Está en la página 1de 24

LA ESTADSTICA COMO CIENCIA APLICADA EN LA INGENIERA CIVIL

1. LA ESTADSTICA COMO PARTE DE LA MATEMTICA APLICADA


En la actualidad es incuestionable que las Matemticas deben formar parte del conjunto de
conocimientos que toda persona ha de adquirir desde los niveles mas elementales, por su
carcter formativo como disciplina capaz de educar el pensamiento y fomentar el espritu
crtico y por si utilidad como herramienta para resolver problemas de distinta naturaleza.

En trminos generales suele admitirse una clasificacin de las Matemticas en dos
grandes apartados: Matemtica Pura y Matemtica Aplicada. Esta clasificacin no es
del todo afortunada dado que, segn se ha encargado de denostarnos la historia, existen
abundantes zonas comunes. De un lado, la historio de las Matemticas nos muestra
muchos matemticos que a la luz de sus planteamientos, podran encuadrarse dentro de la
Matemtica Pura, pero que sin embargo, han resultado de un valor inestimable es areas
de la Matemticas aplicada. De otro, existen teoras matemticas que han tenido su origen
o incluso se han desarrollo en el marco de las aplicaciones prcticas.

A pesar de este solape entre ambas formas de la Matemticas, puede caracterizarse la
Matemticas aplicado por su vocacin por la resolucin de problemas reales mediante un
proceso lgico conocido como Modelizacin Matemtica. Desde esta perspectiva podemos
considerar la Matemtica aplicada en sentido clsico, es decir como la que dedica su
esfuerzo al estudio de las leyes de la Naturaleza, la fsica y la ingeniera.

Dentro de la matemtica aplicada, la estadstica es una ciencia de indudable valor para el
estudio de anlisis de la realidad, de carcter eminente impredecible, cuya observacin es
uno de los pilares en los que se asienta el progreso cientfico. Las observaciones
constituyen, por tanto una base de informacin que4 es necesario interpretar para avanzar
en el conocimiento de lo que nos... [continua]


Aplicaciones de la estadstica Presentation Transcript
1. Aplicaciones de la estadstica Mara Fernanda guerrero
2. Aplicaciones de estadsticaExisten muchas aplicaciones en los
camposprofesionales y prcticamente en todo campo seutiliza la estadstica
3. Aplicaciones de estadstica La estadstica es aplicada en todas las
ramasmatemticas e incluso fuera de ellas tambin esaplicada en los mbitos
sociales como censos depoblacin. La estadstica tambin es muy utilizadaen la
Ingeniera aplicndose as mediante losprocesos probabilsticos y estadsticos de
anlisis einterpretacin de datos o caractersticas de unconjunto de elementos al
entorno industrial, aefectos de ayudar en la toma de decisiones y en elcontrol de
los procesos industriales
4. Aplicaciones de estadstica A esta aplicacin la podemos distribuir en
trespartes y deducir que: 1. El estudio previo de tcnicas para elestablecimiento
de un sistema operativo en unaempresa. 2. El anlisis necesario para la
extraccin deinformacin de grandes cantidades de datos. 3. El control de
calidad y la fiabilidad.
5. Aplicaciones de estadstica Para comprender el desarrollo de las aplicaciones
de laestadstica en la ingeniera hay que citar que los viejosModelos Estadsticos
fueron casi siempre de la clase de losmodelos lineales, de las graficas y otros
mtodos quedemostraban cantidades y datos. Ahora, complejoscomputadores
junto con apropiados algoritmos numricos,estn utilizando modelos no lineales
y la creacin de nuevostipos tales como modelos lineales generalizados y
modelosmultinivel. En el futuro inmediato la estadstica aplicada en laingeniera,
tendr un nuevo nfasis en estadsticas"experimentales" y "empricas". Un gran
nmero de paquetesestadsticos est ahora disponible para los ingenieros.
6. Aplicaciones de estadstica La famosa empresa Coca-Cola es un ejemplo
deestadstica controvertida, el problema se diomediante una demanda legal
convertida en contrade una campaa de marketing, aqu se analizaronmuchos
datos estadsticos por parte de las dosempresas, la demandante y la
demandada,probablemente la empresa que llevaba mejor lacontabilidad y que
tenia mejor estructurado suspresupuestos e inventarios podra salir
triunfadorasobre un juicio penal o sobre el problema quemediaban las dos
empresas.
7. Aplicaciones de estadstica En las loteras y juegos de azar, siempre existe la
desesperante pregunta:Ojala me saque el premio? Pero qu tan cierto es que
ganes? O la preguntams cmoda para interpretar mejor la accin podemos
decir: Queprobabilidad tengo de ganar? Aqu entra la parte fundamental de
lasmatemticas como es la estadstica, Si se sigue con ganas de tentar a lasuerte,
segn comentarios de ya experimentados jugadores e incluso deestudiantes de
economa y hasta ingenieros tienen que ver siempre con laestadstica y cual
probable sea ganar, se recopila informacin de todos loscriterios y se dice que la
clave reside en jugar regularmente: "Partiendo deque en todos los juegos de azar
el dinero que se reparte en premios es menorque el que se recauda, una persona
que apueste regularmente en un juegodemasiado sencillo ganar muchas veces,
pero terminar perdiendo dinero alargo plazo; por otro lado, una persona que
apueste regularmente en unjuego en el que la probabilidad de ganar sea muy
pequea, posiblementepierda dinero, pero si gana, ganar mucho ms que lo que
haya apostado".
8. Aplicaciones de estadstica Otro grande ejemplo en donde podemos utilizar
laestadstica y las probabilidades son en los deportes, lasprobabilidades de
obtener medallas o trofeos endiferentes eventos deportivos internacionales es
uno delos objetivos bsicos para especialistas, para ese anlisisestadstico, los
procedimientos que se emplean sonvariados y entre ellos se encuentra el estudio
delcomportamiento histrico de los rendimientos y loscriterios de los expertos.
El anlisis estadstico de ciertosdeportes muestran un pronstico de
rendimientoespecificados en tablas segn las diferentes categoras yla
probabilidad de ser medallista en los juegosdeportivos.
9. conclusiones La estadstica la utilizamos de forma permanente en nuestras
vidas para determinar datos en cantidad da a da en lo corrido de nuestras vidas





FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERIA CIVIL


















CURSO : ESTADISTICA APLICADA
TEMA : APLICACIONES DE LA
ESTADISTICA
DOCENTE : MSC. SELENE YENGLE DEL
CASTILLO
INTEGRANTES : HARO MORALES, MILAGROS
: FLORES ALFARO, CRISTEL
: VICTOR
: IPARRAGUIRRE SILVA, ABNER
: ROMERO CALDERON, BRAYAN

Trujillo, agosto del 2011


INTRODUCCIN
a aplicacin de la estadstica en la
ingeniera civil es de gran importancia,
porque genera una gran seguridad para
tomar decisiones, sin esta ciencia las
decisiones serian tomadas de una
manera insegura. En diferentes campos se aplica
la estadstica en la Medicina, ingeniera,
ciencias de la comunicacin, etc.

OBJETIVOS
- Conocer la importancia y su aplicacin de la Estadstica Aplicada en la carrera profesional de
ingeniera civil.
- Tener conocimiento la aplicacin de la estadstica en diferentes campos.

