Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDAD Y ESTADÍSTICA
Alumno:
Abraham Pirela
C.I: 30.299.716
Sección:
03S1726D1
Según el autor Fernando Ricardi las medidas de tendencia central son medidas
estadísticas que pretenden resumir en un solo valor a un conjunto de valores.
Representan un centro en torno al cual se encuentra ubicado el conjunto de los
datos. Las medidas de tendencia central más utilizadas
son: media, mediana y moda. Las medidas de dispersión en cambio miden el
grado de dispersión de los valores de la variable. Dicho en otros términos las
medidas de dispersión pretenden evaluar en qué medida los datos difieren
entre sí. De esta forma, ambos tipos de medidas usadas en conjunto permiten
describir un conjunto de datos entregando información acerca de su posición y
su dispersión.
Las medidas de tendencia central, dan una idea de un número alrededor del
cual tienden a concentrarse todo un conjunto de datos y se utilizan con
bastante frecuencia para resumir un conjunto de cantidades o datos
numéricos a fin de describir los datos cuantitativos que los forman.
Ejemplo:
2- Media Geométrica.
Uno de sus principales usos es para calcular medias sobre porcentajes, pues
su cálculo ofrece unos resultados más adaptados a la realidad. Veremos
ejemplos de esto más tarde, pero antes debemos conocer su fórmula.
Dónde:
N: Se trata del número total de observaciones. Por ejemplo, si tenemos el
crecimiento de los beneficios de una empresa durante 4 periodos, N será 4.
Ejemplo:
Es decir, el objetivo del análisis es construir una función que permita estimar el
valor futuro de la variable de estudio.
Desde otro punto de vista, la regresión lineal permite calcular una esperanza
(promedio) condicional. Para ese fin, se toman como dados los valores de las
variables independientes.
Cabe precisar que cuando se tiene en cuenta solo una variable independiente
hablamos de regresión lineal simple. En cambio, si se incluyen más factores, se
trataría de una regresión lineal múltiple.
Lo anterior quiere decir que se puede establecer, por ejemplo, una relación
matemática entre el crecimiento económico y la frecuencia de lluvias en un
país. Sin embargo, si no hay un fundamento teórico que vincule esas variables,
el estudio carece de relevancia porque se trata de una relación espuria.
Ejemplo 1:
Supongamos que una empresa quiere calcular la demanda por una
determinada mercancía.
Ejemplo 2:
Hemos usado una regresión lineal para encontrar los parámetros de la línea
que minimiza el error de los datos que tenemos. El proceso de aprendizaje
consiste en estimar los parámetros w y b. Así nos queda que para estos datos,
los mejores valores son:
w=0.0918
b=1.2859
así que nos queda:
y = 0.0918x + 1.2859
Podemos usar este modelo de regresión lineal para estimar cuáles serán los
resultados para otros valores de x. Por ejemplo, si queremos saber el resultado
para x = 5, usaremos el modelo anterior y veremos que el resultado es 1.7449:
y= 0.0918⋅5+1.2859 =1.7449
Donde:
“x” es igual a la variable número uno, “y” pertenece a la variable número dos,
“zx” es la desviación estándar de la variable uno, “zy” es la desviación estándar
de la variable dos y “N” es es número de datos.
Observa que los datos tipificados (expresados como puntuaciones z) en las dos
columnas de la derecha tienen los mismos valores en ambas variables, dado
que las posiciones relativas son las mismas en las variables X e Y.
El cociente de dividir la suma de productos (5) por N (hay que tener en cuenta
que N es el número de casos, NO el número de datos) es igual a 1:
https://www.uv.es/webgid/Descriptiva/31_coeficiente_de_pearson.html