Está en la página 1de 14

REPUBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA


UNIVERSIDAD NACIONAL EXPERIMENTAL DE LAS FUERZAS ARMADAS
ACARIGUA-EDO PORTUGUESA

INTEGRANTES:

Zorainy Len C.I. 24.139.828


Semestre: V
Seccin: B
Prof. Jos Casanova

ACARIGUA, MAYO DEL 2015


SERIES CUANTITATIVAS UNIDIMENSIONALES
Como series cuantitativas unidimensionales dentro del rea de la estadstica
comprendemos a un conjunto de datos numricos recopilado por medio de observacin
y que slo se pueden medir en una direccin ejemplo como una lnea, que slo tiene

longitud.
Series Simples:
Una serie simple es un conjunto pequeo de datos. Si la cantidad de observaciones que
conforman la serie es n, podemos indicarlos como x. Ejemplo: Con los datos dados,
calcular: Media Aritmtica, Varianza, Desviacin Tpica, Mediana, Cuartiles 1 y 3,
Centiles 10 y 90, Coeficiente de Curtosis, Sesgo, Coeficiente de Variacin. A la
siguiente serie simple:
Datos: 54671215498725524
Se construye una tabla con 3 columnas as: Primera columna: los datos debidamente
ordenados ( x) ; Segunda Columna: diferencia entre cada dato y la media aritmtica (x
media); Tercera Columna: Diferencias elevadas al cuadrado ( x media)2.
X
(X Media)
Proceso:
1) Calcular la media
2) Calcular las diferencias
3) Determinar los cuadrados
(X Media)2
12
-55
3,025
24
-43
1,849
54
-13
169
55
-12
144
67
0
0
72
+5
25
98
+31
961
154

+87
7,569
536

13,742

Media: X = X / N = 536 / 8 = 67
Varianza: ((X Media)2 /(N 1) = 13,742 / (8 1) = 1,963.14
Desviacin Estndar: = V
= 1, 963.14
= 44.307 = 44.31
Mediana: P = (N + 1) / 2 = (8 + 1) / 2 = 4.5este valor slo indica la posicin de
la mediana, se localiza en la primera columna, la posicin 4.5, est entre los datos 55 y
67, entonces se realiza una semisuma de estos valores: md = (55 + 67) / 2 = 61
Cuartiles: Qi = (i . N) / 4 ; en este proceso, la letra i representa al cuartil que se busca:
Cuartil 1: Q1 = (1 x 8) / 4 = 2, como el conteo de la posicin 2 en la primera columna
est exactamente sobre 24, se hace una semisuma con el dato que sigue:
Q1 = (24 + 54) / 2 = 39
Cuartil 3: Q3 = (3 x 8)/ 4 = 6, esta posicin est en 72, entonces: Q3 = (72 + 98) / 2 = 85
Centiles: el clculo se efecta de forma similar a los cuartiles, la frmula es Ci =
(i.N)/100
Centil 10: C10 = (10 x 8)/100 = 0.8..en la lectura se aproxima al dato que aparece
en la posicin 1, entonces: C10 = 12
Centil 90: C90 = (90 x 8)/100 = 7.20se aproxima a la posicin 8, entonces C90 =
154
Coeficiente de Curtosis : Q /(C90 C10) , se calcula primero el valor de Q.
Q es el Coeficiente intercuartil o amplitud semi-intercuertlica, se calcula con la frmula
siguiente:
Q =(Q3 Q1)/2 = (85 39)/2 = 23
Luego: k = 23/(154 12) = 0.161 = 0.16
Sesgo: S = 3(Media Mediana)/Desviacin estndar, es decir: S = 3(X md)/
= 3(67 61)/44.31 = 0.406 = 0.41
Coeficiente de Variacin: ( / x).100 = (44.31/67).100 = 66.13%
Series de Frecuencia:
Cuando realizamos un estudio de cada uno de los elementos que componen la poblacin
o muestra bajo anlisis, observamos que en general, hay un nmero de veces en que
aparece repetido un mismo valor de una variable, o bien repeticiones de la misma
modalidad de un atributo. Este nmero de repeticiones de un resultado, recibe el nombre
de frecuencia absoluta o simplemente frecuencia.
El procedimiento mediante el cual se realiza el conteo, para as determinar el nmero de
veces que cada dato se repite, recibe el nombre de tabulacin.
Al agrupar los resultados de las observaciones en trmino de las veces que stos
se repiten, da lugar a las llamadas "series de frecuencias" o distribuciones de
frecuencias; las cuales se dividen a su vez en series de frecuencias cualitativas y
cuantitativas, segn que los caracteres de estudio se refieran a atributos o variables