LA ESTADSTICA
Es la rama de la Matemtica que se ocupa de recopilar datos (en censos, encuestas, etc), de
organizarlos para una mejor comprensin del fenmeno que se desea estudiar y de analizarlos
con un determinado objetivo.
La estadstica se aplica a todas las ciencias, pues facilita el estudio de hechos del mundo o de
la sociedad.

L

APLICACIN DE LA ESTADSTICA APLICADA A LA INGENIERA CIVIL
La estadstica es importante en la ingeniera civil porque esta basada en la recopilacin de
datos la cual estas son representados mediante grficos estadsticos.
En la estadstica se presentan los principales indicadores de la actividad constructora:
produccin, despachos, ventas, exportacin e importacin de cemento, venta interna de asfalto
y la produccin y venta de barras de construccin. Asimismo, se muestran datos sobre las
obras privadas en viviendas por rea construida y su valor monetario, valor de obras publicas y
viviendas licitadas y obras publicas licitadas.

Los datos requeridos, pueden ser calculados fcilmente para los elementos individuales que
entran en la construccin de caminos.
Segn el tipo de obras y forma de pago. Se incluye los resultados del censo de calificaciones
en procesos de construccin, realizada por la cmara peruana de construccin (CAPECO)
retenidos a la oferta inmobiliaria de edificaciones y crditos otorgados a las familias ms
necesitados por intermedio del banco de materiales, indicando el numero de prestamos y
poblacin beneficiada. Se presenta la inversin pblica ejecutada por el programa de Provias
Nacional de la Construccin, rehabilitacin mantenimiento de carreteras para impulsar y
dinamizar la economa, articulando mercados, fortaleciendo vas de comunicacin del pas. La
informacin se presenta segn fuente de financiamiento de la infraestructura de carreteras.
Finalmente se incluye informacin de los principales contratistas Avils segn el monto de
capacidad de construccin, capital y fecha de vigencia.


Tambin nos permite
conocer la inversin
de mano de obra por
cada proyecto o fase
del mismo, cantidad
de material e inversin
econmica en los
proyectos realizados
en diferentes
ciudades, de esta
manera se puede
conocer en que
lugares es ms
rentable o menos
costoso cualquier proyecto que tenga que ver con la Ingeniera Civil.
CAPOS DE APLICACIN DE LA ESTADSTICA APLICADA
La estadstica dentro de la ingeniera nos permite hacer la interpretacin de datos o
caractersticas de un conjunto de elementos al entorno industrial de manera tal que nos facilite
la toma de decisiones y el control de los procesos industriales u organizacionales dentro de la
obra respectivamente. Las aplicaciones de la estadstica dentro de la ingeniera actualmente
han tomado un rpido y sostenido incremento debido al poder del clculo computacional.
Aunque comnmente se asocie a estudios demogrficos, econmicos y sociolgicos, gran
parte de los logros de la estadstica se derivan del inters de los cientficos por desarrollar
modelos que expliquen el comportamiento de las propiedades de la materia y de los caracteres
biolgicos. La medicina, la biologa, la fsica y, en definitiva, casi todos los campos de las
ciencias emplean instrumentos estadsticos de importancia fundamental para el desarrollo de
sus modelos de trabajo.
La estadstica es una ciencia de aplicacin prctica casi universal en todos los campos
cientficos:
En las ciencias
naturales: se
emplea con
profusin en la
descripcin de
modelos
termodinmicos
complejos
(mecnica
estadstica), en fsica cuntica, en mecnica de fluidos o en la teora cintica de los gases,
entre otros muchos campos.
En las ciencias sociales y econmicas: es un pilar bsico del desarrollo de la demografa y la
sociologa aplicada.
En economa: suministra los valores que ayudan a descubrir interrelaciones entre mltiples
parmetros macro y microeconmicos.

En las ciencias mdicas: permite establecer pautas sobre la evolucin de las enfermedades y
los enfermos, los ndices de mortalidad asociados a procesos morbosos, el grado de eficacia
de un medicamento, etctera.

Encuesta de Poblacin Activa (EPA), elaborada por el Instituto Nacional de Estadstica (INE)
con periodicidad trimestral, segn recomendaciones de la Organizacin Internacional del
Trabajo (OIT), para obtener y clasificar datos sobre la actividad de la poblacin. Esta encuesta
se realiza por muestreo, y los resultados se ordenan por edad, sexo, nivel de estudios,
profesin y otros parmetros.

La estadstica es una ciencia bsica en las profesiones relacionadas con las ciencias de la
salud y de la produccin animal, ya que de ella depende la eleccin de los propsitos de estas
profesiones, como son los tratamientos. Sin la estadstica no podemos saber si un tratamiento
es mejor que otro. Aunque sea de modo intuitivo, aplicamos la estadstica en el da a da de
nuestro.

Hola, pues es muy importante, sobre todo para la hidrologa de un lugar, es decir para hacer
proyectos de obras hidrulicas...

Se debe de conocer la precipitacin que se espera, para disear un proyecto, igual que
diversos factores como la poblacin, lel rea que ser atendida por dicho proyecto, en fin,
todos esos datos se sacan de estadisticas...

La mayor aplicacin es para un proyecto de distribucin de agua potable, donde influyen
muchas estadsticas para diversos estudios de la poblacin, como el tamao de esta, sus
necesidades, es ms, hasta tiene que ver con su ubicacin geogrfica, utilizas las estadsticas
para encontrar la dotacin, y ya de ah tus gastos, el tamao de tu tanque de almacenamiento,
las presiones en la red, en fin, todo lo que se requiere, ciao...

IMPORTANCIA DE ESTADSTICA EN INGENIERA CIVIL?


La estadstica es importante en la ingeniera civil porque esta basada en la
recopilacin de datos la cual estas son representados mediante grficos
estadsticos.

En la estadstica se presentan los principales indicadores de la actividad
constructora: produccin, despachos, ventas, exportacin e importacin de
cemento, venta interna de asfalto y la produccin y venta de barras de
construccin. Asimismo, se muestran datos sobre las obras privadas en viviendas
por rea construida y su valor monetario, valor de obras publicas y viviendas
licitadas y obras publicas licitadas.

Los funcionarios estadsticos le deben con informacin sobre los cambios relativos
en los precios de los materiales de construccin servicios laborales y otros
elementos usados en la construccin de carreteras para poner al da las situaciones
previas de los costos de construccin. Para determinar el efecto de los cambio de
precio sobre costos actuales de construccin y como ayuda en la preparacin de
presupuestos.

Los datos requeridos, pueden ser calculados fcilmente para los elementos
individuales que entran en la construccin de caminos.

Segn el tipo de obras y forma de pago. Se incluye los resultados del censo de
calificaciones en procesos de construccin, realizada por la cmara peruana de
construccin (CAPECO) retenidos a la oferta inmobiliaria de edificaciones y crditos
otorgados a las familias ms necesitados por intermedio del banco de materiales,
indicando el numero de prestamos y poblacin beneficiada. Se presenta la inversin
pblica ejecutada por el programa de provias nacional de la construccin,
rehabilitacin mantenimiento de carreteras para impulsar y dinamizar la economa,
articulando mercados, fortaleciendo vas de comunicacin del pas. La informacin
se presenta segn fuente de financiamiento de la infraestructura de carreteras.
Finalmente se incluye informacin de los principales contratistas Avils segn el
monto de capacidad de construccin, capital y fecha de vigencia.


