ESTADÍSTICA INFERENCIAL Y DISEÑO DE EXPERIMENTOS

LABORATORIO N1: PRIMER CORTE

PRESENTADO POR:

ANGEL ESTEBAN HOYOS CASTIBLANCO (20212015041)

LIZETH ALEJANDRA TRIANA AVENDAÑO (20212015098)
PAULA MARIANA MURILLO (20212015106)

PRESENTADO A:

RICARDO CORTES URAZAN

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD INGENIERÍA
INGENIERÍA INDUSTRIAL
 ESTADÍSTICA INFERENCIAL Y DISEÑO DE EXPERIMENTOS

1. Los siguientes datos indican el número de minutos que ocuparon sus asientos 50 clientes
en una entidad financiera:

73 65 82 70 45 50 70 54 32 75
75 67 65 60 75 87 83 40 72 64
58 75 89 70 73 55 61 78 89 93
43 51 59 38 65 71 75 85 65 85
49 47 55 60 76 75 69 35 45 63

(a) Construya una tabla de distribución de frecuencias con 5 intervalos de clase e interprete
sus resultados

Para iniciar el procedimiento, primero abriremos el software SPSS y procederemos a ingresar

todos los datos proporcionados en la tabla correspondiente. Luego, nos dirigiremos a la pestaña
"Transformar" y seleccionaremos la opción "Agrupación Visual". A pesar de que el programa
nos ofrecerá una recomendación básica, ajustaremos el diseño según las especificaciones del
ejercicio propuesto. Además, será importante etiquetar nuestras variables de manera adecuada
para comprenderlas de manera clara y precisa.

Figura I, Agrupación del conjunto de números

Luego para que el programa nos muestre la tabla de frecuencias con 5 intervalos de confianza,
para este caso tenemos que dar en la opción de “Analizar” y luego estadística descriptiva con el
fin de que nos pueda proporcionar la siguiente tabla.
 Tabla I, Agrupación del conjunto de números

La interpretación de la tabla de frecuencias revela una adaptación exitosa de datos discretos a un

formato continuo mediante el uso de intervalos de clase, amplitud y rango de los datos
proporcionados por el ejercicio. Se observa que el intervalo de 68,6-80,8 minutos tiene la mayor
frecuencia, representando el 32% de la muestra total. Por otro lado, el intervalo de 32-44,2
minutos tiene la menor frecuencia, con solo 5 clientes, equivalente al 10% de la muestra.
Además, se puede inferir que el 52% de los datos se encuentran en el rango de 32-68,6 minutos,
lo que significa que casi la mitad de la muestra se concentra en este intervalo de tiempo dado 26
clientes .

(b) Calcule el promedio, la desviación estándar, mediana, moda, coeficiente de variación

para datos no agrupados.

Para lograr este objetivo, utilizamos las opciones de “Analizar” y luego “Estadísticos
descriptivos” para luego seleccionar la opción de frecuencias, dentro de esta opción nos muestra
este recuadro, seleccionamos en la opción de “Estadísticos” para luego darle click a los
recuadros que necesitamos, es decir el promedio o media, la desviación estándar, mediana, moda,
coeficiente de variación para este tipo de datos como se muestra en la figura II.

Figura II, procedimiento para estadísticos en datos no agrupados

Luego de este procedimiento seleccionamos el botón continuar donde nos aparecerán todos los
estadísticos seleccionados y en el cual se pidieron al sistema, mostrados en la tabla II.

Tabla II, estadísticos para datos no agrupados

Para la interpretación de estos resultados:

● La moda, que corresponde al dato más frecuente entre los clientes, es de 75 minutos.

● Para verificar el anterior y los siguientes puntos se da a conocer la gráfica de frecuencias

dentro de los datos no agrupados para observar gráficamente cómo representan cada uno
de los estadísticos propuestos por el ejercicio

● El valor esperado o promedio de tiempo que los clientes se demoran es de 65,12 minutos.

● La mediana, que representa el valor central de los datos, es de 66 minutos. Al observar

que el rango desde 32 hasta 66 minutos abarca el 50% del muestreo, mientras que desde
66 hasta 93 minutos constituye el 50% restante, podemos inferir una distribución
relativamente equilibrada alrededor de la mediana.

● La diferencia entre la media y la mediana sugiere una leve asimetría negativa en la

distribución de los datos, indicando la influencia de valores relativamente extremos. Sin
embargo, esta asimetría es mínima, lo que sugiere una distribución bastante simétrica en
general.