respectivamente.
Series de frecuencia acumulativa: son comnmente llamadas series de frecuencia de
atributos o caracteres cualitativos y las formas de representar un atributo recibe el
nombre de modalidades.
Cuando se observan y se obtienen los elementos que deseamos estudiar con
respecto a un carcter de tipo cualitativo y se procede a agruparlos segn las distintas
modalidades que toma el atributo, "frecuencia cualitativa Ejemplo:
Agrupamos los resultados obtenidos al observar los 35 estudiantes de la materia
estadstica I, respecto a su estado civil. Estudiantes de la materia Estadsticas I,
clasificados por su estado civil.
Estado civil
N de Estudiantes (frecuencia)
Solteros
18
Casados
12
Viudos
1
Divorciados
4
Series de frecuencias cualitativas: es el resultado del agrupamiento de los valores que
se repiten (frecuencia) al ser observada una variable Ejemplo:
Tomamos nuevamente los 35 estudiantes de la materia estadstica I, respecto a su edad.
Edad (en aos)
N de estudiantes (frecuencia)
19
12
20
2
25
8
28
6
32
4
42
3
Total = 35

REGRESION LINEAL
Datos. Las variables dependientes e independientes deben ser cuantitativas. Las
variables categricas, como la religin, estudios principales o el lugar de residencia, han
de recodificarse como variables binarias (dummy) o como otros tipos de variables de
contraste.
Supuestos. Para cada valor de la variable independiente, la distribucin de la variable
dependiente debe ser normal. La varianza de distribucin de la variable dependiente
debe ser constante para todos los valores de la variable independiente. La relacin entre
la variable dependiente y cada variable independiente debe ser lineal y todas las
observaciones deben ser independientes.
Estadsticos. Para cada variable: nmero de casos vlidos, media y desviacin tpica.
Para cada modelo: coeficientes de regresin, matriz de correlaciones, correlaciones
parciales y semiparciales, R mltiple, R cuadrado, R cuadrado corregida, cambio en R
cuadrado, error tpico de la estimacin, tabla de anlisis de la varianza, valores
pronosticados y residuos. Adems, intervalos de confianza al 95% para cada coeficiente
de regresin, matriz de varianza-covarianza, factor de inflacin de la varianza,
tolerancia, prueba de Durbin-Watson, medidas de distancia (Mahalanobis, Cook y
valores de influencia), DfBeta, DfAjuste, intervalos de prediccin y diagnsticos por
caso. Diagramas: diagramas de dispersin, grficos parciales, histogramas y grficos
de probabilidad normal.
Grficos. Los grficos pueden ayudar a validar los supuestos de normalidad, linealidad
e igualdad de las varianzas. Tambin son tiles para detectar valores atpicos,
observaciones poco usuales y casos de influencia. Tras guardarlos como nuevas
variables, dispondr en el Editor de datos de los valores pronosticados, los residuos y
otros valores diagnsticos, con los cuales podr poder crear grficos respecto a las
variables independientes. Se encuentran disponibles los siguientes grficos:
Diagramas de dispersin. Puede representar cualquier combinacin por parejas de la
lista siguiente: la variable dependiente, los valores pronosticados tipificados, los
residuos tipificados, los residuos eliminados, los valores pronosticados corregidos, los
residuos estudentizados o los residuos eliminados estudentizados. Represente los
residuos tipificados frente a los valores pronosticados tipificados para contrastar la
linealidad y la igualdad de las varianzas.
Generar todos los grficos parciales. Muestra los diagramas de dispersin de los
residuos de cada variable independiente y los residuos de la variable dependiente
cuando se regresan ambas variables por separado sobre las restantes variables
independientes. En la ecuacin debe haber al menos dos variables independientes para
que se generen los grficos parciales.

Grficos de residuos tipificados. Puede obtener histogramas de los residuos tipificados


y grficos de probabilidad normal que comparen la distribucin de los residuos
tipificados con una distribucin normal.

REGRESIN CURVILNEA
Se considerar primero el caso en que la graficacin en una escala adecuada
puede ser lineal. Por ejemplo, si un conjunto de parejas de datos que conste de n puntos
(xi, yi) "se enderezan" cuando son graficados sobre ejes escalados adecuadamente. E
este caso, al ser representados sobre papel semilogartmico, indican que la curva de
regresin de y sobre x es exponencial, es decir para cualquier x considerada, la media de
la distribucin est dada por la siguiente ecuacin predictora y = . x, tomando
logaritmos en ambos miembros: log y ( ) log() + x log () y se puede estimar ahora
log() y log(), y de ah obtener y , aplicando los mtodos anteriores a los n pares de
valores [xi ,log(yi)].
Distinguir entre variable dependiente e independiente