Las principales fuentes de informacin son:

Las empresas productoras de cemento, la asociacin productora de cemento
(ASOSEM) que centraliza la estadstica del cemento, y las empresas productoras de
barras de construccin.
Otras fuentes de informacin son la cmara peruana de construccin (CAPECO)
entidad que agrupa a un gran nmero de construccin, el banco de materiales, y el
consejo superior de contrataciones y adquisiciones del estado.

JUAN CARLOS VIERA GONZALES
FACULTAD DE INGENIERIA CIVIL


Esta materia la podria aplicar de dos maneras por la parte de estadistica y por la parte de probabilidades.
me servira ya que es un mtodo efectivo para describir con exactitud los valores de los datos
econmicos, y sirve como herramienta para relacionar y analizar dichos datos y la probabilidad para la
inferencia de cualquier dato que quiera procesar al momento de tomar cualquier decision.

La aplicacion de la estadistica dentro de la ingenieria es de suma importancia ya que nos permite hacer la
interpretacion de datos o caracateristicas de un conjunto de elementos al entorno industrial de manera tal
que nos facilite la toma de decisiones y el control de los procesos industriales u organizacionales dentro
de la obra respectivamente. Las aplicaciones de la estadistica dentro de la ingenieria actualmente han
tomado un rapido y sostenido incremento debido al poder del calculo computacional. Por ejemplo dentro
de la Ingenieria Civil se utiliza mucho la Estadistica de planeacion de obras civiles que es utilizada en los
megaproyectos y la estadistica en la restauracion de obras civiles.
1. DESARROLLO HISTORICO DE LA ESTADISTICA
2. Todo el que toma decisiones debe hacerlo bajo condiciones de incertidumbre ,
en mayor o menor grado. Con el aumento de la competitividad, la
administracin de las instituciones requiere tomar decisiones cada vez con una
mayor base de conocimiento para as reducir la incertidumbre .
3. Aumento en la eficiencia de los computadores Aumento en la capacidad de
almacenar datos. Datos no faltan Pero los datos por si solos no sirven
4. si la institucin no es capaz de extraer informacin de ellos. Y con los
recursos necesarios, como competencias y experiencia, se puede convertir esta
informacin en conocimiento para tomar las decisiones estratgicas,
tcticas y operativas.
5. Las etapa de produccin de datos y de extraccin de informacin , requiere de
mtodos , tcnicas y herramientas de anlisis. El desarrollo de estos mtodos,
tcnicas y herramientas se encuentra en una ciencia que se llama
ESTADISTICA .
6. CONOCIMIENTO RECURSOS INTELECTUALES INFORMACION
ESTADISTICA ESTADISTICA DATOS
7. CONOCIMIENTO RECURSOS INTELECTUALES INFORMACION
ESTADISTICA ESTADISTICA DATOS
8. Godofredo Achenwall , 1760, acu la palabra estadstica , del italiano statista
(estadista), del latn status , estado o situacin. Pensaba que la nueva ciencia
sera el aliado ms eficaz del gobernante.
9. Egipto 3050 AC - Datos sobre poblacin y riqueza. - Ramss II hizo un censo
de las tierras, hacia 1300 AC Antecedentes Remotos de la Estadstica
10. Tambin en se guardaban datos de las crecidas del Nilo , que registraban
largos perodos de sequa seguidos por largos perodos de inundaciones. Slo
nos llegaron datos desde el ao 622 al 1281 de nuestra era, pero hay referencias
de que existi esta informacin desde tiempos remotos. De hecho, construyeron
un calendario basado en las crecidas del Nilo.
11. Babilonia 3000 AC - Datos comerciales y agrcolas.
12. Antiguo Israel - La Biblia, libro de los Nmeros: datos estadsticos de dos
recuentos de la poblacin. - El rey David, alrededor de 1000 AC, orden hacer
un censo de Israel.
13. China, 2000 AC - Registros numricos del bienestar material.
14. Grecia, 540 AC - Censos peridicos con fines tributarios, sociales y
militares.
15. Imperio Romano - Censos de poblacin cada cinco aos.
16. Francia, 758 y 762 - Relaciones de tierra de la Iglesia, hechas por Pipino el
Breve Francia, siglo IX - Censos parciales de la servidumbre de los campos. y
por Carlomagno, respectivamente.
17. Inglaterra, 1086. - Censo de Guillermo I: Domesday Book. Inglaterra, siglo
XVI. - Registro minucioso de muertes por la peste.
18. Los Censos continan en nuestros das... ...pero tienen sus das contados.
19. Datos Probabilidad ESTADISTICA
20. La teora de la probabilidad como una lgica y una metodologa para la
medicin y el estudio de la incertidumbre en la planeacin e interpretacin de la
observacin y la experimentacin . Es una disciplina matemtica que
fundamenta la Estadstica
21. Una aplicacin de la probabilidad emprica a los seguros de buques se
encuentra en Flandes, en el siglo XIV.
22. Girolamo Cardano Galileo Galilei 1501-1576 1564-1642 Haban hecho
clculos de probabilidades numricas , de diversas combinaciones de dados .
23. Pero las races de la Teora de la probabilidad se encuentran en los juegos de
azar .
24. Blaise Pascal Los inicios de la probabilidad , como teora matemtica, puede
rastrearse en la correspondencia que sostuvo Pascal con Fermat , en la dcada de
1650.
25. Pierre de Fermat
26. Christian Huygens Tambin los orgenes de la teora de la probabilidad se
encuentran en un corto artculo escrito por l en 1657. Gemetra, fsico,
astrnomo.
27. Estos trabajos tempranos de Fermat , Pascal y Huygens no abordan
problemas de estadstica inferencial , o confirmatoria , ni van ms all de los
juegos de azar , que eran sus intereses inmediatos.
28. John Graunt es considerado por algunos, como el iniciador de la Estadstica ,
por sus trabajos en demografa , que incorporan nociones de regularidad en el
comportamiento de ciertas proporciones de naturaleza aleatoria (1662).
29. Jacob Bernoulli Introduce lo que hoy se conoce como la primera ley de los
grandes nmeros . Considerado el iniciador de la teora de la probabilidad
Matemtico suizo (n. 1654)
30. Entre los siglos XVIII y XIX , la Estadstica se propag a travs de diversas
disciplinas: la astronoma y la geodesia , la psicologa , la biologa , hasta las
ciencias sociales . Y tambin profundiz en el conocimiento del rol de la
probabilidad , siendo desplazada la analoga de los juegos de azar, por modelos
probabilsticos para efectuar medidas bajo incertidumbre . De este modo se llega
a los inicios de la inferencia estadstica , cuyo dominio de aplicacin se extiende
gradualmente, desde fines de este perodo.
31. Abraham De Moivre Efectu estudios sobre la ley de probabilidad binomial ,
y formul una aproximacin para muestras grandes, considerada la primera