● Tener una variabilidad y una desviación estándar alta en un conjunto de datos indica que
los valores individuales tienden a estar muy dispersos alrededor de la media. Esto
significa que hay una gran diferencia entre los valores individuales y la media del
conjunto de datos. Los valores tienden a estar ampliamente distribuidos en lugar de
agrupados cerca de la media. Una desviación estándar alta sugiere que la distribución de
 los datos es amplia y que los valores individuales pueden estar bastante alejados de la
media. Esto puede implicar que hay una gran variabilidad en los datos y que no hay un
patrón claro en la distribución.

C) Calcule el promedio, la desviación estándar, mediana, moda, coeficiente de variación,

coeficiente de asimetría y curtosis para datos agrupados.

Para realizar este procedimiento se puede destacar que es muy parecido al anterior, pero con el
conjunto de números en los cuales agrupamos por medio de SPSS, para esto seleccionamos,
nuestro conjunto de números antes organizados durante el problema A, seleccionamos la opción
“Analizar” , luego en “ Estadísticos descriptivos” y en “Frecuencias”, seleccionamos el conjunto
de datos agrupados, dándonos los siguientes recuadros evidenciando en la figura III:
 Figura III, procedimiento para estadísticos en datos agrupados

Luego pedimos al programa estadístico que nos proporcione los valores de la media, mediana,
moda, desviación estándar, varianza, coeficiente de asimetría y curtosis, clickeando en los
recuadros que aparecen cada una de los estadísticos solicitados.

Tabla III, Estadísticos en datos agrupados

Nuestras interpretaciones son las siguientes:

● Analizando con el punto anterior, los valores estadísticos como son la media, mediana,
moda, varianza y desviación estándar, cambian ligeramente con respecto a los valores
estadísticos en datos no agrupados, igual que el punto anterior, se proporciona la gráfica
de frecuencias con el fin de poder visualizar las siguientes interpretaciones.
● Siendo la media 65,67 se puede mencionar que en promedio los clientes se demoran un
total de 65,67 minutos
● Aunque la media y la mediana tienen una ligera diferencia se da como conclusión que
tienen una ligera asimetría que luego con el coeficiente de asimetría nos da el valor
exacto y en qué sentido esta asimétrico
● Para la desviación y varianza, podemos identificar que es bastantes dispersos los datos
con respecto a la media por ende, podemos ver que la distribución de frecuencias es
ancha, en el siguiente valor de curtosis nos proporcionará en qué división está de curtosis
pudiendo verificar una característica más de esta distribución.
● Un coeficiente de asimetría de -0,315 en una muestra estadística señala una distribución
con una marcada inclinación hacia la izquierda. Esta asimetría negativa indica que la
mayoría de los valores están concentrados en el lado izquierdo de la distribución,
mientras que los valores más altos son menos frecuentes y están más próximos a la
media. Esta distribución sugiere una cola más larga extendiéndose hacia la izquierda, lo
 que significa que hay una mayor presencia de valores extremadamente bajos en
comparación con los valores extremadamente altos.
● Un coeficiente de curtosis del -0,829 sugiere una distribución platicúrtica, caracterizada
por ser menos puntiaguda y más aplanada que una distribución normal. Esto implica una
dispersión de los datos más uniforme, con una menor concentración de valores alrededor
de la media y un menor riesgo de valores extremos en comparación con una distribución
leptocúrtica.

Figura IV, histograma

2. Dada la distribución de la tabla adjunta:

(a) Calcular los primeros cuatro momentos con respecto a la media para la distribución de
la tabla.

En la primera etapa del procedimiento, comenzamos ingresando los datos en SPSS, una vez que
los datos estuvieron cargados, nos dirigimos a la pestaña de “Vista de variables” y allí definimos
la medida de las variables de la distribución presentada anteriormente.

Figura V, medida de las variables de la distribución

Posteriormente, procedimos a ejecutar realizar la ponderación de la variable frecuencia para así
poder asegurar una representación precisa en los análisis subsiguientes, para ello, nos dirigimos a
la pestaña "Datos" en la barra de menú, donde seleccionamos la última opción denominada
"Ponderar casos", al hacer clic en esta opción, se abrió un cuadro de diálogo que nos permitió
especificar la ponderación utilizando la variable frecuencia, posteriormente seleccionamos esta
variable como el criterio para ponderar casos. Esta ponderación fue esencial para reflejar
adecuadamente el número real de unidades de análisis en nuestras exploraciones estadísticas,
garantizando resultados más precisos y representativos de la distribución de datos que estábamos
analizando.