Variable dependiente. Es la variable central de la investigacin; a travs de ella se


miden los cambios ocasionados por la variable independiente en la poblacin
estudiada. Por ejemplo, cncer de pulmn, conocimiento, destreza, satisfaccin y
utilizacin de un servicio.
Variable independiente. Determina a la variable dependiente. Es la que va a
ocasionar los cambios en la poblacin estudiada. Por ejemplo, nmero de cigarros
fumados al da, intervencin educativa, capacitacin, calidad de atencin y
percepcin de necesidad de salud

CORRELACION LINEAL SIMPLE

En probabilidad y estadstica, la correlacin indica la fuerza y la direccin de


una relacin lineal y proporcionalidad entre dos variables estadsticas. Se considera que
dos variables cuantitativas estn correlacionadas cuando los valores de una de ellas
varan sistemticamente con respecto a los valores homnimos de la otra: si tenemos
dos variables (A y B) existe correlacin si al aumentar los valores de A lo hacen tambin
los de B y viceversa. La correlacin entre dos variables no implica, por s misma,
ninguna relacin de causalidad.
La relacin entre dos variables cuantitativas queda representada mediante la lnea de
mejor ajuste, trazada a partir de la nube de puntos. Los principales componentes

elementales de una lnea de ajuste y, por lo tanto, de una correlacin, son la fuerza, el
sentido y la forma:

La fuerza extrema segn el caso, mide el grado en que la lnea representa a la


nube de puntos: si la nube es estrecha y alargada, se representa por una lnea
recta, lo que indica que la relacin es fuerte; si la nube de puntos tiene una
tendencia elptica o circular, la relacin es dbil.
El sentido mide la variacin de los valores de B con respecto a A: si al crecer los
valores de A lo hacen los de B, la relacin es directa (pendiente positiva); si al
crecer los valores de A disminuyen los de B, la relacin es inversa (pendiente
negativa).
La forma establece el tipo de lnea que define el mejor ajuste: la lnea recta, la
curva monotnica o la curva no monotnica

CORRELACION LINEAL POR RANGOS

Este coeficiente es una medida de asociacin lineal que utiliza los rangos, nmeros de
orden, de cada grupo de sujetos y compara dichos rangos. Existen dos mtodos para
calcular el coeficiente de correlacin de los rangos: uno, sealado por Spearman y otro,
por Kendall. El r de Spearman llamado tambin rho de Spearman es ms fcil de
calcular que el de Kendall. Frmula:

En donde d i = r xi r yi es la diferencia entre los rangos de X e Y.


Otra variante de la frmula expresada es: 6

Algoritmo de solucin: Observando el criterio de estadsticos actuales, la mayora


confluye en el siguiente algoritmo de trabajo: Los valores de los rangos se colocan
segn el orden numrico de los datos de la variable. Por ejemplo, si tenemos las
siguientes variables:

Talla Peso
1,68 68
1,89 70

1,75 80
1,56 45
1,48 48
Al convertirlas en una escala ordinal, obtendramos los resultados:

Talla Peso
33
54
45
21
12

El primer valor de talla (en este caso 1,68) se convierte en 3, porque el 1,68 es el tercer
valor ms pequeo de la talla. El valor en peso de 45 se convierte en 1, porque es el
menor Luego se calculan las diferencias de rangos

didi2
3-3 0
5-4 1
4-5 1
2-1 1
1-2 1
-------4

Sustituyendo
Interpretacin: En la muestra observada los valores de talla y peso tienen una
correlacin entre fuerte y perfecta, lo que se traduce que en la medida que aumentan los
valores de la talla tambin aumentan los del peso y viceversa.

MEDIDAS DE CURTOSIS

La curtosis mide el grado de agudeza o achatamiento de una distribucin con relacin a


la distribucin normal, es decir, mide cun puntiaguda es una distribucin. En otras
palabras, miden la mayor o menor concentracin de datos alrededor de la media. Se
suele medir con el coeficiente de curtosis:

Tipos De Curtosis

La curtosis determina el grado de concentracin que presentan los valores en la regin


central de la distribucin. As puede ser:
Si este coeficiente es nulo, la distribucin se dice normal (similar a la
distribucin normal de Gauss) y recibe el nombre de mesocrtica.

Si el coeficiente es positivo, la distribucin se llama leptocrtica, ms


puntiaguda que la anterior. Hay una mayor concentracin de los datos en torno a
la media.

Si el coeficiente es negativo, la distribucin se llama platicrtica y hay una


menor concentracin de datos en torno a la media. Sera ms achatada que la
primera.