formulacin de la ley de probabilidad normal . 1718 a 1730.
32. Thomas Bayes En 1764 se public su trabajo Ensayo sobre la Resolucin
de un Problema en la Doctrina del Azar pstumamente. Ignorado por sus
contemporneos, tuvo poca influencia sobre el desarrollo temprano de la
Estadstica. Sus contenidos sirvieron, casi dos siglos despus, para grabar su
nombre en la moderna inferencia bayesiana .
33. Una forma simple del Teorema de bayes (hay casos ms generales):
34. Una forma simple del Teorema de bayes (hay casos ms generales):
35. La inferencia bayesiana es antagnica con la de los frecuentistas , que slo
permiten asignar probabilidades cuando es posible que stas son apoyadas por
experimentacin. La inferencia bayesiana permite asignar probabilidades a
fenmenos que no son de naturaleza aleatoria , pero cuyos resultados no son
conocidos.
36. si se repite un experimento n veces, En la concepcin frecuentista de la
probabilidad, se registra la fraccin de veces que se cumple el evento que nos
interesa, E , la probabilidad de E es el lmite de esa fraccin, cuando n tiende a
infinito.
37. Frecuentista esperando que n llegue a infinito.
38. Los Bayesianos permiten que se asigne probabilidad a eventos que no son
repetibles . Incluso a eventos que no parecen aleatorios , pero cuyos resultados
son desconocidos
39. Arthur Young Public sus resultados en 1771, con ideas sorprendentemente
modernas sobre el Diseo de Experimentos . Desarroll un gran nmero de
experimentos agrcolas en su fundo.
40. Pierre Simon Laplace Contribuy en muchos temas estadsticos, como
profundizar la aplicacin de la probabilidad a la inferencia , la obtencin de una
curva de errores , llegando a la formulacin de la ley de probabilidad normal .
1774 a 1781.
41. Adrian Marie Legendre Cre un sistema para describir el movimiento
planetario, que involucra el mtodo de los mnimos cuadrados , tan utilizado en
la Estadstica de hoy, como mtodo de estimacin de parmetros . 1805.
Mnimos Cuadrados fue tema dominante en el siglo XIX.
42. Karl Gauss Tambin contribuy al mtodo de los mnimos cuadrados .
Desemboc en la ley de probabilidad normal independientemente de Laplace,
como descripcin probabilstica del error , pero encontr su asociacin con el
mtodo de mnimos cuadrados .
43. Adolphe Quetelet Se le ha llamado el padre de la Estadstica moderna , por
observar la extraordinaria regularidad con que se reproducan ciertos fenmenos
sociales , como crmenes o suicidios. 1835. Argumenta que esas regularidades
slo pueden ser encontradas mediante el uso de tcnicas estadsticas .
Meteorlogo, astrnomo, estadstico, socilogo. Ajust distribuciones de
probabilidad a datos empricos.
44. Simen Denis Poisson Public en 1837 el germen de dos elementos
asociados a su nombre: La distribucin de Poisson . La generalizacin de la ley
de los grandes nmeros de Bernoulli.
45. Numerosos investigadores, provenientes de las ms diversas disciplinas ,
hicieron contribuciones a la Estadstica durante la segunda mitad del siglo XIX ,
construyendo de a poco una disciplina que se ira perfilando cada vez ms como
una ciencia independiente .
46. Wilhelm Lexis Contribuy a la estadstica social , estudiando datos
presentados como series de tiempo , por primera vez. 1880
47. John Arbuthnot Realiz estudios sobre las proporciones de los sexos en los
nacimientos. Ingls, mdico de la reina Ana.
48. Henry Buckle Ingls, precursor de la moderna Ciencia Histrica , aplic
mtodos estadsticos para ayudar de hacer de la historia una ciencia.
49. Gustav Fechner Alemn, con estudios de medicina, aplic la
experimentacin para describir relaciones entre estmulos y sensacin . Deriv la
Estadstica hacia la psicologa experimental . Introdujo la medicin en la
psicologa , hacia mediados del siglo XIX.
50. Hermann Ebbinghaus Aplic el diseo experimental al estudio de la
memoria . Psiclogo alemn, pensaba que el estudio cuantitativo era el nico
medio de expresar las vagas nociones que manejaba la psicologa entonces.
51. A partir de 1880, Francis Galton , Francis Edgeworth y Karl Pearson , crean
una revolucin en la Estadstica, proporcionando una metodologa emprica que
sustituye a la experimentacin controlada , en disciplinas donde la
experimentacin no es posible de aplicar. Lo hicieron separadamente Galton en
la Antropologa , Edgeworth en la Economa y Pearson en la filosofa de la
ciencia .
52. Francis Galton (n. 1822) Investig el carcter hereditario de la genialidad.
Investig la distribucin normal bivariada . Fu pionero en el tema de la
regresin lineal simple , y por la correlacin .
53. Francis Edgeworth Desarroll una versin del teorema del lmite central ,
que establece que bajo ciertas condiciones, un promedio muestral sigue
aproximadamente la ley probabilstica normal , si el tamao muestral es grande
Aport la aproximacin de Edgeworth , cuyo uso se ha intensificado hoy.
Estudi las aproximaciones que se obtienen cuando los conjuntos de datos
crecen .
54. Karl Pearson Estudi las distribuciones probabilsticas asimtricas ,
Llegando a introducir la distribucin Gama . Desarroll el estadstico ji-
cuadrado . Mostr inters en los ms diversos temas, adems de la estadstica,
llegando a la conviccin de que la estadstica analtica yace en los fundamentos
de todo el conocimiento. 1892
55. La idea de representatividad , en Estadstica, es decir, de seleccionar
aleatoriamente algunas unidades para llevar a cabo un estudio sobre una
poblacin, es antigua. En esta idea se fundamenta la tcnica de muestreo . Sin
embargo, durante mucho tiempo no fue aceptado, por la generalidad de los
estadsticos.
56. En 1895, fue presentada formalmente en una reunin del Instituto
Internacional de Estadstica, en Berna, por el director de la Oficina Central de
Estadstica de Noruega, A. N. Kaier , bajo el nombre de mtodo representativo .
Despert inters pero fue rechazado . Se present nuevamente en una reunin
del Instituto Internacional de Estadstica Roma, en 1926, y finalmente aceptado .
57. Influyeron los trabajos en estudios sociales y econmicos, de A. L. Bowley .
A l se debe una aplicacin de la teora de inferencia a las encuestas por
muestreo , realizado en 1906 .
58. Jerzy Neyman Desarroll el muestreo de poblaciones finitas , y la estimacin
por intervalos de confianza . 1934. Estableci que la seleccin aleatoria es la
base de una teora cientfica que permite predecir la validez de las estimaciones
muestrales . Tambin dej establecida toda una filosofa sobre la eficiencia de la
estrategia muestral .
