TDExp - PARCIAL I

Clasificación de Stevens

- Escala nominal: clasifica en categorías a los sujetos u objetos que se desea medir
haciendo que todos los que se encuentren en la misma categoría sean equivalentes en
la característica que se está midiendo. Propiedades:
 Exhaustividad: todos los objetos son clasificables.
 Exclusividad: selo puede ser clasificable en una categoría.
- Escala ordinal: los objetos o sujetos son ordenados según la cantidad que poseen de la
característica medida. Se les asigna un numero para seguir ese orden (esto permite
saber la cantidad de característica que posea el objeto).
- Escala de intervalos: además de poder afirmar que la característica medida se da con
mayor en un objeto o sujeto que en otro, también es posible determinar la cantidad de
la diferencia existente.
- Escala de razón: añade a los intervalos la presencia del cero absoluto. El cero en una
escala de razón indica ausencia absoluta de la característica medida. La presencia de
cero absoluto permite afirmar que la característica medida es el doble, triple…; que
otro.

Variable

Es la representación numérica de una característica sometida a medición.

Los valores que se obtienen al medir una característica en un conjunto de elementos no son
idénticos en todos los elementos medidos.

Las variables se pueden dividir en:

- Categóricas: mediciones resultantes de aplicar una escala nominal. Se incluyen aquí las
variables que, aun siendo ordinales, solo tienen unas pocas. Son discretas.
- Cuantitativas: mediciones que resultan de aplicar una escala de intervalos o de razón,
también se incluyen aquí las escalas ordinales que no se encuentran encajadas en la
discusión anterior.
 Discretas: entre dos valores consecutivos no puede darse un valor intermedio
(por ejemplo, número de hijos).
 Continuas: entre dos valores consecutivos siempre es posible encontrar un
valor intermedio (por ejemplo, edad o tiempo).

Representamos las variables con letras latinas mayúsculas: X, Y, Z.

Población y muestra

Población: conjunto de elementos que poseen una o más características en común. Cada
unidad observacional de una población es un individuo con propiedades propias (variables).
Los elementos de una población además de poseer características comunes poseen otras que
no comparten o que no coinciden:

Muestra: subconjunto de elementos de una población.

Un parámetro es un valor numérico que describe una característica poblacional. Se utiliza para
referirse a ellos letras griegas minúsculas: μ, π, σ, β.
Un estadístico es una valor numérico que describe una característica muestral. No es
constante, varía de una muestra a otra. Se utiliza para referirse a ellos letras latinas
mayúsculas: E, V, B, S. Los estadísticos se van a usar para intentar formarnos una idea sobre los
valores de sus correspondientes parámetros.

Distribución de una variable

Herramientas descriptivas:

- Centro: valor que más se repite en variables categóricas y el promedio del conjunto de
valores en variables cuantitativas.
Valor donde la tendencia es más alta: moda (en variables categóricas) y media (en
variables cuantitativas).
- Dispersión: grado de concentración o alejamiento de los valores en torno al centro de
la variable (desviación típica, varianza).
- Forma: frecuencia con la que se repite un valor o cada rango de valores. Puede ser
asimétrica o simétrica.

Tipos de distribución:

- Empírica: explica como se distribuyen los valores de una variable.

- Teórica: formula matemática que se utiliza para facilitar el trabajo con variables
aleatorias.

Gráficos para variables categóricas: gráficos de barras

Se construye sobre el plano definido por dos ejes: el eje horizontal corresponde a los valores
de la variable y el eje vertical corresponde a las frecuencias. También es útil para variables
cuantitativas discretas con pocos variables.

Análisis descriptivo de variables cuantitativas

- Centro: medidas de tendencia central.

- Forma de distribución:
 Cuantiles: cada uno de los S valores que dividen las distribución en S+1 partes
iguales.
o Mediana: valor que divide la distribución en dos partes.
o Cuartiles: tres valores que dividen la distribución en cuatro partes
iguales.
o Deciles: nueve valores que dividen la distribución en diez partes
iguales.
 Percentiles (PN): valores que acumulan un determinado porcentaje de datos.
 Ejemplo del cálculo de percentiles:

M1: 3 6 7 11 15 16 23 23 25 26 (11 casos)

M2: 2 4 4 5 7 9 10 10 12 14 15 17 (12 casos)

PK : valor que acumula el k% de los casos; se calcula como i = k·(n+1)/100 (k, porcentajes en
los que dividimos las muestra).

P25 → M1: i = 25·(11+1)/100 = 3; como da un número es entero, P 25 corresponde al valor

7.