Figura VI, ponderación de casos (variable frecuencia)

Antes de empezar a calcular los cuatro momentos, nos disponemos a realizar una exploración
detallada de los momentos respecto a la media de una distribución de datos:

Los momentos son medidas de dispersión sobre un determinado valor. En general, se define el
momento de orden r respecto del valor c como:

(1)
Teniendo en cuenta la Ecuación (1), si C=𝑋, entonces los momentos de orden r se denominan
momentos centrales o respecto de la media y se denotan por:

(2)

Es importante notar que:

● El momento de orden 0 respecto de la media siempre es la unidad
● El momento de orden 1 respecto de la media siempre es cero
● El momento de orden 2 respecto de la media siempre coincide con la varianza que es
igual al segundo momento con respecto al origen menos el primer momento con respecto
al origen al cuadrado, que es igual a la media.
● El tercer momento con respecto a la media está relacionado con la asimetría de la
distribución de probabilidades de X.
● El cuarto momento con respecto a la media está relacionado con una medida de que tan
puntiaguda es la distribución de probabilidad y recibe el nombre de curtosis.

Lo anterior, se ve resumido en la siguiente tabla:

Figura VII, Momentos con respecto a la media

Ahora, es pertinente dar una breve explicación de la funcionalidad e importancia de cada uno de
los momentos mencionados anteriormente:

El primer momento respecto a la media, también conocido como la media aritmética, es un

indicador crucial en el análisis estadístico de una distribución de datos, este momento se calcula
sumando todos los valores de la muestra y dividiendo el resultado por el número total de
observaciones y representa el punto de referencia central alrededor del cual se agrupan los datos,
proporcionando una medida promedio que resume la ubicación típica de la distribución.
La media es esencial para comprender la tendencia central de los datos, ofreciendo un valor
representativo que sirve como punto de partida para el análisis estadístico más detallado, ya que,
una distribución simétrica tendrá su media en el centro, mientras que distribuciones sesgadas
mostrarán desplazamientos hacia la izquierda o la derecha.

El segundo momento respecto a la media, conocido como varianza, desempeña un papel

fundamental en el análisis estadístico al proporcionar información detallada sobre la dispersión
de una distribución de datos, este se calcula tomando la media de los cuadrados de las
desviaciones de cada valor con respecto a la media aritmética, dicho cálculo captura la magnitud
de la variabilidad de los datos, indicando cuánto se alejan los puntos de datos promedio de la
media. Una varianza baja sugiere que los datos tienden a agruparse cerca de la media, mientras
que una varianza alta señala una dispersión más amplia. La raíz cuadrada de la varianza da lugar
a la desviación estándar, una medida que comparte la misma interpretación pero en las mismas
unidades que los datos originales, en conjunto, el segundo momento proporciona una visión
cuantitativa de la dispersión de los datos, permitiendo evaluar la homogeneidad o heterogeneidad
de la muestra en términos de cómo se distribuyen alrededor de la media.

El tercer momento respecto a la media, conocido como asimetría, desvela información crucial
sobre la simetría o sesgo de una distribución de datos, su cálculo implica considerar las
desviaciones cúbicas normalizadas de cada valor respecto a la media, la asimetría proporciona
una medida cuantitativa de la inclinación de la distribución hacia un lado, indicando si las colas
de la misma son más pronunciadas a la derecha o a la izquierda de la media. Un valor de
asimetría igual a cero sugiere simetría perfecta, mientras que valores positivos indican una
inclinación hacia la derecha y valores negativos señalan una inclinación hacia la izquierda.
Este momento permite discernir no sólo la forma general de la distribución, sino también la
dirección en la que se desvía de la simetría perfecta, proporcionando una percepción detallada de
la distribución de los datos en relación con su tendencia central.