59. Egon Pearson Hijo de Karl Pearson. Junto a Neyman present una teora
sobre cmo probar hiptesis , en base a datos . 1936. Resolvieron dificultades
fundamentales para su comprensin, introduciendo las nociones de hiptesis
alternativa , y los dos tipos de error , el de rechazar una hiptesis que es
verdadera, y el de no rechazar una hiptesis que es falsa. Surge el Lema de
Neyman-Pearson .
60. Ronald Fisher Bilogo, genetista y estadstico ingls, ingres a la estacin
experimental agrcola de Rotahmsted en 1919. Contribuy a desarrollar tcnicas
claves para en la experimentacin: La aleatorizacin , que constituye una
proteccin contra la introduccin de factores impredecibles. El diseo
experimental en bloques, que permite el control de efectos de factores no
deseados.
61. El diseo factorial , para el estudio del efecto de varios factores,
simultneamente. El anlisis de varianza , tcnica de anlisis que permite separar
las fuentes de variacin y as evaluar su influencia. desarroll una teora de
estimacin eficiente, basada en la Funcin de Verosimilitud .
62. Se crea una larga controversia entre Ronald Fisher y Neyman y Pearson .
Fisher visualizaba la prueba de hiptesis como un procedimiento mediante el
cual el investigador poda formarse una opinin sobre alguna caracterstica de la
poblacin, o parmetro . Neyman y Pearson vieron la prueba de hiptesis como
un medio para que el investigador tomara una decisin sobre un parmetro de la
poblacin.
63. William Gosset Qumico y matemtico ingls. Trabaj como qumico en la
cervecera Guiness, en particular en Control Estadstico de Calidad . Publicaba
sus trabajos de estadstica bajo el seudnimo de Student . desarroll el test T ,
basado en la distribucin de probabilidad T de Student , introducida por l.
64. George Snedecor Fu uno de los pioneros de la Estadstica en los Estados
Unidos, al constituirse en fundador del Laboratorio de Estadstica de la Iowa
State University , en 1933, dedicado fundamentalmente a las aplicaciones a la
agricultura. Trabaj en conjunto con Ronald Fisher, contribuyendo a desarrollar
algunas de las ideas de l. En particular, son importantes sus contribuciones al
Anlisis de Varianza .
65. William Cochran Nacido en Escocia en 1909. Trabaj en la Iowa State
University, junto con Snedecor. Hizo contribuciones al Diseo de Experimentos
y a la Teora del Muestreo . Se traslad a Rothamsted, Inglaterra, donde tuvo
contacto con Ronald Fisher, donde se involucr en aplicaciones mdicas de la
estadstica.
66. Harold Hotelling Economista y Estadstico nacido en 1895. Pionero en la
combinacin de Estadstica Matemtica y Economa. Tambin trabajo con
Ronald Fisher y aplic algunas de sus tcnicas. En particular al periodismo,
ciencia poltica, demografa y alimentacin. Es conocido en Estadstica por sus
trabajos en Anlisis Multivariante , en particular por la distribucion de
probabilidad T-Cuadrada de Hotelling , uhna generalizacin de la T de Student.
67. Frank Wilcoxon Qumico y Estadstico nacido en Estados nUnidos en 1892.
Contribuy a la Estadstica No-Paramtrica , en particular es suyo el test basado
en rangos de Wilcoxon .
68. Charles Spearman Psiclogo nacido en 1863. Se preocup de definir la
inteligencia. Se le considera el primer psicometrista sistemtico Fu pionero en
el desarrollo del mtodo del Anlisis Multivariante denominado Anlisis
Factorial .
69. L.L. Thurstone Naci en Estados Unidos en 1887. De formacin original
ingeniero, trabaj junto a Thomas A. Edison . Realiz grandes aportaciones a la
medicin de la inteligencia y de las actitudes sociales. Defendi la explicacin
de la inteligencia como conjunto de siete capacidades o factores, tambin
identificables mediante el anlisis factorial .
70. Abraham Wald Desarroll la Teora Estadstica de Decisiones , y la Teora
de Muestreo Secuencial . Tambin en otros campos, como Mxima
Verosimilitud Asinttica , Estadstica No-Paramtrica , Anlisis Discriminante ,
Control de calidad , Modelos Lineales con Error en las Variables , entre otros.
71. Andrey Kolmogorov Matemtico y fsico ruso. Plante los fundamentos de
la teora axiomtica de la probabilidad . Hizo contribuciones cruciales a la
Teora Algortmica de la Aleatoriedad , a la Mecnica Estadstica , a los
Procesos Estocsticos , a la Teora de la Informacin . Analiz la entropa en los
texto literarios, lo que dio origen a una corriente de estudios sobre lingstica
estadstica .
72. Calyampudi Radhakrishna Rao Estadstico Indio nacido en 1920. Hizo
contribuciones en las reas de Teora de Estimacin , Inferencia , Modelos
Lineales , Anlisis Multivariante , entre otras. Es conocido especialmente por la
Cota de Crmer-Rao y el Teorema de Rao-Blackwell .
73. En aos recientes ha habido un desarrollo de la Estadstica de la mano del
computador. Es as como se ha desarrollado la llamada Computacin Estadstica
. El computador permite realizar operaciones repetitivas a alta velocidad.
Cuando un problema es demasiado complejo como para encontrar soluciones
analticas, se pueden desarrollar mtodos basados en la repeticin.
74. Por ejemplo, mtodos que buscan aproximaciones a las soluciones ptimas
mediante la repeticin. Estos mtodos dan origen a algoritmos computacionales
que requieren mucho procesamiento.
75. Entre estos mtodos, estn los ms conocidos, como el Bootstrap , de B.
Efron . El jacknife , la validacin cruzada (cross validation), el Gibbs sampling .
El Algoritmo EM , de Dempster , Laird y Rubin .
76. Y muchos ms, que an estn por descubrirse..
77. FIN
1. BIENVENIDOS ALMARAVILLOSO MUNDO DE LA ESTADISTICA
Estadstica Descriptiva (Deductiva): es la encargada de la2. organizacin,
condensacin, presentacin de los datos en tablas y grficos y del clculo de
medidas numricas que permitan estudiar los aspectos ms importantes de los
datos.Estadstica Inferencial o Inferencia Estadstica: est definida por un
conjunto de tcnicas, mediante las cuales se hacen generalizaciones o se toman
decisiones en base a informacin parcial obtenida mediante tcnicas
descriptivas.
El uso de la Estadstica es muy amplio. Resulta difcil nombrar un rea3. Los
mtodos estadsticos han encontrado aplicacin en:en la cual no se emplee.
Gobierno Negocios Ciencias Sociales Ingeniera Ciencias Fsica y
Naturales Control de Calidad Procesos de Manufactura Muchos otros
campos de la actividad intelectual.
Poblacin: es la coleccin de todas las posibles mediciones u4. Se clasifica
enobservaciones que pueden hacerse de una variable bajo estudio dos
categoras: Finita: es aquella que incluye una cantidad limitada contable de