P25 → M2: i = 25·(12+1)/100 = 3,25; como da un número decimal para conocer P 25

debemos hacer: P25 = (1-0,25)·Y3 + 0,25·Y4 = 4,25; siendo Y3 y Y4 los valores tercero y cuarto
de M2 cuando sus valores están ordenados (porque 3,25 está entre el 3 y el 4).

 Media aritmética ( X́ o μ): es el estadístico de tendencia central más utilizado.

Se define como la suma de todas las puntuaciones divida por el número de
puntuaciones, y se representa como X́ , Ý . Se calculo como X́ = ΣXi/n.
 Desviación típica (s o σ): sY = √ s 2 Y
 Dispersión: conocer el grados de dispersión de una muestra (o conjunto de
datos) permite precisar si el centro de una distribución es o no un buen
representante del resto de valores.
o Amplitud total: AT = Ymax - Ymin
o Amplitud (o rango) intercuartil: AIQ = Q3 - Q1
o Varianza (s2 σ2): sirve para comparar grupos y saber cual de ellos tiene
mayor dispersión → s2Y = Σ(Yi-Ý )2/n-1.

Gráficas para variables cuantitativas: diagrama de caja

casos extremos (> 3·AIQ)

casos atípicos (> 1,5·AIQ)
valor más grande no atípico

Q3

Q2 AIQ

Q1

valor más pequeño no atípico

casos atípicos (> 1,5·AIQ)
casos extremos (> 3·AIQ)
Distribución normal

La distribución normal viene dada por la función de densidad:

Tenemos que
aproximar Y ~ N(μ,σ) a Z ~ N(0,1); esto se hará de la siguiente manera:

Y −μ
Z=
σ
Una vez transformada ya es posible conocer la probabilidad asociada al valor dado de Y, ya que
P(Y) = P(Z). De la misma forma, P(Y>Yi) = P(X>Xi) y P(Y<Yi) = P(X<Xi).

P(Z>a) = 1-P(Z≤a)

P(Z≤-a) = 1-P(Z≤a)

P(Z>-a) = P(Z<a)

P(a<Z<b) = P(Z<b) – P(Z<a)

Distribución muestral de medias

Cada muestra de tamaño n que podemos extraer de una población definida por una
distribución normal proporciona una media. Si consideramos cada una de estas medias como
valores de una variable aleatoria podemos estudiar su distribución.
2
La media de ese grupo de medias es E( Ý ) = μY (media poblacional), y la varianza es V( Ý ) = σ Ý =
σ Y2 /n (varianza poblacional entre el tamaño de la muestra). De la varianza obtenemos σ Ý = σ Y /
√ n. La distribución de Ý también será normal: Ý ~ N(μY, σ Ý ); y la aproximamos a Z = (0,1) al
igual que Y:

Ý −μY
Z=
σ Ý

En muestras pequeñas la sustitución de S(Ý ) por σ Ý tiene consecuencias que significativas que
no pueden pasarse por alto; siendo σ^Ý = SY/√ n. Pero si n es lo suficientemente grande σ^Ý = σ Ý .

Estimación de la media por intervalos de confianza

La estimación por intervalos de confianza consiste en determinar un posible rango de valores

en los que pueda precisarse con una determinada probabilidad que el valor de un parámetro
se encuentra dentro de esos límites.

Se dice que [a,b] es un intervalo de confianza de la media (μ 2), con confianza 1-α, si

P(a≤ μY ≤b) = 1- α

σ Ý
Si Ý ~ N(μY, σ Ý ) aproximamos a Z ~ N(0,1) definiendo Z = Ý −μ Y / .
√n
Sean Z ∝ = α/2 y Z1− ∝ los cuantiles de órdenes α/2 y 1- α/2, es decir
2 2

P(Z ≤ Z ∝ ) = α/2 y P(Z ≤ Z1− ∝ ) = 1- α/2

2 2

Entonces,

P( Z ∝ ≤ Z ≤ Z1− ∝ ) = 1-α
2 2

De esta manera, y sabiendo que Z ∝ = −Z1− ∝ , en el intervalo

2 2

σ Y SY
[ Ý −|Z |· σ , Ý +|Z |· σ ]
∝
2
Ý ∝
2
Ý , con σ Ý = =
√n √n
podemos encontrar μY con una probabilidad del 1-α.

Por ejemplo, para un nivel de confianza de 0,95 tenemos que Z1− ∝ = 1,96 (ya que en la tabla
2

de N(0,1) el valor de 0,95+0,025 corresponde a una probabilidad de 1,96) y

Z ∝ = -1,96 (ya que
2

sabemos que Z ∝ = −Z1− ∝ ).

2 2

α/2 = 0,025 α/2 = 0,025

1-α = 0,95 → α = 0,05

α/2 = 0,025