Y finalmente, el cuarto momento respecto a la media, conocido como curtosis, ofrece un

análisis detallado de la forma y distribución de las colas de una distribución de datos, su cálculo
implica considerar las desviaciones cuárticas normalizadas de cada valor en relación con la
media aritmética. La curtosis proporciona información sobre la "pesadez" de las colas, indicando
si éstas son más pronunciadas o menos que las de una distribución normal. Un valor de curtosis
igual a cero sugiere una distribución normal, mientras que valores positivos indican colas más
pesadas (distribución leptocúrtica) y valores negativos señalan colas más ligeras (distribución
platicúrtica). Este momento, por lo tanto, permite evaluar la concentración de datos en las colas y
proporciona una medida adicional para entender la forma específica de la distribución en
términos de su concentración y extensión en las regiones extremas.
A continuación procedemos a calcular dichos momentos por medio de una hoja de cálculo:

Tabla IV, Cuatro momentos respecto a la media

En cuanto al primer momento, representado por la media, podemos evidenciar que tiene un valor
cercano a cero, en este caso 1,76, lo cual nos indica que la distribución de datos está centrada
alrededor de la media, la proximidad a cero nos indica que la variabilidad de los datos respecto a
la media es mínima, lo que concuerda con una distribución simétrica y bien equilibrada.

El segundo momento, que representa la varianza, tiene un valor de 6,179. Como mencionamos
anteriormente, la varianza mide y cuantifica la dispersión de los datos respecto a la media y un
valor superior a cero (6,179 en este caso) nos indica que los datos se extienden en relación con la
media, en este caso, el valor de 6.179 sugiere que los datos en la distribución están relativamente
dispersos, pero no de manera excesiva. La magnitud de la varianza proporciona información
sobre la amplitud de los valores en la distribución y cómo se alejan de la media.

El tercer momento, que refleja la asimetría de la distribución, la cual tiene un valor de -0,289,
este valor negativo indica una ligera inclinación significativa hacia la izquierda en la
distribución.
El valor negativo de la asimetría sugiere que la mayoría de los datos están distribuidos en el
extremo inferior de la escala, con algunos valores extremadamente bajos que tiran la cola
izquierda hacia abajo, esta asimetría hacia la izquierda indica que la distribución está sesgada,
con una mayor concentración de valores por encima de la media y algunos valores atípicos o
extremos en el extremo inferior.

Finalmente, el cuarto momento, representado por la curtosis, tiene un valor de -0,383, este valor
positivo nos señala colas más pesadas en la distribución en comparación con una distribución
normal, en este caso, la curtosis alta nos muestra que hay una mayor concentración de datos en
las colas de la distribución, lo que puede indicar la presencia de valores atípicos o extremos en
los datos, tal como se mencionó anteriormente.

(b) Verificar las relaciones entre momentos con respecto a la media (𝑚𝑟 ) y los momentos
con respecto a un punto cualquiera (𝑚𝑟 ´ ).

PUNTO CUALQUIERA : Cálculo de momento respecto al ORIGEN y a la MEDIA

(3)

Ecuación para hallar los momentos respecto al origen

A continuación, realizaremos el cálculo de los momentos 0,1,2,3,4 con respecto al origen,

haciendo uso de la Ecuación (3):

● El momento de orden 0 equivale a 1

● El momento de orden 1 equivale a la media aritmética
●
En la siguiente tabla se muestran los cálculos de los momentos donde:

● Xi ^2 x ni : Momento 2
● Xi ^3 x ni : Momento 3
● Xi ^4 x ni : Momento 4
Xi ni Xi ni Xi ^2 x Xi ^3 x Xi ^4 x (Xi-medi (Xi-medi
ni ni ni a)^3 x ni a)^4 x ni

12 1 12 432 5.184 62.208 175,61 983,44

14 4 56 784 10.976 156.664 -186,624 671,84

16 6 96 1.536 24.576 393.216 -24,576 39,32

18 10 180 3.240 58.320 1.049.76 0.64 0,256

0

20 7 140 2.800 56.000 1.120.00 96,768 232,24

0

22 2 44 968 21.296 468.512 170,368 749,61

Σ Σ 528 9.760 176,352 3.250.36 232.186 2708.392
0 4
Tabla V, Momentos respecto al origen

Cálculo de momentos procedimiento:

Resultados:
RESPECTO AL ORIGEN
MOMENTO RESULTADO
a1: Σ / 30 17,6
a2: Σ / 30 325,3
a3: Σ / 30 5.878,4
a4: Σ / 30 108,345,3

RESPECTO A LA MEDIA x̅
a3: Σ x̅ / 30 -0,289

a4: Σ x̅ / 30 -0,383
Tabla V, Momentos respecto al origen y a la media

(c) Aplicar la comprobación Charlier para los cálculos de la parte (a).

