) b) 95. La desviación estándar puede definirse como [pic] donde [pic] es un promedio cercano a la media aritmética. 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]. En distribuciones normales: a) 68. respectivamente.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.73% de los casos están incluidos entre [pic] y [pic] (es decir.45% de los casos están incluidos entre [pic] y [pic] (es decir. la mínima es aquella en que [pic]. B. esta propiedad proporciona una razón importante para definir la desviación estándar como se hizo antes. Propiedades de la Desviación Estándar A.

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

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

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

Así. Por esto. si los momentos se denotan como [pic] y [pic]. las medidas de asimetría y las medidas de curtosis de una muestra. ----------------------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 . Cuando se requiere distinguir los momentos. se define a la curtosis como [pic].que con frecuencia se denota como [pic]. si las medidas de asimetría y curtosis de la muestra se denotan por [pic] y [pic]. con frecuencia se acostumbra usar símbolos latinos para las muestras y símbolos griegos para las poblaciones. De manera similar. respectivamente. Los subíndices siempre son símbolos latinos. negativa en una distribución platocúrtica e igual a cero en la distribución normal. Para la distribución normal. [pic]. para determinada población. entonces la asimetría y la curtosis de la población serían [pic] y [pic]. que es positiva en una distribución leptocúrtica. los símbolos griegos correspondientes serían [pic] y [pic].

45% [pic] [pic] 99.27% [pic] [pic] [pic] [pic] 95.Multimodal 68.73% a) Mesocúrtica a) Platocúrtica a) Leptocúrtica .

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

28) 26 [28 .Ejemplo 2. el poligono de frecuencias y el diagrama de sectores correspond resultados. Puedes cambiar los valores de las frecuencias absolutas y observar su imfluencia en el correspondiente gráf Ejemplo 3. al variar su valor. 24) 22 [24 . absoluta (ni) 3 6 10 8 3 30 . Con el pulsador de "gráfico" puedes. 32) 30 [32 .. 36) 34 [36 . 40) 38 Total fr.En un preconocimiento médico realizado a 30 niños.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. absoluta (ni) 1 2 4 7 1 1 3 1 20 Realiza en tu cuaderno el diagrama de barras.. uno de los datos que se han tomado ha uno. los resultados obtenidos se reflejan en la siguiente tabla: Intervalo marca clase (xi) [20 . elegir diferente representación gráfica: 1 para dia de frecuencia y 3 para el diaframa de sectores.

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

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. de modo que a cada clase le corresponde un arco de círculo proporcional a su frecuencia absoluta o relativa. del tipo de variables que estemos manejando2. y antes de abordar análisis estadísticos más complejos.grupos Relación entre dos variables numéricas Otros gráficos Bibliografía Tabla I. constatando su utilidad en el proceso de análisis estadístico y la presentación de datos. número de recidivas. Curvas ROC La realización de los estudios clínico-epidemiológicos implica finalmente emitir unos resultados cuantificables de dicho estudio o experimento. se quiere conocer la frecuencia y el porcentaje del total de casos que "caen" en cada categoría. también conocidos como diagramas de "tartas". estadio TNM. Para variables categóricas3. Estos mismos gráficos pueden utilizarse también para describir variables numéricas discretas que toman pocos valores (número de hijos. etc. En este artículo se abordará la representación gráfica de los resultados de un estudio. 12. etc. en ocasiones un diagrama o un gráfico pueden ayudarnos a representar de un modo más eficiente nuestros datos. Gráfico P-P Fig. Análisis descriptivo. Aunque se aconseja que la presentación de datos numéricos se haga habitualmente por medio de tablas. Diagramas de líneas superpuestos Fig. Diagrama de caja Fig. Diagrama de dispersión (regresión logística) Fig. 11. 6. 8. Diagrama de barras de error Fig. Para construir un gráfico de este tipo. se divide un círculo en tantas porciones como clases tenga la variable. Distribución de frecuencias: edad en 100 pacientes Fig. son varias las publicaciones que podemos consultar1. Si el número de categorías es excesivamente grande. como el sexo.). Gráfico de líneas Fig. Cuando se dispone de datos de una población. 7. 5. El criterio para calcular la altura de cada rectángulo es el de mantener la proporcionalidad entre las frecuencias absolutas (o relativas) de . se divide el rango de valores de la variable en intervalos de igual amplitud. en cada caso. 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. Polígono de frecuencias Fig. Diagrama de barras agrupadas Fig. profesión. el tipo de gráfico más utilizado es el histograma. 4.. 13. de modo que la altura de cada una de ellas sea proporcional a la frecuencia o porcentaje de casos en cada clase (Figura 2). 9. representando sobre cada intervalo un rectángulo que tiene a este segmento como base. Como se puede observar. Para variables numéricas continuas. Los diagramas de barras son similares a los gráficos de sectores. Se describirán los distintos tipos de gráficos que podemos utilizar y su correspondencia con las distintas etapas del proceso de análisis. 3. La claridad de dicha presentación es de vital importancia para la comprensión de los resultados y la interpretación de los mismos. A la hora de representar los resultados de un análisis estadístico de un modo adecuado. un primer paso consiste en presentar esa información de forma que ésta se pueda visualizar de una manera más sistemática y resumida. Se representan tantas barras como categorías tiene la variable. Diagrama de dispersión Fig. Una forma muy sencilla de representar gráficamente estos resultados es mediante diagramas de barras o diagramas de sectores. Los datos que nos interesan dependen. tales como la edad. Histograma Fig. la tensión arterial o el índice de masa corporal. 10. Un ejemplo se muestra en la Figura 1. En este caso se pueden apreciar con claridad dichos subgrupos. En losgráficos de sectores.

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

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

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

. Ejemplo de un histograma correspondiente a los datos de la Tabla I.Tabla I. 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. Distribución de frecuencias de la edad en 100 pacientes.

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

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

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

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

. Diagrama de dispersión entre la talla y el peso de una muestra de individuos. Dos diagramas de líneas superpuestos. Figura 11. 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.Figura 10.

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

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

Sign up to vote on this title
UsefulNot useful