observaciones, individuos o medidas. Siempre que sea posible alcanzar (contar)
el nmero total de todas las posibles mediciones, se considera como finita la
poblacin
5. Infinita: es aquella que incluye un gran conjunto de observaciones o
mediciones que no pueden alcanzarse por conteo. Al menos, hipotticamente, no
existe lmite en cuanto al nmero de observaciones que el experimento puede
Muestra: es un conjunto de mediciones u observaciones tomadas agenerar.
partir de una poblacin. es un subconjunto de la poblacin.
Variables: son las caractersticas o lo que se estudia de cada6. individuo de
la muestra. Ej: sexo, edad, peso, estatura, color de ojos, estado civil,
temperatura, cantidad de nacimientos, presin, grosor, dimetro, ... Cualitativos:
sonDatos: son los valores que toma la variable en cada caso. datos que solo
toman valores asociados a las cualidades o atributos, clasificndolos en una de
varias categoras, es decir, no son valores numricos.
Cuantitativos: provienen de variables que pueden medirse, cuantificarse7. o
expresarse numricamente. Ejemplos: Peso, edad, estatura presin, humedad etc.
Tipos de variables cuantitativas: Discretas: es aquella que solo8. puede
tomar un nmero finito o infinito numerable de valores. Ejemplo: cantidad de
hermanos. Continuas: es la variable que puede tomar cualquier valor en una
escala continua. Ejemplo: cantidad de lquido contenido en un recipiente
Escala de Escala de Intervalos. Escala Ordinal. Escala Nominal.9. Escala
Absoluta.Razn o Proporcin.
Muestra: es un conjunto de mediciones u observaciones tomadas a10. partir
de una poblacin. es un subconjunto de la poblacin.
Muestra aleatoria: se considera aleatoria siempre y cuando cada11.
observacin, medicin o individuo de la poblacin tenga la misma probabilidad
de ser seleccionado.
Variables: son las caractersticas o lo que se estudia de cada12. individuo de
la muestra. Ej: sexo, edad, peso, estatura, color de ojos, estado civil,
temperatura, cantidad de nacimientos, presin, grosor, dimetro, ... Datos: son
los valores que toma la variable en cada caso.
Cualitativos: son datos que solo toman valores asociados a las13. cualidades o
atributos, clasificndolos en una de varias categoras, es decir, no son valores
numricos. Ej: Sexo: f/m. Hbito de fumar: Fumador/No fumador Color de
ojos: negro, azul, marrn, Religin: catlica, evanglica, Estado civil:
soltero, casado, divorciado,
Una vez que se ha realizado la recoleccin de los datos, se obtienen14. datos
en bruto, los cuales rara vez son significativos sin una organizacin y tabulacin.
Formas de organizar los datos: Un arreglo: es la forma ms sencilla15. de
organizar los datos en bruto, consiste en colocar las observaciones en orden
segn su magnitud: ascendente o descendente. Poco prctica cuando se tiene
una gran cantidad de datos.
16. Una distribucin de frecuencias: es un arreglo de los datos que permite
expresar la frecuencia de ocurrencias de las observaciones en cada una de las
clases, mostrando el patrn de la distribucin de manera ms significativa.Clase
Pto. fi Fi fri FRi Medio
La Distribucin de Frecuencias: Se recomienda su uso cuando se17. tienen
grandes cantidades de datos (n). Su construccin requiere, en primer lugar, la
seleccin de los lmites de los intervalos de clase. Para definir la La regla de
Sturges: k = 1cantidad de intervalos de clase (k), se puede usar: k= n+
3.3log(n)
La cantidad de clases no puede ser tan pequeo (menos de 5) o tan18. grande
(ms de 20), que la verdadera naturaleza de la distribucin sea imposible La
amplitud de todas las clases deber ser la misma. Sede visualizar. recomienda
que sea impar y que los puntos medios tengan la misma cantidad de Los lmites
de las clases debencifras significativas que los datos en bruto. tener una cifra
significativa ms que los datos en bruto.
Los grficos permiten visualizar en forma global y rpida el19. Para datos
cuantitativos agrupados en clases,comportamiento de los datos. comnmente se
utilizan tres grficos: Histogramas. Polgono de frecuencias. Ojiva o
Polgono de frecuencias acumuladas.
20. Histograma
21. Histograma y Polgono de Frecuencias
22. Ojiva
Para datos cualitativos se usan: Curvas Barras Sectores23.
24. Barras Barras
25. Sectores, torta o circular
Las medidas de tendencia central ms importantes son: Media:26.
Aritmtica y Aritmtica ponderada. Mediana. Moda.
Es la suma de todas las observaciones dividida entre el nmero total27.
Expresada de forma ms intuitiva, podemos decir que la mediade
observaciones. aritmtica es la cantidad total de la variable distribuida a partes
iguales Por ejemplo, si en una habitacin hay tresentre cada observacin.
(wikipedia) personas, la media de dinero que tienen en sus bolsillos sera el
resultado de tomar todo el dinero de los tres y dividirlo a partes iguales entre
cada uno de ellos. Es decir, la media es una forma de resumir la informacin de
una distribucin (dinero en el bolsillo) suponiendo que cada observacin
(persona) tendra la misma cantidad de la variable. (wikipedia)
Para datos agrupados: k mi f i Para datos no agrupados: n xi i 1 X n28. i 1 X
n Donde: mi: punto medio de la clase i fi: frecuencia absoluta de la clase i k:
cantidad de clases
Es el valor que ocupa la posicin central de un conjunto de29. observaciones,
una vez que han sido ordenados en forma ascendente o Divide al conjunto de
datos en dos partes iguales.descendente.
Para datos no agrupados: Si n es impar: posicin donde se ubica la30.
mediana es igual a (n+1)/2. Si n es par: (n+1)/2 no es entero, por lo tanto la
mediana ser igual al promedio de las dos posiciones centrales.
Datos agrupados: clase mediana es la que contiene a la observacin que31.
ocupa la posicin n/2. n 1 F ( xm 1 ) Md Lm 2 Cm f ( xm ) Donde: Lm: lmite
inferior de la clase mediana. F(xm-1): frecuencia acumulada de la clase anterior
a la clase mediana. f(xm): frecuencia absoluta de la clase mediana. Cm: amplitud
de la clase mediana.
Observacin o clase que tiene la mayor frecuencia en un conjunto de32. Un
conjunto de datos puede ser unimodal, bimodal o multimodal.observaciones.
Es la nica medida de tendencia central que se puede determinar para datos de
tipo cualitativo.
Para datos no agrupados: es simplemente la observacin que ms se33. Para
datos agrupados: 1 Mo Lim Cm 1 2 Donde: Lim: lmite inferior de larepite.
clase modal. 1: diferencia entre fi de la clase modal y la anterior. 2: diferencia
entre fi de la clase modal y la posterior. Cm: amplitud de la clase modal (clase