Comprobación de Charlier
En SPSS
Prueba de Chi Cuadrado
Se usa esta prueba para verificar si proviene de una distribución normal
● Comparación de la distribución de la muestra con la distribución normal teórica
● Medidas de comparación: la asimetría y la curtosis.
● Asimetría: g1
● Curtosis: g2
 Imagen 1, chi cuadrado

En la imagen 1 se muestra el resultado de una prueba de chi-cuadrado. Esto implica que se ha

realizado un análisis estadístico para comparar las frecuencias observadas y esperadas en un
conjunto de datos. El valor del chi-cuadrado es 11,230 con 5 grados de libertad, y su
significancia estadística es 0,046.

La tabla titulada “Frecuencias” presenta las diferencias entre las frecuencias observadas y
esperadas para diferentes valores. En la parte inferior de la tabla, se mencionan los detalles de la
prueba, incluyendo el valor del chi-cuadrado, los grados de libertad y la significancia estadística.
Además, se destaca que ninguna celda tiene una frecuencia esperada menor a 5.

Es importante tener en cuenta que esta interpretación es una aproximación lúdica y no una
medida científicamente precisa.
(d) Aplicar las correcciones Sheppard para los cálculos de la parte (a).
(e) Hallar el coeficiente de sesgo (𝑎3) para la distribución anterior: (a) sin y (b) con las
correcciones Sheppard.

En el siguiente procedimiento procederemos a calcular el coeficiente de sesgo (𝑎3) para la

distribución de datos en cuestión.
En una primera fase, realizaremos el cálculo del coeficiente de sesgo sin aplicar correcciones
Sheppard. Para realizar esta exploración, nos dirigimos a las opciones de análisis,
específicamente a las secciones de estadísticos descriptivos y frecuencias, al abrir el cuadro de
diálogo correspondiente, seleccionamos la variable objeto de análisis. Luego, en la pestaña de
estadísticos, y configuramos las opciones para incluir el cálculo del coeficiente de asimetría (𝑎3).
Adicionalmente, solicitamos la generación de un histograma que muestre la curva normal,
proporcionándonos una representación visual del comportamiento de los datos.

Figura VI, procedimiento para el cálculo del coeficiente de sesgo

En la siguiente tabla, se presentan los estadísticos solicitados:

 Tabla IV, Asimetría y error estándar

A continuación, se realizará el análisis e interpretación de los datos estadísticos que hemos

recopilado, en este caso, la asimetría y su error estándar.

● Con un coeficiente de asimetría (𝑎3) de -0,286, se evidencia una leve inclinación hacia la
izquierda en la distribución, este sesgo nos indica que hay una concentración ligeramente
mayor de valores en el extremo inferior de la escala, haciendo que la cola izquierda de la
distribución sea más larga que la cola derecha.

● La magnitud moderada del sesgo sugiere que, aunque existe una tendencia clara hacia la
izquierda, no es tan pronunciada como para considerarse una asimetría extrema.

● El error estándar de asimetría de 0,427 nos proporciona información sobre la precisión de

la estimación del coeficiente de asimetría, en este caso, dicho valor indica que existe
cierta variabilidad alrededor del coeficiente de asimetría calculado.

A continuación, presentamos el histograma y diagrama de caja y bigotes de la distribución de

datos, los cuales nos permiten observar su comportamiento:
 Figura VII, Histograma distribución de datos

Figura VIII, Diagrama de caja y bigotas distribución de datos

Posteriormente, aplicaremos las correcciones Sheppard al mismo procedimiento.

Estas correcciones, destinadas a ajustar y mejorar la precisión del coeficiente de sesgo, se
implementarán sobre la distribución original lo cual nos permitirá obtener una visión más afinada
y ajustada de la asimetría en los datos, enriqueciendo nuestra interpretación y comprensión de la
distribución analizada.

(f) Hallar el coeficiente de curtosis (𝑎4) para la distribución anterior: (a) sin y (b) con las
correcciones Sheppard.

En el análisis de datos estadísticos, la curtosis y el momento cuarto con respecto a la media son
medidas cruciales que nos permiten comprender la forma y la dispersión de una distribución.
Para calcular estos parámetros, seguimos un procedimiento sistemático que nos ayuda a obtener
información significativa sobre nuestros datos para este tipo de casos se sigue en SPSS de la
siguiente manera:

Luego de colocar todos los datos necesarios al sistema se requiere de poder analizar de manera
descriptiva los datos proporcionados logrando asi visualizar el valor esperado del coeficiente de
curtosis en las siguientes figuras.
El coeficiente de curtosis está relacionado con el momento cuarto con respecto a la media debido
a cómo se define y calcula la curtosis en estadísticas. La curtosis es una medida de la forma de la
distribución de los datos, específicamente cuán puntiaguda o aplanada es en comparación con
una distribución normal. Se calcula considerando las desviaciones al cuarto poder de los datos
respecto a su media.El momento cuarto con respecto a la media, por otro lado, es precisamente
eso: el cuarto momento central de una distribución de probabilidad, donde "central" significa que
se mide en relación con la media de la distribución.