MEDIDA DE FISHER
El coeficiente de asimetra de Fisher CAF evala la proximidad de los datos a
su media x. Cuanto mayor sea la suma (xi-x)3, mayor ser la asimetra. Sea el
conjunto X=(x1, x2,, xN), entonces la frmula de la asimetra de Fisher es:

Si CAF<0: la distribucin tiene una asimetra negativa y se alarga a valores menores


que la media.

Si CAF=0: la distribucin es simtrica.


Si CAF>0: la distribucin tiene una asimetra positiva y se alarga a valores mayores
que la media

MEDIDA BASADA EN CUARTILES Y PERCENTILES

(Letra griega minscula kappa) = Coeficiente percentil de curtosis


Nota:
Si < 0,263 ? la distribucin es platicrtica
Si = 0,263 ? la distribucin es normal o mesocrtica
Si > 0,263 ? la distribucin es leptocrtica
Esta medida no es muy utilizada.
Ejemplo ilustrativo: Determinar qu tipo de curtosis tiene la siguiente distribucin: 6,
9, 9, 12, 12, 12, 15 y 17. Emplear la medida de Fisher y el coeficiente percentil de
curtosis.

Solucin: Calculando la media aritmtica se obtiene

Calculando la desviacin estndar poblacional se obtiene:

Calculando la Medida de Fisher se obtiene:


Datos
6

915,0625

39,0625

39,0625

12

0,0625

12

0,0625

12

0,0625

15

150,0625

17

915,0625

Total

2058,5

Para calcular los cuartiles y percentiles se ordena los datos de menor a mayor:
6

12 12 12 15 17

Calculando el cuartil uno se obtiene:

Calculando el cuartil tres se obtiene:

Calculando el percentil 90 se tiene:

Calculando el percentil 10 se tiene:

Calculando el coeficiente percentil de curtosis se obtiene:

Como a= 2,23 y

la distribucin es platicrtica

ANALISIS DE LA IMPORTANCIA DE LA ESTADISTICA EN LA


AGRIOINDUSTRIA

La estadstica nos permite analizar y predecir o estimar observaciones futuras de


dos o ms variables relacionadas entre s, es decir una herramienta til para la
planeacin.
La estadstica se basa en la recoleccin, anlisis e interpretacin de datos, ya sea
para ayudar en la resolucin de la toma de decisiones o para explicar condiciones
regulares o irregulares de algn fenmeno o estudio aplicado, de ocurrencia en forma
aleatoria o condicional.
Es una tcnica que se utiliza para un estudio cuantitativo y cualitativo. Sin
embargo la estadstica es mucho ms que eso, dado que en otras palabras es el vehculo
que permite llevar a cabo el proceso relacionado con la investigacin cientfica. Estudia
los mtodos cientficos para recoger, organizar, resumir y analizar datos, as como para
sacar conclusiones vlidas y tomar decisiones razonables basadas en tal anlisis
En la agroindustria se utiliza para establecer informacin necesario que permita
analizar la estructura del sector agrcola e industrial y as visualizar los cambios de las
principales variables del sector. En este mbito se ha convertido en un mtodo efectivo
para describir e interpretar situaciones reales en este sector.
Algunos de los objetivos de la estadstica aplicada en la agroindustria son:
Establecer la clasificacin de los establecimientos segn categora y detectar la
movilidad dentro de la de industria.
del sector agrcola.
Conocer la cantidad y valor de los productos manufacturados (terminados y en
proceso)

Determinar la cantidad y valor de los insumos materiales directos e indirectos,


tanto nacionales como importados. Este rengln es de gran importancia, porque
adems de servir de base para el clculo de otros indicadores y para conocer la
procedencia de los componentes de los productos finales, suministra
informacin sobre las relaciones interindustriales.
Obtener la estructura de ingresos y costos de la agroindustria.
Obtener la estimacin del valor bruto de la produccin, indicador de gran
relevancia de la actividad econmica agrcola industrial.
Obtener la estimacin del valor de las ventas, que conjuntamente con el valor de
la produccin, constituye un indicador apropiado del nivel de actividad
econmica en el sector agrcola industrial.
Cuantificar el potencial industrial conociendo su capacidad instalada y su
capacidad utilizada.
La estadstica permite que muchas actividades impredecibles puedan volverse cada
vez mas explicativas la estadstica puede dar respuesta a muchas necesidades con
respecto a la agroindustria como bien hemos reconocidos anteriormente en todo
momento se utiliza la estadstica no solo en las industrias sino tambin en nuestra vida
diaria es por eso que se debe reconocer que esta ciencia cada da adquiere mas valor sin
dejar atrs las demandas de productos, la investigacin del mercado.