de mayor frecuencia).
34. Cuando los datos son sesgados es mejor emplear la Md
1. Lnea Del Tiempo Antecedentes Antes de Cristo 3050 3000 2000 1000
540Egipto : hay datos sobre Babilonia : hay registros de China: existen registros
Israel antiguo: el rey David Grecia: censos peridicospoblacin y riqueza (segn
datos comerciales y numricos de bienestar ordena un censo para para fines
tributarios, socialesHeredoto) para construir las agrcolas. material. conocer el
numero de y militares. habitantes.pirmides de Egipto
2. Lnea Del Tiempo Antecedentes Despus de Cristo 1086 1501-1576, 1650
1657 1662 1564-1642Inglaterra.- censo encargado Se enriquece la estadstica Se
considera inicios de la Dentro de los orgenes de Se considera como iniciadorpor
Guillermo I El con Girolamo Cardano (Fsico probabilidad con la esta ciencia de
teoras de de estadstica a John GrauntConquistador italiano) y Galileo Galilei
correspondencia que probabilidad entra Christian por sus trabajos de (Fsico y
Astrnomo) mantuvo Pascal con Fermat.. Huygens (Gemetra,, fsico y
demografa astrnomo) con un corto articulo. Estos periodos abordan problemas
de estadstica Inferencial.
3. Lnea Del Tiempo Antecedentes Despus de Cristo 1654-1705 Siglo XVII a
XIX 1718-1730 1760 1764Jacob Bernoulli es La estadistica se propaga a
Abraham De Moivre hizo la Godofredo Achewall acua la Thomas Bayes
publicaconsiderado como iniciador traves de varias disiplinas: 1ra formulacin
de la Ley de palabra ESTADISTICA, del Ensayo sobre la resolucinde la
teora de probabilidad , astronomia, geodesia, probabilidad normal italiano
STATISTA (estadista) de un problema de doctrinaintroduce la 1ra Ley de los
psicologia, biologia y ciencias del latin STATUS (estado o del azar grava su
nombre engrandes nmeros sociales situacin). la Inferencia Bayesiana
4. Lnea Del Tiempo Antecedentes Siglo XVII y XVIII 1773-1855 1774-1781
1801-1887 1805 1835Karl Gauss (matemtico, Pierre Simn Laplace Gustav
Fechner (Psiclogo Adrian Marie Legendre Adolphe Queteletastrnomo y fsico
alemn) (Matemtico francs) formulo Alemn) Derivo la estadstica
(Matemtico y Estadstico (Matemtico, meteorlogo,contribuyo al Mtodo de
los la Ley de probabilidad hacia la Psicologa Francs) crea un sistema que
astrnomo, estadstico ymnimos cuadrados y normal Experimental. involucra
el mtodo de socilogo) es llamado padredesemboco en la Ley de mnimos
cuadrados, como de la Estadstica Modernaprobabilidad normal Mtodo de
estimacin de parmetros.
5. Lnea Del Tiempo Antecedentes Siglo XVIII 1837 1850-1909 1880Simen
Denis Poisson Hermann Ebbinghaus Willhelm Lexis (Economista y Se crea una
revolucin Estadstica proporcionando una(Matemtico y Fsico); (Psiclogo
Alemn): aplico el Estadstico Alemn) metodologa emprica que sustituye a la
experimentacinpublico La distribucin de diseo experimental al contribuyo a
la estadstica controlada. Algunas personalidades importantes son:poisson y
ley de los estudio de la memoria. social estudiando datos como Francis Galton:
fue pionero en el tema de la regresingrandes nmeros de series de tiempo.
lineal simple, y por la correlacin. Investigo la distribucinBernoulli normal
Bivariada. Francis Edgeworth: aporto la aproximacin de Edgeworth y
desarrollo una versin del Teorema de limite central
6. Lnea Del Tiempo Antecedentes FINALES SIGLO XVIII Y COMIENZO
SIGLO XIX 1892 1906 1934 1892-1962 Ronald Fisher (Bilogo, genetista y
Jerzy Neyman (Polonia, matemtico y estadstico ingles) estadstico).-
Desarrollo el muestro de Desarrollo tcnicas claves para la poblaciones finitas y
la estimacin por experimentacin:; intervalo. Estableci que la seleccinKarl
Person.(Inglaterra).- A.L. Bowley (Inglaterra. El diseo experimental en
bloques . aleatoria es la base de una teora cientficaIntrodujo la distribucin
matemtico y economista) La aleotorizacion. que permite predecir la validez
de lasGamma. Desarrollo el Aplica la teora de Inferencia El diseo Factorial.
estimaciones mustrales y dejo establecidaestadstico Ji - Cuadrado a las
encuestas por El anlisis de varianza. una filosofa sobre la eficiencia de la
muestreo. Teora de estimacin eficiente, basada en estrategia muestral. la
Funcin de Verosimilitud.
7. Lnea Del Tiempo Antecedentes Siglo XIX 1933 1936 1876-1937George
Snedecor William Cochran (Matemtico Harold Hotelling
(Economista(Matemtico E.U.A) fue uno Ego Pearson presento una William
Gosset: Desarrollo el Escocia) hizo contribuciones y estadstico E:U.A). Esde
los pioneros de teora de cmo probar Test T, basado en la al diseo de
experimentos y conocido en Estadstica porestadstica al constituirse en
hiptesis. distribucin de probabilidad la teora de muestreo. sus trabajos en
Anlisisfundador de laboratorio de de T STUDENT, introducida Multivariante,
en particularestadstica de IOWA STATE por el. por la distribucin
deUNIVERSITY. probabilidad T-Cuadrada de Hotelling, una generalizacin de
la T de Student.
8. Lnea Del Tiempo Antecedentes Siglo XIX Charles Spearman L.L.
Thurstone: Defendi la (Psiclogo Inglaterra) Se le explicacin de la
inteligenciaFrank Wilcoxon (Qumico y considera el primer como conjunto de
siete Abraham Wald.- Desarroll la Teora de Muestreoestadstico E.U.A)
psicometrista sistemtico. capacidades o factores, Secuencial y la Teora
Estadstica de Decisiones.Contribuy a la Estadstica Fue pionero en el
desarrollo tambin identificables Tambin en otros campos, como Mxima
VerosimilitudNo-Paramtrica, en particular del mtodo del Anlisis mediante el
anlisis Asinttica, Estadstica No-Paramtrica, Anlisises suyo el test basado en
Multivariante denominado factorial. Discriminante, Control de calidad, Modelos
Linealesrangos de Wilcoxon. Anlisis Factorial. con Error en las Variables,
entre otros.
9. Lnea Del Tiempo Antecedentes Siglo XIX al da de hoy. 1953, 1960
Calyampudi Radhakrishna Rao Estadstico Indio. Hizo contribuciones en
lasAndrey Kolmogorov George Box reas de Teora de Estimacin,
Inferencia,Matemtico, fsico y probabilista Ruso, Plante Qumico,
matemtico, estadstico ingles. Modelos Lineales, Anlisis Multivariante,los
fundamentos de la teora axiomtica de la Acuo el trmino Robustez para
designar entre otras.probabilidad.. Hizo contribuciones cruciales a la
procedimientos estadsticos que dan Es conocido especialmente por la Cota
deTeora Algortmica de la Aleatoriedad, a la resultados aceptables cuando no se
cumplen Crmer-Rao y el Teorema de Rao- Blackwell.Mecnica Estadstica, a
los Procesos totalmente los supuestos en que se basanEstocsticos, a la Teora de
la Informacin.