Para hallar el coeficiente de Sheppard correlacionando datos de tipos discretos en forma

agrupada se mantiene la siguiente fórmula:

Por ende se mantienen los siguientes datos en una tabla organizada:

x f
12 1 desviación estándar 3.346640106
 14 4 sumatoria de x*f 528
16 6 promedio 17.6
18 10 sumatoria de f(xi-media) 2676.736
20 7
22 2
30

Reemplazando en la fórmula nos proporciona que:

𝐶𝑠 = 0, 763652

El coeficiente de curtosis corregido de Sheppard en una tabla discreta sirve para ajustar el sesgo
en el cálculo de la curtosis cuando se trabaja con datos discretos. La curtosis es una medida de la
forma de la distribución de los datos, específicamente cuán puntiaguda o aplanada es en
comparación con una distribución normal. Sin embargo, en el caso de datos discretos, la fórmula
estándar para calcular la curtosis puede introducir sesgos.

La corrección de Sheppard se utiliza para mitigar este sesgo y proporcionar una estimación más
precisa de la curtosis en distribuciones discretas. Al aplicar esta corrección, se ajusta el cálculo
de la curtosis para tener en cuenta la naturaleza discreta de los datos y el tamaño de la muestra, lo
que resulta en una medida más precisa de la forma de la distribución, este resultado se puede
visualizar en la gráfica de frecuencias.
Conclusiones

El análisis exhaustivo de la distribución de datos ha proporcionado una visión completa de sus

características. Iniciando con medidas de tendencia central, como el promedio, la mediana y la
moda, se ha obtenido una comprensión sólida de la ubicación central de los datos. La dispersión
de los datos se evaluó mediante la desviación estándar y el coeficiente de variación, tanto para
datos no agrupados como agrupados.

Se exploraron los primeros cuatro momentos con respecto a la media, revelando información
crucial sobre la simetría, forma y concentración de la distribución. La relación entre los
momentos respecto a la media (𝑚𝑟) y los momentos respecto a un punto cualquiera (𝑚𝑟´) fue
verificada, permitiendo una evaluación más profunda de la distribución.

Adicionalmente, se aplicó la comprobación Charlier y las correcciones Sheppard para mejorar la

precisión de las medidas de sesgo y curtosis. Estos ajustes consideraron la naturaleza de los
datos, ya sea discretos o continuos, proporcionando estimaciones más confiables.

El coeficiente de sesgo (𝑎3) y el coeficiente de curtosis (𝑎4) se calcularon tanto sin correcciones
como con las correcciones de Sheppard. Estos coeficientes permitieron evaluar el sesgo y la
forma de la distribución, proporcionando información valiosa sobre la asimetría y la
concentración de datos en las colas de la distribución.

En conjunto, este análisis exhaustivo de la distribución de datos nos ofrece una visión integral
que respalda la toma de decisiones informada y la comprensión profunda de los fenómenos
representados por los datos analizados.
Bibliografía

1. Guía del usuario de IBM SPSS Statistics 26 Core System IBM. (n.d.). Retrieved from

https://www.ibm.com/docs/en/SSLVMB_26.0.0/pdf/es/IBM_SPSS_Statistics_Core_Syst

em_User_Guide.pdf

2. Méndez Valencia, S., Ana, D., Romo, C., Roberto, R., & Sampieri, H. (n.d.). Manual

introductorio al SPSS Statistics Standard Edition 22. Retrieved from

https://www.fibao.es/media/uploads/manual_de_spss_universidad_de_celaya.pdf

3. Práctica 1 | Estadística. (2024). Retrieved March 5, 2024, from Wpd.ugr.es website:

https://wpd.ugr.es/~bioestad/guia-spss/practica-1/

4. Cdpye-Ugr, G. (n.d.). This work is licensed under a Creative Commons

Attribution-NonCommercial-NoDerivs 2.5 License. Momentos de una variable aleatoria.

Retrieved from https://www.ugr.es/~cdpye/CursoProbabilidad/pdf/P_T04_Momentos.pdf