1. PROCESAR LA INFORMACION RECOLECTADA DE ACUERDO A LOS
MANUALES DE MANEJO DE INFORMACION
2. PROCESAMIENTO DE DATOS ESTADISTICOS
3. CONTENIDOEstadstica descriptivaTipos de variablesClasificacin de las
variablesVariables discretas y continuasIndividuo, poblacin y
muestraDistribucin de frecuenciaTabla de frecuencia (absolutas y relativas)
4. Medidas de tendencia centralMedia (aritmtica y
geomtrica)MedianaModaMedidas de dispersinRangoVarianzaDesviacin
tpicaCoeficiente de PearsonHistogramas estadsticos
5. ESTADISTICA DESCRIPTIVALa estadstica descriptiva es una gran parte
de la estadstica que se dedica a analizar y representar los datos. Este anlisis es
muy bsico. Aunque hay tendencia a generalizar a toda la poblacin, las
primeras conclusiones obtenidas tras un anlisis descriptivo, es un estudio
calculando una serie de medidas de tendencia central, para ver en qu medida los
datos se agrupan o dispersan en torno a un valor central.
TIPOS DE VARIABLES
Variable cualitativa:
Las variables cualitativas se refieren a caractersticas o cualidades que no pueden ser
medidas con nmeros. Podemos distinguir dos tipos:
Variable cualitativa nominal:
Una variable cualitativa nominal presenta modalidades no numricas que no admiten un
criterio de orden. Por ejemplo:
El estado civil, con las siguientes modalidades: soltero, casado, separado, divorciado y
viudo.
Variable cualitativa ordinal o variable cuasicuantitativa:
Una variable cualitativa ordinal presenta modalidades no numricas, en las que existe
un orden.
Por ejemplo:
La nota en un examen: suspenso, aprobado, notable, sobresaliente.
Puesto conseguido en una prueba deportiva: 1, 2, 3, ...
Medallas de una prueba deportiva: oro, plata, bronce.
Variable cuantitativa:
Una variable cuantitativa es la que se expresa mediante un nmero. Podemos distinguir
dos tipos:
Variable discreta:
Una variable discreta es aquella que toma valores aislados, es decir no admite valores
intermedios entre dos valores especficos.
Por ejemplo:
El nmero de hermanos de 5 amigos: 2, 1, 0, 1, 3.
Variable continua
Una variable continua es aquella que puede tomar valores comprendidos entre dos
nmeros.
Por ejemplo:
La altura de los 5 amigos: 1.73, 1.82, 1.77, 1.69, 1.75.
CLASIFICACIN DE LAS VARIABLES
SEGN LA MEDICIN
Son las variables que expresan distintas cualidades, caractersticas o modalidad. Cada
modalidad que se presenta se denomina atributo o categora y la medicin consiste en
una clasificacin de dichos atributos. Dentro de ellas podemos distinguir:
Variable cualitativa ordinal: Tambin llamada variable cuasicuantitativa. La
variable puede tomar distintos valores ordenados siguiendo una escala
establecida, aunque no es necesario que el intervalo entre mediciones sea
uniforme.
por ejemplo: leve, moderado, grave.
Variable cualitativa nominal: En esta variable los valores no pueden ser
sometidos a un criterio de orden.
por ejemplo los colores o el lugar de residencia.
Variables cuantitativas
Son las variables que se expresan mediante cantidades numricas. Las variables
cuantitativas adems pueden ser:
Variable discreta: Es la variable que presenta separaciones o interrupciones en la
escala de valores que puede tomar.
Ejemplo: El nmero de hijos (1, 2, 3, 4, 5).
Variable continua: Es la variable que puede adquirir cualquier valor dentro de un
intervalo especificado de valores.
Por ejemplo la masa (2,3 kg, 2,4 kg, 2,5 kg, ...) o la altura (1,64 m, 1,65 m,
1,66 m, ...), que solamente est limitado por la precisin del aparato medidor, en
teora permiten que siempre exista un valor entre dos cualesquiera.
Segn la influencia
Segn la influencia que asignemos a unas variables sobre otras, podrn ser:
Variables independientes
Son las que el investigador escoge para establecer agrupaciones en el estudio,
clasificando intrnsecamente a los casos del mismo. Un tipo especial son las variables
de control, que modifican al resto de las variables independientes y que de no tenerse en
cuenta adecuadamente pueden alterar los resultados por medio de un sesgo.
Variables dependientes
Son las variables de respuesta que se observan en el estudio y que podran estar
influenciadas por los valores de las variables independientes.
Hayman (1974 : 69) la define como propiedad o caracterstica que se trata de cambiar
mediante la manipulacin de la variable independiente.
Variable interviniente
Son aquellas caractersticas o propiedades que de una manera u otra afectan el resultado
que se espera y estn vinculadas con las variables independientes y dependientes.
Variable moderadora
Segn Tuckman: representan un tipo especial de variable independiente, que es
secundaria, y se selecciona con la finalidad de determinar si afecta la relacin entre la
variable independiente primaria y las variables dependientes.
Variables discretas y continuas
La variable que tiene resultados o valores que tienden a variar de observacin en
observacin debido a los factores relacionados con el azar recibe le nombre de variable
aleatoria.
Las variables aleatorias pueden ser discretas y continuas
Una variable discreta se considera as si los valores que asume se pueden contar.
Una variable continua es aquella que pueden asumir cualquier valor dentro de un
intervalo, por lo cual tiene un numero infinito de valores posibles.
INDIVIDUO:
Se llama unidad estadstica o individuo a cada uno de los elementos que componen la
poblacin estadstica..
POBLACION :
Llamamos poblacin estadstica, universo o colectivo al conjunto de referencia sobre el
cual van a recaer las observaciones.
MUESTRA:
es un subconjunto de elementos de la poblacin.
Se suelen tomar muestras cuando es difcil o
costosa la observacin de todos los elementos de
la poblacin estadstica.
Distribucin de frecuencia
Es como se denomina en estadstica a la agrupacin de datos en categoras mutuamente
excluyentes que indican el nmero de observaciones en cada categora.
TABLA DE FRECUENCIA
MEDIDAS DE TENDENCIA CENTRAL
Al describir grupos de observaciones, con frecuencia es conveniente resumir la
informacin con un solo nmero. Este nmero que, para tal fin, suele situarse hacia el
centro de la distribucin de datos se denomina medida o parmetro de tendencia central
o de centralizacin.
MEDIA ARITMETICA:(tambin llamada promedio o simplemente media) de un
conjunto finito de nmeros es igual a la suma de todos sus valores dividida entre el
nmero de sumandos
la media geomtrica: de una cantidad arbitraria de nmeros (digamos n nmeros) es
la raz n-sima del producto de todos los nmeros.
Por ejemplo, la media geomtrica de 2 y 18 es
MEDIANA:es el valor de la variable que deja el mismo nmero de datos antes y
despus que l, una vez ordenados estos. De acuerdo con esta definicin el conjunto de
datos menores o iguales que la mediana representarn el 50% de los datos.
Moda:es el valor con una mayor frecuencia en una distribucin de datos.
Hablaremos de una distribucin bimodal de los datos cuando encontremos dos
modas, es decir, dos datos que tengan la misma frecuencia absoluta mxima. Una
distribucin trimodal de los datos es en la que encontramos tres modas. Si todas las
variables tienen la misma frecuencia diremos que no hay moda.
MEDIDAS DE DISPERSION
tambin llamadas medidas de variabilidad, muestran la variabilidad de una distribucin,
indicando por medio de un nmero, si las diferentes puntuaciones de una variable estn
muy alejadas de la media. Cuanto mayor sea ese valor, mayor ser la variabilidad,
cuanto menor sea, ms homognea ser a la media. As se sabe si todos los casos son
parecidos o varan mucho entre ellos
RANGO:
se denomina rango estadstico (R) o recorrido
estadstico al intervalo de menor tamao que
contiene a los datos; es calculable mediante
la resta del valor mnimo al valor mximo; por
ello,comparte unidades con los datos. Permite
obtener una idea de la dispersin de los datos.
VARIANZA
(2) de una variable aleatoria es una medida de su
dispersin definida como la esperanza del cuadrado
de la desviacin de dicha variable respecto a su
media. Est medida en unidades distintas de las de
la variable. Por ejemplo, si la variable mide una
distancia en metros, la varianza se expresa en
metros al cuadrado.
desviacin tpica
() es una medida de centralizacin o dispersin para variables de razn (ratio o
cociente) y de intervalo, de gran utilidad en la estadstica descriptiva.
Se define como la raz cuadrada de la varianza. Junto con este valor, la desviacin tpica
es una medida (cuadrtica) que informa de la media de distancias que tienen los datos
respecto de su media aritmtica, expresada en las mismas unidades que la variable
coeficiente de correlacin de Pearson
es un ndice que mide la relacin lineal entre dos variables aleatorias cuantitativas. A
diferencia de la covarianza, la correlacin de Pearson es independiente de la escala de
medida de las variables.
Definicin
El coeficiente de correlacin entre dos variables aleatorias X e Y es el cociente
HISTOGRAMAS ESTADISTICOS
histograma es una representacin grfica de una variable en forma de barras, donde la
superficie de cada barra es proporcional a la frecuencia de los valores representados. En
el eje vertical se representan las frecuencias, y en el eje horizontal los valores de las
variables, normalmente sealando las marcas de clase, es decir, la mitad del intervalo en
el que estn agrupados los datos.
GRACIAS